一种基于局部统计信息的图像噪声检测方法、装置与流程

1.本发明涉及图像噪声检测技术领域，尤其涉及一种基于局部统计信息的图像噪声检测方法、装置。


背景技术：

2.在图像的采集和传输过程中，由于传感器设备的原因，数字图像经常被脉冲噪声破坏。随机值脉冲噪声(rvin)是其中一种脉冲噪声，其噪声像素值随机位于0到255之间，因此很难处理。为了后面对图像进行轮廓提取、区域分割和目标识别等操作，有必要对噪声图像进行恢复。
3.目前主流的去噪算法主要可分为基于块匹配的方法、基于卷积神经网络的方法和基于模糊规则的方法，从近几年流行的去噪算法来看，由于引入了模糊规则和卷积神经网络，虽然取得了很好的滤波效果，但也导致了算法的复杂度增加，运行时间变长，设备成本高。


技术实现要素：

4.本发明的目的在于提供一种基于局部统计信息的图像噪声检测方法、装置，与现有技术相比，实现简单，检测的准确度和灵敏度较高
5.本发明是通过以下技术方案实现的：本发明第一方面提供了一种基于局部统计信息的图像噪声检测方法，包括下列步骤：
6.s1、计算待测图像中每个像素的局部统计信息值；
7.s2、判断待测图像中每个像素处于平坦区域还是复杂区域；
8.s3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值；
9.s4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
10.在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
11.优选的，在步骤s1中，计算待测图像中每个像素的局部统计信息值，包括
12.以待测图像中的任意给定像素x为中心构建邻域计算像素x与邻域中的任一像素y的欧氏距离和灰度差：
[0013][0014]
[0015]
基于欧氏距离和灰度差，计算像素x与邻域中的任一其他像素y的相似度：s(x,y)＝d(x,y)*i(x,y)
[0016]
计算像素x与邻域中所有像素的相似度之和：
[0017][0018]
对ζx进行归一化使其约束在[0.1]区间：
[0019][0020]
将标准化为[0.1]间隔：
[0021][0022]
在式中，d(x,y)为像素x与像素y之间的欧式距离，i(x,y)为像素x与像素y之间的灰度差，(s,t)表示像素x在邻域中的位置，(m,n)表示像素y在邻域中的位置，σ
d
为欧氏距离的调节参数，σ
i
为灰度差的调节参数，ζx为相似度之和，ls
x
为像素x的局部统计信息值。
[0023]
优选的，判断待测图像中每个像素处于平坦区域还是复杂区域，包括：
[0024]
计算所述邻域内的所有像素的强度的估计均值μ
x
：
[0025][0026][0027]
基于所述估计均值，计算邻域中所有像素的强度的标准偏差
[0028][0029][0030]
根据所述标准偏差，判断给定像素x是否为处于平坦区域还是复杂区域：
[0031]
[0032]
式中，w1和w2为ls
y
的权重，用来调整干净像素和噪声像素对计算局部方差影响的比重,a、b为归一化的参数，t
σ
为区分像素是处于复杂区域还是平坦区域的阈值，ls
y
为邻域内的所有像素的局部统计信息值的最大值，u
y
是具有局部统计信息值的最大值的像素y的灰度值。
[0033]
优选的，计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值，包括：
[0034]
在待测图像中选取若干个大小为m的平坦区域，判断平坦区域中的异常像素与非异常像素：
[0035][0036]
估算每个区域的噪声水平：
[0037][0038]
通过对每个区域的噪声水平进行加权平均运算获得图像的整体噪声水平：
[0039][0040]
计算平坦区域的第一噪声检测阈值：
[0041]
θ
f
＝-0.12σ3+0.07σ2+0.75σ+0.19
[0042]
计算复杂区域的第二噪声检测阈值：
[0043]
θ
c
＝0.31σ3+0.63σ2+0.52σ+0.03
[0044]
其中，q
n
为异常像素个数，而q
c
为非异常像素个数，d为平坦区域的数量，i
x
为像素x的强度，i
y
为像素y的强度，θ是经验阈值。
[0045]
优选的，在步骤s4中，当像素x处于平坦区域时，比较像素x的ls
x
值与第一噪声检测阈值的大小：
[0046][0047]
当ls
x
≤θ
f
时，像素x为噪声像素，当ls
x
>θ
f
时，像素x为干净像素。
[0048]
优选的，当像素x处于复杂区域时，比较像素x的ls
x
值与第二噪声检测阈值的大小：
[0049][0050]
当ls
x
≤θ
c
时，像素x为噪声像素，当ls
x
>θ
c
时，像素x为干净像素。
[0051]
优选的，所述步骤s4还包括，当像素x被判断为噪声像素时，对待测图像进行滤波预处理，获得待测图像的滤波图像，将位于两个图像的同一坐标的像素x进行比较：
[0052][0053]
当|i
x-i
x’|>t
p
时，像素x为干净像素，当|i
x-i
x’|≤t
p
时，像素x为噪声像素，其中i
x’为像素x在滤波图像中的对应点的强度值，t
p
为判断阈值。
[0054]
优选的，所述θ的范围为[5,8]。
[0055]
优选的，所述t
p
取值为15。
[0056]
本发明第二方面提供了一种图像噪声检测装置，包括获取模块，还包括：
[0057]
计算模块，用于计算待测图像中每个像素的局部统计信息值；
[0058]
第一判断模块，用于判断待测图像中每个像素处于平坦区域还是复杂区域。
[0059]
第二判断模块，在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
[0060]
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
[0061]
与现有技术相比，本发明达到的有益效果如下：
[0062]
本发明提供的一种基于局部统计信息的图像噪声检测方法、装置，通过待测图像中每个像素的局部统计信息值来表征像素是否为噪声的概率，通过求取图像中每个像素点的局部统计信息值并设置合适的阈值可以将噪声像素和干净像素筛选出来，使得本发明提供的图像噪声检测方法准确度和灵敏度较高，解决了现有技术中检测脉冲噪声的方法准确度和灵敏度较低的问题；由于本发明在实现过程中不涉及复杂的乘法操作，使得实现方法简单，解决了现有技术中由于要采用乘法操作而造成的检测方法复杂的问题。
附图说明
[0063]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0064]
图1为本发明实施例1提供的一种基于局部统计信息的图像噪声检测方法的流程图；
[0065]
图2为本发明实施例2提供的一种基于局部统计信息的图像噪声检测方法的流程图；
[0066]
图3为本发明实施例3提供的一种图像噪声检测装置的结构示意图。
具体实施方式
[0067]
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
[0068]
在本申请实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有
说明，“多个”的含义是两个或两个以上。
[0069]
实施例1
[0070]
参见图1，作为本申请的第一实施例，本申请提供了一种基于局部统计信息的图像噪声检测方法，包括下列步骤：
[0071]
s1、计算待测图像中每个像素的局部统计信息值，包括：
[0072]
以待测图像中的任意给定像素x为中心构建邻域计算像素x与邻域中的任一像素y的欧氏距离和灰度差：
[0073][0074][0075]
基于欧氏距离和灰度差，计算像素x与邻域中的任一其他像素y的相似度：s(x,y)＝d(x,y)*i(x,y)
[0076]
计算像素x与邻域中所有像素的相似度之和：
[0077][0078]
对ζx进行归一化使其约束在[0.1]区间：
[0079][0080]
这里的表示对的均一化操作。
[0081]
通过观察，可以发现噪声图像中每个像素的ζx基本上散布在[0，2.5]中。为了更方便，更快速地处理数据，可以使用以下公式将任何像素的将标准化为[0.1]间隔：
[0082][0083]
在式中，d(x,y)为像素x与像素y之间的欧式距离，i(x,y)为像素x与像素y之间的灰度差，当两个像素之间的距离和灰度级差变大时，它们都减小，这也意味着如果两个像素之间的灰度差大或距离远，则它们的相似度很小，甚至欧几里德距离也可以被省略；
[0084]
(s,t)表示像素x在邻域中的位置，(m,n)表示像素y在邻域中的位置，σ
d
为欧氏距离的调节参数，σ
i
为灰度差的调节参数，可以分别通过调整这两个参数的值来更改它们对d(x，y)和i(x，y)的影响，ζx为相似度之和，ls
x
为像素x的局部统计信息值，可以表示像素是否为噪声的概率。如果ls
x
值越小，表明像素x与其邻域内的像素的相似度越小，也就意
味着像素x是噪声的概率更大。
[0085]
在本实施例的一个优选实施方式中，所构建的邻域为5
×
5的邻域。
[0086]
s2、判断待测图像中每个像素处于平坦区域还是复杂区域，包括：
[0087]
计算所述邻域内的所有像素的强度的估计均值μ
x
：
[0088][0089][0090]
基于所述估计均值，计算邻域中所有像素的强度的标准偏差
[0091][0092][0093]
根据所述标准偏差，判断给定像素x是否为处于平坦区域还是复杂区域：
[0094][0095]
式中，w1和w2为ls
y
的权重，用来调整干净像素和噪声像素对计算局部方差影响的比重,a、b为归一化的参数，t
σ
为区分像素是处于复杂区域还是平坦区域的阈值，ls
y
为邻域内的所有像素的局部统计信息值的最大值，u
y
是具有局部统计信息值的最大值的像素y的灰度值。
[0096]
在本实施例的一个优选实施方式中，所述t
σ
的范围为[0.3,8]
[0097]
s3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值，包括：
[0098]
在待测图像中选取若干个大小为m的平坦区域，判断平坦区域中的异常像素与非异常像素：
[0099][0100]
当i
x-i
y
>θ时，像素x为异常像素，当i
x-i
y
≤θ时，像素x为非异常像素，i
x
为像素x的强度，i
y
为像素y的强度，其强度为像素的灰度值，通过将待测图像导入相应的matlab程序中，可获得待测图像的像素灰度值；
[0101]
在本实施例的一个优选实施方式中，所述θ的范围为[5,8]。
[0102]
在本实施例的又一个优选实施方式中，所述θ的范围为[0,20]。
[0103]
估算每个区域的噪声水平：
[0104][0105]
通过对每个区域的噪声水平进行加权平均运算获得图像的整体噪声水平：
[0106][0107]
计算平坦区域的第一噪声检测阈值：
[0108]
θ
f
＝-0.12σ3+0.07σ2+0.75σ+0.19
[0109]
计算复杂区域的第二噪声检测阈值：
[0110]
θ
c
＝0.31σ3+0.63σ2+0.52σ+0.03
[0111]
其中，q
n
为异常像素个数，而q
c
为非异常像素个数，d为平坦区域的数量，θ是经验阈值。
[0112]
s4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
[0113]
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素，上述具体方式为：
[0114]
当像素x处于平坦区域时，比较像素x的ls
x
值与第一噪声检测阈值的大小：
[0115][0116]
当ls
x
≤θ
c
时，像素x为噪声像素，当ls
x
>θ
c
时，像素x为干净像素。
[0117]
当像素x处于复杂区域时，比较像素x的ls
x
值与第二噪声检测阈值的大小：
[0118][0119]
当ls
x
≤θ
f
时，像素x为噪声像素，当ls
x
>θ
f
时，像素x为干净像素。
[0120]
实施例2
[0121]
参见图2，作为本发明的第二实施例，当一个干净像素在图像的边缘或轮廓上时，它跟其附近的像素之间的强度差较为明显，这很容易导致在噪声检测过程中将边缘和轮廓上的像素视为噪声像素，为了进一步提高检测结果的精度，本发明在步骤s4的基础上增加了限定条件来避免错误地检测边缘像素作为噪声像素：
[0122]
当像素x被判断为噪声像素时，对待测图像进行中值滤波和高斯滤波预处理，获得待测图像的滤波图像，将位于两个图像的同一坐标的像素x进行比较：
[0123][0124]
当|i
x-i
x’|>t
p
时，像素x为干净像素，当|i
x-i
x’|≤t
p
时，像素x为噪声像素，其中i
x’为像素x在滤波图像中的对应点的强度值，t
p
为判断阈值。
[0125]
在本实施例的一个优选实施方式中，所述t
p
取值为15。
[0126]
实施例3
[0127]
参见图3，作为本发明的第三实施例，本发明提供了一种图像噪声检测装置，包括获取模块，其获取装置用于获取待测噪声图像，还包括：
[0128]
计算模块，用于计算待测图像中每个像素的局部统计信息值；
[0129]
第一判断模块，用于判断待测图像中每个像素处于平坦区域还是复杂区域。
[0130]
第二判断模块，在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
[0131]
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
[0132]
进一步的，本实施例提供的一种图像噪声检测装置，在执行时实现如实施例1和实施例2所述的方法。
[0133]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。