基于局部统计特征的自适应梯度阈值各向异性滤波方法
【专利摘要】本发明涉及图象处理领域，为提出一种自适应的各向异性滤波方法，能够根据局部统计特征，改变梯度阈值，在各向异性扩散时，对于不同像素点权重进行动态调整，以提高各向异性滤波在高强度噪声环境下的去噪能力。为此，本发明采取的技术方案是，基于局部统计特征的自适应梯度阈值各向异性滤波方法，根据各向异性滤波算法，利用梯度算子来辨别由噪声引起的图像梯度变化和由边缘引起的图像梯度变化，然后用邻域加权平均去除由噪声引起的小梯度变化，同时保留由边缘引起的大梯度变化，这个过程迭代进行，直至图像中的噪声被去除。本发明主要应用于图象处理。
【专利说明】
基于局部统计特征的自适应梯度阈值各向异性滤波方法
技术领域
[0001] 本发明涉及图象处理领域，尤其涉及在各向异性滤波图像去噪，对于梯度阈值的 选取问题。具体讲，涉及基于局部统计特征的自适应梯度阈值各向异性滤波方法。
【背景技术】
[0002] 图像是对外界信息识别的重要途径，图像的清晰度对人类对外界的认知和分析有 很大的影响。在图像采集传输过程或多或少的会受到外界噪声的干扰，有些图像的基本信 息会被这些噪声削弱或消除，导致图像质量的降低。所以可以通过平滑、滤波等一系列方式 对图像中的噪声进行处理可以改善图像质量。
[0003] 目前有几种主流的图象去噪方法:高斯滤波，均值滤波，中值滤波，双边滤波以及 各向异性滤波等，其中基于偏微分方程(partial differential equation，PDE)的各向异 性扩散(anisotropic diffusion,AD)方法因为其良好的去噪及边缘增强效果已广泛应用 于图像降噪、边缘检测、分割等领域的研究，并取得了很大的进展。该技术的成功主要得益 于将异质扩散和迭代平滑的概念引入到图像处理中。与一些传统的空间滤波技术相比，各 向异性扩散的优点在于它可以在去除噪声的同时，保留甚至增强图像中的边缘信息，与此 同时与边缘点类似的噪点也有可能被增强，尤其在高强度噪声环境下，这种影响更大，因此 目前较为主流的各向异性滤波方法，在对高强度噪声的去噪时去噪能力往往会有非常大的 下降，因此对于不同噪声点，边缘点和平滑像素点采取不同的各向异性滤波方法是目前的 研究热点。
【发明内容】
[0004] 为克服现有技术的不足，提出一种自适应的各向异性滤波方法，能够根据局部统 计特征，改变梯度阈值，在各向异性扩散时，对于不同像素点权重进行动态调整，以提高各 向异性滤波在高强度噪声环境下的去噪能力。为此，本发明采取的技术方案是，基于局部统 计特征的自适应梯度阈值各向异性滤波方法，根据各向异性滤波算法，利用梯度算子来辨 另IJ由噪声引起的图像梯度变化和由边缘引起的图像梯度变化，然后用邻域加权平均去除由 噪声引起的小梯度变化，同时保留由边缘引起的大梯度变化，这个过程迭代进行，直至图像 中的噪声被去除。
[0005] 具体步骤为：
[0006]
U
[0007] 其中div为散度算子；▽为梯度算子；I I I I表示幅度；t(||w||>为扩散方程，根据梯 度值和扩散系数的关系，经典PM各向异性滤波的扩散方程为：
r C2；
[0008.
[0009]
Π )
[0010]式中：Il ν/||视为边缘检测器，如果
，那么丨丨〒/||趋于〇,则扩散被抑制；
[0011]如身
趋于1，则扩散被加强，K为梯度阈值。
[0012 ]扩散方程选择PM扩散方程之一如式⑶所示，梯度阈值K为自适应』
其中Ko为常数，由此，各向异性滤波方法原理为：
[0013]
(4)
[0014] 其中，_为当前领域内各点梯度绝对值的均值，由上式可知，当Il Wli很大时，K 值很小，扩散系数小，当Ii ▽/ Il很小时，κ值增大，扩散系数变大，从而实现了自适应的各向异 性滤波。
[0015] 本发明的特点及有益效果是：
[0016] 本方法通过对各向异性滤波方法中梯度阈值K的改进，提出自适应的梯度阈值的 方法，能够根据局部统计特征以及各像素点梯度的不同对其进行实时调整，提高各向异性 滤波的对噪声的适应能力，提高其去除高强度噪声的能力。
【附图说明】：
[0017] 图1局部邻域像素以及梯度、距离示意图。
[0018] 图2.最佳实施方式中对局部邻域像素点的选择示意图。 【具体实施方式】
[0019] 根据各向异性滤波算法是利用梯度算子来辨别由噪声引起的图像梯度变化和由 边缘引起的图像梯度变化，然后用邻域加权平均去除由噪声引起的小梯度变化，同时保留 由边缘引起的大梯度变化，这个过程迭代进行，直至图像中的噪声被去除。各向异性滤波原 理为：
[0020] ⑴
[0021]其中div为散度算子;V为梯度算子；1111表示幅度;e(||w||)为扩散方程，根据梯度 值和扩散系数的关系，经典PM各向异性滤波的扩散方程为： (2)
[0022]
[0023] (3)
[0024] 代111: Il ▽/Il可视为边缘检测器。如果I v/|| >>K，那么Il w||趋于ο，则扩散被抑制；
[0025] 如果||V7||?K ,那么||/||趋于1，则扩散被加强。
[0026] 如图1所示，本发明在此基础上根据某一像素点邻域内的各像素点与其之间的梯 度以及局部统计特征提出一种自适应梯度阈值的方法，本发明的扩散方程选择PM扩散方 程之一如式（3)所示，本发明所提出的自适应的梯度阈值
ζ中Ko为常 数，由此，本发明所提出的的各向异性滤波方法原理为：
[0027]
(4)
[0028] 其中，_为当前领域内各点梯度绝对值的均值，由上式可知，当Il V/||很大时，K 值很小，扩散系数小，当Il ▽/ Il很小时，κ值增大，扩散系数变大，从而实现了自适应的各向异 性滤波。
[0029] 其中，某邻域内像素点个数的选择，Ko值得确定都可以由用户根据实际情况进行 选择。
[0030] 本发明最佳实施方式为采用对比度为255的灰度图，图像尺寸为256 X 256,邻域大 小选取为3X3,如图2所示选取上，下，左，右四个像素点，对其计算各自与中间像素的梯度 W,以及这四个像素点梯度绝对值的均值Ρ??，并选取Ko = 20，对图像进行处理。
【主权项】
1. 一种基于局部统计特征的自适应梯度阔值各向异性滤波方法，其特征是，根据各向 异性滤波算法，利用梯度算子来辨别由噪声引起的图像梯度变化和由边缘引起的图像梯度 变化，然后用邻域加权平均去除由噪声引起的小梯度变化，同时保留由边缘引起的大梯度 变化，运个过程迭代进行，直至图像中的噪声被去除。2. 如权利要求1所述的基于局部统计特征的自适应梯度阔值各向异性滤波方法，其特 征是，具体步骤为：C1) 其中div为散度算子；V为梯度算子；11 II表示幅度；<_'(||V7||)为扩散方程，根据梯度值 和扩散系数的关系，经典PM各向异性滤波的扩散方程为：式中：||疋1||视为边缘检测器，如果^vi||?ic，那么II vι||趋于o，则扩散被抑制；如果 Ivilh^広那么||vi||趋于1，则扩散被加强，K为梯度阔值。3. 如权利要求2所述的基于局部统计特征的自适应梯度阔值各向异性滤波方法，其特 征是，扩散方程选择PM扩散方程之一如式(3)所示，梯度阔值K为自适应，且：痒中K0为常数，由此，各向异性滤波方法原理为：(4) 其中，胃为当前领域内各点梯度绝对值的均值，由上式可知，当il'Wli很大时，K值很 小，扩散系数小，当IIWII很小时，K值增大，扩散系数变大，从而实现了自适应的各向异性滤 波。
【文档编号】G06T5/10GK105844596SQ201610165932
【公开日】2016年8月10日
【申请日】2016年3月22日
【发明人】高静, 高天野, 史再峰, 徐江涛
【申请人】天津大学