一种基于卷积模板的图像去噪方法与流程

本发明属于图像处理领域，具体涉及一种基于卷积模板的图像去噪方法。

背景技术

图像去噪是指减少图像中噪声的过程。在图像的传输与获取过程中，经常由于工作环境条件等因素的影响，使得图像被噪声干扰，从而使得图像的部分信息被破坏，人类从图像中提取的信息也受到限制。这些噪声可能在传输中产生，也可能在量化等处理中产生。一幅图像在实际应用中可能存在各种各样的噪声，噪声是图像干扰的重要原因。

目前使用较广泛的去噪方法是双边滤波器去噪。双边滤波器采用欧式距离的高斯核函数与像素值差异的高斯核函数乘积作为滤波权重滤波去噪。这种方法对于图像中大梯度边缘信息又较好的保留，因此能有效滤出图像中的噪声，同时保留图像的边缘信息。

然而，采用双边滤波器去噪，虽然能保留住图像边缘，但在边缘的上下衔接处不是很贴合实际图像边缘梯度，对于孤立噪声点的削弱效果不好且采用双边滤波的计算过程复杂，不利于硬件实现。

技术实现要素：

为了解决现有技术中存在的上述问题，本发明提供了一种基于卷积模板的图像去噪方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于卷积模板的图像去噪方法，包括：

s1、对原始图像进行预处理，获取预处理图像；

s2、对所述预处理图像进行卷积去噪，获取输出图像；

s3、对所述输出图像进行修正，获取去噪图像。

在本发明的一个实施例中，步骤s1包括：

s11、对所述原始图像最外圈数据进行镜像扩展，得到预处理图像。

在本发明的一个实施例中，步骤s2包括：

s21、计算权重系数；

s22、通过滤波模板和所述预处理图像，获取滤波图像；

s23、根据所述权重系数和所述滤波图像获取所述输出图像。

在本发明的一个实施例中，步骤s21包括：

s211、通过预设模板和所述预处理图像，获取所述第一卷积图像；

s212、对所述第一卷积图像进行归一处理，获取第二卷积图像；

s213、根据所述第二卷积图像计算权重值；

s214、根据所述权重值计算所述权重系数。

在本发明的一个实施例中，步骤s211中的所述预设模板包括3*3模板、5*5模板或7*7模板。

在本发明的一个实施例中，步骤s22包括：

s221、通过所述滤波模板与所述预处理图像进行卷积，获取滤波图像。

在本发明的一个实施例中，根据高斯模板形成所述滤波模板。

在本发明的一个实施例中，步骤s3包括：

s31、计算所述预处理图像的方差；

s32、设置阈值；

s33、通过所述方差和所述阈值计算修正系数；

s34、根据所述修正系数和所述输出图像，利用修正公式获取所述去噪图像。

在本发明的一个实施例中，步骤s33中的所述修正系数计算公式为：

其中，a为所述修正系数，var(i，j)为所述方差，t为所述阈值。

在本发明的一个实施例中，步骤s34中的所述修正公式为：

其中，i_out(i，j)为所述去噪图像，i_out1(i，j)为所述输出图像，i_out2(i，j)为对所述原始图像进行均值滤波后得到的图像，a为修正系数，var(i，j)为所述方差，t为所述阈值。

与现有技术相比，本发明的有益效果：

(1)本发明提出一种基于卷积模板的图像去噪方法通过卷积模板对图像进行卷积的方式来提取图像的特征信息，在滤波去噪的过程中，对于边缘信息保留的更加完备；

(2)本发明提出一种基于卷积模板的图像去噪方法通过卷积操作来完成，没有复杂的公式计算，整体简单便于硬件实现。

附图说明

图1为本发明实施例提供的一种基于卷积模板的图像去噪方法的流程示意图；

图2为本发明实施例提供的又一种基于卷积模板的图像去噪方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1为本发明实施例提供的一种基于卷积模板的图像去噪方法的流程示意图。该基于卷积模板的图像去噪方法，包括：

s1、通过对原始图像进行预处理，获取预处理图像；

s2、通过对所述预处理图像进行卷积去噪，获取输出图像；

s3、通过对所述输出图像进行修正，获取去噪图像。

其中，对于步骤s1，可以包括：

s11、对所述原始图像最外圈数据进行镜像扩展，得到预处理图像。

其中，对于步骤s2，可以包括：

s21、计算权重系数；

s22、通过滤波模板和所述预处理图像，获取滤波图像；

s23、根据所述权重系数和所述滤波图像获取所述输出图像。

其中，对于步骤s21，可以包括：

s211、通过预设模板和所述预处理图像获取所述第一卷积图像；

s212、对所述第一卷积图像进行归一处理，获取第二卷积图像；

s213、根据所述第二卷积图像计算权重值；

s214、根据所述权重值计算所述权重系数。

优选地，步骤s211中的所述预设模板包括3*3模板、5*5模板和7*7模板。

其中，对于步骤s22，可以包括：

s221、通过所述滤波模板与所述预处理图像进行卷积，获取滤波图像。

优选地，步骤s22中的所述滤波模板根据高斯模板形成，也可以采用其他方式生成，比如双边滤波模板或者根据各点像素值与局部中心点像素值的差异值来自适应生成。

其中，对于步骤s3，可以包括：

s31、计算所述预处理图像的方差；

s32、设置阈值；

s33、通过所述方差和所述阈值计算修正系数；

s34、根据所述修正系数和所述输出图像，利用修正公式获取所述去噪图像。

优选地，步骤s33中的所述修正系数计算公式为：

其中，a为所述修正系数，var(i，j)为所述方差，t为所述阈值。

优选地，步骤s34中的所述修正公式为：

其中，i_out(i，j)为所述去噪图像，i_out1(i，j)为所述输出图像，i_out2(i，j)为对所述原始图像进行均值滤波后得到的图像，a为修正系数，var(i，j)为所述方差，t为所述阈值。

本实施例通过卷积模板对图像进行卷积的方式来提取图像的特征信息，在滤波去噪的过程中，对于边缘信息保留的更加完备，且通过卷积操作来完成，没有复杂的公式计算，整体简单便于硬件实现。

实施例二

请参图2，图2为本发明实施例提供的又一种基于卷积模板的图像去噪方法的流程示意图。本实施例在上述实施例的基础上，进一步对该图像去噪方法进行了详细描述，其中，该图像去噪方法以尺寸为3*3的预设模板为例，具体包括以下步骤：

步骤1：对原始图像最外圈数据进行镜像扩展；

将含有噪声的原始图像记为i，对原始图像的最外圈数据(第一行、第一列、最后一行、最后一列)进行镜像扩展，得到预处理图像，记为i_input。

步骤2：提取预处理图像的边缘信息；

通过四个预设模板与i_input进行卷积操作，提取预处理图像的边缘信息，四个预设模板如下：

其中，cov1为提取水平方向边缘信息的预设模板，cov2为提取垂直方向边缘信息的预设模板，cov3为提取45度方向边缘信息的预设模板，cov4为提取135度方向边缘信息的预设模板。

优选地，通过预设模板得到第一卷积图像，其中，第一卷积图像分别记为i1、i2、i3、i4。

步骤3：对第一卷积图像进行归一处理；

步骤2中cov1和cov2用到了三对像素点信息，而cov3和cov4只用到了两对像素点信息，需要进行一次归一处理得到第二卷积图像。其中，针对某个像素点(i，j)，通过以下公式进行归一处理：

i1'(i，j)＝i1(i，j)/3，i2'(i，j)＝i2(i，j)/3，

i3'(i，j)＝i3(i，j)/2，i4'(i，j)＝i4(i，j)/2，

其中，i1'(i，j)，i2'(i，j)，i3'(i，j)，i4'(i，j)分别为对应第二卷积图像像素点信息，i1(i，j)，i2(i，j)，i3(i，j)，i4(i，j)分别为对应第一卷积图像像素点信息。

步骤4：根据所述第二卷积图像计算权重值；

根据步骤3的结果，比较i1'(i，j)、i2'(i，j)、i3'(i，j)、i4'(i，j)四个值，

若四个值都为0，则权重值w1(i，j)＝w2(i，j)＝w3(i，j)＝w4(i，j)＝0.25；

否则，计算权重值公式如下：

其中，w1(i，j)，w2(i，j)，w3(i，j)，w4(i，j)分别为对应的权重值。

步骤5：根据权重值计算所述权重系数；

对步骤4中计算出的权重值进行非线性映射变换，拉大权重值之间的差距。具体的非线性映射过程计算公式如下：

其中，w′1(i，j)，w'2(i，j)，w'3(i，j)和w'4(i，j)分别为对应的权重系数，γ为调整参数(γ≥1)，当γ＝1时，权重系数没有得到拉伸。

步骤6：进行卷积去噪；

通过高斯模板生成滤波模板，其中，高斯模板通过高斯函数获取，且这里高斯模板的参数选择σ＝1，则各方向对应滤波模板如下：

其中，g1为水平方向滤波模板，g2为垂直方向滤波模板，g3为45度方向滤波模板，g4为135度方向滤波模板。

优选地，通过滤波模板g1、g2、g3、g4与i_input进行相应卷积得到四个对应滤波图像i1”、i2”、i3”、i4”。

优选地，通过滤波图像和权重系数获取输出图像，其中，针对某像素点(i，j)，计算公式如下：

i_out1(i，j)＝w1'(i，j)×i1”(i，j)+w'2(i，j)×i2”(i，j)+w'3(i，j)×i3”(i，j)+w'4(i，j)×i4”(i，j)

其中，i_out1为输出图像。

步骤7：对输出图像进行修正，获取去噪图像；

计算预处理图像i_input的局部3*3窗口的方差var，设定阈值t，根据方差与阈值的关系对输出图像进行修正，修正公式如下：

其中，i_out(i，j)为所述去噪图像，i_out1(i，j)为所述输出图像，i_out2(i，j)为对所述原始图像进行均值滤波后得到的图像，a为修正系数，var(i，j)为所述方差，t为所述阈值。

优选地，均值滤波是指以某个像素点(i，j)为中心的局部区域内的所有像素，构成一个滤波模板，然后去掉像素(i，j)本身，求局部区域内的所有像素的平均值，再用平均值来代替(i，j)的像素值。

优选地，i_out2(i，j)对应的均值滤波器的大小选择7*7的滤波器。且修正系数a的计算公式为：

本实施例提出的图像去噪方法通过不同卷积模板相结合的方式使得提取图像的边缘信息更加合理，更加准确，且通过将高斯模板与系数分配相结合，保证了噪声点的权重贡献较小，有效信息点的权重贡献较大；最后在通过阈值和计算图像的局部方差，根据设定的阈值来进一步对平滑区域进行去噪，去噪效果更好。

实施例三

请继续参见图2，图2为本发明实施例提供的又一种基于卷积模板的图像去噪方法的流程示意图。本实施例在上述实施例的基础上，进一步对该图像去噪方法进行了详细描述，其中，该图像去噪方法以尺寸为5*5的预设模板为例，具体包括以下步骤：

步骤1：对原始图像最外圈数据进行镜像扩展；

将含有噪声的原始图像记为i，对原始图像的最外圈数据(第一行、第一列、最后一行、最后一列)进行镜像扩展，得到预处理图像，记为i_input。

步骤2：提取预处理图像的边缘信息；

通过八个预设模板与i_input进行卷积操作，提取预处理图像的边缘信息，八个预设模板如下：

其中，cov1为提取水平方向边缘信息的预设模板，cov2为提取垂直方向边缘信息的预设模板，cov3为提取45度方向边缘信息的预设模板，cov4为提取135度方向边缘信息的预设模板其中，cov5为提取22.5度方向边缘信息的预设模板，cov6为提取67.5度方向边缘信息的预设模板，cov7为提取112.5度方向边缘信息的预设模板，cov8为提取157.5度方向边缘信息的预设模板，得到的卷积图像分别记为i1、i2、i3、i4、i5、i6、i7、i8。

步骤3：对第一卷积图像进行归一处理；

在步骤2种中，由于cov1和cov2用到了五对像素点信息，而cov3和cov4只用到了四对像素点信息，cov5、cov6、cov7、cov8仅用到了三对像素点信息，因此针对某个像素点(i,j)，进行归一处理，公式如下：

i1'(i，j)＝i1(i，j)/5，i2'(i，j)＝i2(i，j)/5，

i3'(i，j)＝i3(i，j)/4，i4'(i，j)＝i4(i，j)/4，

i5'(i，j)＝i5(i，j)/3，i6'(i，j)＝i6(i，j)/3，

i7'(i，j)＝i7(i，j)/3，i8'(i，j)＝i8(i，j)/3，

步骤4：根据所述第二卷积图像计算权重值；

根据步骤3的计算结果，针对其中某像素点(i,j)，比较i1'(i，j)、i2'(i，j)、i3'(i，j)、i4'(i，j)、i5'(i，j)、i6'(i，j)、i7'(i，j)、i8'(i，j)这八个值，若这八个值都为0，则有：

w1(i,j)＝w2(i,j)＝w3(i,j)＝w4(i,j)＝w5(i,j)＝w6(i,j)＝w7(i,j)＝w8(i,j)＝0.125

否则，计算权重公式如下：

其中，w1(i，j)，w2(i，j)，w3(i，j)，w4(i，j)w5(i，j)，w6(i，j)，w7(i，j)，w8(i，j)，分别为对应的权重值。

步骤5：根据权重值计算所述权重系数；

对步骤4中计算出的权重值进行非线性映射变换，拉大权重值之间的差距。具体的非线性映射过程计算公式如下：

其中，w′1(i，j)，w'2(i，j)，w'3(i，j)和w'4(i，j)分别为对应的权重系数，γ为调整参数(γ≥1)，当γ＝1时，权重系数没有得到拉伸。

步骤6：进行卷积去噪；

通过高斯模板生成滤波模板，其中，高斯模板通过高斯函数获取，且这里高斯模板的参数选择σ＝1，则各方向对应滤波模板如下：

其中，g1为水平方向滤波模板，g2为垂直方向滤波模板，g3为45度方向滤波模板，g4为135度方向滤波模板。g5为22.5度滤波模板，g6为67.5度方向滤波模板，g7为112.5度方向滤波模板，g8为157.5度方向滤波模板。

优选地，通过滤波模板g1、g2、g3、g4、g5、g6、g7、g8与i_input进行相应卷积得到八个与之相对应的滤波图像i1”、i2”、i3”、i4”、i5”、i6”、i7”、i8”。

优选地，过滤波图像和权重系数获取输出图像，其中，针对某像素点(i，j)，计算公式如下：

i_out1(i，j)＝w1'(i，j)×i1”(i，j)+w'2(i，j)×i2”(i，j)+w'3(i，j)×i3”(i，j)+w'4(i，j)×i4”(i，j)

其中，i_out1为输出图像。

步骤7：对输出图像进行修正，获取去噪图像；

计算预处理图像i_input的局部5×5窗口的方差var，设定阈值t，根据方差与阈值的关系对输出图像进行修正，修正公式如下：

其中，i_out(i，j)为所述去噪图像，i_out1(i，j)为所述输出图像，i_out2(i，j)为对所述原始图像进行均值滤波后得到的图像，a为修正系数，var(i，j)为所述方差，t为所述阈值。

优选地，均值滤波是指以某个像素点(i，j)为中心的局部区域内的所有像素，构成一个滤波模板，然后去掉像素(i，j)本身，求局部区域内的所有像素的平均值，再用平均值来代替(i，j)的像素值。

优选地，i_out2(i，j)对应的均值滤波器的大小选择7*7的滤波器。且修正系数a的计算公式为：

本实施例提出的图像去噪方法通过卷积模板对图像进行卷积的方式来提取图像的特征信息，不同的卷积模板提取不同特征信息，一系列卷积模板组合起来使用能使得提取的特征更加完善，更加全面。因此在滤波去噪的过程中，对于边缘信息保留的更加完备。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。