国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種RBF插值椒鹽噪聲圖像修復(fù)方法與流程

      文檔序號:11520642閱讀:546來源:國知局
      一種RBF插值椒鹽噪聲圖像修復(fù)方法與流程

      本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域,特指一種rbf插值椒鹽噪聲圖像修復(fù)方法。



      背景技術(shù):

      數(shù)字成像傳感器ccd或cmos等被廣泛應(yīng)用于工業(yè)、娛樂、民用等領(lǐng)域,在實(shí)際使用過程中,受制造缺陷、器件老化、傳輸錯(cuò)誤等因素影響,在獲得的成像圖像中存在著椒鹽噪聲污染。椒鹽噪聲常表現(xiàn)為恒定的極亮或極暗像素,以取值范圍為0-255的灰度圖像為例,椒鹽噪聲像素的取值通常為255或0。這種噪聲會顯著降低圖像質(zhì)量,嚴(yán)重降低視覺效果。如圖1所示,1是原始圖像,2是30%椒鹽噪聲污染圖像。椒鹽噪聲對圖像質(zhì)量影響最大,一些非線性濾波方法被用于椒鹽噪聲圖像去噪。中值濾波最早被用于椒鹽噪聲圖像去噪,它以像素鄰域內(nèi)中值代替當(dāng)前像素,進(jìn)行圖像濾波,圖3是2的中值濾波結(jié)果。由于中值濾波會將未污染像素錯(cuò)誤地用鄰域內(nèi)像素中值取代,而使濾波后圖像產(chǎn)生失真。為此,sun等([sun,t,neuvo,y.,1994.detail-preservingmedianbasedfiltersinimageprocessing.patternrecognitionlett.15(4),341–347.)首次提出開關(guān)中值濾波(switchingmedianfilter,smf)。smf的基本思想是:先在受污染圖像中標(biāo)記出污染像素(比如像素值為255或0的像素即為污染像素)和未污染像素(像素值介于0-255之間的像素);在圖像修復(fù)過程中,只對污染像素進(jìn)行處理,未污染像素保持不變。這樣就可保證未污染像素不被鄰域內(nèi)像素中值替代,而具有更高保真度。4是2的開關(guān)中值濾波結(jié)果,可以看出,開關(guān)中值濾波結(jié)果明顯優(yōu)于傳統(tǒng)中值濾波方法。但是,當(dāng)椒鹽噪聲污染密度較大時(shí),比如80%以上,圖1中5,中值濾波和開關(guān)中值濾波都難以得到較理想的修復(fù)圖像。如圖1所示,6是5的中值濾波結(jié)果,7是5的選擇中值濾波結(jié)果。

      高密度(椒鹽噪聲污染比率在50%以上)椒鹽噪聲污染圖像去噪問題受到了國內(nèi)外學(xué)者廣泛關(guān)注。比如,esakkirajan(2011)等(esakkirajans,veerakumart,subramanyaman,premchandch.removalofhighdensitysaltandpeppernoisethroughmodifieddecisionbasedunsymmetrictrimmedmedianfilter.ieeesignalprocesslett2011;18(5):287–90.)提出非對稱三態(tài)濾波用于修復(fù)高度密度椒鹽噪聲污染圖像。lu(2012)等(luc.-t,chout.-c.denoisingofsalt-and-peppernoisecorruptedimageusingmodifieddirectional-weighted-medianfilter,patternrecognitionletters,vol.33,no.10,pp.1287–1295,2012.)提出改進(jìn)的方向加權(quán)中值濾波算法,可用于修復(fù)80%椒鹽噪聲污染圖像。mu(2013)等(muhh,fancc,etal.fastandefficientmedianfilterforremoving1-99%levelsofsalt-and-peppernoiseinimages.engineeringapplicationsofartificialintelligence.26(2013)1333-1338)根據(jù)不同的噪聲密度等級,改進(jìn)smf算法搜索窗口大小和方向,提出了一種快速、高密度椒鹽噪聲消除算法,可實(shí)現(xiàn)99%椒鹽噪聲污染圖像修復(fù)。vijaykumar(2014)等(v.r.vijaykumar,g.santhana,etal.fastswitchingbasedmedian-meanfilterforhighdensitysaltandpeppernoiseremoval.internationaljournalofelectronicsandcommunications.p:1145–1155,2014)提出了一種選擇均值中值濾波算法,通過加大搜索窗口的尺寸,可實(shí)現(xiàn)90%椒鹽噪聲污染圖像修復(fù)。zhang(2014)等(zhangc,wangk.etal.removalofhigh-densityimpulsenoisebasedonswitchingmorphology-meanfilter.internationaljournalofelectronicsandcommunications.2014)將形態(tài)學(xué)與選擇濾波融合,提出選擇形態(tài)學(xué)濾波,通過2層選擇開、閉形態(tài)學(xué)濾波,可實(shí)現(xiàn)90%椒鹽噪聲污染圖像修復(fù)。但是,這類基于局部窗口內(nèi)中值、均值、極值(最大值或最小值)的選擇濾波方法,在進(jìn)行高密度椒鹽噪聲圖像修復(fù)時(shí),較大的濾波窗口容易使圖像產(chǎn)生模糊,進(jìn)而降低修復(fù)后圖像信噪比。此外,現(xiàn)有方法一般采用檢測圖像中像素最亮或最暗像素的方式,檢測椒鹽噪聲。這種檢測方式,容易將位于較亮或較暗區(qū)域中的未污染像素誤判為噪聲污染像素。



      技術(shù)實(shí)現(xiàn)要素:

      為進(jìn)一步提升椒鹽噪聲圖像修復(fù)質(zhì)量,本發(fā)明提供一種rbf插值椒鹽噪聲圖像修復(fù)方法。本發(fā)明提供的技術(shù)方案是:先把椒鹽噪聲圖像i中像素p劃分為污染像素e和未污染像素t,把污染像素e的估值問題看著基于未污染像素t的散亂點(diǎn)插值問題;采用rbf散亂點(diǎn)插值方法,以未污染像素t圖像坐標(biāo)xt和像素值qt訓(xùn)練rbf模型,以污染像素e圖像坐標(biāo)xe作為輸入,采用rbf插值方法估計(jì)污染像素e的像素值qe',替換污染像素e的像素值qe,實(shí)現(xiàn)椒鹽噪聲圖像修復(fù);

      具體操作步驟如下:

      第一步:進(jìn)行圖像椒鹽噪聲檢測

      給定一幅尺寸為w*h個(gè)像素、位寬為b個(gè)比特的椒鹽噪聲圖像i,圖像寬度w取值范圍為1~100000000,圖像高度h取值范圍為1~100000000,圖像位寬b取值范圍為1~100,像素p的圖像坐標(biāo)為x,x=(u,v),(u,v)是像素橫縱坐標(biāo),像素值為q;

      進(jìn)行椒鹽噪聲圖像i中污染像素檢測的具體方法如下:

      第1.1步,設(shè)定大小為w*h的標(biāo)記矩陣f,f(u,v)中所有元素設(shè)定為1,(u,v)是圖像橫縱坐標(biāo),設(shè)定椒鹽噪聲檢測閾值a={a1,a2,a3,a4,a5,a6},a中元素取值范圍為0~100;設(shè)定像素亮度檢測閾值m,取值范圍為0~2b-1;設(shè)定鄰域相似性檢測閾值,取值范圍為0~2b-1;設(shè)定鄰域尺寸l的初始值d,d取值范圍為0~100;

      第1.2步,取椒鹽噪聲圖像i中像素p(u,v),其像素值為q(u,v),當(dāng)時(shí),轉(zhuǎn)第1.8步;

      第1.3步,設(shè)定鄰域尺寸l=d,計(jì)算椒鹽噪聲檢測度量值n1(u,v)、n2(u,v):

      式(1)

      式(2)

      其中,s1是像素q(u,v)鄰域內(nèi)過亮像素?cái)?shù)量,p1是當(dāng)前像素鄰域內(nèi)與當(dāng)前像素差異較小的非過亮像素?cái)?shù)量;s2是當(dāng)前像素鄰域內(nèi)過暗像素?cái)?shù)量,p2是當(dāng)前像素鄰域內(nèi)與當(dāng)前像素差異較小的非過暗像素?cái)?shù)量;

      式(3)

      式(4)

      e1等于1表示該像素為過亮像素;

      式(5)

      式(6)

      g1等于1表示該像素為非過亮像素,且與(u,v)位置處像素差異較??;

      式(7)

      式(8)

      e2等于1表示該像素為過暗像素;

      式(9)

      式(10)

      g2等于1表示該像素為非過暗像素,且與(u,v)位置處像素差異較??;

      式(1-10)中,rl(u,v)是以像素p(u,v)為中心、大小為(2l+1)*(2l+1)的局部鄰域,是局部鄰域內(nèi)像素坐標(biāo),取值范圍為1~2l+1;

      第1.4步,當(dāng)n1(u,v)>=a1且n2(u,v)>=a2、或者n1(u,v)+n2(u,v)>=a3時(shí),轉(zhuǎn)第1.8步;

      第1.5步,設(shè)定鄰域尺寸參數(shù)l=d+1,按式(1-10)再次計(jì)算n1(u,v)、n2(u,v);

      第1.6步,當(dāng)n1(u,v)>=a4且n2(u,v)>=a5、或者n1(u,v)+n2(u,v)>=a6時(shí),轉(zhuǎn)第1.8步;

      第1.7步,設(shè)定f(u,v)=0;

      第1.8步,返回第1.2步,直到椒鹽噪聲圖像i中所有像素被處理;

      根據(jù)標(biāo)記矩陣f,遍歷椒鹽噪聲圖像i中所有像素p(u,v),當(dāng)f(u,v)=1時(shí),將此像素標(biāo)記為污染像素e,污染像素e的像素坐標(biāo)為xe、像素值為qe;當(dāng)f(u,v)=0時(shí),將此像素標(biāo)記為未污染像素t,未污染像素t的像素坐標(biāo)為xt、像素值為qt;所有污染像素e構(gòu)成污染像素集,所有未污染像素t構(gòu)成未污染像素集,m、n取值范圍為[0~w*h],n=w*h-m;

      第二步:構(gòu)建rbf插值模型,使用未污染像素集訓(xùn)練rbf插值模型參數(shù);

      第2.1步:構(gòu)建rbf插值模型

      式(11)

      其中,是第k個(gè)污染像素ek的估計(jì)像素值,k的取值范圍為[1~m],是第i個(gè)未污染像素ti的圖像坐標(biāo),i的取值范圍為[1~n],是模型參數(shù),是插值函數(shù),插值函數(shù)包括:

      高斯函數(shù):

      式(12)

      二次函數(shù):

      式(13)

      線性函數(shù):

      式(14)

      立方函數(shù):

      式(15)

      三角函數(shù):

      式(16)

      其中,是高斯、二次函數(shù)參數(shù),取值范圍為[0~100],是第i個(gè)未污染像素ti與第k個(gè)污染像素ek的圖像像素坐標(biāo)歐式距離;

      第2.2步:使用未污染像素集計(jì)算rbf插值模型參數(shù):

      使用未污染像素集的圖像坐標(biāo)、像素值,構(gòu)建n個(gè)線性方程:

      式(17)

      估計(jì)式(17)的最優(yōu)參數(shù);

      第三步:把污染像素集e的像素坐標(biāo)代入rbf插值模型,估計(jì)污染像素的像素值;

      把污染像素集的像素坐標(biāo)依次代入式(18)的rbf插值模型,計(jì)算污染像素的像素值

      式(18)

      第四步:將代替椒鹽噪聲圖像i中對應(yīng)位置處像素,完成污染圖像修復(fù)。

      本發(fā)明有益效果:

      1)所提出的噪聲檢測方法,可有效克服現(xiàn)有方法利用最亮或最暗像素作為檢測器,引起的誤檢測。在本發(fā)明中,噪聲檢測是通過鄰域內(nèi)過亮像素、過暗像素、非過暗像素、非過亮像素的統(tǒng)計(jì)信息作為綜合判據(jù),相比單純利用一個(gè)像素的亮度值,更加合理和有效。

      2)可顯著提高修復(fù)圖像信噪比,增強(qiáng)修復(fù)圖像的視覺可視信息。如圖2所示,以大小為1024*1024像素、像素深度為b=8bits的lena灰度圖像進(jìn)行測試評估,圖像噪聲密度為90%,與現(xiàn)有椒鹽噪聲修復(fù)算法進(jìn)行對比,本發(fā)明方法中插值核函數(shù)選擇線性函數(shù)。參與對比的現(xiàn)有椒鹽噪聲圖像修復(fù)方法包括:中值濾波、加權(quán)中值濾波(wmf,yinl,ruikangyang,moncefgabbouj,yrjoneuvo.weightedmedianfilters:tutorial.ieeetranscircuitssystii1996;43(3):157–92.)、中心加權(quán)中值濾波(cwmf,kos-j,leeyh.centerweightedmedianfiltersandtheirapplicationstoimageenhancement.ieeetranscircuitssyst1991.38(9):984–93.)、自適應(yīng)中心加權(quán)中值濾波(acwmf,chent,wuhr.adaptiveimpulsedetectionusingcenter-weightedmedianfilters.ieeesignalprocesslett2001;8(1):1–3.)、改進(jìn)選擇中值濾波(psmf,wangz,zhangd.progressiveswitchingmedianfilterfortheremovalofimpulsenoisefromhighlycorruptedimages.ieeetranscircuitssystii1999;46(1):78–80.)、自適應(yīng)中值濾波(amf,hwangh,haddadra.adaptivemedianfilters:newalgorithmsandresults.ieeetransimageprocess1995;4(4):499–502.)、邊界判別噪聲檢測(bdnd,ngp-e,mak-k.aswitchingmedianfilterwithboundarydiscriminativenoisedetectionforextremelycorruptedimages.ieeetransimageprocess2006;15(6):1506–16.)、基于決策算法(dba,srinivasanks,ebenezerd.anewfastandefficientdecision-basedalgorithmforremovalofhigh-densityimpulsenoises.ieeesignalprocesslett.2007;14(3):189–92.)、簡單自適應(yīng)中值濾波(samf,haidii,nicholasspk,theamfn.simpleadaptivemedianfilterforremovalofimpulsenoisefromhighlycorruptedimages.ieeetransconsumelectron2008;54(4).)、改進(jìn)基于決策的非對稱三態(tài)中值濾波(dbutmf,esakkirajans,veerakumart,subramanyaman,premchandch.removalofhighdensitysaltandpeppernoisethroughmodifieddecisionbasedunsymmetrictrimmedmedianfilter.ieeesignalprocesslett2011;18(5):287–90.)、均值中值濾波算法(smmf,v.r.vijaykumar,g.santhana,etal.fastswitchingbasedmedian-meanfilterforhighdensitysaltandpeppernoiseremoval.internationaljournalofelectronicsandcommunications[j].(2014)1145–1155),以及本發(fā)明實(shí)施例1修復(fù)結(jié)果。從圖2中,可以看出本發(fā)明實(shí)施例1修復(fù)結(jié)果保留了更多圖像細(xì)節(jié),修復(fù)效果明顯優(yōu)于amf、bdnd、dba、samf、mmf、smmf等算法。圖3還給出了本發(fā)明方法在99%噪聲密度情況下修復(fù)結(jié)果,體現(xiàn)了本發(fā)明方法對高密度噪聲污染圖像具備良好修復(fù)能力。

      附圖說明

      圖1椒鹽噪聲圖像污染及現(xiàn)有方法去噪結(jié)果。

      圖2噪聲密度為90%時(shí),本發(fā)明算法與現(xiàn)有算法圖像修復(fù)效果對比。

      圖399%噪聲密度污染圖像本發(fā)明方法修復(fù)結(jié)果。

      圖中,1是原始圖像,2是30%椒鹽噪聲污染圖像,3是2的中值濾波結(jié)果,4是2的選擇中值濾波結(jié)果,5是80%椒鹽噪聲污染圖像,6是5的中值濾波結(jié)果,7是5的選擇中值濾波結(jié)果,8是90%椒鹽噪聲污染圖像,9是8的中值濾波結(jié)果,10是8的wmf處理結(jié)果,11是8的cwmf處理結(jié)果,12是8的acwmf處理結(jié)果,13是8的psmf處理結(jié)果,14是8的amf處理結(jié)果,15是8的bdnd處理結(jié)果,16是8的dba處理結(jié)果,17是8的samf處理結(jié)果,18是8的dbutmf處理結(jié)果,19是8的smmf處理結(jié)果,20是本發(fā)明方法處理結(jié)果。

      具體實(shí)施方式

      下面結(jié)合附圖和實(shí)施例對本發(fā)明內(nèi)容作進(jìn)一步說明。

      實(shí)施例1

      選擇大小為1024*1024像素、像素深度為b=8bits的lena灰度圖像,在matlab2014a平臺進(jìn)行評估試驗(yàn),采用matlab中imnoise函數(shù)模擬生成椒鹽噪聲污染圖像i,噪聲密度為90%。

      第一步:進(jìn)行圖像椒鹽噪聲檢測

      第1.1步,設(shè)定大小為1024*1024的標(biāo)記矩陣f,f(u,v)中所有元素設(shè)定為1,設(shè)定參數(shù)a={2,7,7,4,16,18},設(shè)定參數(shù)m=5,設(shè)定參數(shù)=5,設(shè)定參數(shù)d=1;

      第1.2步,當(dāng)時(shí),轉(zhuǎn)第1.8步;

      第1.3步,設(shè)定鄰域尺寸參數(shù)l=d,計(jì)算

      其中,

      式(1)

      式(2)

      式(3)

      式(4)

      式(5)

      式(6)

      式(7)

      式(8)

      式(9)

      式(10)

      式(1-10)中,是圖像像素橫縱坐標(biāo),是以像素q(u,v)為中心、大小為(2l+1)*(2l+1)的局部鄰域,是局部鄰域內(nèi)像素坐標(biāo),取值范圍為1~2l+1;

      第1.4步,當(dāng),或者時(shí),轉(zhuǎn)第1.8步;

      第1.5步,設(shè)定鄰域尺寸參數(shù)l=d+1,按式(1-9)再次計(jì)算;

      第1.6步,當(dāng),或者時(shí),轉(zhuǎn)第1.8步;

      第1.7步,設(shè)定f(u,v)=0;

      第1.8步,返回第1.2步,直到圖像i中所有像素被遍歷;

      根據(jù)標(biāo)記矩陣f,遍歷圖像i中所有像素p,當(dāng)f(u,v)=1時(shí),將此像素標(biāo)記為污染像素e,污染像素e的像素坐標(biāo)為xe、像素值為qe;當(dāng)f(u,v)=0時(shí),將此像素標(biāo)記為未污染像素t,未污染像素t的像素坐標(biāo)為xt、像素值為qt;所有污染像素e構(gòu)成污染像素集,所有未污染像素t構(gòu)成未污染像素集,m、n取值范圍為:[0~w*h],n=w*h-m;

      第二步:構(gòu)建rbf插值模型,使用未污染像素集訓(xùn)練rbf插值模型參數(shù);

      第2.1步:構(gòu)建rbf插值模型

      式(11)

      其中,是第k個(gè)污染像素ek的估計(jì)像素值,k的取值范圍為[1~m],是第i個(gè)未污染像素ti的圖像坐標(biāo),i的取值范圍為[1~n],是模型參數(shù),是插值函數(shù),插值函數(shù)包括:

      高斯函數(shù):

      式(12)

      二次函數(shù):

      式(13)

      線性函數(shù):

      式(14)

      立方函數(shù):

      式(15)

      三角函數(shù):

      式(16)

      其中,是高斯、二次函數(shù)參數(shù),取值范圍為[0~100],是第i個(gè)未污染像素ti與第k個(gè)污染像素ek的圖像像素坐標(biāo)歐式距離;

      第2.2步:使用未污染像素集計(jì)算rbf插值模型參數(shù):

      使用未污染像素集的圖像坐標(biāo)、像素值,構(gòu)建n個(gè)線性方程:

      式(17)

      估計(jì)式(7)的最優(yōu)參數(shù);

      第三步:把污染像素集e的像素坐標(biāo)代入rbf插值模型,估計(jì)污染像素的像素值;

      把污染像素集的像素坐標(biāo)依次代入式(18)的rbf插值模型,計(jì)算污染像素的像素值

      式(18)

      第四步:將代替圖像i中對應(yīng)位置處像素,完成污染圖像修復(fù)。

      實(shí)施例2

      與實(shí)施例1不同之處,圖像像素深度b=12bits。

      實(shí)施例3

      與實(shí)施例1不同之處,圖像像素深度b=16bits。

      實(shí)施例4

      與實(shí)施例1不同之處,圖像像素深度b=20bits。

      實(shí)施例5

      與實(shí)施例1不同之處,圖像像素深度b=24bits。

      實(shí)施例6

      與實(shí)施例1不同之處,圖像像素深度b=12bits,噪聲密度為99%。

      實(shí)施例7

      與實(shí)施例1不同之處,圖像像素深度b=16bits,噪聲密度為99%。

      實(shí)施例8

      與實(shí)施例1不同之處,圖像像素深度b=20bits,噪聲密度為99%。

      實(shí)施例9

      與實(shí)施例1不同之處,圖像像素深度b=24bits,噪聲密度為99%。

      實(shí)施例10

      與實(shí)施例1不同之處,插值函數(shù)選擇二次函數(shù),。

      實(shí)施例11

      與實(shí)施例1不同之處,插值函數(shù)選擇線性函數(shù)。

      實(shí)施例12

      與實(shí)施例1不同之處,插值函數(shù)選擇立方函數(shù)。

      實(shí)施例13

      與實(shí)施例1不同之處,插值函數(shù)選擇三角函數(shù)。

      實(shí)施例14

      與實(shí)施例1不同之處,圖像像素深度b=12bits,插值函數(shù)選擇二次函數(shù),。

      實(shí)施例15

      與實(shí)施例1不同之處,圖像像素深度b=16bits,插值函數(shù)選擇線性函數(shù)

      實(shí)施例16

      與實(shí)施例1不同之處,圖像像素深度b=20bits,插值函數(shù)選擇立方函數(shù)。

      實(shí)施例17

      與實(shí)施例1不同之處,圖像像素深度b=24bits,插值函數(shù)選擇三角函數(shù)。

      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1