本发明涉及图像处理技术领域,尤其是一种基于人工智能的数字全息图像去噪方法。
背景技术:
全息图像是使用激光作为光源生成的图像,由于激光的高相干性,在粗糙表面反射时会产生相干叠加,导致全息图像中出现很多噪声。如何在尽量保留全息图像信息的前提下对噪声进行有效的去除,成为了本领域研究的热点。
技术实现要素:
本发明要解决的技术问题是提供一种基于人工智能的数字全息图像去噪方法,能够解决现有技术的不足,提高噪声去除的准确性。
为解决上述技术问题,本发明所采取的技术方案如下。
一种基于人工智能的数字全息图像去噪方法,包括以下步骤:
a、对待处理数字全息图像进行分块;
b、以每个图像块为基准图层,分别进行上采样和下采样,得到对应的图层集合;
c、每个图层集合建立对应的噪声提取模型,使用噪声提取模型对集合中每个图层的噪声特征进行提取;
d、将噪声特征进行特征融合,使用融合后的噪声特征对图像块进行去噪处理;
e、噪声提取模块根据特征融合结果进行自动更新;
f、使用去噪处理后的图像块进行图像重构。
作为优选,步骤a中,对待处理数字全息图像进行分块包括以下步骤,
a1、遍历数字全息图像,选择分割区域,分割区域为,区域内灰度标准差小于第一设定阈值,区域边缘内侧灰度与外侧灰度的变化不连续;
a2、使用分割区域拟合分割线段,分割线段全部位于分割区域内,且位于同一分割区域内的分割线段上的灰度变化连续;
a3、使用分割线段对数字全息图像进行分块。
作为优选,每个图像块的边缘与相邻图像块具有重合区域,重合区域的面积小于所述图像块面积的5%。
作为优选,步骤b中,对图像进行上采样包括以下步骤,
b11、选择基准图层若干个非边缘像素点,以此类像素点为中心向外扩展采样区域,使所有采样区域的组合包含基准图层的全部区域;
b12、以此像素点为起始点标记扇形区域,扇形区域的外侧边缘位于采样区域的外侧;
b13、使用扇形区域位于采样区域内部的部分对扇形区域位于采样区域外部的部分进行拟合,待拟合像素点的灰度和亮度为扇形区域位于采样区域内部的全部像素点的加权平均值,采样区域内部像素点的权重值与其和待拟合像素点的欧氏距离成正比;
b14、使用拟合出的区域对原采样区域进行扩充,使用新的采样区域组成扩大面积后的图层;
b15、重复上述步骤,直至得到全部上采样图层。
作为优选,步骤b中,对图像进行下采样包括以下步骤,
b21、以步骤b11中选择的非边缘像素点为中心点,使用以中心点为圆心的圆形区域内的像素点灰度和亮度进行平均计算,使用计算结果替代中心点上的像素点,圆形区域的面积小于采样区域的面积;
b22、保留代替后的像素点,将圆形区域的其它部分删除,使用保留的像素点组成新的下采样图层;
b23、重复上述步骤,直至得到全部上采样图层。
作为优选,步骤c中,噪声提取模型为,
其中,ω为图层区域,p为图层区域内的任意点,q为参考点,dp为以p自变量的修正函数,fp为以p点灰度值为自变量的高斯函数,gp为以p点亮度值为自变量的高斯函数,‖p-q‖为p点和q点之间的欧氏距离;
q的选择方法为,
选择不同图层之间相似度最高的区域,对所选区域的灰度值和亮度值进行归一化处理,使用归一化处理后灰度值和亮度值之和最大的点作为q。
作为优选,步骤d中,对图像块进行去噪处理包括以下步骤,
d1、将不同图层中提取的线性相关的噪声特征进行标记;
d2、特征融合时使用被标记特征生成第一特征集合,使用其它特征生成第二特征集合;
d3、若图像块中出现与第一特征集合线性相关的图像分量时,直接作为噪声进行删除,若图像块中出现与第二特征集合线性相关的图像分量时,对图像分量的灰度和亮度进行减弱,减弱幅度与图像分量和距离最近的噪声分量的距离成反比。
作为优选,步骤e中,噪声提取模块的更新方法为,
根据第二特征集合中的噪声特征对修正函数dp进行迭代更新,使第二特征集合中的噪声特征数量保持最少。
采用上述技术方案所带来的有益效果在于:本发明通过对图像进行分层处理,提高噪声特征的提取准确度。图像的采样过程可以使不同图层之间线性相关的特征进行保留,从而便于后续的特征提取过程。在噪声去除过程中,根据不同特征对噪声区域进行分级处理,从而减少去噪过程对图像信息的损失量。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1,本发明一个具体实施方式包括以下步骤,
a、对待处理数字全息图像进行分块;
b、以每个图像块为基准图层,分别进行上采样和下采样,得到对应的图层集合;
c、每个图层集合建立对应的噪声提取模型,使用噪声提取模型对集合中每个图层的噪声特征进行提取;
d、将噪声特征进行特征融合,使用融合后的噪声特征对图像块进行去噪处理;
e、噪声提取模块根据特征融合结果进行自动更新;
f、使用去噪处理后的图像块进行图像重构。
步骤a中,对待处理数字全息图像进行分块包括以下步骤,
a1、遍历数字全息图像,选择分割区域,分割区域为,区域内灰度标准差小于第一设定阈值,区域边缘内侧灰度与外侧灰度的变化不连续;
a2、使用分割区域拟合分割线段,分割线段全部位于分割区域内,且位于同一分割区域内的分割线段上的灰度变化连续;
a3、使用分割线段对数字全息图像进行分块。
每个图像块的边缘与相邻图像块具有重合区域,重合区域的面积小于所述图像块面积的5%。
步骤b中,对图像进行上采样包括以下步骤,
b11、选择基准图层若干个非边缘像素点,以此类像素点为中心向外扩展采样区域,使所有采样区域的组合包含基准图层的全部区域;
b12、以此像素点为起始点标记扇形区域,扇形区域的外侧边缘位于采样区域的外侧;
b13、使用扇形区域位于采样区域内部的部分对扇形区域位于采样区域外部的部分进行拟合,待拟合像素点的灰度和亮度为扇形区域位于采样区域内部的全部像素点的加权平均值,采样区域内部像素点的权重值与其和待拟合像素点的欧氏距离成正比;
b14、使用拟合出的区域对原采样区域进行扩充,使用新的采样区域组成扩大面积后的图层;
b15、重复上述步骤,直至得到全部上采样图层。
步骤b中,对图像进行下采样包括以下步骤,
b21、以步骤b11中选择的非边缘像素点为中心点,使用以中心点为圆心的圆形区域内的像素点灰度和亮度进行平均计算,使用计算结果替代中心点上的像素点,圆形区域的面积小于采样区域的面积;
b22、保留代替后的像素点,将圆形区域的其它部分删除,使用保留的像素点组成新的下采样图层;
b23、重复上述步骤,直至得到全部上采样图层。
步骤c中,噪声提取模型为,
其中,ω为图层区域,p为图层区域内的任意点,q为参考点,dp为以p自变量的修正函数,fp为以p点灰度值为自变量的高斯函数,gp为以p点亮度值为自变量的高斯函数,‖p-q‖为p点和q点之间的欧氏距离;
q的选择方法为,
选择不同图层之间相似度最高的区域,对所选区域的灰度值和亮度值进行归一化处理,使用归一化处理后灰度值和亮度值之和最大的点作为q。
步骤d中,对图像块进行去噪处理包括以下步骤,
d1、将不同图层中提取的线性相关的噪声特征进行标记;
d2、特征融合时使用被标记特征生成第一特征集合,使用其它特征生成第二特征集合;
d3、若图像块中出现与第一特征集合线性相关的图像分量时,直接作为噪声进行删除,若图像块中出现与第二特征集合线性相关的图像分量时,对图像分量的灰度和亮度进行减弱,减弱幅度与图像分量和距离最近的噪声分量的距离成反比。
步骤e中,噪声提取模块的更新方法为,
根据第二特征集合中的噪声特征对修正函数dp进行迭代更新,使第二特征集合中的噪声特征数量保持最少。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。