一种基于Adaboosting算法思想的图像去噪方法及装置与流程

本发明属于图像处理中的图像去噪技术领域，具体涉及一种基于Adaboosting算法思想的图像去噪方法及装置。

背景技术：

图像处理中，噪声会对我们的图像产生极大的影响，增加我们提取图像信息的难度，因此图像去噪技术在图像处理中至关重要。传统的图像去噪方式有空间滤波器和频率滤波器，一般的图像去噪过程只会应用给定参数下的一种滤波器，而且大部分滤波器在给定参数情况下只可以有效过滤一种噪声，因此在处理未知噪声或者多种噪声时，单一的滤波器不能达到很好地去噪效果。

鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。

技术实现要素：

为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于Adaboosting算法思想的图像去噪方法，其包括：

步骤a，选定滤波器集合F以及参数范围；

步骤b，初始化像素权重，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；

步骤c，进入循环处理，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；

步骤d，生成‘强去噪图像’，根据循环处理中计算的滤波器权重，将权重、 像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值。

步骤e，改变滤波器类型，从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的‘强去噪图像’的差别。

较佳的，所述步骤c包括：

步骤c1，判断循环条件；

判断循环次数m是否达到循环次数设定值n，当m＜n+1时，进入循环处理，否则跳出循环。

步骤c2，计算带有噪声的原始图像对应滤波器清晰度误差；

步骤c3，计算带有噪声的原始图像对应的滤波器权重；

对于已知噪声的原始图像，滤波器权重计算公式为am＝log((1-errm)/errm)。

步骤c4，更新带有噪声的原始图像的各个像素的权重；

步骤c4，增加循环次数；

每次循环次数增加1，m＝m+1，回到步骤c1，判断循环条件还是否满足。

较佳的，所述步骤c2中计算滤波器清晰度误差的计算公式为：

对于已知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑wi*I(|ki-Pmi|＞e)/∑wi

其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

对于未知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)

其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大 像素误差；

h(i,j)＝|Pm(i,j)-Pm(i,j-1)|+|Pm(i,j)-Pm(i,j+1)|

+|Pm(i,j)-Pm(i+1,j)|+|Pm(i,j)-Pm(i-1,j)|。

较佳的，所述步骤c4中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：

对于已知噪声的原始图像，更新像素的权重公式为

wi＝wi*exp(am*I(|ki-Pmi|＞e))

对于未知噪声的原始图像，更新像素的权重公式为

w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))

较佳的，所述步骤d中对于未知噪声的原始图像“强去噪图像”像素为

Photo(i,j)＝M*∑amPm(i,j)

i＝1,2,L,M1,j＝1,2,L,M2,M＝M1*M2

对于已知噪声的原始图像像素，其计算公式为：

Photoi＝M*∑amPmi i＝1,2,L,M

6、一种与以上任一所述的基于Adaboosting算法思想的图像去噪方法对应的装置，其包括：

选定滤波器集合以及参数范围模块；

初始化像素权重模块，一般每个像素的权重采用等比分配或者根据已知信息自行选择适当的权重作为初始权重；

循环处理模块，计算每个循环对应的滤波器清晰度误差、对应的滤波器权重以及更新后各个像素的权重；

‘强去噪图像’生成模块，根据循环处理中计算的滤波器权重，将权重、像素数与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值；

改变滤波器类型模块，从滤波器集合中再选用另外的一种滤波器类型进行 同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的‘强去噪图像’的差别。

较佳的，所述循环处理模块包括：

循环条件判断单元；

通过判断循环次数m是否达到设定的循环次数n，当m＜n+1时，循环继续，否则循环条件不满足，跳出循环。

对应滤波器清晰度误差计算单元；

对应的滤波器权重计算单元；

对于已知噪声的原始图像或未知噪声的原始图像，滤波器权重计算公式都为am＝log((1-errm)/errm)。

更新图像各个像素的权重单元；

循环次数增加单元，每次循环次数增加1，m＝m+1，回到循环条件判断单元31，判断循环条件还是否满足。

较佳的，所述滤波器清晰度误差计算单元中计算滤波器清晰度误差的计算公式为：

对于已知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑wi*I(|ki-Pmi|＞e)/∑wi

其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

对于未知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)

其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大 像素误差；

h(i,j)＝|Pm(i,j)-Pm(i,j-1)|+|Pm(i,j)-Pm(i,j+1)|

+|Pm(i,j)-Pm(i+1,j)|+|Pm(i,j)-Pm(i-1,j)|。

较佳的，所述滤波器权重计算单元中更新带有噪声的原始图像的各个像素的权重所采用的计算公式为：

对于已知噪声的原始图像，更新像素的权重公式为

wi＝wi*exp(am*I(|ki-Pmi|＞e))

对于未知噪声的原始图像，更新像素的权重公式为

w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))

较佳的，所述强去噪图像生成模块中对于未知噪声的原始图像“强去噪图像”像素为

Photo(i,j)＝M*∑amPm(i,j)

i＝1,2,L,M1,j＝1,2,L,M2,M＝M1*M2

对于已知噪声的原始图像像素，其计算公式为：

Photoi＝M*∑amPmi i＝1,2,L,M

与现有技术比较本发明的有益效果在于：采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。

附图说明

为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为本发明实施例一的一种基于Adaboosting算法思想的图像去噪方法的步骤图；

图2为本发明实施例一的一种基于Adaboosting算法思想的图像去噪方法的流程图；

图3为本发明实施例二的一种基于Adaboosting算法思想的图像去噪方法的步骤c的步骤图；

图4为本发明实施例四的一种基于Adaboosting算法思想的图像去噪装置的功能示意图；

图5为本发明实施例五的一种基于Adaboosting算法思想的图像去噪装置的循环处理模块的功能示意图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

实施例一

图1为本发明一种基于Adaboosting算法思想的图像去噪方法的步骤图，其中，所述一种基于Adaboosting算法思想的图像去噪方法包括：

步骤a：选定滤波器集合F以及参数范围；

根据相应的经验或者相关的信息选择要使用的滤波器类型，滤波器类型最好涵盖空间滤波器以及频率滤波器，一般最后选用的滤波器类型的单一过滤效果是比较好的；选定滤波器集合F，记录需要使用的对应的含参数‘弱滤波器’种类，例如F＝{谐波均值滤波器，中值滤波器，中点滤波器，巴特沃思低通滤波 器，高斯高通滤波器}；同时，参数范围应该选用具有代表性或者特殊性的取值集合。

步骤b：初始化像素权重；

一般每个像素的权重设置都为wi＝1/M，i＝1,2,L,M，M为像素数，即等比分配；或者根据已知信息自行选择适当的权重作为初始权重。

步骤c：进入循环处理；

根据选择的滤波器集合中滤波器的数目设置循环处理次数，在每次循环中使用对应的滤波器对施加像素权重后的噪声图像进行处理并得到处理后的图像，根据对应的公式计算滤波器清晰度误差errm和相应的滤波器权重am以及更新后各个像素的权重wi，如图2所示。

步骤d：确定‘强去噪图像’；

根据循环处理中计算的滤波器权重am值，将权重，像素数M与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值，并据此生成最终的去噪图像。

步骤e：：改变滤波器类型；

该步骤是从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的‘强去噪图像’的差别。

采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像 处理其他方面提供了一个有效的解决方向。

实施例二

图3为步骤c中对带有噪声的原始图像去噪循环步骤，其包括：

步骤c1，判断循环条件；

判断循环次数m是否达到循环次数设定值n，当m＜n+1时，进入循环处理，否则跳出循环。

步骤c2，计算带有噪声的原始图像对应滤波器清晰度误差；

对于已知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑wi*I(|ki-Pmi|＞e)/∑wi

其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

对于未知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)

其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

h(i,j)＝|Pm(i,j)-Pm(i,j-1)|+|Pm(i,j)-Pm(i,j+1)|

+|Pm(i,j)-Pm(i+1,j)|+|Pm(i,j)-Pm(i-1,j)|。

步骤c3，计算带有噪声的原始图像对应的滤波器权重；

对于已知噪声的原始图像，滤波器权重计算公式为am＝log((1-errm)/errm)。

步骤c4，更新带有噪声的图像的各个像素的权重；

对于已知噪声的原始图像，更新像素的权重公式为

wi＝wi*exp(am*I(|ki-Pmi|＞e))

对于未知噪声的原始图像，更新像素的权重公式为

w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))

步骤c4，增加循环次数；

每次循环次数增加1，m＝m+1，回到步骤c1，判断循环条件还是否满足。

实施例三

如上所述的基于Adaboosting算法思想的图像去噪方法，本实施例与其不同之处在于，步骤d中对于未知噪声的原始图像“强去噪图像”像素为

Photo(i,j)＝M*∑amPm(i,j)

i＝1,2,L,M1,j＝1,2,L,M2,M＝M1*M2

对于已知噪声的原始图像像素，其计算公式为：

Photoi＝M*∑amPmi i＝1,2,L,M

实施例四

本实施例为一种基于Adaboosting算法思想的图像去噪装置，其与所述的基于Adaboosting算法思想的图像去噪方法相对应，如图4所示，其包括：

选定滤波器集合F以及参数范围模块1，根据相应的经验或者相关的信息选择要使用的滤波器类型，滤波器类型最好涵盖空间滤波器以及频率滤波器，一般最后选用的滤波器类型的单一过滤效果是比较好的；选定滤波器集合F，记录需要使用的对应的含参数‘弱滤波器’种类，例如F＝{谐波均值滤波器，中值滤波器，中点滤波器，巴特沃思低通滤波器，高斯高通滤波器}；同时，参数范围应该选用具有代表性或者特殊性的取值集合。

初始化像素权重模块2，一般每个像素的权重设置都为wi＝1/M或w(i,j)＝1/M， M为像素数，即等比分配；或者根据已知信息自行选择适当的权重作为初始权重。

循环处理模块3，根据选择的滤波器集合中滤波器的数目设置循环处理次数，在每次循环中使用对应的滤波器对施加像素权重后的噪声图像进行处理并得到处理后的图像，根据对应的公式计算误差errm和相应的滤波器权重am以及更新后各个像素的权重wi。

‘强去噪图像’生成模块4，根据循环处理模块3中计算的滤波器权重am值，将滤波器权重am，像素数M与各个滤波器处理后的图像像素值相乘得到最终图像各个像素的值，并据此生成最终的去噪图像。

改变滤波器类型模块5，该模块是从滤波器集合中再选用另外的一种滤波器类型进行同样的Adaboost图像去噪操作，观察不同初始滤波器下的最终的‘强去噪图像’的差别。

基于Adaboosting算法思想的图像去噪装置，采用Adaboost图像去噪法，考虑了每个‘弱滤波器’上不能很好过滤的像素位置并且加大了该位置的权重，使得在下个‘弱滤波器’上会更多关注该像素位置并进行相应的处理，最终的加权组合处理则综合考虑了各个‘弱滤波器’的效果，然后，找到最优的滤波器组合，Adaboost图像去噪法有效解决单一滤波器不能解决的多噪声，未知噪声的图像问题，该方法为图像去噪乃至于图像处理其他方面提供了一个有效的解决方向。

实施例五

图5为如上所述的循环处理模块3，其包括

循环条件判断单元31；

通过判断循环次数m是否达到设定的循环次数n，当m＜n+1时，循环继续，否则循环条件不满足，跳出循环。

对应滤波器清晰度误差计算单元32；

对于已知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑wi*I(|ki-Pmi|＞e)/∑wi

其中ki为原始图像的像素，wi为各个像素的权重，Pmi为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

对于未知噪声原始图像，对应滤波器清晰度误差计算公式为

errm＝∑∑w(i,j)*I(h(i,j)＞e)/∑∑w(i,j)

其中w(i,j)为各个像素的初始化权重，且w(i,j)＝1/M，Pm(i,j)为利用滤波器Am对施加像素权重后的噪声图像进行处理后得到的去噪图像像素，e为最大像素误差；

h(i,j)＝|Pm(i,j)-Pm(i,j-1)|+|Pm(i,j)-Pm(i,j+1)|

+|Pm(i,j)-Pm(i+1,j)|+|Pm(i,j)-Pm(i-1,j)|。

对应的滤波器权重计算单元33；

对于已知噪声的原始图像或未知噪声的原始图像，滤波器权重计算公式都为am＝log((1-errm)/errm)。

更新图像各个像素的权重单元34；

对于已知噪声的原始图像，更新像素的权重公式为

wi＝wi*exp(am*I(|ki-Pmi|＞e))

对于未知噪声的原始图像，更新像素的权重公式为

w(i,j)＝w(i,j)*exp(am*I(h(i,j)＞e))

循环次数增加单元35；每次循环次数增加1，m＝m+1，回到循环条件判断单元31，判断循环条件还是否满足。

实施例六

如上所述的基于Adaboosting算法思想的图像去噪装置，本实施例与其不同之处在于，所述的强去噪图像生成模块5中：

对于未知噪声的原始图像，强去噪图像像素计算公式为：

Photo(i,j)＝M*∑amPm(i,j)

i＝1,2,L,M1,j＝1,2,L,M2,M＝M1*M2

对于已知噪声的原始图像像素，强去噪图像像素计算公式为：

Photoi＝M*∑amPmi i＝1,2,L,M

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。