毫米波安检图像降噪方法

1.本技术涉及图像处理技术领域，具体涉及一种毫米波安检图像的降噪处理方法。


背景技术：

2.为了应对日益增长的恐怖主义威胁，车站、机场等人流量较大的区域都会配备安检设备。毫米波成像仪器因其具有可探测多种隐藏目标且对人体没有损害的特性，被广泛应用于安检领域。
3.毫米波成像技术通过接收背景和目标对发射波束的回波信号成像。受成像工艺和工作环境的影响，当前毫米波成像系统输出的图像信噪比较低，分辨率不高，不利于后续工作中对可疑目标的检测。为了得到较为清晰的图像，往往需要对毫米波成像系统输出的初始图像进行降噪处理。
4.因为实际应用领域的特点，安检图像中的人体部分为包含有用信息的主体区域，剩余部分均为无用的背景区域。传统降噪方法无法对图像进行分区处理，且往往只针对图像中包含的高斯噪声，对于毫米波成像系统中包含的泊松-高斯混合噪声不能进行有效的去除。


技术实现要素：

5.本发明的目的是提供一种图像降噪方法，可以针对性地降低毫米波图像的噪声，提升图像质量。
6.本发明的目的是通过以下技术方案实现的：一种针对混合噪声的二次降噪技术，包括：对获取到的毫米波扫描图像进行图像分割处理，划分出人体区域以及背景区域，得到原始图像的二值分割结果；以二值分割结果作为模板，对原始图像进行背景滤波，得到滤除背景噪声的一次降噪结果；对一次降噪结果进行方差稳定变化，将泊松-高斯混合噪声模型转换为近似高斯噪声模型；对转换后图像中的高斯噪声进行降噪处理。采用四层小波阈值降噪，分别计算出各层的小波阈值，并采用改进阈值函数进行系数变换，得到降噪结果；对降噪后的图像进行方差稳定变换的逆变换，将得到的图像作为最终的降噪结果。
7.从上述技术方案可以看出，本发明提供的方法可以对毫米波成像中的泊松-高斯混合噪声进行有效的滤除；同时对于安检成像领域的图像有着针对性的降噪效果，增强了目标区域与背景区域之间的对比度。
附图说明
8.为了更清楚地说明本发明的技术方案，下面对描述具体实施例所用附图进行简单地介绍。附图仅用于示出本技术具体实施例的目的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
9.图1为本发明实施例提供的一种毫米波图像降噪方法流程图。
10.图2为本发明实施例提供的一种半软阈值函数与传统阈值函数对比图。
11.图3为本发明实施例提供的一组毫米波图像降噪视觉结果对比图。
具体实施方式
12.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
13.本说明书提供一种基于小波变换的毫米波图像二次降噪技术，在对原始图像进行图像分割基础上对背景区域进行针对性降噪，在此基础上通过方差稳定变换转换噪声模式，继而通过小波阈值降噪对图像进行处理。
14.图1是实施例提供的毫米波图像二次降噪处理方法流程图。如图1所示，本实施例提供的降噪处理方法包括步骤s1-s5。
15.s1：对原始图像进行图像分割，得到二值分割结果。
16.在本步骤中，采用水平集分割法对原始图像进行分割处理，水平集演化曲线即为分割曲线。因实际应用领域的特点，安检成像的目标区域位于图像的中部，包含较多明暗细节，因此将图像的边缘设置为初始轮廓采用向内收缩的分割模式。
17.水平集分割法的能量泛函包含一个距离正则化项和一个外部能量项：其中为距离正则化项，为受待分割图像影响的外部能量项。通过迭代演化能量泛函可驱动零级轮廓向所需位置更新。由能量泛函的梯度流可以得到分割轮廓随时间变化的公式：在本实施例中，时间步长设置为5，迭代次数设置为30，可以在保证分割效果的同时尽可能减少演化时间。分割结果为与原始图像相同大小的二值图像，其中主体部分为正值，背景部分为负值。
18.s2：以二值分割结果为模板，对原始图像进行背景滤除，得到一次降噪结果。
19.s1得到的二值图像对原始图像中的主体和背景进行了划分，以此结果为降噪模板，可针对原始图像的背景区域进行粗滤波。设原始图像为f，二值图像为则一次降噪结果r1可表示为
在一次降噪结果r1中，主体区域保留为正值，背景区域被置为负值，在后期的成像过程中，负值即显示为黑色背景。
20.到此步为止，原始图像中背景区域的噪声已经得到抑制，后续步骤将对图像中包含的泊松-高斯噪声进行滤除。
21.s3：对一次降噪结果进行方差稳定变换。
22.在本步骤中，使用anscombe方差稳定变换，对s2中得到的一次降噪结果进行处理，使图像中包含的泊松-高斯混合噪声转换为近似的高斯噪声。
23.原始图像x中的噪声模型为泊松-高斯混合噪声，而现有大多数降噪方法仅适用于高斯噪声模型。在泊松-高斯混合噪声模型中，泊松噪声为乘性噪声，高斯噪声为加性噪声，其表达式为：x＝a
·
p(y)+b
·
g；其中y为真实图像，a为泊松噪声系数，p(y)为受真实图像影响的泊松噪声模型，b为高斯噪声系数，g为服从高斯分布的噪声模型。
24.泊松噪声服从泊松分布通过方差稳定转换，可以将其转化为服从高斯分布的近似高斯噪声，转换公式如下：转换后图像r2中的噪声服从近似高斯分布，即可采用针对高斯噪声的降噪方法进行降噪处理，本专利采用小波阈值降噪法。
25.s4：对变换后的图像使用小波阈值去噪进行降噪处理。
26.本步骤中将采用小波阈值降噪法对s3中得到的转换结果r2进行降噪处理。
27.对于小波变换，可选择的小波基包括haar小波基、daubechies小波基、coiflets小波基、biorthogonal小波基、symlets小波基或mexican hat小波基等。由于待处理灰度图像为一个二维矩阵，所以进行小波分解时采用的小波基函数必须为双正交小波基函数，本实例中选用db5作为小波分解时采用的小波基函数。
28.本实例采用4层小波分解，并分别计算各层小波阈值以提高降噪的性能。经典的阈值求解方法包括supeshrink阈值方法、visushrink阈值方法、bayesshrink、ocv(ordinary cross validation)函数阈值方法等。本实例采用visushrink固定阈值法求解各层阈值，计算公式为：其中σ为噪声的标准差，n为信号的长度，对于二维数组即为数组元素个数。噪声标准差σ的估计可由donoho提出的估计公式得到：其中mad是各个分解层的各高频子带系数幅度的中值。
29.对于各个分阶层，可根据visushrink阈值方法计算出的阈值对小波系数进行处理。实际应用中，可采用的阈值处理方法包括硬阈值处理法、软阈值处理法和半软阈值处理
法。本实例采用半软阈值处理法对小波系数进行处理，变换公式如下：
30.经半软阈值处理法变换小波系数后，使用小波逆变换对数据进行还原，得到二次降噪结果r2。
31.s5：使用方差稳定变换的逆变换对降噪图像进行还原，得到最终结果。
32.由于在步骤s3中对原始图像进行过方差稳定变换，所以对于s4中得到的结果r2，仍需进行一次方差稳定变换的逆变换，才可得到最终结果。
33.由方差稳定变换公式可以推导出：
34.但由于正变换的非线性，直接使用逆变换的结果是存在偏差的。本实例使用anscombe变换的无偏逆变换以保证可靠性，其变换公式为：
35.以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。