阅读说明：本技术 基于野外部队图传图像去噪方法 (Image denoising method based on field army image transmission ) 是由 陈鹏旭 于 2020-03-27 设计创作，主要内容包括：本发明涉及图像处理技术领域,本发明公开了一种基于野外部队图传图像去噪方法,针对由加性高斯白噪声和脉冲噪声所组成的混合噪声,通过改进非对称剪裁中值滤波对噪声图像进行初始去噪,进而用基于加权编码稀疏表示和非局部相似经验相结合的算法,对脉冲噪声和加性高斯白噪声同时进行处理,最终得到去噪图像。本发明对于部队复杂的野外环境,获取的含有混合噪声的图传图像的去噪十分具有借鉴意义。(The invention relates to the technical field of image processing, and discloses a field troop image-based denoising method, which aims at mixed noise consisting of additive white Gaussian noise and impulse noise, initially denoises a noise image by improving asymmetric clipping median filtering, and simultaneously processes the impulse noise and the additive white Gaussian noise by using an algorithm based on the combination of weighted coding sparse representation and non-local similarity experience to finally obtain a denoised image. The method has reference significance for denoising the acquired image transmission image containing mixed noise in the complex field environment of the army.)

基于野外部队图传图像去噪方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于野外部队图传图像去噪方法。

背景技术

面对部队复杂的野外环境，进行图传的摄像机也会长时间暴露于雨水、酷热、干燥等极端环境中，导致进行图像收集的传感器也会时常出现故障，加上传输图像过程各种硬件传输通道也是出现问题，导致最终获取的图像都是因为复杂的工作环境产生夹杂了脉冲噪声(impulse noise，IN)、加性高斯白噪声(additive white Gaussian noise，AWGN)等几种噪声的混合噪声，而要对野外部队进行有效的指挥，获取较好质量的图传图像，对于这种混合噪声的图传图像去噪就非常关键。但是混合噪声中各种噪声的模型确是完全不一样，大多数的图像去噪的研究就是针对一种噪声模型进行研究，获得的算法，而对于这种混合噪声以前针对单一噪声模型获得去噪算法并不适用，去噪效果也不佳。

对于野外环境经常面对极寒以及暴晒情况，视频收集传感器会受到严重干扰，在视频传输过程中，不同传输手段产生的干扰也差别很大，因此在实际情况中得到的图片噪声并不是单一椒盐或者脉冲噪声等，而是复杂的混合噪声，而过去的图传去噪算法对单一噪声干扰的去噪效果还是不错，但是面对这种实际含有混合噪声的图传图像，去噪效果非常差。

发明内容

为了解决上述问题，针对由加性高斯白噪声和脉冲噪声所组成的混合噪声，本发明提出一种基于野外部队图传图像去噪方法，通过改进非对称剪裁中值滤波对噪声图像进行初始去噪，进而用基于加权编码稀疏表示和非局部相似经验相结合的算法，对脉冲噪声和加性高斯白噪声同时进行处理，最终得到去噪图像。

进一步的，所述脉冲噪声包括椒盐噪声和随机脉冲噪声，所述由加性高斯白噪声和脉冲噪声所组成的混合噪声的模型为：

式(1)中，噪声图像的灰度值为[d_min,d_max]，v_i,j为方差σ的高斯噪声值，s为椒盐噪声的噪声比率，P为图像的随机脉冲噪声比，0≤s≤1，0≤P≤1。

进一步的，所述混合噪声的模型中，对于在[d_min,d_max]的噪声点d_i,j，则y_i,j＝d_i,j概率是p(1-s)；对于受高斯噪声污染的像素点值为y_i,j＝x_i,j+v_i,j，其概率为(1-p)(1-s)。

进一步的，所述通过改进非对称剪裁中值滤波对噪声图像进行初始去噪，包括以下步骤：

第一步：如果要处理的像素点0<y_i,j<255，就将其作为非噪声点保留，对下一个像素点进行处理，转向第九步；否则，该像素点为噪声点y_i,j，执行第二步；

第二步：让该像素点为中心选定一个大小3x3的二维窗口；

第三步：对二维窗口的所有非噪声点按照升序依次排序，放置于一维数组中，同时计算其元素个数n，若n为零，转向第七步；否则，执行第四步；

第四步：对n进行奇偶判断，若n为奇数，则所述一维数组中间元素值为中值；若m为偶数，执行第五步；

第五步：所述一维数组中间的两个元素平均值为中值；

第六步：用获得的中值替换处理的像素点y_i,j，转向第九步；

第七步：如果W_i,j≤W_max，则转向第三步；否则，执行第八步；

第八步：如果j＝1，则f_i,1＝f_i-1,1；否则f_i,j＝f_i,j-1；

第九步：重复执行第一步，直到处理完整幅图像；

其中，y_i,j为在坐标(i,j)上的像素值，f_i,j为坐标(i,j)上处理后的像素值，W_i,j为初始大小为3×3以正在处理的噪声点为中心的滤波窗口，W_max为允许的最大尺寸的窗口7×7。

进一步的，所述用基于加权编码稀疏表示和非局部相似经验相结合的算法，包括以下步骤：

图像用x来表示，用超完备字典Φ＝[Φ₁；Φ₂；...Φ_n]对x_i进行稀疏编码，通过最小二乘表示x为：

x＝Φa (2)

公式(2)中a为期望的稀疏表示系数，对于受到高斯噪声所污染的图像y，要得到期望其模型应为：

公式(3)用L2范数来代表数据的拟合残差，若让数据保真项残差的分布与高斯噪声下残差的分布设置为相似，则L2范数对于混合噪声下的编码残差依然适用：

e＝[e₁；e₂；...e_N]＝y-Φa (4)

为了削弱混合噪的重尾现象，对每一项残差设计一个权重，则：

新的混合噪声去噪模型：

公式(6)将其图像的先验知识运用于R(α)的设计中，能获得更为准确的稀疏表示系数；

将当成正则项代入公式(6)中：

进一步的，w确认后，公式(7)所表示的模型就变成L1范数稀疏编码模型，设V为一对角线矩阵，通过k+1次迭代时，V中元素更新为：

期望的稀疏表示系数a，通过V与a进行迭代更新获得。

本发明的有益效果在于：本发明的图像去噪方法，针对混合噪声模型进行分析，建立相应的去噪算法，最终对于混合噪声图传图像进行了有效的去噪，对于部队进行演习以及作战部署能起到十分关键的作用。

附图说明

图1本实施例的测试图像1；

图2本实施例的测试图像2；

图3本实施例的测试图像3；

图4本实施例的测试图像4；

图5本实施例的测试图像5；

图6本实施例的测试图像6；

图7 TF算法去噪图像；

图8 ROR-NLM算法去噪图像；

图9 WESNR算法去噪图像；

图10本实施例算法去噪图像。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对由加性高斯白噪声和脉冲噪声(脉冲噪声包括椒盐噪声和随机脉冲噪声)所组成的混合噪声，本实施例提出了一种基于野外部队图传图像去噪方法，通过改进非对称剪裁中值滤波对噪声图像进行初始去噪，进而用基于加权编码稀疏表示和非局部相似经验相结合的算法，对脉冲噪声和加性高斯白噪声同时进行处理，最终得到去噪图像，具体如下。

1、混合噪声的模型

由加性高斯白噪声和脉冲噪声所组成的混合噪声的模型为：

式(1)中，噪声图像的灰度值为[d_min,d_max]，v_i,j为方差σ的高斯噪声值，s为椒盐噪声的噪声比率，P为图像的随机脉冲噪声比，0≤s≤1，0≤P≤1。

混合噪声的模型中，对于在[d_min,d_max]的噪声点d_i,j，则y_i,j＝d_i,j概率是p(1-s)；对于受高斯噪声污染的像素点值为y_i,j＝x_i,j+v_i,j，其概率为(1-p)(1-s)。

2、剪裁中值滤波算法去噪

第一步：如果要处理的像素点0<y_i,j<255，就将其作为非噪声点保留，对下一个像素点进行处理，转向第九步；否则，该像素点为噪声点y_i,j，执行第二步；

第二步：让该像素点为中心选定一个大小3x3的二维窗口；

第三步：对二维窗口的所有非噪声点按照升序依次排序，放置于一维数组中，同时计算其元素个数n，若n为零，转向第七步；否则，执行第四步；

第四步：对n进行奇偶判断，若n为奇数，则一维数组中间元素值为中值；若m为偶数，执行第五步；

第五步：一维数组中间的两个元素平均值为中值；

第六步：用获得的中值替换处理的像素点y_i,j，转向第九步；

第七步：如果W_i,j≤W_max，则转向第三步；否则，执行第八步；

第八步：如果j＝1，则f_i,1＝f_i-1,1；否则f_i,j＝f_i,j-1；

第九步：重复执行第一步，直到处理完整幅图像；

其中，y_i,j为在坐标(i,j)上的像素值，f_i,j为坐标(i,j)上处理后的像素值，W_i,j为初始大小为3×3以正在处理的噪声点为中心的滤波窗口，W_max为允许的最大尺寸的窗口7×7。

3、去噪模型

图像用x来表示，用超完备字典Φ＝[Φ₁；Φ₂；...Φ_n]对x_i进行稀疏编码，通过最小二乘表示x为：

x＝Φa (2)

公式(2)中a为期望的稀疏表示系数，对于受到高斯噪声所污染的图像y，要得到期望其模型应为：

公式(3)用L2范数来代表数据的拟合残差，若让数据保真项残差的分布与高斯噪声下残差的分布设置为相似，则L2范数对于混合噪声下的编码残差依然适用：

e＝[e₁；e₂；...e_N]＝y-Φa (4)

为了削弱混合噪的重尾现象，对每一项残差设计一个权重，则：

新的混合噪声去噪模型：

公式(6)将其图像的先验知识运用于R(α)的设计中，能获得更为准确的稀疏表示系数；

将当成正则项代入公式(6)中：

4、模型的求解

w确认后，公式(7)所表示的模型就变成L1范数稀疏编码模型，设V为一对角线矩阵，通过k+1次迭代时，V中元素更新为：

期望的稀疏表示系数a，通过V与a进行迭代更新获得。

为了验证本实施例提出的图像去噪方法，现进行如下测试。

实验平台为matlab 2012a，将如图1～6所示的六幅图像作为测试图像。将测试图像1在σ＝0.1,r＝0.05,s＝0.5(σ为标准差，r为RVIN随机脉冲噪声比率，s 为SPIN椒盐噪声比率)的情况下，通过典型的混合噪声去除算法与本算法去噪后所得到图像效果，如图7～10所示，可以看出，本发明算法相对其他混合噪声去噪算法，本发明算法的去噪效果更优于前面的几种算法。

用PSNR和FSIM衡量去噪后效果，对六幅图像在由加性高斯白噪声、脉冲噪声包括椒盐噪声和随机脉冲噪所组成的不同噪声比率情况下，得到的数据如表1所示。

表1 AWGN+SPIN+RVIN下恢复结果的PSNR

通过表1，可以看出，本发明提出的方法得到的结果也高于其他几种去混合噪声算法的PSNR和FSIM值，说明了所提出的算法去噪效果更好。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。