一种矿井下低光照泊松-高斯噪声腐蚀图像的增强方法

一种矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法
技术领域
1.本发明属于图像处理技术领域，具体涉及一种矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法。


背景技术：

2.随着智能化矿井建设步伐加快，以图像、视频智能处理为核心的智能机器视觉逐渐由地面向矿井下迁移，相比地面上，矿井下成像环境存在照度低、电磁干扰大，受限的矿井下成像环境，常常引起采集图像存在对比度低包含大量的弱纹理细节，且富含复杂噪声。矿井下图像的上述特点，导致地面上的智能视觉技术无法在矿井下稳定可靠的工作。究其原因，矿井下图像的低对比度以及弱纹理细节信息，导致了智能视觉算法无法有效地提取图像的特征。为强化矿井图像的特征信息，增强其可辨识性，对矿井下采集图像增强势在必行，但是，低光照采集的矿井图像经常富含复杂噪声，对其进行对比度增强过程中，势必引起噪声的放大，进一步腐蚀图像的特征细节，这与增强矿井图像可辨识性的初衷相背离。
3.为解决上述问题，必须设计一种专门针对矿井下图像增强的算法，有效抑制低光照图像包含的复杂噪声情况下，提高矿井图像的对比度，进而提高图像的可辨识性。


技术实现要素：

4.针对矿井下低光照采集的矿井图像复函复杂噪声，对其进行对比度增强会引起早上放大的缺陷和问题，本发明提供一种矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法。
5.本发明解决其技术问题所采用的方案是：一种矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，包括以下步骤：
6.步骤一、将矿井下含复杂噪声的图像x进行gvst变换得到gvst变换图像x
gvst
；
[0007][0008]
式中：x表示观测图像x的灰度值；α为比例因子，满足α＞0，对于归一化的图像取值为1；
μ
，σ表示观测图像x＝αp(i)+g中高斯噪声g的均值和标准差，若高斯噪声成分的均值为0，则令μ＝0，σ则由小波噪声经验估计公式估计得出，使用symlets小波系的sym4小波对观测图像x
c
,c∈{r,g,b}进行一次分解，使用对角细节小波系数的中位数估计噪声标准差σ；
[0009]
步骤二、分解的r,g,b三个颜色通道图像，得到分解系数集其中，与分别表示的低频子带与高频方向子带；
[0010]
步骤三、将步骤二得到的高频方向子带
根据阈值萎缩函数得到萎缩的高频方向子带系数矩阵
[0011]
步骤四、将萎缩的高频方向子带系数矩阵和实施nsst逆变换，重构出x
gvst
的噪声抑制图像y
gvst
，
[0012][0013]
步骤五、分解噪声抑制图像y
gvst
，获得图像的细节层y
gvst_d
和基础层y
gvst_b
；
[0014]
步骤六、将噪声抑制图像的将噪声抑制图像y
gvst
和细节层y
gvst_d
进行融合得到图像的细节层强化图像y
gvst_e
；
[0015]
步骤七、对细节层强化图像y
gvst_e
实施gvst逆变换得到rgb颜色域噪声抑制的细节强化图像y
d_e
；
[0016]
步骤八、根据基础层y
gvst_b
，计算其r,g,b三个颜色通道的最大值，获得无噪声的亮通道图像
[0017][0018]
式中，上标“gray”表示单通道灰度图像，下标“gvst”表示未实施gvst逆变换的图像；
[0019]
步骤九、根据基础层的亮通道图像实施gvst逆变换获得rgb颜色域的照度传输图
[0020][0021]
步骤十、采用retinex理论，使用rgb颜色域的噪声抑制的细节强化图像y
d_e
除以照度传输图获得对比度提高的最终增强图像y
e
，
[0022][0023]
上述的矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，步骤三中采用的阈值萎缩函数为：
[0024][0025]
式中：k
j
表示尺度j对应的阈值系数，σ
c
表示噪声标准差，由小波噪声经验估计公式估计得出；表示蒙特卡洛方法(monte carlo method)联合小波噪声经验公式得到的不同尺度j与方向滤波器s对应的分解系数矩阵方差估计。
[0026]
上述的矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，步骤六中融合方式为：
[0027][0028]
式中β为融合比例因子。
[0029]
上述的矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，融合比例因子β＝1/2，
则，
[0030][0031]
上述的矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，步骤七中实施gvst逆变换得到rgb颜色域噪声抑制的细节强化图像y
d_e
，逆变换方式为，
[0032][0033]
其中，y为y
gvst_e
的像素灰度值。
[0034]
本发明的有益效果：
[0035]
本发明利用广义方差稳定变换为矿井下的图像x进行处理得到近似高斯噪声，然后采用非下采样剪切波变换进行降噪获得高斯噪声抑制图像；随后对高斯噪声抑制图像进行分解、融合得到细节增强图像，对细节增强图像进行逆变换得到rgb噪声抑制的细节强化图像。该操作能够抑制泊松
‑
高斯噪声，能够对矿井下的图像进行细节强化。
[0036]
本发明利用噪声抑制图像的基础层，计算其亮通道图像，其包含的噪声可以忽略；其次，对亮通道图像实施gvst逆变换获得rgb颜色域的无噪声的照度传输图，最后，在rgb颜色域，利用降噪细节强化图像和照度传输图，根据retinex增强方法，获得噪声抑制和对比度提高的图像。该操作能够提高细节强化的噪声抑制图像的整体对比度，获得最终实现噪声抑制和对比度提高的图像。
[0037]
本发明方法能够抑制矿井下图像的泊松
‑
高斯噪声，同时在具有对比度提高的能力以及低光照降噪所需的弱纹理细节保持能力，实现了泊松
‑
高斯噪声腐蚀的低光照度图像的噪声抑制和对比度增强，有效提高矿井下低光照图像的可辨识性。
附图说明
[0038]
图1为矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法整体框图。
[0039]
图2为矿井下含复杂噪声的图像x。
[0040]
图3为图像x经gvst变换后的变换图像x
gvst
。
[0041]
图4为噪声抑制图像y
gvst
。
[0042]
图5为噪声抑制图像的细节层y
gvst_d
。
[0043]
图6为噪声抑制图像的基础层y
gvst_b
。
[0044]
图7为图像的细节层强化图像y
gvst_e
。
[0045]
图8为rgb颜色域噪声抑制的细节强化图像y
d_e
。
[0046]
图9为无噪声的亮通道图像
[0047]
图10为rgb颜色域的照度传输图
[0048]
图11为增强图像y
e
。
具体实施方式
[0049]
下面结合附图和实施例对本发明进一步说明。
[0050]
实施例1：本实施例以矿井下低光照包含复杂噪声的图像为例，提供一种矿井下低光照泊松
‑
高斯噪声腐蚀图像的增强方法，如图1所示，该方法包括以下步骤：
[0051]
步骤一、将矿井下含复杂噪声的图像x(如图2所示)进行gvst变换得到gvst，变换图像x
gvst
，如图3所示；使图像x包含的复杂噪声近似为高斯噪声；其中t
gvst
()表示gvst变换，x
gvst
表示观测图像x经gvst变换后包含近似高斯噪声的图像，x
gvst
＝t
gvst
(x)，
[0052][0053]
式中：x表示观测图像x的灰度值；α为比例因子，满足α＞0，对于归一化的图像取值为1；
μ
，σ表示观测图像x＝αp(i)+g中高斯噪声g的均值和标准差，若高斯噪声成分的均值为0，则令μ＝0，σ则由小波噪声经验估计公式估计得出，使用symlets小波系的sym4小波对观测图像x
c
,c∈{r,g,b}进行一次分解，使用对角细节小波系数的中位数估计噪声标准差σ。
[0054]
具体的，gvst变换可以采用α＝1，μ＝0，的参数对x变换，其中，为小波噪声经验公式对x估计的值，w
d1
为“sym4”小波分解x获得的对角系数，式中|
·
|是取绝对值操作符，med()表示取中位数操作。
[0055]
步骤二、采用nsst分解的r,g,b三个颜色通道图像，得到分解系数集离散非下采样剪切波变换nsst能够能够构成上的一个紧parseval框架，离散非下采样剪切波变换的表达式：
[0056][0057]
其中，a、b是2
×
2可逆矩阵，并且|detb|＝1，为各向膨胀矩阵，为剪切矩阵。由于，离散非下采样剪切波变换构成上的紧parseval框架，因此，有离散剪切波重构公式：
[0058][0059]
为表述方便，进一步的定义符号t
nsst
()表示nsst变换，表示nsst逆变换
[0060][0061]
其中：与分别表示的低频子带与高频方向子带，其中，包含了的边缘、纹理细节以及几乎全部的噪声信息，j和s
j
表示最大分解尺度数与相应尺度
的方向数，c表示的颜色通道；
[0062]
该步骤能够有效抑制x
gvst
包含的近似高斯噪声，并且尽可能的减少图像的弱纹理损失。
[0063]
步骤三、将步骤二得到的高频方向子带根据阈值萎缩函数，阈值萎缩得到抑制噪声、保存弱纹理细节的高频方向子带系数矩阵其中阈值萎缩函数为：
[0064][0065]
式中：k
j
表示尺度j对应的阈值系数，σ
c
表示噪声标准差，由小波噪声经验估计公式估计得出；表示蒙特卡洛方法(monte carlo method)联合小波噪声经验公式得到的不同尺度j与方向滤波器s对应的分解系数矩阵方差估计。计算过程为：
[0066]
首先，利用伪随机算法生成大小与相同的单位标准方差噪声图像n1；
[0067]
然后，利用atrous小波以nsst分解的尺度数与方向滤波器数分解n1；
[0068]
最后，利用小波噪声经验公式估计n1各分解系数的噪声方差
[0069]
步骤四、利用萎缩的高频方向子带系数矩阵和实施nsst逆变换，重构出如图4所示的x
gvst
的噪声抑制图像y
gvst
，
[0070][0071]
步骤五、利用最小二乘法滤波器分解噪声抑制图像y
gvst
，如图5和图6所示，获得图像的细节层y
gvst_d
和基础层y
gvst_b
；最小二乘法滤波器为：
[0072]
其中，是目标滤波器图像，也就是基础层图像a
x
和a
y
是以平滑权重为对角元素的对角矩阵，且p为图像的像素空间位置，ε为小正数防止分母为零，d
x
和d
y
为前向差分算子，和则为后向差分算子，d
x
,n,m是图像域的行、列数。
[0073]
为便于表述，定义符号f
wlsf
()表述最小二乘法滤波，则最小二乘法滤波器分解表述为则
[0074]
步骤六、将噪声抑制图像y
gvst
和细节层y
gvst_d
进行融合，如图7所示，得到图像的细节层强化图像y
gvst_e
，融合方式为：
[0075][0076]
具体的，可以设置融合比例因子β＝1/2，则，
[0077][0078]
步骤七、细节层强化图像rgb域转换，对细节层强化图像y
gvst_e
实施gvst逆变换得到rgb颜色域噪声抑制的细节强化图像y
d_e
，如图8所示，逆变换方式为：
[0079][0080]
其中，y为y
gvst_e
的像素灰度值，其他符号意义与gvst变换相同。
[0081]
步骤八、根据基础层y
gvst_b
，计算其r,g,b三个颜色通道的最大值，如图9所示，获得无噪声的亮通道图像
[0082][0083]
其中，上标“gray”表示单通道灰度图像，下标“gvst”表示未实施gvst逆变换的图像。
[0084]
步骤九、根据基础层的亮通道图像实施gvst逆变换获得如图10所示的rgb颜色域的照度传输图
[0085][0086]
步骤十、采用retinex理论，使用rgb颜色域的噪声抑制的细节强化图像y
d_e
除以照度传输图获得对比度提高的如图11所示的最终增强图像y
e
；另外，为了避免分母为零，设置一个固定的小正数δ与灰度值比较，取它们的最大值作为分母，即：
[0087][0088]
综上，结合图2和图11可以看出，通过本发明的方法，能够抑制矿井下图像的泊松
‑
高斯噪声，同时在提高对比度同时保持低光照降噪所需的弱纹理细节，实现了泊松
‑
高斯噪声腐蚀的低光照图像的噪声抑制和对比度增强，有效提高矿井下图像的可辨识性。