基于网函数插值的图像去噪方法与流程

本发明涉及一种图像处理方法，尤其涉及一种基于网函数插值的图像去噪方法。

背景技术：

图像在成像、传输以及保存过程中会收到不可控因素(设备，环境等)影响，会引起图像数据失真从而扰乱图像的可观测信息，因此，对于图像进行去噪方法多种多样，而现有的去噪方法中，采用均值滤波器、自适应维纳滤波器、终止滤波器等算法进行处理，但是，现有的方法中，现有的处理算法过程复杂，因此在处理过程效率低，而且现有的算法中，往往容易导致图像的细节发生改变，从而造成最终去噪后的图像效果差，与原图像明显不符。

技术实现要素：

有鉴于此，本发明的目的是提供一种基于网函数插值的图像去噪方法，能够有效地去除图像中所包含的噪声，而且其去噪过程简单，效率高，而且能够与原图像保持高度一致，从而确保最终去噪后的图像效果。

本发明提供的一种基于网函数插值的图像去噪方法，包括如下步骤：

s1.对含有噪声的目标图像进行处理，检测出目标图像的噪点；

s2.构建去噪去噪矩形,该去噪矩形包含一个噪点；

s3.建立直角坐标系，将去噪矩形置于直角坐标系中，向去噪正方形矩形的相邻两边作两条垂线且两条垂线经过噪点，并获取去噪矩形的四个顶点的pi以及两条垂线与矩形四条边的交点的值；

s4.构建网函数插值模型：

其中，a为去噪正方向的面积，ai为两条垂线将去噪正方形分割成的四个子正方形的面积；f(q)为噪点q的插值函数值，f(qi)为两条垂线与去噪矩形四条边的交点的函数值，f(pi)为去噪矩形的四个顶点的值，其中，i＝1,2,3,4，且当i＝4时，a4+1＝a1；

采用网函数插值模型进行t次迭代，所得出的差值函数值f(q)即为去噪后的噪点q的真实图像值。

进一步，步骤s1中，对于目标图像的边缘噪点，对该噪点进行边缘延伸处理，直至能够构建去噪矩形。

进一步，还包括步骤s5：

在去噪后，去掉延伸的边缘并恢复至原图像边缘。

进一步，步骤s1中，采用椒盐噪声检测法对目标图像的噪点进行检测。

本发明的有益效果：通过本发明，能够有效地去除图像中所包含的噪声，而且其去噪过程简单，效率高，而且能够与原图像保持高度一致，从而确保最终去噪后的图像效果。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明去噪矩形结构示意图。

图3为本发明的去噪正方形结构示意图。

图4为本发明的去噪代表图原图。

图5为图4中加入噪声后的目标图。

图6为图4中进行边缘延伸后的图像。

图7为对图5中的目标图进行迭代运算后的对比图。

图8为峰值信噪比(英文简称psnr)与迭代次数关系图。

图9为现有技术中中值滤波器去噪效果图。

图10为现有技术中终止滤波器迭代次数与psnr关系图。

图11为图9中采用中值滤波器进行3次迭代后的效果图。

具体实施方式

以下结合说明书附图对本发明做出详细说明，如图所示：

本发明提供的一种基于网函数插值的图像去噪方法，包括如下步骤：

s1.对含有噪声的目标图像进行处理，检测出目标图像的噪点；

s2.构建去噪去噪矩形,该去噪矩形包含一个噪点；

s3.建立直角坐标系，将去噪矩形置于直角坐标系中，向去噪正方形矩形的相邻两边作两条垂线且两条垂线经过噪点，并获取去噪矩形的四个顶点的pi以及两条垂线与矩形四条边的交点的值；

s4.构建网函数插值模型：

其中，a为去噪正方向的面积，ai为两条垂线将去噪正方形分割成的四个子正方形的面积；f(q)为噪点q的插值函数值，f(qi)为两条垂线与去噪矩形四条边的交点的函数值，f(pi)为去噪矩形的四个顶点的值，其中，i＝1,2,3,4，且当i＝4时，a4+1＝a1；

采用网函数插值模型进行t次迭代，所得出的差值函数值f(q)即为去噪后的噪点q的真实图像值；

步骤s5：

在去噪后，去掉延伸的边缘并恢复至原图像边缘；通过上述方法，能够有效地去除图像中所包含的噪声，而且其去噪过程简单，效率高，而且能够与原图像保持高度一致，从而确保最终去噪后的图像效果。

如图2所示，图2为本发明的一个去噪矩形，其中，q为噪点，为了进一步简化计算，在实际处理过程中，可以将去噪矩形设置成一个去噪正方形，那么，其计算过程则会进一步简化，并且，去噪正方形选取的越小，那么最终进行去噪处理后的结果就更加精确。

本实施例中，步骤s1中，对于目标图像的边缘噪点，对该噪点进行边缘延伸处理，直至能够构建去噪矩形，由于处于图像边缘点的噪点，在其周围存在的像素点不足以构成一个去噪矩形或者去噪正方形，因此，需要对图像的边缘进行延伸，比如：图像z为4×3阶矩阵，那么在其边界进行延伸时，将其中第一行复制后形成新的第一行，而最后一行复制后形成新的最后一行，然后将第一列进行复制，形成新的第一列，最后一列复制后形成新的最后一列，具体如下：原图z为：

延伸后的图像z1为：

由上可知，虽然对图像z进行了边界延伸，但是，延伸后的图像z1仍然包含了原图像z，并从原来的4×3阶变成了6×5阶；而且，原图像z中的边界点a11、a21、a12等均能够构建最小的去噪正方形，从而完成最终的去噪处理。

本实施例中，步骤s1中，采用椒盐噪声检测法对目标图像的噪点进行检测；具体第：

在对噪声污染图像进行去噪处理时，首先应该将图像的噪声点和信号点相分开，确定噪声位置，否则，将正常的图像点作为噪声会使的网函数插值法去噪处理将这些正常的图像点进行去噪处理，从而造成图像信息损失；未检测到的噪声又会使得处理图像去噪不完整，无法完成对整个图像的处理。对于原始图像而言，信号点的像素值与周围点的像素值间的关联性较强，灰度值有差别但其在很小的范围内浮动变化。对于受椒盐噪声干扰的图像，灰度值与周围像素值差异较大同时关联性也较差；如表1和表2所示，其中，表1为噪声示意图，图2为非噪声示意图：

假定一个噪声图像的分辨率是x×y，其中有q个像素被噪声污染，那么图像噪声率假定噪声图像上pi,j为(i,j)点的噪声像素值，那么所有在图像上的像素点，都会有一个以自身为中心的3×3的窗口，并且它有着最大像素值maxri,j和最小像素值minri,j。设maxri,j，minri,j分别是从第一个窗口r0,0到该窗口ri,j所有像素值中的最大值及最小值：

椒盐噪声通常被数字化为0或255，设椒噪声(pepper)和盐噪声(salt)分别为：

利用上式，可得到掩膜信息maski,j，掩膜mask中每个值与像素点的对应关系如式(4-8)所示：

当maski,j＝1时，该点为椒噪声或盐噪声。当maski,j＝0时，此像素点为正常像素信息点。

以下以一个具体的图像实例对本发明做出进一步详细说明：

如图4-图10所示：图4中为经典的图像处理的代表图，即为lena图，而图5则是在图4的基础上进行加入噪点后的图像，从图上可知，由于噪点的加入，对于图像的观测造成了严重的干扰，在评价去噪处理结果的标准时，采用峰值信噪比(peaksignal-to-noiseratio，简写为psnr)作为依据。

图7中，其噪声密度为0.3，通过对比图可知：在本发明的算法执行1次时，图像上噪声较多。在迭代10次以后，无明显可见的噪声。30次至100次，去噪效果无下降，由图8可知：在迭代次数约为30次时，取得psnr值约为29.7074。此后，随着迭代次数的增加，psnr的值呈微小递增趋于稳定。在迭代100次时，psnr取得最大值29.8139。

本发明中，以中值滤波器作为现有技术的对比：同样以噪声密度为0.3的图像为例：通过中值滤波器算法处理后，去噪效果图如图9所示，在该噪声密度下，采用该算法，在图像上仍然存在明显的噪点，因此，其去噪效果并不理想，而执行多次中值滤波器算法后，其psnr与迭代次数关系图如图10所示：在终止滤波器的算法下，psnr在第三次时取得最大值为26.0340。此后，psnr值会随着迭代次数的增加而递减。从图11中，可以明显的看出随着迭代次数的增加，噪声点明显减小但图像也明显模糊，由此可知，本发明的所采用的方法是优于现有技术的，能够实现本发明中的技术目的。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。