一种基于模糊度理论的图像去噪方法技术

本发明专利技术公开了一种基于模糊度理论的图像去噪方法，其包括读入一帧图像步骤；判断图像中的当前像素点是否为噪声点步骤；以噪声点为中心，构造一个n×n矩形模板步骤；计算背景平均值及对象平均值步骤；计算模糊度步骤；比较判断步骤和噪声滤波步骤；其有益效果是本发明专利技术可得到更为精确的去噪效果，在处理椒盐类型全局噪声判断方面优于传统的方法。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种基于模糊度理论的图像去噪方法。
技术介绍
随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性(即主要特征)的同时，又能够去除信号中无用的信息。所以，去噪处理一直是图像处理和计算机视觉研究的热点。图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研
究的重点。传统去噪方法中，均值滤波是典型的线性滤波，对高斯噪声具有较好的抑制效果；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；维纳滤波对高斯噪声有明显的抑制作用；对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。均值滤波是一种典型的线性去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声，因而适用面较广，至今仍是一种常用的去噪方法，许多滤除噪声方法都是在此基础上发展而来的，其缺点是严重破坏了图像的边缘，模糊了图像。中值滤波去除脉冲噪声的效果很好，然而抑制噪声和保持图像中的细节往往是一对矛盾，也是图像处理中尚未很好解决的问题。所以保护细节的中值滤波的研究成为非线性滤波器研究的一个重要方面。小波变换对突变信号和非平稳信号处理具有优异性能，能较好地模拟视觉模型，使得它在数字图像处理、计算机视觉等方面引起了广泛的关注。但是，由于小波变换缺乏方向性，仅具有水平、垂直、对角方向的信息，不能很好地捕获二维图像中的线和面奇异，不能最优地表示含线或面奇异的二维图像，从而使得传统小波变换在处理二维图像时表现出一定的局限性。维纳滤波的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是失量的，都可应用。对某些问题，还可求出滤波器传递函数的显式解，并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的
情况，对于向量情况应用也不方便。因此，维纳滤波在实际问题中应用不多。
技术实现思路
本专利技术所要解决的技术问题是提供一种针对椒盐噪声图像的去噪效果更为精确的基于模糊度理论的图像去噪方法。为解决上述技术问题所采用的技术方案是：一种基于模糊度理论的图像去噪方法，其包括如下步骤：(1)读入一帧图像，令第一个像素点为当前像素点；(2)判断图像中的当前像素点是否为噪声点；判断图像中的当前像素点是否为噪声点的方法采用区间法，即灰度值位于(0-5)或(250-255)之间的为噪声点，否则为信号点。若当前像素点是噪声点，则按照步骤(3)进行处理；若当前像素点不是噪声点，则令下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；(3)以噪声点为中心，构造一个n×n矩形模板，即横轴上包含n个像素点，纵轴上包含n个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计；(4)考虑除中心像素点外的所有像素点，其个数为n×n-1，做以下构造以及计算：(4-1)设n×n-1个像素点的灰度值个数为L，仅当不存在相同灰度值的像素点时，L＝n×n-1；把L个灰度值按照从小到大的顺序排列，令其为序列灰度值ti，其中i＝1,2,…,L；(4-2)将n×n矩形模板内除去中心像素点外的所有像素点分成背景
和对象两个类：设q为像素点的灰度值；对每一个灰度值q都构造与所述n×n矩形模板上序列灰度值ti相关的背景平均值mB(ti)及对象平均值mO(ti)： m B ( t i ) = Σ q = t 1 t 1 q h ( q ) Σ q = t 1 t 1 h ( q ) ; ]]> m O ( t i ) = Σ q = t i + 1 t L q h ( q ) Σ q = t i + 1 本文档来自技高网...

【技术保护点】
一种基于模糊度理论的图像去噪方法，其特征在于包括如下步骤：(1)读入一帧图像，令第一个像素点为当前像素点；(2)判断图像中的当前像素点是否为噪声点；若当前像素点是噪声点，则按照步骤(3)进行处理；若当前像素点不是噪声点，则令下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；(3)以噪声点为中心，构造一个n×n矩形模板，即横轴上包含n个像素点，纵轴上包含n个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计；(4)考虑除中心像素点外的所有像素点，其个数为n×n‑1，做以下构造以及计算：(4‑1)设n×n‑1个像素点的灰度值个数为L，仅当不存在相同灰度值的像素点时，L＝n×n‑1；把L个灰度值按照从小到大的顺序排列，令其为序列灰度值ti，其中i＝1,2,…,L；(4‑2)将n×n矩形模板内除去中心像素点外的所有像素点分成背景和对象两个类：设q为像素点的灰度值；对每一个灰度值q都构造与所述n×n矩形模板上序列灰度值ti相关的背景平均值mB(ti)及对象平均值mO(ti)：mB(ti)=Σq=t1tiqh(q)&Sigma;q=t1tih(q);]]>mO(ti)=Σq=ti+1tLqh(q)Σq=ti+1tLh(q);.]]>其中，h(q)为所述n×n矩形模板中灰度值为q的像素点个数；由于对象类至少包含一个像素点，因此ti＝t1，t2，…,tL‑1；(4‑3)构造灰度值为q的像素点关于序列灰度值ti的属于背景的可能性以及属于对象的可能性μW~Bti(q)=|(1-|q-mB(ti)||mB(ti)-mO(ti)||mB(ti)+mO(ti)|2)(1-|q-mB(ti)||q-mB(ti)|+|q-mO(ti)|)|]]>μW~Oti(q)=|(1-|q-mO(ti)||mB(ti)-mO(ti)||mB(ti)+mO(ti)|2)(1-|q-mO(ti)||q-mB(ti)|+|q-mO(ti)|)|.]]>这里，ti＝t1，t2，…,tL‑1；因此每组和都得到L‑1次计算结果；(4‑4)根据对上述每组的L‑1个计算结果，分别构造每个灰度值q关于序列灰度值ti的背景集合以及灰度值q关于序列灰度值ti的对象集合ti＝t1，t2，…,tL‑1；LW~Bti={<q,μW~Bti(q)>}]]>LW~Oti={<q,μW~Oti(q)>}]]>即：表示灰度值为q的像素点属于背景集合的可能性，表示灰度值为q的像素点属于对象集合的可能性；(5)做以下计算：(5‑1)根据步骤(4)中的每组的L‑1个计算结果，计算每个灰度值q关于每一个序列灰度值ti的第一模糊度πL(q)：πL(q)=1-μW~Bti(q)-μW~Oti(q).]]>以及第二模糊度fL(q)：fL(q)=1-|μW~Bti(q)-μW~Oti(q)|.]]>因为每组和都得到L‑1次计算结果，因此，这里每组πL(q)和fL(q)也同样都得到L‑1次计算结果；(5‑2)设所述第一模糊度πL(q)与第二模糊度fL(q)之和为关于每一个序列灰度值ti的模糊度π(q)；π(q)=Σq=t1tL-1πL(q)+Σq=t1tL-1fL(q)]]>由此可知，根据不同的序列灰度值ti可以得到L‑1个模糊度π(q)；(6)设T等于最小模糊度对应的序列灰度值ti，即L‑1个模糊度π(q)中最小值对应的序列灰度值tiT=mint∈tiπ(t);]]>(7)将n×n矩形模板中每一像素点的灰度值q与T比较，当q≤T时，对该像素点做标记为背景类；当q＞T时，对该像素点做标记为对象类；经过此步，模板中除中心像素外所有的像素点都被分为了两类：背景类和对象类；(8)噪声滤波：分别计算背景类和对象类的像素点个数，对像素点个数多的那一类计算其平均灰度值，将所述平均灰度值赋予n×n矩形模板内中心像素点；若背景类和对象类的像素点个数相同，则计算背景类像素点平均灰度值，将所述背景类像素点平均灰度值赋予n×n矩形模板内中心像素点；(9)当屏幕上所有像素点处理完毕，程序结束。...

【技术特征摘要】
1.一种基于模糊度理论的图像去噪方法，其特征在于包括如下步骤：(1)读入一帧图像，令第一个像素点为当前像素点；(2)判断图像中的当前像素点是否为噪声点；若当前像素点是噪声点，则按照步骤(3)进行处理；若当前像素点不是噪声点，则令下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；(3)以噪声点为中心，构造一个n×n矩形模板，即横轴上包含n个像素点，纵轴上包含n个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计；(4)考虑除中心像素点外的所有像素点，其个数为n×n-1，做以下构造以及计算：(4-1)设n×n-1个像素点的灰度值个数为L，仅当不存在相同灰度值的像素点时，L＝n×n-1；把L个灰度值按照从小到大的顺序排列，令其为序列灰度值ti，其中i＝1,2,…,L；(4-2)将n×n矩形模板内除去中心像素点外的所有像素点分成背景和对象两个类：设q为像素点的灰度值；对每一个灰度值q都构造与所述n×n矩形模板上序列灰度值ti相关的背景平均值mB(ti)及对象平均值mO(ti)： m B ( t i ) = Σ q = t 1 t i q h ( q ) Σ q = t 1 t i h ( q ) ; ]]> m O ( t i ) = Σ q = t i + 1 t L q h ( q ) Σ q = t i + 1 t L h ( q ) ; . ]]>其中，h(q)为所述n×n矩形模板中灰度值为q的像素点个数；由于对象类至少包含一个像素点，因此ti＝t1，t2，…,tL-1；(4-3)构造灰度值为q的像素点关于序列灰度值ti的属于背景的可能性以及属于对象的可能性 μ W ~ Bt i ( q ) = | ( 1 - | q - m B ( t i ) | | m B ( t i ) - m O ( t i ) | | m B ( t i ) + m O ( t i ) ...

【专利技术属性】
技术研发人员：赵晔，李向红，刘靖纳，刘亚峰，刘炜，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13