基于局部統計特征的自適應梯度閾值各向異性濾波方法
【專利摘要】本發明涉及圖象處理領域，為提出一種自適應的各向異性濾波方法，能夠根據局部統計特征，改變梯度閾值，在各向異性擴散時，對于不同像素點權重進行動態調整，以提高各向異性濾波在高強度噪聲環境下的去噪能力。為此，本發明采取的技術方案是，基于局部統計特征的自適應梯度閾值各向異性濾波方法，根據各向異性濾波算法，利用梯度算子來辨別由噪聲引起的圖像梯度變化和由邊緣引起的圖像梯度變化，然后用鄰域加權平均去除由噪聲引起的小梯度變化，同時保留由邊緣引起的大梯度變化，這個過程迭代進行，直至圖像中的噪聲被去除。本發明主要應用于圖象處理。
【專利說明】
基于局部統計特征的自適應梯度閾值各向異性濾波方法
技術領域
[0001] 本發明涉及圖象處理領域，尤其涉及在各向異性濾波圖像去噪，對于梯度閾值的 選取問題。具體講，涉及基于局部統計特征的自適應梯度閾值各向異性濾波方法。
【背景技術】
[0002] 圖像是對外界信息識別的重要途徑，圖像的清晰度對人類對外界的認知和分析有 很大的影響。在圖像采集傳輸過程或多或少的會受到外界噪聲的干擾，有些圖像的基本信 息會被這些噪聲削弱或消除，導致圖像質量的降低。所以可以通過平滑、濾波等一系列方式 對圖像中的噪聲進行處理可以改善圖像質量。
[0003] 目前有幾種主流的圖象去噪方法:高斯濾波，均值濾波，中值濾波，雙邊濾波以及 各向異性濾波等，其中基于偏微分方程(partial differential equation，PDE)的各向異 性擴散(anisotropic diffusion,AD)方法因為其良好的去噪及邊緣增強效果已廣泛應用 于圖像降噪、邊緣檢測、分割等領域的研究，并取得了很大的進展。該技術的成功主要得益 于將異質擴散和迭代平滑的概念引入到圖像處理中。與一些傳統的空間濾波技術相比，各 向異性擴散的優點在于它可以在去除噪聲的同時，保留甚至增強圖像中的邊緣信息，與此 同時與邊緣點類似的噪點也有可能被增強，尤其在高強度噪聲環境下，這種影響更大，因此 目前較為主流的各向異性濾波方法，在對高強度噪聲的去噪時去噪能力往往會有非常大的 下降，因此對于不同噪聲點，邊緣點和平滑像素點采取不同的各向異性濾波方法是目前的 研究熱點。

【發明內容】

[0004] 為克服現有技術的不足，提出一種自適應的各向異性濾波方法，能夠根據局部統 計特征，改變梯度閾值，在各向異性擴散時，對于不同像素點權重進行動態調整，以提高各 向異性濾波在高強度噪聲環境下的去噪能力。為此，本發明采取的技術方案是，基于局部統 計特征的自適應梯度閾值各向異性濾波方法，根據各向異性濾波算法，利用梯度算子來辨 另IJ由噪聲引起的圖像梯度變化和由邊緣引起的圖像梯度變化，然后用鄰域加權平均去除由 噪聲引起的小梯度變化，同時保留由邊緣引起的大梯度變化，這個過程迭代進行，直至圖像 中的噪聲被去除。
[0005] 具體步驟為：
[0006]
U
[0007] 其中div為散度算子；▽為梯度算子；I I I I表示幅度；t(||w||>為擴散方程，根據梯 度值和擴散系數的關系，經典PM各向異性濾波的擴散方程為：
r C2；
[0008.
[0009]
Π )
[0010]式中：Il ν/||視為邊緣檢測器，如果
，那么丨丨〒/||趨于〇,則擴散被抑制；
[0011]如身
趨于1，則擴散被加強，K為梯度閾值。
[0012 ]擴散方程選擇PM擴散方程之一如式⑶所示，梯度閾值K為自適應』
其中Ko為常數，由此，各向異性濾波方法原理為：
[0013]
(4)
[0014] 其中，_為當前領域內各點梯度絕對值的均值，由上式可知，當Il Wli很大時，K 值很小，擴散系數小，當Ii ▽/ Il很小時，κ值增大，擴散系數變大，從而實現了自適應的各向異 性濾波。
[0015] 本發明的特點及有益效果是：
[0016] 本方法通過對各向異性濾波方法中梯度閾值K的改進，提出自適應的梯度閾值的 方法，能夠根據局部統計特征以及各像素點梯度的不同對其進行實時調整，提高各向異性 濾波的對噪聲的適應能力，提高其去除高強度噪聲的能力。
【附圖說明】：
[0017] 圖1局部鄰域像素以及梯度、距離示意圖。
[0018] 圖2.最佳實施方式中對局部鄰域像素點的選擇示意圖。 【具體實施方式】
[0019] 根據各向異性濾波算法是利用梯度算子來辨別由噪聲引起的圖像梯度變化和由 邊緣引起的圖像梯度變化，然后用鄰域加權平均去除由噪聲引起的小梯度變化，同時保留 由邊緣引起的大梯度變化，這個過程迭代進行，直至圖像中的噪聲被去除。各向異性濾波原 理為：
[0020] ⑴
[0021]其中div為散度算子;V為梯度算子；1111表示幅度;e(||w||)為擴散方程，根據梯度 值和擴散系數的關系，經典PM各向異性濾波的擴散方程為： (2)
[0022]
[0023] (3)
[0024] 代111: Il ▽/Il可視為邊緣檢測器。如果I v/|| >>K，那么Il w||趨于ο，則擴散被抑制；
[0025] 如果||V7||?K ,那么||/||趨于1，則擴散被加強。
[0026] 如圖1所示，本發明在此基礎上根據某一像素點鄰域內的各像素點與其之間的梯 度以及局部統計特征提出一種自適應梯度閾值的方法，本發明的擴散方程選擇PM擴散方 程之一如式（3)所示，本發明所提出的自適應的梯度閾值
ζ中Ko為常 數，由此，本發明所提出的的各向異性濾波方法原理為：
[0027]
(4)
[0028] 其中，_為當前領域內各點梯度絕對值的均值，由上式可知，當Il V/||很大時，K 值很小，擴散系數小，當Il ▽/ Il很小時，κ值增大，擴散系數變大，從而實現了自適應的各向異 性濾波。
[0029] 其中，某鄰域內像素點個數的選擇，Ko值得確定都可以由用戶根據實際情況進行 選擇。
[0030] 本發明最佳實施方式為采用對比度為255的灰度圖，圖像尺寸為256 X 256,鄰域大 小選取為3X3,如圖2所示選取上，下，左，右四個像素點，對其計算各自與中間像素的梯度 W,以及這四個像素點梯度絕對值的均值Ρ??，并選取Ko = 20，對圖像進行處理。
【主權項】
1. 一種基于局部統計特征的自適應梯度闊值各向異性濾波方法，其特征是，根據各向 異性濾波算法，利用梯度算子來辨別由噪聲引起的圖像梯度變化和由邊緣引起的圖像梯度 變化，然后用鄰域加權平均去除由噪聲引起的小梯度變化，同時保留由邊緣引起的大梯度 變化，運個過程迭代進行，直至圖像中的噪聲被去除。2. 如權利要求1所述的基于局部統計特征的自適應梯度闊值各向異性濾波方法，其特 征是，具體步驟為：C1) 其中div為散度算子；V為梯度算子；11 II表示幅度；<_'(||V7||)為擴散方程，根據梯度值 和擴散系數的關系，經典PM各向異性濾波的擴散方程為：式中：||疋1||視為邊緣檢測器，如果^vi||?ic，那么II vι||趨于o，則擴散被抑制；如果 Ivilh^広那么||vi||趨于1，則擴散被加強，K為梯度闊值。3. 如權利要求2所述的基于局部統計特征的自適應梯度闊值各向異性濾波方法，其特 征是，擴散方程選擇PM擴散方程之一如式(3)所示，梯度闊值K為自適應，且：癢中K0為常數，由此，各向異性濾波方法原理為：(4) 其中，胃為當前領域內各點梯度絕對值的均值，由上式可知，當il'Wli很大時，K值很 小，擴散系數小，當IIWII很小時，K值增大，擴散系數變大，從而實現了自適應的各向異性濾 波。
【文檔編號】G06T5/10GK105844596SQ201610165932
【公開日】2016年8月10日
【申請日】2016年3月22日
【發明人】高靜, 高天野, 史再峰, 徐江濤
【申請人】天津大學