[發明專利]基于分數階微分梯度的隨機噪聲點檢測算法

有效

• 申請號: 201310415794.3
• 申請日: 2013-09-13
• 公開（公告）號: CN103455986A
• 公開（公告）日: 2013-12-18
• 發明（設計）人: 楊柱中
• 申請（專利權）人: 楊柱中
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域：信息技術

背景技術：在信息技術快速發展的今天，數字圖像處理已經成為人們獲取信息的重要手段。在圖像獲取、轉換與傳輸等過程中，常受到成像設備自身因素與外界環境條件影響，導致所成圖像上出現一些隨機、離散或孤立的點，即圖像噪聲。無論是改進成像設備還是減少環境干擾，噪聲都無法避免，這些噪聲惡化了圖像質量，使其模糊，甚至淹沒了它們的特征，給人們日常的圖像應用分析都帶來了困難。尤其是當硬件設備的改進受到限制時，只能通過圖像去噪方法提高圖像質量。圖像去噪是圖像處理中基礎而重要的技術，是圖像恢復、圖像壓縮、圖像分割、圖像識別等處理過程的預處理。圖像去噪的目的是有效抑制了噪聲，為后續處理提供更為精確的信息。圖像去噪在整個圖像工程中占據重要的位置，它是圖像處理的初始步驟，能夠提高圖像的質量，使得高層處理更加準確，決定了后續工作包括模式識別、圖像分割、特征提取等的可行性和準確性。

到目前為止，圖像去噪方法從大方向上可以分為空間域去噪法和變換域去噪法兩大類。空間域去噪法直接在空間域對圖像進行操作，早期比較經典的方法有噪聲門限法、鄰域平均法、加權平均，中值濾波，維納濾波等。這些方法對去除脈沖噪聲有一定效果。然而對圖像中的所有的像素點進行處理，將改變圖像中未被噪聲污染的像素點，所以在有效去除噪聲的同時，也模糊了圖像的邊緣和細節等重要特征。而變換域圖像去噪方法其基本思路是：首先對含有噪聲的圖像進行某種變換，將圖像從空域轉到變換域，然后利用某種方法對變換域中的系數進行處理，再進行反變換，將圖像從變換域轉回空域，以此來達到對圖像去噪的目的。其中，比較經典的變換工具有傅里葉變換(Fourier?transform)、拉普拉斯變換(Laplacian?transform)、小波變換(wavelet?transform)以及多尺度變換(multi-scale?transform)等。這類圖像去噪存在主要的矛盾就是去除噪聲與保留圖像邊緣細節的矛盾。由于圖像的邊緣細節信息與噪聲都會分布在高頻系數中，而對圖像去噪的處理大多也是集中在高頻系數部分，這樣使一些含有邊緣細節信息的高頻系數丟失，導致去噪后的重建圖像出現邊緣模糊的現象。為了緩解這類矛盾，很多學者也提出了基于邊緣保護的圖像去噪方法。基于邊緣保護的圖像去噪方法，又會出現如何有效、準確地檢測到圖像的邊緣信息的問題。實際上圖像細節和邊緣含有高頻分量，同時噪聲雖然以高頻成分為主，但也含有低頻成分。因此，圖像信息和噪聲在頻帶上的重疊，是造成基于變換域去噪方法存在缺陷的根本原因。

圖像去噪的目的是在去除圖像噪聲的同時盡好地保留圖像細節以及盡可能少地引入假信號。目前，對于完全散亂數據點的噪聲處理，還沒有一個快速、簡潔的方法。基于分數階微分梯度的隨機噪聲點檢測算法可以用于確定圖像中隨機噪聲點的位置，這樣去噪運算將只對噪聲點像素進行處理，以便在噪聲去除和圖像細節保留兩方面同時達到最優。

發明內容：基于分數階微分梯度的隨機噪聲點檢測算法從分析圖像中噪聲特性出發，依據噪聲是圖像中局部特性的不連續點，噪聲點像素相對應鄰域像素的灰度發生了急劇的變化。從圖像的頻域分析來看，噪聲相當于是高頻信號，同為高頻信號的邊緣具有有序性、方向性和結構性的邊緣屬性特征，邊緣的這種變化在臨近的像素中會有類似的表現。而噪聲即使成片出現，臨近的噪聲點像素的之間也無確定的對應關系。本算法利用分數階微分梯度算子檢測圖像中像素點灰度值的變化，并為此構建了28個方向的分數階微分梯度算子，用于檢測圖像相鄰像素在對應28個可能邊緣方向的梯度變化，并選擇了合適的數理統計方法，用于確定圖像中噪聲點的位置。

附圖說明：

附圖1分數階微分梯度28個方向示意圖以圖形的方式說明了以圖像中某一像素點與其周邊的8可能構成邊緣的28個方向，構建的分數階微分梯度的方向。

附圖2以方向從像素A到O再到B為例說明了D_AOB方向的分數階微分梯度掩膜的構建。

附圖3表示的是剪短后的D_AOB方向的5×5分數階微分梯度掩模。

附圖4未添加噪聲的人工圖像附圖5添加噪聲后的人工圖像

附圖6一附圖33為28個方向的梯度檢測圖

附圖6D_AOB方向的梯度檢測圖???????????????附圖7D_AOC方向的梯度檢測圖

附圖8D_AOD方向的梯度檢測圖???????????????附圖9D_AOE方向的梯度檢測圖