基於邊緣檢測算子的混合自適應圖像去噪方法
2023-07-25 05:21:16
基於邊緣檢測算子的混合自適應圖像去噪方法
【專利摘要】本發明涉及基於邊緣檢測算子的混合自適應圖像去噪方法，包括以下步驟，步驟一、將噪聲圖像進行Gauss濾波，去除較大噪聲；步驟二、建立平均曲率擴散算法的局部坐標模型；步驟三、建立自適應混合去噪模型；步驟四、用半隱式加性算子分裂（AOS）數值算法對步驟三的圖像進一步處理。本發明用局部坐標二次微分這種邊緣檢測算子代替梯度算子，自適應的控制整個擴散過程，方法簡單；結合兩種算法的優缺點，取長補短，複雜度低，降低了處理時間；圖像的峰值信噪比大幅提高，受噪聲汙染的圖像處理後更加清晰。
【專利說明】基於邊緣檢測算子的混合自適應圖像去噪方法
【技術領域】
[0001] 本發明涉及偏微分方程的圖像去噪方法，特別是將PM算法和平均曲率擴散算法 混合的自適應圖像去噪方法。
【背景技術】
[0002] 數字圖像是許多學科領域獲取信息的來源，但圖像在採集過程中往往會因為各方 面原因引入噪聲。因此，在圖像處理和計算機領域，圖像去噪是最基本的問題之一。近幾十 年，偏微分方程（PDE)方法開始大量應用於圖像處理，在圖像的去噪、分割、邊緣檢測、增強 等方面的研究取得了很大進展。
[0003] 傳統的PM方法，去噪過程中會破壞局部特徵，保邊緣性不是很好。隨後又出現了 平均曲率擴散方法（Mean Curvature Diffusion，MCD)，能較好的保護圖像的局部特徵，但 去噪能力不強。梯度作為圖像的邊緣檢測算子，不完全符合圖像處理的形態學原則。
【發明內容】
[0004] 針對現有技術中存在的不足之處，本發明目的是提供一種圖像去噪方法，可以綜 合PM算法和MCD算法的優點，不僅可以有效去除噪聲，還能很好地保護圖像的邊緣和局部 特徵，處理出比單一算法更加清晰的圖像。
[0005] 為解決上述技術問題，本發明採用以下技術方案：基於邊緣檢測算子的混合自適 應圖像去噪方法，其特徵在於，包括以下步驟：
[0006] 步驟一、將噪聲圖像進行Gauss濾波，去除較大噪聲；
[0007] 步驟二、建立平均曲率擴散算法的局部坐標模型，
[0008] (1)將基於傳統PM算法的擴散方程以局部坐標形式表示為
【權利要求】
1.基於邊緣檢測算子的混合自適應圖像去噪方法，其特徵在於，包括以下步驟， 步驟一、將噪聲圖像進行Gauss濾波，去除較大噪聲； 步驟二、建立平均曲率擴散算法的局部坐標模型， (1) 將基於傳統PM算法的擴散方程以局部坐標形式表示為
，其中|W|為梯度模值，為擴散系 數，Π 為圖像的梯度方向；ε為垂直於梯度的方向，？7 =
(2) 基於平均曲率擴散算法的局部坐標表示為
將各項同性的線性擴散變為各項同性的非線性擴散，並沿圖像邊緣方向擴散； 步驟三、建立自適應混合去噪模型， (1) 將PM算法和平均曲率擴散算法結合，得到的擴散方程
其中特徵函I，H為圖像像素； I. ^ }
Z, (2) 採用新的邊緣檢測算子
：替上述特徵函數中的梯度算子|v/|，擴散方程 變為
在圖像邊緣處，Inn較大，I E E較小，所以D較小，X(D)趨近於0,此時為平均曲率擴散 算法；在圖像平坦區域和灰度漸變區域，In n與I "大小相當，且較大，所以D較大，X(D)趨 近於1，此時為PM算法；在圖像平坦區域的大梯度噪聲點處，In ,與I "大小相當，均較小， 所以D較大，X⑶趨近於1，此時為PM算法； 步驟四、用半隱式加性算子分裂（AOS)數值算法對步驟三的圖像進一步處理。
2.根據權利要求1所述的基於邊緣檢測算子的混合自適應圖像去噪方法，其特徵在 於，所述步驟四的半隱式加性算子分裂算法過程如下， 1) 令 Λ.二 2) 計算 f。= f*G。，III"' IDlij, '<=1(/_%(吟4) + 7(0)'以 3) 當i = 1，…，M時，計算(J-2r4:,)的三個對角線上的元素：= …，M， (妒，左= 1,·_·,7ν-1)，(#,灸= 2，···，#),並採用追趕法求解(/-2Γ4')，?Γ1=/?;,得到/廣1; 4) 當j = 1，···，Ν時，同樣計算￠/-的三個對角線上的元素，並採用追趕法求解 (/- 5) 計算/"+1=0廣+/21; 6) 重複1)?5)，經多次迭代得到清晰的圖像。
【文檔編號】G06T5/00GK104517266SQ201410801885
【公開日】2015年4月15日 申請日期:2014年12月22日 優先權日:2014年12月22日
【發明者】周先春, 汪美玲, 石蘭芳, 周林鋒, 吳琴 申請人:南京信息工程大學