專利名稱：：一種局部結(jié)構(gòu)自適應(yīng)的圖像擴散去噪方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于信息技術(shù)中的數(shù)字圖像處理
技術(shù)領(lǐng)域：
，涉及圖像像素的分類特征值的提取、圖像像素的分類方法，以及圖像擴散流量的計算方法。
背景技術(shù)：
：圖像擴散是指的是模擬物理學(xué)的熱擴散形式，對圖像像素值進行擴散平滑處理，達到去除噪聲的目的。傳導(dǎo)系數(shù)函數(shù)是指用來根據(jù)圖像梯度計算擴散流量的具體函數(shù)形式，一般采用負指數(shù)函數(shù)等非單調(diào)負遞減函數(shù)。梯度是指圖像中相鄰像素之間的灰度值差異，是一個具有一定方向的矢量，包括水平方向和垂直方向兩個分量。擴散流量是指根據(jù)圖像中相鄰像素之間的梯度等信息計算出某個像素受其鄰域像素值影響而改變的量值大小。基于偏微分方程的圖像擴散去噪方法的研究始于1990年，經(jīng)過近20年的發(fā)展，已涌現(xiàn)出許多圖像擴散算法。然而過去的研究主要集中于如何利用不同傳導(dǎo)系數(shù)函數(shù)根據(jù)梯度值計算擴散流量，擴散流量只依賴于梯度。但相同的梯度在圖像中不同的位置代表著不同的信息，這些算法不能很好地區(qū)分圖像中的有用細節(jié)信息和噪聲，造成去噪能力的下降和圖像的模糊。文獻l(IEEETrans.PatternAnalysisandMachineIntelligence,1990,12(7):629)報道的非線性P-M擴散算法，利用圖像中的梯度信息和一個單調(diào)遞減傳導(dǎo)系數(shù)函數(shù)進行非線性擴散平滑，可在平滑噪聲的同時保留圖像邊緣和線條等細節(jié)信息。但它的傳導(dǎo)系數(shù)函數(shù)只依賴于最近鄰的梯度值，它無法濾除邊緣強度較大的脈沖噪聲(如椒鹽噪聲)，而且會模糊圖像中的弱邊緣。文獻2(SIAMJ.NumericalAnalysis,1992,29(1):182)報道的正則化P-M擴散算法，在計算圖像梯度時使用了高斯濾波器，使得梯度的計算更為可靠，利用圖像中的梯度信息和一個單調(diào)遞減傳導(dǎo)系數(shù)函數(shù)進行非線性擴散平滑，可以去除孤立點噪聲，但它同樣會模糊圖像中的邊緣和線條。文獻3(InternationalJournalofComputerVision,1999，31(2):111)報道了一種采用矩陣張量0(對2-0圖像是2*2的矩陣)作為傳導(dǎo)系數(shù)函數(shù)的一致性擴散算法，根據(jù)局部梯度信息，在不同的方向采用不同的傳導(dǎo)系數(shù)函數(shù)。算法可較好保留圖像中的紋理信息，包括有規(guī)則的線條和邊緣，但有時會在沒有紋理的地方生成奇怪的紋理。文獻4(正EETrans.ImageProcessing,2002,11(7):689)報道了一種提出一種前后向擴散(FAB:Forward-And-Backward)算法，可以在平滑擴散的同吋增強圖像中的邊緣和線條細節(jié)，但也往往會增強一些不需要的噪聲。另外，和P-M擴散相似，對一些弱對比度的邊緣和線條，也會被模糊。文獻5(IEEETrans.PatternAnalysisandMachineIntelligence,2005,27(10):1552)報道了一種基于圖像局部不一致性的擴散算法。根據(jù)上下文環(huán)境，在不同的位置采用不同的尺度。擴散流量由不一致性和梯度共同決定。但算法中定義的不一致性并不能很好地區(qū)分圖像結(jié)構(gòu)信息與噪聲，它對較大幅度的噪聲不能有效地去除。現(xiàn)有的算法在對傳導(dǎo)系數(shù)函數(shù)自適應(yīng)中，只考慮局部梯度方向、方差、均值等統(tǒng)計量，而沒有對局部結(jié)構(gòu)進行更深入和具體的分析。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述幾種算法沒有利用圖像局部結(jié)構(gòu)信息的缺點?；谄⒎址匠痰膱D像擴散去噪方法有許多，然而過去的研究主要集中于如何利用不同傳導(dǎo)系數(shù)函數(shù)根據(jù)梯度值計算擴散流量，擴散流量只依賴于梯度值。但相同的梯度在圖像中不同的位置代表著不同的信息，本發(fā)明首次將基于局部結(jié)構(gòu)分類與圖像擴散相結(jié)合，首先對像素進行分類，再對不同的類型采用不同的傳導(dǎo)系數(shù)函數(shù)，即可以有效地保留了圖像中的各種細節(jié)信息，如邊緣、細線條等，也可以同時有效去除不同類型的混合噪聲，如高斯噪聲和脈沖噪聲。本發(fā)明的具體技術(shù)方案包括以下步驟(1)確定用于圖像像素分類的局部結(jié)構(gòu)塊。用于進行像素分類的局部結(jié)構(gòu)圖像塊如附圖1所示，為當前分類像素及其8-鄰域像素組成的3*3圖像區(qū)域。圖中'O'表示當前像素，'P!Ps'表示它的8-鄰域像素。(2)提取用于圖像像素分類的局部結(jié)構(gòu)的分類特征值。局部結(jié)構(gòu)的分類特征值包括像素的局部結(jié)構(gòu)中其他像素與它的灰度最大距離、最小距離、最小絕對距離，以及絕對距離值差；所述的像素分類方法根據(jù)局部結(jié)構(gòu)的分類特征值將像素分為3類孤立點、圖像結(jié)構(gòu)、平坦或緩變區(qū)；用于進行像素分類的特征量包括以下幾個變量a)鄰域灰度距離:D,=/^)-/(0)(/=1,2，.."8)b)最大距離￡>raax-max(D,)(i=l,2,...,8)c)最小距離Dmin=minCD,)(/=1,2,...,8)d)最小絕對距離ADmm=min("Zw(D,))(Z=1，2,.."8)e)絕對距離值差:J"腿隨=max("Zw(D,))-min("fo(Q))(i=1,2,...,8)(3)根據(jù)圖像某個像素的分類特征值對像素進行分類。根據(jù)上述分類特征將每個像素分為孤立點用TypeI表示，圖像結(jié)構(gòu)用TypeII表示、平坦或緩變區(qū)用TypeIII表示三種類別之一，像素分類規(guī)則如下'/?？?！?Typel(孤立點)e"ez/XZ\lin<ram/乂D咖,腿〉TTypeII(圖像結(jié)構(gòu))TypeIII(平坦或緩變區(qū))T為分類閾值，物理意義上表示我們識別圖像細節(jié)信息的最小灰度差異。對不同類型的圖有一定差異，可根據(jù)經(jīng)驗設(shè)定(比如取灰度值范圍的10%)，也可根據(jù)預(yù)先對圖像的某種統(tǒng)計信息(如方差)來估計。像素分類的示例圖如附圖2圖7所示。(4)對不同類別的像素設(shè)置不同類型的傳導(dǎo)系數(shù)函數(shù)。傳導(dǎo)系數(shù)函數(shù)，包括3種類型，對應(yīng)于3種像素類別，分別是最小最大函數(shù)、指數(shù)函數(shù)的冪函數(shù)、以及指數(shù)函數(shù)；根據(jù)上述分類結(jié)果，對三種不同類別的像素，分別定義其傳導(dǎo)系數(shù)函數(shù)/^如下Typel{m—)，UTypeIITypeIII其中c(力或c(力=e—一('、")2對于孤立點(第I類)，屬于噪聲，而且其與周圍像素的最小絕對差值越火(D皿n或Dmn的7絕對值越大)，是噪聲的概率就越大，因此將傳導(dǎo)系數(shù)定義為該點與周圍像素的最小絕對差值;對于包含圖像細節(jié)信息的第II類，局部結(jié)構(gòu)中即有較強的邊緣(D,》T)，又有較弱的邊緣(D'〈T)。此時，對較強的邊緣采用較小的擴散系數(shù)(/("=("")2)，而對較弱的邊緣采用較大的擴散系數(shù))(/^)=7^);對第m類，當前像素處于平坦或緩變區(qū)域，選擇與P-M算法相同的擴散系(5)根據(jù)傳導(dǎo)系數(shù)函數(shù)計算擴散流量并對圖像進行圖像擴散平滑。擴散流量，根據(jù)確定的傳導(dǎo)系數(shù)函數(shù)計算，利用圖像梯度值計算任意一個像素與其8-鄰域像素的擴散流量對圖像進行圖像擴散平滑，包括3種類型，對應(yīng)于3種像素類別，分別是最小最大函數(shù)、指數(shù)函數(shù)的冪函數(shù)、以及指數(shù)函數(shù)；圖像擴散平滑，根據(jù)確定的鄰域各個方向的擴散流量，修改當前像素的灰度值，以達到在保持邊緣的情況下平滑去噪的目的；擴散方程的一般形式定義為/,=W(v/)v/)其中/(^為步驟(4)中定義的傳導(dǎo)系數(shù)函數(shù)。具體的數(shù)字實現(xiàn)過程如下V/表示圖像8個方向的梯度值。若記(x，y)點的8方向邊緣為E(x,y,i)，i4,...，8,在離散坐標的數(shù)字圖像中分別如下￡(x'_y，lW(w-1)-/(w)￡0j，2)=/(x，_v+1)—￡(jc,y，3)=/(x-l，y)-/(x，y)￡(xj,4)=/(x+l,_y)—/(i'力五0,乂5)^/(x-l,;/一l)一/(u)五(x，y,6)=/(x-1,y+1)-/(x,>>)WW(x+1,"I)-/0,力五(x,乂8)=/(;c+1，_y+1)—/(jc,力A》表示散度，在離散坐標的數(shù)字圖像中，平滑擴散流量計算公式為/=1其中^y)函數(shù)中的系數(shù)/t為各方向邊緣絕對值均值乘以某個[l5]之間的常數(shù)。根據(jù)流量對圖像進行平滑的隨迭代時間演化公式為=/"+義/,a(s0.125)是一個控制擴散速度的常數(shù)。8本發(fā)明的整個實現(xiàn)流程圖如附圖8所示。對輸入的數(shù)字圖像，首先根據(jù)每個像素及其鄰域像素構(gòu)成的局部結(jié)構(gòu)塊對它進行分類，同時計算其8個方向的梯度值；接著，根據(jù)像素的分類結(jié)果選擇不同的傳導(dǎo)系數(shù)函數(shù)；第三步，根據(jù)傳導(dǎo)系數(shù)函數(shù)和梯度值計算擴散流量；第四步，利用擴散流量對圖像進行擴散處理，并以處理結(jié)果更新替代原來的圖像。重復(fù)以上四步操作，直到達到指定的迭代次數(shù)。本發(fā)明的所提出方法的處理效果如附圖11所示。本發(fā)明所提出的算法正是為了克服這一局限性，在對圖像局部結(jié)構(gòu)進行初步識別的基礎(chǔ)上進行傳導(dǎo)系數(shù)函數(shù)調(diào)整。圖1用于進行像素分類的局部結(jié)構(gòu)塊示意圖。圖2孤立點示例1。圖3孤立點示例2。圖4圖像結(jié)構(gòu)示例l。圖5圖像結(jié)構(gòu)示例2。圖6平坦或緩變區(qū)示例l。圖7平坦或緩變區(qū)示例2。圖8局部自適應(yīng)的圖像擴散方法流程圖。圖9帶有各種不同強度結(jié)構(gòu)信息的測試圖像。圖10加入高斯噪聲和椒鹽噪聲后的測試圖像。圖11擴散去噪處理結(jié)果。具體實施例方式(1)讀入一幅帶有噪聲的灰度數(shù)字圖像，如附圖5所示，記為J0;重復(fù)(2)(5)步迭代10次；(2)對圖像J0中的每個像素計算其8-鄰域的梯度值，超出邊界部分以邊界像素值代替；(3)計算所有梯度值的絕對值的平均值k;(4)對每個像素a)根據(jù)其8-鄰域梯度值統(tǒng)計分類特征值；b)根據(jù)其分類特征對此像素進行分類；c)根據(jù)不同類別得到不同方向的傳導(dǎo)系數(shù)函數(shù)；d)利用傳導(dǎo)系數(shù)函數(shù)、梯度值和k值計算每個方向的擴散流量；9e)根據(jù)擴散流量得到更新后的像素值，保存于另幅圖像J1中;(5)令JO=Jl,返回(2);(6)輸出結(jié)果圖像J1。擴散去噪處理結(jié)果如圖11所示。10權(quán)利要求1、一種局部結(jié)構(gòu)自適應(yīng)的圖像擴散去噪方法，其特征在于，方法包括以下計算機可實現(xiàn)的步驟步驟一、確定用于圖像像素分類的局部結(jié)構(gòu)局部結(jié)構(gòu)是選取圖像中當前處理的像素及其周圍8鄰域，其計9個像素所組成的像素集中像素灰度值的分布形式；步驟二、提取用于圖像像素分類的局部結(jié)構(gòu)的分類特征值，局部結(jié)構(gòu)的分類特征值包括像素的局部結(jié)構(gòu)中其他像素與它的灰度最大距離、最小距離、最小絕對距離，以及絕對距離值差；所述的像素分類方法根據(jù)局部結(jié)構(gòu)的分類特征值將像素分為3類孤立點、圖像結(jié)構(gòu)、平坦或緩變區(qū)；用于進行像素分類的特征量包括以下幾個變量a)鄰域灰度距離Di＝f(Pi)-f(O)(i＝1，2，...，8)b)最大距離Dmax＝max(Di)(i＝1，2，...，8)c)最小距離Dmin＝min(Di)(i＝1，2，...，8)d)最小絕對距離ADmin＝min(abs(Di))(i＝1，2，...，8)e)絕對距離值差A(yù)Dminmax＝max(abs(Di))-min(abs(Di))(i＝1，2，...，8)；步驟三、根據(jù)圖像某個像素的分類特征值對像素進行分類；根據(jù)上述分類特征將每個像素分為孤立點用TypeI表示，圖像結(jié)構(gòu)用TypeII表示、平坦或緩變區(qū)用TypeIII表示三種類別之一，像素分類規(guī)則如下ifDmin＞TorDmax＜-TTypeIelseifADmin＜TandADminmax＞TTypeIIelseTypeIIIT為分類閾值，物理意義上表示我們識別圖像細節(jié)信息的最小灰度差異；步驟四、對不同類別的像素設(shè)置不同類型的傳導(dǎo)系數(shù)函數(shù)；傳導(dǎo)系數(shù)函數(shù)，包括3種類型，對應(yīng)于3種像素類別，分別是最小最大函數(shù)、指數(shù)函數(shù)的冪函數(shù)、以及指數(shù)函數(shù)；根據(jù)上述分類結(jié)果，對三種不同類別的像素，分別定義其傳導(dǎo)系數(shù)函數(shù)f(s)如下TypeI<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>min</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>,</mo><msub><mi>D</mi><mi>min</mi></msub><mo>></mo><mi>T</mi></mtd></mtr><mtr><mtd><mi>max</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>,</mo><msub><mi>D</mi><mi>max</mi></msub><mo><</mo><mo>-</mo><mi>T</mi></mtd></mtr></mtable></mfenced></mrow>]]></math></maths>TypeII<mathsid="math0002"num="0002"><math><![CDATA[<mfencedopen='{'close=''><mtable><mtr><mtd><mi>f</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><mi>c</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup><mo>,</mo><msub><mi>D</mi><mi>i</mi></msub><mo>≥</mo><mi>T</mi></mtd></mtr><mtr><mtd><mi>f</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>=</mo><msqrt><mi>c</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow></msqrt><mo>,</mo><msub><mi>D</mi><mi>i</mi></msub><mo><</mo><mi>T</mi></mtd></mtr></mtable></mfenced>]]></math></maths>TypeIIIf(s)＝c(s)其中<mathsid="math0003"num="0003"><math><![CDATA[<mrow><mi>c</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><mn>1</mn><mo>+</mo><msup><mrow><mo>(</mo><mi>s</mi><mo>/</mo><mi>k</mi><mo>)</mo></mrow><mn>2</mn></msup></mrow></mfrac><mo>,</mo></mrow>]]></math>id="icf0003"file="A2009100791480003C3.tif"wi="29"he="9"top="87"left="43"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>或<mathsid="math0004"num="0004"><math><![CDATA[<mrow><mi>c</mi><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><msup><mrow><mo>(</mo><mi>s</mi><mo>/</mo><mi>k</mi><mo>)</mo></mrow><mn>2</mn></msup></mrow></msup></mrow>]]></math>id="icf0004"file="A2009100791480003C4.tif"wi="20"he="4"top="88"left="84"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>對于孤立點，將傳導(dǎo)系數(shù)定義為該點與周圍像素的最小絕對差值；對于包含圖像細節(jié)信息的圖像結(jié)構(gòu)，當Di≥T為較強的邊緣采用較小的擴散系數(shù)，當Di＜T為較弱的邊緣采用較大的擴散系數(shù)；對平坦或緩變區(qū)，當前像素處于平坦或緩變區(qū)域，選擇與P-M算法相同的擴散系數(shù)；步驟五、根據(jù)傳導(dǎo)系數(shù)函數(shù)計算擴散流量并對圖像進行圖像擴散平滑，擴散流量，根據(jù)確定的傳導(dǎo)系數(shù)函數(shù)計算，利用圖像梯度值計算任意一個像素與其8-鄰域像素的擴散流量對圖像進行圖像擴散平滑，包括3種類型，對應(yīng)于3種像素類別，分別是最小最大函數(shù)、指數(shù)函數(shù)的冪函數(shù)、以及指數(shù)函數(shù)；圖像擴散平滑，根據(jù)確定的鄰域各個方向的擴散流量，修改當前像素的灰度值，以達到在保持邊緣的情況下平滑去噪的目的；擴散方程的形式定義為<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>I</mi><mi>t</mi></msub><mo>=</mo><mi>div</mi><mrow><mo>(</mo><mi>f</mi><mrow><mo>(</mo><mo>▿</mo><mi>I</mi><mo>)</mo></mrow><mo>▿</mo><mi>I</mi><mo>)</mo></mrow></mrow>]]></math></maths>其中f(s)為步驟(4)中定義的傳導(dǎo)系數(shù)函數(shù)，具體的數(shù)字實現(xiàn)過程如下id="icf0006"file="A2009100791480003C6.tif"wi="4"he="2"top="199"left="33"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>表示圖像8個方向的梯度值，記(x，y)點的8方向邊緣為E(x，y，i)，i＝1，...，8，在離散坐標的數(shù)字圖像中分別如下E(x，y，1)＝I(x，y-1)-I(x，y)E(x，y，2)＝I(x，y+1)-I(x，y)E(x，y，3)＝I(x-1，y)-I(x，y)E(x，y，4)＝I(x+1，y)-I(x，y)E(x，y，5)＝I(x-1，y-1)-I(x，y)E(x，y，6)＝I(x-1，y+1)-I(x，y)E(x，y，7)＝I(x+1，y-1)-I(x，y)E(x，y，8)＝I(x+1，y+1)-I(x，y)div表示散度，在離散坐標的數(shù)字圖像中，平滑擴散流量計算公式為<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>I</mi><mi>t</mi></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mn>8</mn></munderover><mi>f</mi><mrow><mo>(</mo><mi>E</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>·</mo><mi>E</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow></mrow>]]></math></maths>其中c(s)函數(shù)中的系數(shù)k為各方向邊緣絕對值均值乘以某個[1～5]之間的常數(shù)；根據(jù)流量對圖像進行平滑的隨迭代時間演化公式為In+1＝In+λItλ(≤0.125)是一個控制擴散速度的常數(shù)。全文摘要本發(fā)明提供一種局部結(jié)構(gòu)自適應(yīng)的圖像擴散去噪方法。特別涉及一種圖像局部結(jié)構(gòu)的分類方法、以及一種根據(jù)局部結(jié)構(gòu)確定擴散傳導(dǎo)系數(shù)的方法。圖像擴散是指模擬物理學(xué)的熱擴散形式，對圖像像素值進行擴散平滑處理，達到去除噪聲的目的。各向異性擴散能夠在平滑圖像的同時保持邊緣、線條等細節(jié)信息。本發(fā)明所提出的是一種能夠根據(jù)圖像局部細小結(jié)構(gòu)調(diào)整不同方向擴散強度的各向異性擴散方法。首先根據(jù)局部結(jié)構(gòu)將像素分類，對不同類型定義不同的傳導(dǎo)系數(shù)函數(shù)，再由這些函數(shù)根據(jù)梯度計算出擴散流量，進而實現(xiàn)保持邊緣信息的圖像擴散去噪。文檔編號G06T5/00GK101493933SQ200910079148公開日2009年7月29日申請日期2009年3月3日優(yōu)先權(quán)日2009年3月3日發(fā)明者王志明申請人:北京科技大學(xué)