一种图像去噪方法及装置的制造方法
【专利摘要】本发明涉及一种图像去噪方法及装置。该图像去噪方法包括步骤a：根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像像素特征构建特征向量；步骤b：根据给定的原始图像I0，提取像素值I(i,j)作为相对In在给定位置提取的特征向量的目标值；步骤c：根据提取特征向量以及特征向量的目标值得到输入样本，将输入样本带入极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；步骤d：根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。本发明实施例的图像去噪方法及装置能够有效的滤除图像中的噪声，提高图像质量，并且该方法的均方误差小，峰值信噪比大，对多种噪声的去噪效果明显。
【专利说明】
一种图像去噪方法及装置
技术领域
[0001] 本申请涉及图像处理技术领域，特别涉及一种图像去噪方法及装置。
【背景技术】
[0002] 当今社会已经进入了数字化的信息时代，而包含信息量最大的一种存储形式是图 像。据统计，人类接受外界的信息中有70%来自于图像，图像成为人类获取信息的重要手 段，并且随着信息化的发展图像在信息传播过程中所起的作用越来越大。然而图像在获取 或传输过程中不可避免地受到外部和内部的干扰，常常被加入很多噪声。图像噪声是多种 多样的，根据噪声的概率密度函数服从的分布可以分为以下几类:高斯噪声、椒盐噪声、泊 松噪声以及斑点噪声等。噪声是影响图像质量和视觉效果的最主要的原因之一，它使得图 像变得非常模糊，掩盖了图像的原始特征，直接影响了图像后续的处理工作，比如：图像分 害J、压缩、融合和识别等。因此，必须对图像进行去噪处理，提高图像的质量，增大图像的信 噪比，更好的体现原始图像所携带的信息，为图像的后续处理奠定良好的基础。所以，使用 适当的方法对噪声图像进行去噪，是图像处理领域中一个非常重要的步骤。
[0003] 目前最常用的图像去噪方法主要为空间域滤波方法。图像空间域滤波方法是对原 始图像上的像素灰度值直接进行数据运算处理。经典的空间域滤波方法有邻域平均法、中 值滤波法和维纳滤波法等。邻域平均法是对图像中的每一个像素，设定一个局部邻域，一般 为方形邻域，也可以是圆形或十字形等，记录该邻域内的所有像素的灰度值和像素个数，然 后对这些像素灰度值取平均值赋值给中心像素；中值滤波法是一种基于排序统计理论的有 效抑制噪声的非线性平滑滤波信号处理技术，其原理类似于邻域平均法，不同的是中值滤 波法是对邻域内的所有像素灰度值先进行排序，然后取其中值赋值给中心像素。维纳滤波 法是使原始图像和去噪后图像之间的均方误差最小的一种恢复原图像方法，维纳滤波是一 种自适应滤波器，根据局部方差来调整滤波器效果。
[0004] 以上提出的几种空间域滤波方法:邻域平均法、中值滤波法和维纳滤波法等，它们 在滤除图像噪声时存在一些局限性，例如邻域平均法对高斯噪声和斑点噪声的滤除效果较 好，但对椒盐噪声的滤除效果不明显；中值滤波法对椒盐噪声的滤除效果最好，但对其它噪 声的滤除效果不如椒盐噪声;维纳滤波法对斑点噪声的滤除效果最好，但对高斯噪声和椒 盐噪声的滤除效果一般。因此这些常见的空间域去噪方法，它们的使用范围有一定的局限， 通用性不高，不能很好的用于各种噪声的滤除。
【发明内容】
[0005] 本申请提供了一种图像去噪方法及装置，以解决现有技术空间域去噪方法通用性 不高、不能很好的滤除各种噪声的技术问题。
[0006] 为了解决上述问题，本发明提供了如下技术方案：
[0007] 本发明实施例提供了一种图像去噪方法，包括：
[0008] 步骤a:根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像 像素特征构建特征向量；
[0009]步骤b:根据给定的原始图像1〇,提取像素值1(1』作为相对In在给定位置提取的特 征向量的目标值；
[0010]步骤c:根据提取特征向量以及特征向量的目标值得到输入样本，将输入样本带入 极限学习机，求得输出权重值，并确定极限学习机去噪的数学模型；
[0011]步骤d:根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去 噪。
[0012] 本发明实施例采取的技术方案还包括:所述步骤a具体包括:根据给定的原始图像 加噪声之后的图像In，提取局部图像块中的像素值和像素一阶、二阶微分倒数，根据局部图 像块中的像素值和像素一阶、二阶微分倒数构建特征向量。
[0013] 本发明实施例采取的技术方案还包括:在所述步骤a中，根据局部图像块中的像素 值和像素一阶、二阶微分倒数构建特征向量包括:对于I n中的每一个像素位置(i，j )，以（i， j)为中心，确定一个大小为m*m的局部图像块Pi, j，提取Pi, j中的像素值构成一个大小为m2行 向量P(U);对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素获得5个 微分值，分别为( 3"夂3^/3>'，3:/"/^&/"/3/，3 2/>4'；)构成一个行向量(1(1^);对于像素 f (i, j)提取一个大小为m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。
[0014] 本发明实施例采取的技术方案还包括:在所述步骤a中，提取图像像素特征采用局 部二值模式特征提取。
[0015] 本发明实施例采取的技术方案还包括:所述步骤c还包括:设置极限学习机网络的 隐层节点个数，并进行训练。
[0016] 本发明实施例采取的另一技术方案为：一种图像去噪装置，包括特征向量构建模 块、位置提取模块、输入样本获取模块、去噪模型构建模块和图像去噪模块，所述特征向量 构建模块根据给定的原始图像加噪声之后的图像In，提取图像像素特征，根据图像像素特 征构建特征向量;所述位置提取模块根据给定的原始图像1〇,提取像素值1 (1』作为相对In 在给定位置提取的特征向量的目标值;所述输入样本获取模块根据提取特征向量以及特征 向量的目标值得到输入样本;所述去噪模型构建模块用于将输入样本带入极限学习机，求 得输出权重值，并确定极限学习机去噪的数学模型;所述图像去噪模块根据极限学习机去 噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。
[0017] 本发明实施例采取的技术方案还包括:所述特征向量构建模块构建特征向量的具 体方式为:根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值和像素 一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向 量。
[0018] 本发明实施例采取的技术方案还包括:所述特征向量构建模块根据局部图像块中 的像素值和像素一阶、二阶微分倒数构建特征向量具体为:对于In中的每一个像素位置(i， j)，以（i，j)为中心，确定一个大小为m*m的局部图像块Pi, j，提取Pi, j中的像素值构成一个大 小为m2行向量P(1,&对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素 获得5个微分值，分别为(也处，也/也3:"心2，的构成一个行向量如川对 .， 于像素(i, j)提取一个大小为m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。
[0019] 本发明实施例采取的技术方案还包括:所述特征向量构建模块提取图像像素特征 采用局部二值模式特征提取。
[0020] 本发明实施例采取的技术方案还包括:所述去噪模型构建模块还用于设置极限学 习机网络的隐层节点个数，并进行训练
[0021] 本发明实施例的图像去噪方法及装置能够有效的滤除图像中的噪声，提高图像质 量，并且该方法的均方误差小，峰值信噪比大，对多种噪声的去噪效果都较明显，使用范围 较广，局限性小，通用性高。
【附图说明】
[0022] 图1是本发明实施例的图像去噪方法的流程图；
[0023] 图2是本发明实施例的图像去噪方法的过程示意图；
[0024] 图3是本发明实施例的图像去噪装置的结构示意图；
[0025] 图4是本发明实施例的图像去噪方法的实验结果示意图。
【具体实施方式】
[0026] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。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。
[0027] 请参阅图1和图2,图1是本发明实施例的图像去噪方法的流程图，图2是本发明实 施例的图像去噪方法的过程示意图。本发明实施例的图像去噪方法包括：
[0028] 步骤10:根据给定的原始图像加噪声之后的图像In，提取局部图像块中的像素值 和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建特 征向量；
[0029] 在步骤10中，对于In中的每一个像素位置(i，j)，以（i，j)为中心，确定一个大小为 m*m的局部图像块Pi,」，提取Pi, j中的像素值构成一个大小为m2行向量P(i,j)，对于像素的一阶 和二阶微分倒数，采用差分方程计算，这样对于每一个像素都可以获得5个微分值，分别为 (:3/"/&，3/,,/办，3 :/"/3/,31/3/，32/"你％)构成一个行向量d(i,」)。因此，对于像素 （i j)可提 取一个大小为m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。本发明实施例的图像去噪方法其关键 在于输入样本的提取，对于图像像素特征的提取，除了使用局部图像块中的像素值和像素 微分倒数之外，还可使用其它的方法来提取像素特征，例如：LBP特征提取等。LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不 变性和灰度不变性等显著的优点。对LBP特征向量进行提取的步骤为：
[0030] (1)首先将检测窗口划分为16X16的小区域(cell);
[0031] (2)对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周 围像素值大于中心像素值，则该像素点的位置被标记为1，否则为〇。这样，3*3邻域内的8个 点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
[0032] (3)然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频 率;然后对该直方图进行归一化处理；
[0033] (4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整 幅图的LBP纹理特征向量。
[0034]步骤20:根据给定的原始图像1〇,提取像素值1(1』作为相对1"在(1，」)位置提取的 特征向量的目标值；
[0035]步骤30:根据提取特征向量^^) = [?(^，(1(^)]以及提取像素值1(^)作为相对1 11 在(i，j)位置提取的特征向量的目标值，得到输入样本
[0036] 步骤40:将输入样本带入极限学习机（Extreme Learning Machine，ELM)，设置网 络的隐层节点个数，并进行训练，求得输出权重邱勺值，确定极限学习机去噪的数学模型；
[0037] 在步骤40中，极限学习机(Extreme Learning Machine，ELM)，是一种新型的快速 学习方法，主要用于单隐层神经网络。传统的神经网络学习算法（如BP算法）需要人为设置 大量的网络训练参数，并且很容易产生局部最优解。ELM在算法执行过程中，可以随机分配 隐层的输入权值和偏置，只需要设置网络的隐层节点个数，不需要迭代调整网络的输入权 值和隐层偏置，并且产生唯一的最优解，因此，ELM具有学习速度快且泛化性能好等优点。
[0038] 假设有 N 个任意样本（Xi，ti)，其中Xi= [Xil，Xi2，…，Xin]TeRn，ti= [til，ti2,…，tim ]TeRm，对于一个有L个隐层节点的单隐层神经网络可表示为：
[0040] 其中，g(x)为激活函数，一般可选择为双曲函数，正弦函数或者径向基函数等。Wi =[Wil，Wi2,…，Win]T是连接第i个隐层节点和输入数据之间的权重向量，Pi = [Pil，0i2,…， 1^]7是连接第i个隐层节点和输出数据之间的权重向量，bi是第i个隐层节点的偏置，Wl · 表示向量的内积。
[0041] 单隐层神经网络学习的目标是使得输出的误差最小，即：
[0045] 上式(3)可用矩阵表示为：
[0046] Ηβ = Τ (4)
[0047] 其中，Η是隐层的输出矩阵，β为输出权重，Τ为期望输出矩阵。
[0048] 这里，
[00511在ELM算法中，一旦输入权重Wi和隐层偏置bi被随机确定，隐层的输出矩阵Η就被唯 一确定。训练单隐层神经网络可转换为求解一个线性系统Ηβ = Τ，此时输出权重β可被确定。
[0052] #=11? (7)
[0053] 其中，f是矩阵Η的Moore-Penrose广义逆，且可证明求得的$的范数最小且唯一。 [0054]步骤50:根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像 去噪。
[0055] 请参阅图3,图3是本发明实施例的图像去噪装置的结构示意图。本发明实施例的 图像去噪装置包括特征向量构建模块、位置提取模块、输入样本模块、去噪模型构建模块和 图像去噪模块。
[0056] 特征向量构建模块根据给定的原始图像加噪声之后的图像In，提取局部图像块中 的像素值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒 数构建特征向量。对于In中的每一个像素位置（i，j)，以（i，j)为中心，确定一个大小为m*m 的局部图像块Pi, j，提取Pi, j中的像素值构成一个大小为m2行向量P(i,j)，对于像素的一阶和 二阶微分倒数，采用差分方程计算，这样对于每一个像素都可以获得5个微分值，分别为 (θ/,/Ι,θ/,/办，32/"/θ^,約"/%':32/"/友办）构成一个行向量d(w '，： 取一个大小为m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。本发明实施例的图像去噪方法其关键 在于输入样本的提取，对于图像像素特征的提取，除了使用局部图像块中的像素值和像素 微分倒数之外，还可使用其它的方法来提取像素特征，例如:LBP特征提取等。
[0057]位置提取模块根据给定的原始图像1〇,提取像素值I(u)作为相对1"在（1，」_)位置 提取的特征向量的目标值。
[0058] 输入样本模块根据提取特征向量^^ = [?(^)，(1(^)]以及提取像素值1(^)作为 相对In在(i，j)位置提取的特征向量的目标值，得到输入样本[v(i, j)，I (i, j)]。
[0059] 去噪模型构建模块将输入样本带入极限学习机(Extreme Learning Machine， ELM)算法，设置网络的隐层节点个数，并进行训练，求得输出权重邮]值，确定极限学习机去 噪的数学模型。极限学习机(Extreme Learning Machine，ELM)，是一种新型的快速学习方 法，主要用于单隐层神经网络。传统的神经网络学习算法(如BP算法）需要人为设置大量的 网络训练参数，并且很容易产生局部最优解。ELM在算法执行过程中，可以随机分配隐层的 输入权值和偏置，只需要设置网络的隐层节点个数，不需要迭代调整网络的输入权值和隐 层偏置，并且产生唯一的最优解，因此，ELM具有学习速度快且泛化性能好等优点。
[0060] 假设有 N 个任意样本(Xi，ti)，其中Xi= [Xil，Xi2，…，Xin]TeRn，ti= [til，ti2,…，tim ]TeRm，对于一个有L个隐层节点的单隐层神经网络可表示为：
[0062]其中，g(x)为激活函数，一般可选择为双曲函数，正弦函数或者径向基函数等。Wl =[Wil，Wi2,…，Win]T是连接第i个隐层节点和输入数据之间的权重向量，Pi = [Pil，0i2,…， 1^]7是连接第i个隐层节点和输出数据之间的权重向量，bi是第i个隐层节点的偏置，Wl · 表示向量的内积。
[0063]单隐层神经网络学习的目标是使得输出的误差最小，即：
[0067] 上式(3)可用矩阵表示为：
[0068] Ηβ = Τ (4)
[0069] 其中，Η是隐层的输出矩阵，β为输出权重，Τ为期望输出矩阵。
[0070] 这里，
[0073] 在ELM算法中，一旦输入权重Wi和隐层偏置bi被随机确定，隐层的输出矩阵Η就被唯 一确定。训练单隐层神经网络可转换为求解一个线性系统Ηβ = Τ，此时输出权重β可被确定。
[0074] (7)
[0075] 其中，H_f是矩阵I^tlMoore-Penrose广义逆，且可证明求得的.彦:的范数最小且唯一。 [0076]图像去噪模块根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成 图像去噪。
[0077] 请参阅图4,图4是本发明实施例的图像去噪方法的实验结果示意图。本发明实施 例的图像去噪方法及装置以mat lab自带的脑结构CT图像(phantom)为例，用提出的方法分 别完成对高斯噪声图像、椒盐噪声图像以及斑点噪声图像的滤除作用，结果表明本方法能 够有效的滤除图像中的噪声，提高图像质量，并且该方法的均方误差小，峰值信噪比大，对 多种噪声的去噪效果都较明显，使用范围较广，局限性小，通用性高。
[0078] 表一针对高斯噪声图像去噪之后的均方误差值和峰值信噪比值
[0080] 表二针对椒盐噪声图像去噪之后的均方误差值和峰值信噪比值
[0081]
[0082]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种图像去噪方法，包括： 步骤a:根据给定的原始图像加噪声之后的图像In,提取图像像素特征，根据图像像素特 征构建特征向量； 步骤b:根据给定的原始图像1〇,提取像素值1<1,"作为相对In在给定位置提取的特征向 量的目标值； 步骤C:根据提取特征向量W及特征向量的目标值得到输入样本，将输入样本带入极限 学习机，求得输出权重值，并确定极限学习机去噪的数学模型； 步骤d:根据极限学习机去噪数学模型对其他含噪图像进行去噪操作，完成图像去噪。2. 根据权利要求1所述的图像去噪方法，其特征在于，所述步骤a具体包括:根据给定的 原始图像加噪声之后的图像In,提取局部图像块中的像素值和像素一阶、二阶微分倒数，根 据局部图像块中的像素值和像素一阶、二阶微分倒数构建特征向量。3. 根据权利要求2所述的图像去噪方法，其特征在于，在所述步骤a中，根据局部图像块 中的像素值和像素一阶、二阶微分倒数构建特征向量包括:对于In中的每一个像素位置(i, j)，W(i，j)为中屯、，确定一个大小为m*m的局部图像块Pij，提取Pi,冲的像素值构成一个大 小为m2行向量对于像素的一阶和二阶微分倒数，采用差分方程计算，对于每一个像素 获得5个微分值，分别为批。/如如。/如料。化：2,的。碱'2,約。鄉邸）>构成一个行向量对 于像素（i, j)提取一个大小为m2巧的特征向量v(ij) = [P(i,j)，d(i,j)]。4. 根据权利要求1所述的图像去噪方法，其特征在于，在所述步骤a中，提取图像像素特 征采用局部二值模式特征提取。5. 根据权利要求1所述的图像去噪方法，其特征在于，所述步骤C还包括:设置极限学习 机网络的隐层节点个数，并进行训练。6. -种图像去噪装置，其特征在于，包括特征向量构建模块、位置提取模块、输入样本 获取模块、去噪模型构建模块和图像去噪模块，所述特征向量构建模块根据给定的原始图 像加噪声之后的图像In,提取图像像素特征，根据图像像素特征构建特征向量;所述位置提 取模块根据给定的原始图像1〇,提取像素值1<1,山作为相对In在给定位置提取的特征向量的 目标值;所述输入样本获取模块根据提取特征向量W及特征向量的目标值得到输入样本； 所述去噪模型构建模块用于将输入样本带入极限学习机，求得输出权重值，并确定极限学 习机去噪的数学模型;所述图像去噪模块根据极限学习机去噪数学模型对其他含噪图像进 行去噪操作，完成图像去噪。7. 根据权利要求6所述的图像去噪装置，其特征在于，所述特征向量构建模块构建特征 向量的具体方式为:根据给定的原始图像加噪声之后的图像In,提取局部图像块中的像素 值和像素一阶、二阶微分倒数，根据局部图像块中的像素值和像素一阶、二阶微分倒数构建 特征向量。8. 根据权利要求7所述的图像去噪装置，其特征在于，所述特征向量构建模块根据局部 图像块中的像素值和像素一阶、二阶微分倒数构建特征向量具体为:对于In中的每一个像 素位置。，如，^。，^为中屯、，确定一个大小为111*111的局部图像块口1^，提取口1^中的像素值 构成一个大小为m2行向量对于像素的一阶和二阶微分倒数，采用差分方程计算，对于 每一个像素获得5个微分值，分别为(化，/扭化/带，3'厶，化-'，31-/,,/3/方/。/3.，却:），构成一个行向 量d(i,j);对于像素（i，j)提取一个大小为m2巧的特征向量v(i,j) = [P(i,j)，d(i,j)]。9. 根据权利要求6所述的图像去噪装置，其特征在于，所述特征向量构建模块提取图像 像素特征采用局部二值模式特征提取。10. 根据权利要求6或7所述的图像去噪装置，其特征在于，所述去噪模型构建模块还用 于设置极限学习机网络的隐层节点个数，并进行训练。
【文档编号】G06T5/00GK106097257SQ201610375435
【公开日】2016年11月9日
【申请日】2016年5月30日
【发明人】温铁祥, 范阳阳, 秦文健, 李凌, 辜嘉
【申请人】中国科学院深圳先进技术研究院