基于分?jǐn)?shù)階微分梯度的隨機(jī)噪聲點(diǎn)檢測算法
【專利摘要】基于分?jǐn)?shù)階微分梯度的隨機(jī)噪聲點(diǎn)檢測算法從分析圖像中噪聲特性出發(fā)，依據(jù)噪聲是圖像中局部特性的不連續(xù)點(diǎn)，噪聲點(diǎn)像素相對應(yīng)鄰域像素的灰度發(fā)生了急劇的變化。從圖像的頻域分析來看，噪聲相當(dāng)于是高頻信號，同為高頻信號的邊緣具有有序性、方向性和結(jié)構(gòu)性的邊緣屬性特征，邊緣的這種變化在臨近的像素中會有類似的表現(xiàn)。而噪聲即使成片出現(xiàn)，臨近的噪聲點(diǎn)像素的之間也無確定的對應(yīng)關(guān)系。本算法利用分?jǐn)?shù)階微分梯度算子檢測圖像中像素點(diǎn)灰度值的變化，并為此構(gòu)建了28個(gè)方向的分?jǐn)?shù)階微分梯度算子，用于檢測圖像相鄰像素在對應(yīng)28個(gè)可能邊緣方向的梯度變化，并選擇了合適的數(shù)理統(tǒng)計(jì)方法，用于確定圖像中噪聲點(diǎn)的位置。
【專利說明】基于分?jǐn)?shù)階微分梯度的隨機(jī)噪聲點(diǎn)檢測算法
[0001]【技術(shù)領(lǐng)域】:信息技術(shù)
[0002]【背景技術(shù)】:在信息技術(shù)快速發(fā)展的今天，數(shù)字圖像處理已經(jīng)成為人們獲取信息的重要手段。在圖像獲取、轉(zhuǎn)換與傳輸?shù)冗^程中，常受到成像設(shè)備自身因素與外界環(huán)境條件影響，導(dǎo)致所成圖像上出現(xiàn)一些隨機(jī)、離散或孤立的點(diǎn)，即圖像噪聲。無論是改進(jìn)成像設(shè)備還是減少環(huán)境干擾，噪聲都無法避免，這些噪聲惡化了圖像質(zhì)量，使其模糊，甚至淹沒了它們的特征，給人們?nèi)粘５膱D像應(yīng)用分析都帶來了困難。尤其是當(dāng)硬件設(shè)備的改進(jìn)受到限制時(shí)，只能通過圖像去噪方法提高圖像質(zhì)量。圖像去噪是圖像處理中基礎(chǔ)而重要的技術(shù)，是圖像恢復(fù)、圖像壓縮、圖像分割、圖像識別等處理過程的預(yù)處理。圖像去噪的目的是有效抑制了噪聲，為后續(xù)處理提供更為精確的信息。圖像去噪在整個(gè)圖像工程中占據(jù)重要的位置，它是圖像處理的初始步驟，能夠提高圖像的質(zhì)量，使得高層處理更加準(zhǔn)確，決定了后續(xù)工作包括模式識別、圖像分割、特征提取等的可行性和準(zhǔn)確性。
[0003]到目前為止，圖像去噪方法從大方向上可以分為空間域去噪法和變換域去噪法兩大類?？臻g域去噪法直接在空間域?qū)D像進(jìn)行操作，早期比較經(jīng)典的方法有噪聲門限法、鄰域平均法、加權(quán)平均，中值濾波，維納濾波等。這些方法對去除脈沖噪聲有一定效果。然而對圖像中的所有的像素點(diǎn)進(jìn)行處理，將改變圖像中未被噪聲污染的像素點(diǎn)，所以在有效去除噪聲的同時(shí)，也模糊了圖像的邊緣和細(xì)節(jié)等重要特征。而變換域圖像去噪方法其基本思路是:首先對含有噪聲的圖像進(jìn)行某種變換，將圖像從空域轉(zhuǎn)到變換域，然后利用某種方法對變換域中的系數(shù)進(jìn)行處理，再進(jìn)行反變換，將圖像從變換域轉(zhuǎn)回空域，以此來達(dá)到對圖像去噪的目的。其中，比較經(jīng)典的變換工具有傅里葉變換(Fourier transform)、拉普拉斯變換(Laplacian transform)、小波變換(wavelet transform)以及多尺度變換(mult1-scaletransform)等。這類圖像去噪存在主要的矛盾就是去除噪聲與保留圖像邊緣細(xì)節(jié)的矛盾。由于圖像的邊緣細(xì)節(jié)信息與噪聲都會分布在高頻系數(shù)中，而對圖像去噪的處理大多也是集中在高頻系數(shù)部分，這樣使一些含有邊緣細(xì)節(jié)信息的高頻系數(shù)丟失，導(dǎo)致去噪后的重建圖像出現(xiàn)邊緣模糊的現(xiàn)象。為了緩解這類矛盾，很多學(xué)者也提出了基于邊緣保護(hù)的圖像去噪方法?；谶吘壉Ｗo(hù)的圖像去噪方法，又會出現(xiàn)如何有效、準(zhǔn)確地檢測到圖像的邊緣信息的問題。實(shí)際上圖像細(xì)節(jié)和邊緣含有高頻分量，同時(shí)噪聲雖然以高頻成分為主，但也含有低頻成分。因此，圖像信息和噪聲在頻帶上的重疊，是造成基于變換域去噪方法存在缺陷的根本原因。
[0004]圖像去噪的目的是在去除圖像噪聲的同時(shí)盡好地保留圖像細(xì)節(jié)以及盡可能少地引入假信號。目前，對于完全散亂數(shù)據(jù)點(diǎn)的噪聲處理，還沒有一個(gè)快速、簡潔的方法?；诜?jǐn)?shù)階微分梯度的隨機(jī)噪聲點(diǎn)檢測算法可以用于確定圖像中隨機(jī)噪聲點(diǎn)的位置，這樣去噪運(yùn)算將只對噪聲點(diǎn)像素進(jìn)行處理，以便在噪聲去除和圖像細(xì)節(jié)保留兩方面同時(shí)達(dá)到最優(yōu)。
[0005]
【發(fā)明內(nèi)容】
:基于分?jǐn)?shù)階微分梯度的隨機(jī)噪聲點(diǎn)檢測算法從分析圖像中噪聲特性出發(fā)，依據(jù)噪聲是圖像中局部特性的不連續(xù)點(diǎn)，噪聲點(diǎn)像素相對應(yīng)鄰域像素的灰度發(fā)生了急劇的變化。從圖像的頻域分析來看，噪聲相當(dāng)于是高頻信號，同為高頻信號的邊緣具有有序性、方向性和結(jié)構(gòu)性的邊緣屬性特征，邊緣的這種變化在臨近的像素中會有類似的表現(xiàn)。而噪聲即使成片出現(xiàn)，臨近的噪聲點(diǎn)像素的之間也無確定的對應(yīng)關(guān)系。本算法利用分?jǐn)?shù)階微分梯度算子檢測圖像中像素點(diǎn)灰度值的變化，并為此構(gòu)建了 28個(gè)方向的分?jǐn)?shù)階微分梯度算子，用于檢測圖像相鄰像素在對應(yīng)28個(gè)可能邊緣方向的梯度變化，并選擇了合適的數(shù)理統(tǒng)計(jì)方法，用于確定圖像中噪聲點(diǎn)的位置。
【專利附圖】

【附圖說明】:
[0006]附圖1分?jǐn)?shù)階微分梯度28個(gè)方向示意圖以圖形的方式說明了以圖像中某一像素點(diǎn)與其周邊的8可能構(gòu)成邊緣的28個(gè)方向，構(gòu)建的分?jǐn)?shù)階微分梯度的方向。
[0007]附圖2以方向從像素A到O再到B為例說明了 Dmb方向的分?jǐn)?shù)階微分梯度掩膜的構(gòu)建。
[0008]附圖3表示的是剪短后的Daot方向的5X5分?jǐn)?shù)階微分梯度掩模。
[0009]附圖4未添加噪聲的人工圖像附圖5添加噪聲后的人工圖像
[0010]附圖6—附圖33為28個(gè)方向的梯度檢測圖
[0011]附圖6DA(B方向的梯度檢測圖附圖7DA(K方向的梯度檢測圖
[0012]附圖8DAa)方向的梯度檢測圖附圖9DA()E方向的梯度檢測圖
[0013]附圖1ODaqf方向的梯度檢測圖附圖1 IDam方向的梯度檢測圖
[0014]附圖12DAffl方向的梯度檢測圖附圖13DB(K方向的梯度檢測圖
[0015]附圖14Dmd方向的梯度檢測圖附圖15Dme方向的梯度檢測圖
[0016]附圖16Dmf方向的梯度檢測圖附圖17DB(K方向的梯度檢測圖
[0017]附圖18DBffl方向的梯度檢測圖附圖19D.方向的梯度檢測圖
[0018]附圖20Dcqe方向的梯度檢測圖附圖2 IDot方向的梯度檢測圖
[0019]附圖22DM方向的梯度檢測圖附圖23D-方向的梯度檢測圖
[0020]附圖24D腿方向的梯度檢測圖附圖25Ddqf方向的梯度檢測圖[0021 ]附圖26Ddog方向的梯度檢測圖附圖27Dmh方向的梯度檢測圖
[0022]附圖28Deqf方向的梯度檢測圖附圖29DE(K方向的梯度檢測圖
[0023]附圖30DEffl方向的梯度檢測圖附圖3 IDtod方向的梯度檢測圖
[0024]附圖32Dfqh方向的梯度檢測圖附圖33D.方向的梯度檢測
[0025]附圖34檢測出的噪聲點(diǎn)位置附圖35實(shí)際添加噪聲點(diǎn)位置
[0026]附圖36未添加噪聲的自然圖像附圖37添加噪聲后的自然圖像
[0027]附圖38—附圖65為28個(gè)方向的梯度檢測圖
[0028]附圖38Daqb方向的梯度檢測圖附圖39Daoc方向的梯度檢測圖
[0029]附圖40DAa)方向的梯度檢測圖附圖4IDme方向的梯度檢測圖
[0030]附圖42Daqf方向的梯度檢測圖附圖43DA(K方向的梯度檢測圖[0031 ]附圖44Daqh方向的梯度檢測圖附圖45Dbq。方向的梯度檢測圖
[0032]附圖46Dbqd方向的梯度檢測圖附圖47Dbqe方向的梯度檢測圖
[0033]附圖48Dbqf方向的梯度檢測圖附圖49DB(K方向的梯度檢測圖
[0034]附圖50DBffl方向的梯度檢測圖附圖5 IDail方向的梯度檢測圖
[0035]附圖52Dcqe方向的梯度檢測圖附圖53Dot方向的梯度檢測圖
[0036]附圖54DM方向的梯度檢測圖附圖5邪_方向的梯度檢測圖[0037]附圖56Dme方向的梯度檢測附圖57Dmf方向的梯度檢測圖
[0038]附圖58Ddog方向的梯度檢測附圖59Ddqh方向的梯度檢測圖
[0039]附圖60DE()F方向的梯度檢測附圖6 IDem方向的梯度檢測圖
[0040]附圖62Deqh方向的梯度檢測圖附圖63DFQ(；方向的梯度檢測圖[0041 ] 附圖64Dfqh方向的梯度檢測圖附圖65D.方向的梯度檢測
[0042]附圖66檢測出的噪聲點(diǎn)位置附圖67實(shí)際添加噪聲點(diǎn)位置
[0043]【具體實(shí)施方式】:分?jǐn)?shù)階微分是整數(shù)階微分的一種擴(kuò)展與延拓，將分?jǐn)?shù)階微積分引入到圖像處理領(lǐng)域本身就是一種探索，同時(shí)由于工程界對其研究時(shí)間不長。因此，具體實(shí)施從分?jǐn)?shù)階濾波器的實(shí)現(xiàn)開始介紹。
[0044]1、分?jǐn)?shù)階微分(FIR)濾波器的實(shí)現(xiàn)
[0045]分?jǐn)?shù)階微分濾波器可以由整數(shù)階微分濾波器推演獲得，分?jǐn)?shù)階微分有限沖擊(FIR)濾波器的傳遞函數(shù)如下:
【權(quán)利要求】
1.一種基于分?jǐn)?shù)階微分的隨機(jī)噪聲檢測算法，包括以中心點(diǎn)像素O為基準(zhǔn)，與其周圍A，B，C，D，E，F(xiàn)，G，H這八個(gè)像素點(diǎn)構(gòu)成可能出現(xiàn)的邊緣方向依次為Daqb，Daoc, Daod, Daoe, Daof,Daog, Daoh, Dboc,…，Deoh, Dfog, Dfoh, Dgoh等28個(gè)方向，并以此方向構(gòu)建分?jǐn)?shù)階微分梯度掩膜；使用28個(gè)方向的分?jǐn)?shù)階微分梯度模板與噪聲圖像進(jìn)行卷積運(yùn)算，分別得到28個(gè)不同方向的分?jǐn)?shù)階微分梯度圖；分別計(jì)算28個(gè)方向梯度圖的均值取整并加2-3作為閾值，獲取28個(gè)圖像方向梯度方向的梯度檢測圖；結(jié)合多個(gè)方向的梯度圖，通常選5-7個(gè)方向，通過與運(yùn)算，消除梯度圖中在某些方向上無梯度跳變的點(diǎn)，即圖像中的邊緣，即可獲取檢測出的噪聲點(diǎn)位置。
2.如權(quán)利要求書I所述的隨機(jī)噪聲檢測算法，用于檢測圖像中隨機(jī)噪聲的位置，并進(jìn)行圖像去噪的算法和檢測圖 像中添加的數(shù)字水印位置等圖像處理技術(shù)。
【文檔編號】G06T5/00GK103455986SQ201310415794
【公開日】2013年12月18日 申請日期:2013年9月13日 優(yōu)先權(quán)日:2013年9月13日
【發(fā)明者】楊柱中 申請人:楊柱中