-
人类获取信息最直观的来源是图像,但图像在获取、采集、传输、处理过程中难免会受到噪声污染,从而导致图像质量下降,并会对图像后续的处理比如特征提取、模式识别、图像分割等带来不便[1]。因此,图像去噪算法是一种重要的预处理方法,对提高图像的质量和性能具有重要意义。
图像去噪方法要解决的主要矛盾是如何在降低图像噪声的同时,尽可能地保留图像的细节信息,因此,设计合适的、匹配的滤波器去除噪声是图像处理领域的研究课题。目前常用的方法有均值滤波、中值滤波[2]、高斯滤波等,这些方法能够有效去除噪声,但同时也会导致图像结构信息的模糊,尤其是图像的边缘和细节信息。图像的细节和边缘信息属于高频信息,而噪声一般也是高频信息[3],如果用上述的去噪方法,虽然能去除某些附加的随机噪声,但图像的边缘和细节部分容易产生较为严重的模糊,造成图像质量的下降[4]。为了更好地抑制图像中的噪声,恢复因噪声污染引起的图像质量的退化,有必要寻找更好的去噪方法。研究人员也提出对应的去噪算法,通过建立一种高斯混合模型进行图像去噪[5];利用隐马尔科夫模型进行图像去噪[6]。但由于这些算法很大程度上依赖于图像的抽象数学特性,不是一种自适应的方法,限制了其使用的范围。小波域滤波[7-8]、偏微分方程[9-10]、双边滤波器(bilateral filter)算法[11-13],虽然这些方法能在一定程度上保存高频信息,但由于过多保存了高频信息,对于彩色图像来说,会导致高频噪声滤除得不够干净。非局部均值滤波方法[14-15]是近年来一种新型的去噪技术,此方法主要是基于图像结构信息,在去噪的同时可以最大程度地保持图像的细节特征,但平滑区的单向扩散会造成图像结构信息一定程度的模糊,并且运算量大。
近年来,许多学者模拟视觉神经机制并应用于图像处理领域,使图像处理的发展进入一个全新的阶段。模拟视觉信息处理机制一方面帮助人们理解视觉机制,另一方面帮助建立新的计算方法用于图像处理。如基于视网膜和LGN神经元的感受野机理的模型可用于颜色校正[16]等视觉任务,基于初级视皮层感受野特性的计算模型被应用于图像轮廓检测[17]、纹理分析[18]等。这些方法的出现激发研究人员考虑如何利用视觉感受野的拮抗作用,对图像中的噪声信息进行处理。因此,本文主要根据视觉感受野的响应特性,提出一种基于视觉感受野的自适应图像去噪模型,并应用于灰度/彩色图像中。实验结果表明该方法的去噪效果明显,计算量小,并且能动态改变模型的参数,更有效地达到去除噪声的目的,解决了图像去噪中的一些实际问题,所获得的结果可进一步为高级图像处理提供应用基础。
HTML
-
在本文的实验中,首先表明了ON/OFF通道在去噪中的贡献,然后展示了本文模型的去噪效果,并与经典的去噪算法进行性能对比。
-
本文以Star图像为例,ON型感受野和OFF型感受野通过对正负噪声点的响应,使该点的像素点接近原值。图 3展示了ON/OFF通路对噪声图像的影响。图 3a是输入的噪声图像,图 3b是ON型感受野单独处理后的结果,主要根据“估计噪声”找出使原图像素值变大的噪声点,利用ON型感受野去抑制噪声图,使变大像素值抑制到接近原值。图 3c是OFF型感受野单独处理后的结果,使变小的像素值提升,接近于原像素值,噪声也得到了部分抑制。图 3d是ON/OFF感受野联合处理结果。通过对比可看出,ON/OFF联合处理噪声得到了很大的抑制,图像的内容保留得很好,画质更为细腻。
-
本文以Carrier图像为例对图像去噪前后的结果进行对比,如图 4所示。从处理结果可看出,结果图中噪声基本被抑制,并且图像的边缘和细节特征也得到保留。图像结果图对比可近一步说明,本文的算法有效地将噪声图像基本恢复到接近于原图。具体细节保留情况如图 5所示。噪声图像中的Carrier细节部分基本上被噪声所淹没,经去噪后,细节部分可以很好地呈现出来。
根据以上的实验分析可知,本文提出的基于感受野特性所构建的图像去噪算法,去噪效果明显,并能很好地保留图像纹理和细节信息。
-
本文实现了灰度图像去噪处理,进一步将该算法引入到彩色图像去噪中,并选择Gorilla彩色图像作为示例图,处理结果如图 6所示。分别把彩色图像分解为R、G、B三个分量,然后对R、G、B分量按照上述去噪流程进行处理,最后将各分量图像组合得到去噪后的彩色图像。为了验证该算法的有效性,从标准图像数据库中选取了灰度图像以及彩色图像共16幅。分别用高斯滤波器去噪算法和应用比较广泛的双边滤波器、非局部均值滤波器与本文方法进行比较。同样以Gorilla图像(图 6)为示例图。图 6a~图 6e表示的是各算法整体图像的去噪效果比较,图 6f~图 6j截取的是各算法结果图的局部块放大去噪效果的对比。本文算法对图像的边缘保护较好,而高斯算法和非均值去噪算法会使图像结构有一定程度的模糊。双边滤波器图像边缘保护较好,但是平滑去残余的噪声使得图像PSNR降低。而本文算法能够在去噪的同时,很好地保留低频成分以及高频成分。图 6的去噪方法均在RGB颜色空间中进行处理的,在RGB颜色空间下,高斯去噪和非局部均值去噪的图像细节表示不够清晰,出现平滑现象。双边滤波方法视觉效果已有所改善,但是去噪后的图像仍然存在一些斑点。总体来看,各算法处理后的图像对颜色影响不大。采用客观图像质量评价来衡量去噪的效果,目前较为常用的方法有峰值信噪比(PSNR)、均方误差(MSE)、平均绝对值差(mean absolute error, MAE)等。本文采用PSNR以及MSE图像客观评价质量指标对各种图像处理结果进行评价如表 1所示。评价去噪效果时,PSNR的值越大,MSE的值越小,去噪的效果越好。从PSNR的角度来看,本文算法比高斯平滑去噪好,比目前流行的非局部均值去噪方法质量略高。从MSE的结果来看,本文算法比高斯算法、非局部均值滤波和双边滤波算法的效果都好。因此,图像及表中数据表明,本文算法与目前常用的去噪方法相比,去噪效果更好,保留的细节比较多,对颜色空间的影响并不大。
图像名称 高斯滤波 双边滤波 非局部均值 本文算法 PSNR MSE PSNR MSE PSNR MSE PSNR MSE Build 22.770 5 0.005 28 22.525 5 0.005 59 23.032 1 0.004 97 23.347 7 0.004 63 Gorilla 23.577 3 0.004 43 22.787 6 0.005 26 23.741 6 0.004 22 26.366 6 0.002 17 Carrier 21.784 7 0.006 63 21.630 2 0.006 87 22.205 4 0.006 02 24.865 5 0.003 26 Wall 23.278 6 0.004 70 22.931 7 0.005 09 23.345 1 0.004 62 26.946 8 0.002 02 Calculator 22.365 8 0.005 79 22.898 1 0.005 13 23.013 7 0.004 99 25.827 2 0.002 61 Woman 24.508 4 0.003 54 23.207 2 0.004 78 24.518 7 0.003 53 28.253 4 0.001 49 Pentagon 22.238 2 0.005 51 22.019 1 0.005 79 22.419 0 0.005 29 25.841 0 0.002 40 Hurrican 22.394 6 0.005 71 22.406 2 0.005 70 22.523 3 0.005 55 25.075 6 0.003 08 Chest 23.480 9 0.003 55 22.319 6 0.004 65 23.803 8 0.003 30 26.511 6 0.001 76 Star 22.936 9 0.005 08 22.620 0 0.005 47 23.081 7 0.004 91 25.592 1 0.002 75 Lena 23.834 6 0.004 13 23.417 6 0.004 55 24.438 2 0.003 50 25.632 4 0.002 73 Leaf 23.479 8 0.004 48 22.744 0 0.005 31 23.526 1 0.004 44 26.213 6 0.002 39 Gorilla 23.577 3 0.004 38 22.787 6 0.005 20 23.741 6 0.004 22 26.366 6 0.002 30 Peppers 22.208 5 0.005 19 22.101 9 0.005 32 22.596 2 0.004 75 25.471 5 0.002 45 WallRGB 23.901 9 0.003 91 22.549 2 0.005 34 23.998 5 0.003 82 28.166 9 0.001 46 Machine 22.184 0 0.006 04 22.619 5 0.005 47 22.347 9 0.005 82 24.068 6 0.003 91