一种基于巴特沃斯滤波器的红外图像去噪方法与流程

本发明涉及图像去噪
技术领域：
，具体涉及一种基于巴特沃斯滤波器的红外图像去噪方法。
背景技术：
：红外图像已经被广泛的应用于光学测量、目标识别、国防军工等一系列关系国计民生的方面，然而，红外探测器在成像过程中不可避免的会受到噪声的影响。一般而言对于红外相机大致有四种噪声：背景噪声(backgroundnoise)、暗噪声(darknoise)、光子噪声(photonnoise)和读出噪声(readoutnoise)，这些噪声按照统计分布来讲可以分为四类：高斯白噪声、泊松白噪声、混合白噪声以及1/f噪声。以上所述的噪声均会使得图像整体灰度值变大，即使得图像整体变白，这种噪声效果尤其会使得强光背景下的红外图像质量有较大的下降，图1为在强光背景下的红外图像。传统的图像去噪方法大约可以分为两大类：空域平滑和频域滤波。这些方法对噪声都有一定的抑制作用，但是对于红外图像尤其是高噪声强光背景下的红外图像的低对比度，处理后的图像较为模糊，对提高红外图像的质量的作用并不明显。技术实现要素：本发明的目的在于提供一种基于巴特沃斯滤波器的红外图像去噪方法，能够提高强光背景下红外图像的信噪比，从而去除图像中的噪声。为实现上述目的，本发明采用如下技术方案：一种基于巴特沃斯滤波器的红外图像去噪方法，依次包括以下步骤：步骤1：读取添加高斯白噪声的原始图像im1，计算出原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算该原始图像的巴特沃斯滤波器最佳参数；步骤2：获取原始图像im1；步骤3：对步骤2得到的图像im1进行傅里叶变换，并且将低频分量转换至频谱图的中心位置；步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得原始图像im1的低频分量im_l和高频分量im_h；步骤5：对步骤4得到的高频分量im_h做傅里叶反变换得到图像im2，获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：其中，表示图像im2的高频分量的梯度，表示图像im2的高频分量的梯度模值，im2x和im2y表示图像im2的梯度的水平方向分量和垂直方向分量；步骤6：根据步骤5中得到的高频分量的梯度及其模值构建偏微分方程对im2进行去噪：其中，是图像im2对时间的偏导数，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，当时，默认图像按照进行扩散，反之，图像按照进行扩散，div(·)代表求散度，g(·)为扩散方程；对上述偏微分方程进行迭代，得到高频滤波图像im3；步骤7：根据下式计算步骤6中的偏微分方程的平坦区域主扩散系数和边缘区域注扩散系数ρ：其中，h为经验取值，一般取h∈[0.5,0.8]；步骤8：对步骤4中得到的图像的低频分量im_l做傅里叶反变换得到图像im4；步骤9：利用步骤5的方法，求图像im4的梯度按照下式重建梯度场函数，以增强图像微弱边缘：其中，n为细节阈值，小于n的梯度值被认为是噪声，被舍弃掉，x表示图像im4中某一点的梯度模值，函数输出的结果表示该点的梯度增强系数；然后将该梯度增强系数同该位置的像素点灰度值相乘，得到增强图像im_z；步骤10：对步骤9得到的增强图像im_z进行自适应canny边缘处理，并二值化，得到图像im5；步骤11：设定边缘像素个数阈值为m，对图像im5进行边缘统计，从某灰度点为1的图像开始计数，计算该点四周8邻域是否存在灰度为1的点，如果存在，则继续对下一个8邻域进行计数，如果不存在则退出计数，若最终的数值大于m则认为是边缘，使其灰度值为1，否则认为是伪边缘，使其灰度值为0，利用此方法得到低频分量边缘图像im6；步骤12：对步骤8得到的图像im4进行中值滤波，滤波模板为5x5，得到图像im7；步骤13：遍历低频分量中值滤波后的图像im7，以图像im7为模板，选出图像im6中灰度值为1的像素点，并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值；步骤14：将改进过的im7做傅里叶变换，将步骤6得到的高频滤波图像im3做傅里叶变换，将上述两个的傅里叶变换的结果做融合处理，并且对融合后的图像做傅里叶反变换，得到最后的去噪图像im8。优选的，所述步骤1中，计算原始图像的巴特沃斯滤波器最佳参数的过程如下：步骤101：选择十张添加高斯白噪声的原始图像im1，求取所有原始图像的灰度直方图j，并对灰度直方图j进行统计学处理，获取所有原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4；步骤102：根据频谱图中频率分布的关系，根据下式设计巴特沃斯低通滤波器：其中，m,n分别为图像的行数和列数，d0为待定参数，u和v分别为频谱图的坐标，u＝1,2,3……m,v＝1,2,3……n；步骤103：利用步骤102的巴特沃斯低通滤波器，对步骤101中的原始图像滤波；原始图像中添加的高斯白噪声的均值从0.2开始，以0.02为步长，至0.5为止，在每一个噪声中，对d0赋值，以1为起始数值，以5位步长，至206为止，得到每个噪声下的最佳d0的数值；步骤104：将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量，将步骤103得到的最佳d0为输出数据，建立bp神经网络，或者利用最小二乘法进行拟合，得到函数d0＝f(x1,x2,x3,x4)；步骤105：重新拍摄添加高斯白噪声的图像，对步骤104得到的函数d0进行验证，若偏差较大，则不断将用于验证的图像当做训练样本，重复步骤101至步骤104，不断重复训练函数d0＝f(x1,x2,x3,x4)，直至偏差达到设定值。优选的，所述步骤6中，对偏微分方程进行迭代时，利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代，所述偏微分方程对应的能量泛函为：其中，ω为整个图像域，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，对该偏微分方程迭代求解，即可得到高频滤波图像im3。本发明利用巴特沃斯滤波器对红外图像进行去噪处理，能够明显提高红外图像的信噪比，从而去除图像中的噪声，能够清楚地将图像与背景区分开，提高红外图像的质量。附图说明图1为在强光背景下的红外图像；图2为本发明的流程图；图3为本发明所述步骤102中巴特沃斯低通滤波器的函数图像；图4为本发明所述步骤9中梯度场函数的函数图像；图5为本发明的实验用图一；图6为实验用图一在本发明与传统去噪方法下的信噪比对比图；图7为实验用图一的灰度直方图；图8为实验用图一在添加高斯噪声值为0.5时的噪声图；图9为利用pm模型对图7处理后的去噪图；图10为利用yk模型对图7处理后的去噪图；图11为利用巴斯沃特低通滤波器对图7处理后的去噪图；图12为利用中值滤波法对图7处理后的去噪图；图13为利用本发明对图7处理后的去噪图；图14为本发明的实验用图二；图15为实验用图二在本发明与传统去噪方法下的信噪比对比图；图16为实验用图二的灰度直方图。具体实施方式以下结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。如图2所示，本发明所述的一种基于巴特沃斯滤波器的红外图像去噪方法，依次包括以下步骤：步骤1：读取添加高斯白噪声的原始图像im1，计算出原始图像im1的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算该原始图像的巴特沃斯滤波器最佳参数；步骤101：选择十张添加高斯白噪声的原始图像im1，求取所有原始图像的灰度直方图j，并对灰度直方图j进行统计学处理，获取所有原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4；步骤102：根据频谱图中频率分布的关系，根据下式设计巴特沃斯低通滤波器：其中，m,n分别为图像的行数和列数，d0为待定参数，u和v分别为频谱图的坐标，u＝1,2,3……m,v＝1,2,3……n；在本实施例中，m＝512，n＝640，上式的函数图像如图3所示，在图3中可以看到，在频谱图中心的位置(即低频信号位置)，该函数可以对其进行增强，四周则缩减几乎至零，这样可以保留图像的低频信号，而去除高频信号，另外，高频信号的获取可以通过fftshift函数，将高频信号平移至频谱图中心位置；步骤103：利用步骤102中的巴特沃斯低通滤波器，对步骤101中的原始图像im1滤波；原始图像中添加的高斯白噪声的均值从0.2开始，以0.02为步长，至0.5为止，在每一个噪声中，对d0赋值，以1为起始数值，以5位步长，至206为止，得到每个噪声下的最佳d0的数值；步骤104：将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量，将步骤103得到的最佳d0为输出数据，建立bp神经网络，或者利用最小二乘法进行拟合，得到函数d0＝f(x1，x2，x3，x4)；建立bp神经网络，及利用最小二乘法进行拟合的过程均为现有技术，不再赘述；步骤105：重新拍摄添加高斯白噪声的图像，将步骤104得到的函数d0＝f(x1，x2，x3，x4)代入巴特沃斯低通滤波器中进行去噪验证，若偏差较大，则不断将用于验证的图像当做训练样本，重复步骤101至步骤104，不断重复训练函数d0＝f(x1，x2，x3，x4)，直至偏差达到设定值。在本实施例中，原始图像的尺寸为512×640，故d0的允许偏差为±5.0。步骤2：获得原始图像im1；步骤3：对步骤2得到的图像im1进行傅里叶变换，一般傅里叶变换后的频谱图低频分量位于四角，而高频分量处于中心，为了便于处理，将低频分量平移至频谱图的中心位置；步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得原始图像im1的低频分量im_l和高频分量im_h；步骤5：对步骤4得到的高频分量im_h做傅里叶反变换得到图像im2，由于图像的高频分量对应细节和噪声，故获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：其中，表示图像im2的高频分量的梯度，表示图像im2的高频分量的梯度模值，im2x和im2y分别表示图像im2的梯度的水平方向分量和垂直方向分量；步骤6：根据步骤5中的得到的高频分量的梯度及其模值构建偏微分方程：其中，是图像im2对时间的偏导数，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，当时，默认图像按照进行扩散，反之，图像按照进行扩散，div(·)代表求散度，g(·)为扩散方程；扩散方程有两种形式，分别为：其中k为参数，该参数的大小与图像的边缘灰度值有关，在强光背景高噪声影响下的红外图像中，大部分灰度值集中在最大值附近，故此，本发明将k的取值设定为最大梯度值的0.9倍，当t＝0时，设定作为偏微分方程迭代步长，根据偏微分方程进行迭代，一般设定对偏微分方程进行迭代时，利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代，最小化能量泛函的过程即为图像平滑的过程，偏微分方程对应的能量泛函为其中，ω为整个图像域，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，对该偏微分方程迭代求解，即可得到高频滤波图像im3。步骤7：根据下式计算步骤6中的偏微分方程的平坦区域主扩散系数和边缘区域注扩散系数ρ：其中，h为经验取值，一般取h∈[0.5,0.8]；步骤8：对步骤4中得到的图像的低频分量im_l做傅里叶反变换得到图像im4；图像的低频分量主要包含图像的背景部分以及1/f噪声，由于低频部分的细节大部分灰度值较弱，故此不能利用传统的滤波办法，故对低频部分采用图像融合的方法，这里主要分为两部分，一部分为增强im4，以来保存图像的细节，另一部分对im4进行滤波，除去1/f噪声。步骤9：利用步骤5的方法，求图像im4的梯度按照下式重建梯度场函数，以增强图像微弱边缘：其中，n为细节阈值，小于n的梯度值被认为是噪声，被舍弃掉，x表示图像im4中某一点的梯度模值，函数输出的结果表示该点的梯度增强系数；该梯度场函数的函数图像如图4所示。由图4可以看出，当梯度值非常小的时候，增强系数特别大，这样会增加细节的显示，当梯度值逐渐变大的时候增强系数接近于1，防止了明显边缘过分增大，将该梯度增强系数同该位置的像素点灰度值相乘，得到增强图像im_z；步骤10：对步骤9得到的增强图像im_z进行自适应canny边缘处理，并二值化，得到图像im5；对图像进行自适应canny边缘处理并二值化的过程为现有技术，不再赘述。步骤11：设定边缘像素个数阈值为m，对图像im5进行边缘统计，从某灰度点为1的图像开始计数，计算该点四周8邻域是否存在灰度为1的点，如果存在，则继续对下一个8邻域进行计数，如果不存在则退出计数，若最终的数值大于m则认为是边缘，使其灰度值为1，否则认为是伪边缘，使其灰度值为0，利用此方法得到低频分量边缘图像im6；步骤12：对步骤8得到的图像im4进行中值滤波，滤波模板为5x5，得到图像im7；步骤13：遍历低频分量中值滤波后的图像im7，以图像im7为模板，选出图像im6中灰度值为1的像素点，并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值；步骤14：将改进过的im7做傅里叶变换，将步骤6得到的高频滤波图像im3做傅里叶变换，将上述两个的傅里叶变换的结果做融合处理，并且对融合后的图像做傅里叶反变换，得到最后的去噪图像im8。以下对本发明的方案进行验证。利用matlab软件编写较为常用的几个去噪方法，作为与本发明算法的对比，本发明中使用的几种传统去噪方法为利用偏微分方程的pm模型、yk模型、空域平滑的中值滤波模型和频域的巴特沃斯低通滤波模型。为了达到高噪声的目的，本发明验证试验所添加高斯白噪声的均值，从0.2开始，以0.1为步长，至0.5中止；分别利用信噪比(snr)与峰值信噪比(psnr)为评价标准，该评价标准公式为：图5为本发明的实验用图一，表1、表2和表3分别表示噪声均值为0.2、0.3和0.4时，利用各种去噪方法对实验用图一进行处理的信噪比和峰值信噪比结果。表1snrpsnrpm模型11.6914.20yk模型11.6314.17中值滤波11.6914.21巴特沃斯低通滤波11.7114.16本发明16.5721.37表2snrpsnrpm模型6.0710.93yk模型6.0710.93中值滤波5.9210.79巴特沃斯低通滤波6.0910.95本发明15.9820.84表3图14为本发明的实验用图二，表4、表5和表6分别表示噪声均值为0.2、0.3和0.4时，利用各种去噪方法对实验用图二进行处理的信噪比和峰值信噪比结果。表4snrpsnrpm模型9.6514.32yk模型9.6414.31巴特沃斯低通滤波器9.6814.36中值滤波9.5914.25本发明16.3721.07表5snrpsnrpm模型6.4311.09yk模型6.4411.09巴特沃斯低通滤波器6.4611.11中值滤波6.2910.95本发明15.9320.62表6snrpsnrpm模型4.399.04yk模型4.409.05巴特沃斯低通滤波器4.419.06中值滤波4.118.76本发明13.8418.53从图6至图13，及图15可以看出，本发明能够明显提高红外图像的信噪比，利用本发明的方法得到的去噪图像能够清楚地将图像与背景区分开。当前第1页12