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