一种针对椒盐噪声的自适应非局部均值滤波方法技术

本发明专利技术涉及一种针对椒盐噪声的自适应非局部均值滤波方法。属于数字图像处理技术领域。提出了一种简单而有效的去除椒盐噪声的方法。首先，使用滑动窗口识别噪声点，并使用局部滤波进行初步去噪。其次，提出具有自适应参数的非局部均值滤波用于进行二次去噪。本发明专利技术根据椒盐噪声的强度水平将平滑参数设计为分段函数。在公开数据集上的实验结果表明，新的滤波器平衡了去噪效果和消耗时间之间的关系。而且，新的过滤器可以有效地恢复被污染图像的像素并保留图像的纹理细节。素并保留图像的纹理细节。素并保留图像的纹理细节。

【技术实现步骤摘要】
一种针对椒盐噪声的自适应非局部均值滤波方法


[0001]本专利技术涉及一种针对椒盐噪声的自适应非局部均值滤波方法。属于数字图像处理


技术介绍

[0002]数字图像在量化和传输过程中常常受到成像设备与外部环境干扰等影响。噪声往往会降低图像的质量，对后续图像的处理(如分割、压缩和信息提取等)产生不利的影响。为了抑制噪声，改善图像质量，必须对图像进行去除噪声处理。噪声种类很多，其中一种是椒盐噪声，又称脉冲噪声。该噪声表现为随机产生的像素为0或255的点。
[0003]在图像采集过程中，相机传感器中的像素故障、硬件中的存储位置错误、传输数据的频道较嘈杂等问题，常常会导致椒盐噪声的产生。椒盐噪声会降低图像质量，因此去除椒盐噪声对于计算机视觉研究和图像处理有着重要的意义。下面首先详细介绍椒盐噪声的定义以及其模型的建立。
[0004]被椒盐噪声破坏的图像，噪声像素只能取动态范围内的最大值和最小值。具体地说，在一个8位像素图像中，椒盐噪声是指，将像素为0的点定义为胡椒噪声(黑点)，将像素为255的点定义为盐噪声(白点)。噪声密度p是指，图像中噪声点个数占所有像素点个数的比例。则噪声密度越大，被污染的像素越多。现有的去除椒盐噪声方法无法保证在不同图像、不同噪声强度的条件下，稳定且高效地获得高质量的图像。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种针对椒盐噪声的自适应非局部均值滤波方法。
[0006]本专利技术一种针对椒盐噪声的自适应非局部均值滤波方法，所述方法包括以下步骤：
[0007]步骤1初步估计滤波：
[0008]首先利用自适应窗口检测和识别噪声点，其次利用局部均值，或者局部中值的方法进行滤波；
[0009]步骤2利用自适应参数的非局部均值方法进一步地再处理噪声：
[0010]无噪声点像素保持不变。对于噪声点，利用所有邻域内像素的加权平均值替代噪声点的像素，且在去除噪声过程中，设置平滑参数随噪声强度自适应变化。
[0011]进一步的，所述方法步骤1中利用自适应窗口检测和识别噪声点具体为：
[0012]定义与噪声图像x大小相同的矩阵N，用于记录图像中各点是否为噪声点，记为判别矩阵；由此定义判别矩阵，
[0013]即，N(i，j)＝1，x
i，j
点为噪声点；N(i，j)＝0，x
i，j
为非噪声点。
[0014]进一步的，所述方法步骤1中局部均值滤波和局部中值滤波具体为：局部均值滤波，即利用噪声点的部分相邻点像素的均值代替噪声点像素；局部中值滤波，即利用噪声点的部分相邻点像素的中值代替噪声点像素。
[0015]进一步的，所述方法步骤2中利用所有邻域内像素的加权平均值替代噪声点的像素具体计算过程如下，
[0016][0017]其中，
[0018]c是M
i，j
的邻域内的全部点对于M
i，j
点的权值之和；L
i，j
为最终去除噪声图像的像素，B(M
i，j
，r)为以M
i，j
为中心，半径大小为r的窗口，即窗口内包含(2r+1)2个点，M
i，j
为初步滤波后的图像中噪声点的像素值，M
e，f
为初步滤波后的图像中任意点的像素值，u(M
i，j
，M
e，f
)为其他像素点M
e，f
用于恢复噪声点M
i，j
像素时的权重。
[0019]进一步的，所述方法步骤2中设置平滑参数随噪声强度自适应变化具体为：
[0020]将上一步检测到的噪声强度视为一个变量，设计的函数；
[0021]在该表达式中，F表示平滑参数的函数；此外，对于图像像素矩阵，p是行数，q是列数；定义符号表达m＝noise degree，β0、β1、β2、β3为用于拟合h的参数；是判别矩阵N(i，j)中的非零元素的总数,p是图像对应像素矩阵的行数，q是图像对应像素矩阵的列数，是图像中噪声点占所有像素点的比例，h是平滑参数；
[0022]当噪声强度较低时，即m≤0.2,
[0023]h＝β0·
n3+β1·
n2+β2·
n+β3+(0.2
‑
m)
·
m
·
15，
[0024]其中，β0＝
‑
28.317,β1＝15.8,β2＝3.9385,β3＝4.5646，
[0025]当噪声强度中等时，即0.3≤m≤0.6，
[0026]h＝β0·
n3+β1·
n2+β2·
n+β3，
[0027]其中，β0＝
‑
0.001,β1＝2.2194,β2＝6.0316,β3＝4.5592，
[0028]当噪声强度较高时，即m≥0.7，
[0029][0030]其中，β0＝4.708,β1＝0.082,β2＝2.134,β3＝6.0519。
[0031]本专利技术一种针对椒盐噪声的自适应非局部均值滤波方法，相比于现有技术的方案，具有以下优点：
[0032]1)算法框架的创新
[0033]本专利技术提出了一种简单但有效的去除椒盐噪声的方法。该方法分为两个步骤。第一步是初步估计滤波，通过滑动窗口识别噪声点，然后进行局部均值或中值滤波。第二步是使用自适应参数进行非局部均值滤波。首先根据噪声强度确定相应的参数，然后进行非局部均值滤波。
[0034]2)应用扩展和参数优化
[0035]传统的非局部均值算法针对的是高斯白噪声。本专利技术提出了一种针对椒盐噪声的非局部均值算法，扩大了非局部均值滤波的应用范围。同时，根据低、中、高噪声污染等级设计了相应的平滑参数表达式。以分段函数的形式确定最终表达式。
[0036]3)性能提升
[0037]本专利技术方法在低噪声强度下实现了SOTA(state
‑
of
‑
the
‑
art)的去噪结果；在低、中、高噪声强度下，去噪时间均稳定小于NANF去噪结果。它的去噪效果优于自适应模糊2型滤波器和中值滤波器。同时，保留了图像特征和详细信息。
[0038]本专利技术根据椒盐噪声的强度水平将平滑参数设计为分段函数。在公开数据集上的实验结果表明，新的滤波器平衡了去噪效果和消耗时间之间的关系。而且，新的过滤器可以有效地恢复被污染图像的像素并保留图像的纹理细节。
附图说明
[0039]图1为本专利技术针对椒盐噪声的自适应非局部均值滤波方法的初步估计滤波流程图。
[0040]图2为低噪声强度的平滑参数曲线图。
[0041]图3为中等噪声强度的平滑参数曲线图。
[0042]图4为高噪声强度的平滑参数曲线图。
[0043]图5为自适应参数的非局部均值滤波流程图。
具体实施方式
[0044]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对椒盐噪声的自适应非局部均值滤波方法，其特征在于：所述方法包括以下步骤：步骤1初步估计滤波：首先利用自适应窗口检测和识别噪声点，其次利用局部均值，或者局部中值的方法进行滤波；步骤2利用自适应参数的非局部均值方法进一步地再处理噪声：无噪声点像素保持不变。对于噪声点，利用所有邻域内像素的加权平均值替代噪声点的像素，且在去除噪声过程中，设置平滑参数随噪声强度自适应变化。2.根据权利要求1所述的针对椒盐噪声的自适应非局部均值滤波方法，其特征在于：所述方法步骤1中利用自适应窗口检测和识别噪声点具体为：定义与噪声图像x大小相同的矩阵N，用于记录图像中各点是否为噪声点，记为判别矩阵；由此定义判别矩阵，即，N(i，j)＝1，x
i，j
点为噪声点；N(i，j)＝0，x
i，j
为非噪声点。3.根据权利要求1所述的针对椒盐噪声的自适应非局部均值滤波方法，其特征在于：所述方法步骤1中局部均值滤波和局部中值滤波具体为：局部均值滤波，即利用噪声点的部分相邻点像素的均值代替噪声点像素；局部中值滤波，即利用噪声点的部分相邻点像素的中值代替噪声点像素。4.根据权利要求1所述的针对椒盐噪声的自适应非局部均值滤波方法，其特征在于：所述方法步骤2中利用所有邻域内像素的加权平均值替代噪声点的像素具体计算过程如下，其中，c是M
i，j
的邻域内的全部点对于M
i，j
点的权值之和；L
i，j
为最终去除噪声图像的像素，B(M
i，j
，r)为以M
i，j
为中心，半径大小为r的窗口，即窗口内包含(2r+1)2个点，M
i，j
为初步滤...

【专利技术属性】
技术研发人员：刘书刚，马昕玥，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：