一种基于像素聚类的RVIN检测和去除的方法

一种基于像素聚类的rvin检测和去除的方法
技术领域
1.本发明涉及图像处理技术领域，尤其涉及一种基于像素聚类的rvin检测和去除的方法。


背景技术：

2.数字图像在产生和传播的过程中容易受到噪声的干扰，影响后续对图像的处理，图像去噪一直是急需解决的底层视觉任务之一。图像去噪模型可以表示为y＝x+b，其中y和x分别表示受损图像和清晰图像，b表示自适应噪声。在自然图像和医学图像中存在的噪声主要是高斯噪声和随机脉冲噪声(random-valued impulse noise，rvin)。关于高斯噪声去除的算法已经有很多，且表现良好。当图像受到随机脉冲噪声污染时，图像中只有部分像素遭到破坏，且该部分像素的新的灰度值随机处于0～255之间。相比高斯噪声、椒盐噪声和其他类型的噪声，这种随机特性给噪声去除带来更多的麻烦。
3.几种用于高斯噪声去除的滤波器如高斯滤波、均值滤波和双边滤波器被尝试用于去除rvin。这些线性和非线性的保边滤波方法是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的，但是对随机脉冲噪声的效果并不显著，而且容易使修复的图像变得模糊。中值滤波器及其变体cwm把局部区域的像素按灰度等级进行排序，取该领域中灰度的中值或加权中值作为当前像素的灰度值。相比之下，它们对于去除脉冲噪声具有较好的效果，同时在一定程度上克服线性滤波器处理图像细节模糊的问题。因此，提出了一种新的自适应加权中值滤波器(acwm)，其采用基于最小均方(lms)算法的学习方法获得每个块内的中心权重，然后通过多次迭代逐步应用噪声滤波程序，以获得最优的滤波效果。但是对于对点、线、尖顶等细节纹理较多的图像，这些中值滤波器及其改进算法容易将细节和纹理中的正常像素当作噪声像素来去除，无法从根本上解决图像模糊和细节信息丢失的问题。
4.基于噪声检测和滤波的两阶段rvin去噪算法通过先检测出受损图像中的噪声像素，再对其进行去除，这可以有效解决修复图像模糊和细节丢失的问题。显而易见的，这种两阶段方法的去噪效果与噪声检测的准确率紧密相关。为了准确筛选出受损图像中的随机脉冲噪声，因此，提出了一种基于局部统计秩序绝对差(road)的噪声检测方法，其通过统计局部窗口中的中心像素与其邻域像素的灰度差来判断该像素是否为噪声。受road方法的启发，dong提出了通过使用对数函数将中心像素的road值转化为rold的形式来放大中心像素与其邻域里的像素的差异，从而提高脉冲噪声检测的准确率。yu结合road和rold提出了基于rank ordered relative differences(rord)的噪声检测方法。但这些方法没有考虑窗口范围内像素的统计信息如方差，和噪声的先验知识如噪声水平。
5.实际上，噪声水平的高低对去噪算法的性能有很大影响。为了充分利用图像噪声水平的先验知识，提出了一种基于local consensus index(lci)的噪声检测方法，通过计算中心像素的lci值来衡量其与邻域中其他像素的相似程度，然后估计受损图像的噪声水平来设置合适的lci阈值以筛选出正常像素和噪声像素。为了提高噪声的检测精度，其通过
大量的实验和多项式拟合来获取lci阈值和图像噪声水平的计算公式。但是，对于一些纹理复杂和受损程度严重的图像，其像素的lci值普遍较低，容易增加误判像素的数量。文献【triple threshold statistical detection filter for removing high density random-valued impulse noise in images】设计了标准差、平均值和四分位数的三阈值检测的方法来解决高噪声水平下的图像去噪问题。但是这种多阈值检测方法在增加算法复杂度的同时对噪声检测提升作用不大，无法很好的区分出细节或纹理区域中的正常像素和噪声像素。为了解决这个问题，nadeem]设计了一种基于开关技术的模糊噪声检测器，能够很好地区分细节和纹理区域的噪声像素和边缘像素。在噪声检测阶段，通过使用适当的阈值，可以将图像中的像素识别为正常像素、噪声像素或候选噪声像素，但是本文没有具体交代如何从候选噪声中过滤边缘像素。文献[liu]详细介绍了一种秩序道路差分(rod-road)和局部图像统计最小边缘像素差(mepd)方法从候选噪声中识别出边缘像素，防止边缘被错误判别为噪声。这些基于邻域像素的检测和滤波方法，基本上只考虑了有限窗口范围内的像素灰度值信息，没有考虑整个图像的像素分布特性，导致算法没有很好的泛化性能。而且当图像受损程度达到60％甚至更高时，由于邻域中的噪声比正常像素更多，这些方法很容易将正常的像素误判为噪声像素。
[0006]
近几年发展起来的深度学习技术也被广泛用于图像去噪里，提出的基于卷积神经网络的去噪方法用于去除高斯噪声，是图像处理中强大的非线性映射模型，但是该模型的灵活性受到严重限制，而且对rvin并不适用。为了解决这个问题，提出了一种用于rvin去噪的盲cnn模型，采用使用灵活的噪声比预测器(nrp)作为指标。但是这些基于端到端的神经网络去噪模型的训练需要花费大量的计算成本，比起传统的去噪方法并没有明显的优势，模型的复杂性也给算法的落地实施带来困难。
[0007]
综上，虽然各种图像降噪算法不断新增，然而很多采用手动设置的检测阈值或者基于局部窗口信息所设计的噪声检测方法并不具有良好的泛化性能，无法有效处理高噪声水平的受损图像，也无法精准的区分噪声像素和边缘像素导致在降噪的同时往往丢失图像的细节或边缘信息。


技术实现要素：

[0008]
为了解决上述技术问题，本发明提出一种基于像素聚类的rvin检测和去除的方法，为了提高去噪算法的泛化性能，在达到快速降噪的同时仍能保留足够细节信息，本发明中噪声检测器基于分组聚类的思想，根据像素的特征对受损图像中的所有像素分成几类，再通过自适应阈值识别出每组像素的噪声；根据噪声检测结果，本发明提出了一种分区决策的滤波器，针对不同区域的噪声像素采用不同的滤波器来恢复被随机值脉冲噪声损坏的像素。大量的实验结果表明，所提出的方法对自然图像或者医学图像中的rvin都适用，并且在视觉和客观质量测量方面实质上要优于其他先进的rvin滤波技术。
[0009]
为了达到上述目的，本发明的技术方案如下：
[0010]
一种基于像素聚类的rvin检测和去除的方法，包括如下步骤：
[0011]
基于像素点的灰度距离相似性进行聚类分割，将受损图像中的所有像素分成k类；
[0012]
计算像素的lci值并基于lci值确定所述像素所处区域，所述区域包括平坦区域和细节区域，再通过迭代求解获取每类像素的最优检测阈值，根据像素的lci值和最优检测阈
值判断所述像素是否为噪声像素；
[0013]
针对平坦区域和细节区域的噪声像素分别采用lci加权均值滤波器和边缘方向滤波器来恢复被随机值脉冲噪声损坏的像素。
[0014]
优选地，所述聚类分割前还包括如下步骤：
[0015]
对图像进行平滑处理，所述平滑处理包括中值滤波和高斯滤波。
[0016]
优选地，所述基于像素点的灰度距离相似性进行聚类分割，所述聚类方法采用k-means聚类法，具体包括如下步骤：
[0017]
寻找k个聚类中心μk(k＝1,
…
,k)，将受损图像中的所有像素分配到距离最近的聚类中心，使得每个像素点与其相应的聚类中心的一维距离的平方和最小，其中一维距离指二者的灰度差值，引入二值变量r
nk
∈{0,1}来表示受损图像中某一个像素点xn对于聚类k的归属(其中n＝1,...,n，k＝1,
…
,k)，如果像素点xn属于第k聚类,则r
nk
＝1，否则为0，可定义如下损失函数：
[0018][0019]
从上式可知，需要随机固定聚类中心μk初始值来求取使损失函数j最小的像素点的归属值r
nk
，给定像素点xn和聚类中心μk的灰度值，损失函数j是r
nk
的线性函数，由于xn与x
n+1
之间是相互独立，对于每一个像素点xn，只需将该点分配到距离最近的聚类中心，即
[0020][0021]
利用公式(2)中求得的r
nk
带入公式(1)中求聚类中心μk，给定r
nk
的值，损失函数j是μk的二次函数，令j对μk的导数为0，可得
[0022][0023]
通过上式可推出μk的取值为μk为属于该类里的像素点的灰度均值。
[0024]
优选地，所述聚类方法采用均值漂移聚类法、基于密度的聚类法或高斯混合模型的最大期望聚类。
[0025]
优选地，所述计算像素的lci值是通过所述像素的邻域内同一类像素计算获得。
[0026]
优选地，所述通过迭代求解获取每类像素的最优检测阈值，包括如下步骤：
[0027]
将检测阈值从0历遍到1，计算图像去噪模型的目标函数，当目标函数最小时当前的检测阈值为最优检测阈值，所述目标函数如下所示：
[0028][0029]
其中，y为图像的任一像素，i,j为y的坐标，v(y)被称之为tv范数，作为保持图像边
缘信息为目标的正则化方法。
[0030]
优选地，所述lci加权均值滤波器如下所示：
[0031][0032]
其中，i'
x
表示滤波后的噪声像素x的灰度值，y表示在噪声检测阶段被判断为非噪声的ω
x0
中的像素，iy和lciy分别表示y的灰度值和lci值。
[0033]
优选地，所述lci加权均值滤波器的滤波窗口设置为5
×
5。
[0034]
优选地，所述针对细节区域的噪声像素采用边缘方向滤波器来恢复被随机值脉冲噪声损坏的像素，具体包括如下步骤：
[0035]
对被判定为细节区域的噪声像素，以噪声像素为中心构建检测框；
[0036]
将检测框中以噪声像素为中心的所在行、列、左对角线和右对角线上的被判别为正常像素分别放入集合dh,dv,d
l
,dr集合中；
[0037]
分别计算dh,dv,d
l
,dr集合中元素的标准差，选择标准差最小的集合所代表的方向作为边界滤波方向；
[0038]
将边界滤波方向中的正常像素的灰度值按升序或倒序排列，选举序列中的中位数作为中心噪声像素的新的灰度值。
[0039]
优选地，所述边缘方向滤波器的滤波窗口设置为7
×
7。
[0040]
基于上述技术方案，本发明的有益效果是：本发明中噪声检测器基于分组聚类的思想，根据像素的特征对受损图像中的所有像素分成几类，再通过自适应阈值识别出每组像素的噪声；根据噪声检测结果，本发明提出了一种分区决策的滤波器，针对不同区域的噪声像素采用不同的滤波器来恢复被随机值脉冲噪声损坏的像素。本发明提出的噪声检测器和滤波器具有很高的鲁棒性和泛化性，在自然图像和医学图像的rvin去除中均取得了显著的效果，特别是在高噪声水平上效果更优。
附图说明
[0041]
图1是一个实施例中一种基于像素聚类的rvin检测和去除的方法流程图；
[0042]
图2是一个实施例中一种基于像素聚类的rvin检测和去除的方法中聚类效果以及像素分类结果图，其中，图2(a)为k＝4时噪声水平为50％的lena图像聚类的效果图；图2(b)为区域a的像素分类结果，其中标红、标绿和标白的的像素表示它们隶属不同的；
[0043]
图3是一个实施例中一种基于像素聚类的rvin检测和去除的方法中lena受损图像噪声检测情况，其中，图3(a)为50％lena受损图像；图3(b)为图3(a)中区域a的像素检测情况图；
[0044]
图4是一个实施例中一种基于像素聚类的rvin检测和去除的方法中6个实验测试图；
[0045]
图5是一个实施例中噪声检测器在不同噪声水平的测试图像上的检测效果图；
[0046]
图6是一个实施例中50％的lena图像修复对比图，其中，图6(a)为50％的lena图像；图6(b)为修复后的lena图像；
[0047]
图7是60\％rvin的船图像以及不同的恢复效果图，其中，图7(a)为60\％rvin的船
图像；图7(b)为采用afwmf处理图7(a)后的效果图；图7(c)为采用asmf处理图7(a)后的效果图；图7(d)为采用bdnd处理图7(a)后的效果图；图7(e)为采用dwm处理图7(a)后的效果图；图7(f)为采用eaif处理图7(a)后的效果图；图7(g)为采用ebdnd处理图7(a)后的效果图；图7(h)为采用frdfn处理图7(a)后的效果图；图7(i)为采用ror-nlm处理图7(a)后的效果图；图7(j)为采用sbf处理图7(a)后的效果图；图7(k)为采用sdood处理图7(a)后的效果图；图7(1)为采用本技术方法处理图7(a)后的效果图；
[0048]
图8是一个实施例中前列腺噪声图像的过滤效果图，其中，图8(a)为含有30％rvin的前列腺图像；图8(b)为修复后的前列腺图像；
[0049]
图9是一个实施例中头部噪声图像的过滤效果图，其中，图9(a)为含50％rvin的头部图像；图9(b)为修复后的头部图像。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0051]
如图1所示，本实施例提供一种基于像素聚类的rvin检测和去除的方法，包括如下步骤：
[0052]
步骤s101，基于像素点的灰度距离相似性进行聚类分割，将受损图像中的所有像素分成k类。
[0053]
其中，数据的聚类方法有均值漂移聚类法、基于密度的聚类法(dbscan)、高斯混合模型(gmm)的最大期望(em)聚类等。在本实施例中采用较为常用k-means算法，因为其简单，收敛速度快。k-means图像聚类分割又称k均值聚类，利用无监督学习原理将像素点聚成几簇。具体原理如下：
[0054]
定理1：给定d维欧几里得空间的一组数据{x1,...,xn}，假设聚类个数k是已知，从欧几里得空间的角度出发，将距离较近的点聚为一个簇，不同簇的点之间的距离相对较远。
[0055]
由定理1可知，需寻找k个聚类中心μk(k＝1,...,k)，将受损图像中的所有像素分配到距离最近的聚类中心，使得每个像素点与其相应的聚类中心的一维距离的平方和最小，其中这里的一维距离指二者的灰度差值。我们引入二值变量r
nk
∈{0,1}来表示受损图像中某一个像素点xn对于聚类k的归属(其中n＝1,...,n，k＝1,...,k)，如果像素点xn属于第k聚类,则r
nk
＝1，否则为0。如此，可定义如下损失函数：
[0056][0057]
从公式1可知，需要随机固定聚类中心μk初始值来求取使损失函数j最小的像素点的归属值r
nk
。给定像素点xn和聚类中心μk的灰度值，损失函数j是r
nk
的线性函数，由于xn与x
n+1
之间是相互独立，对于每一个像素点xn，只需将该点分配到距离最近的聚类中心，即
[0058][0059]
利用公式(2)中求得的r
nk
带入公式(1)中求聚类中心μk。给定r
nk
的值，损失函数j是
μk的二次函数，令j对μk的导数为0，可得
[0060][0061]
通过上式可推出μk的取值为μk为属于该类里的像素点的灰度均值。
[0062]
经过上述步骤，图像的像素点会根据相似性进行聚类，其中像素点的相似性根据周围像素和中心簇像素的一维距离即二者的灰度差值进行计算，寻找与中心簇距离最小的像素点归为一类。根据k的取值，一张图像的像素点可以被聚类成k类。通过像素聚类能够精确的将复杂的图像纹理按照逻辑分开，实现类对类的处理，在一定程度上提升修复受损图像的能力。图2(a)展示了k取值为4时rvin为50％的lena图像的聚类效果，从图中可以看出图像的像素被分成了四类，每类采用不同的颜色展示。同时，对于处于类与类之间的像素，由于聚类中已经把具有一定相似性的像素进行了分类，因此在计算其lci的时，只需取其邻域内的同一类的像素计算lci即可。如图2(b)展示了图2(a)中区域a的像素分类结果，对于中心像素x，其邻域中的24个像素里仅有8个像素(221,32,64,22,112,23,23,74)跟它属同一类，那么在计算中心像素x的lci值时仅考虑这几个像素，以此增加边缘的先验知识。需要指出的是，由于k-means算法的抗干扰性较差，因此我们在对图像进行聚类分割之前，会先进行中值滤波和高斯滤波两种简单的滤波方式，减弱噪声对聚类效果的影响。
[0063]
步骤s102，计算像素的lci值并基于lci值确定所述像素所处区域，所述区域包括平坦区域和细节区域，再通过迭代求解获取每类像素的最优检测阈值，根据像素的lci值和最优检测阈值判断所述像素是否为噪声像素。
[0064]
本实施例中，计算像素的lci值，具体计算方法如公式(4)-(7)所示：
[0065][0066][0067][0068][0069]
公式(4)中ω
x0
为以像素x为中心的5
×
5邻域,y为邻域ω
x0
中的任一像素，u
x
和uy表示像素x和y的灰度值，(m,n)和(s,t)分别为像素x和y的坐标。σ
λ
andσs分别为预先设置好的高斯核函数的参数。公式(4)表示两个像素之间的相似度θ(x,y)跟它们的距离和灰度差有关。由公式(5)可以发现，当x为正常像素时，由于其与邻域中的其他每个正常像素相似度较高，ζx的值会较大，反之亦然。因此，通过观察中心像素x的ζx值可以评估其为正常像素的可能性。为了让统计量ζx具有更好的稳定性和判别性，通过公式(6)和(7)对其进行了归一化
操作把它限制在领域内[0,1],最终得到了像素x的lci值。lci表征了像素是否为噪声的概率，当像素的lci值越大，表示它越可能是正常像素。通过设置合适的阈值可以筛选出整幅受损图像的正常像素和噪声像素。为了获得最佳的检测效果，先利用lci来判断像素处于平坦区域还是细节区域，再采用不同的lci阈值来筛选出噪声。该方法具有计算简单的特点，不需要迭代即可快速检测出受损图像的rvin。
[0070]
经过迭代计算后，图像的像素点会根据灰度距离的相似性被聚类成几种不同的簇。显然的，在不同簇中由于像素的灰度和所处的区域不同，对应的噪声检测阈值范围也会不同。因此，现在需要对不同类的像素点进行最优检测阈值的选取。对于二阶段去噪算法，噪声检测器效果越好，则滤波效果越好，这也就意味着最优检测阈值对应着最好的滤波效果。换句话说，tlci最优检测阈值的选择其实是一个图像去噪模型优化问题的求解过程。
[0071]
由于像素lci已经经过归一化处理，其值范围处于[0,1]之间，因此我们可以让检测阈值tlci从0遍历到1(假设步长为0.1)，同时计算图像去噪模型的目标函数，当目标函数最小时对应的tlci值则为最优检测阈值。全变分模型常用于图像去噪的优化问题求解中，该模型主要依靠梯度下降法对图像进行平滑处理，我们希望在图像的内部对图像进行平滑，使得相邻像素的差值较小，而图像的轮廓(边缘)尽可能不去平滑，基于方向拉普拉斯正则化的图像去噪。因此，我们利用图像属于二维离散信号这一特点对图像进行全变分，如公式(8)所示：
[0072][0073]
其中y为图像的任一像素，i,j为y的坐标。由于公式(8)全变分求解较为困难，因此二维全变分有另一种常用各向异性的定义：
[0074][0075]
公式(9)中，v(y)被称之为tv范数，它可以作为保持图像边缘信息为目标的正则化方法，图像的tv值与矩阵的范数表示相同，图像的各项异性tv范数为矩阵的l1范数，图像的各项同性tv范数与矩阵的l2范数表示方法相同。因此当我们使用各向异性v(y)为模型的目标函数时，修复后图像v(y)值最小则图像的修复效果最佳，通过此方法我们可以确定噪声检测器的最优检测阈值tlci。
[0076]
因为通过k-means的方法将图像的像素分成k类，而同属一类的像素又分为处于平坦区域和复杂区域，因此需要利用迭代法选出2k个区域的最优的阈值，然后回复图像的同时计算其tv值(注意这里区域与区域之间相对独立)。经实验发现，随着检测阈值从0到1迭代，v(y)的值呈先降低后升高的变化趋势，因此存在一个阈值使v(y)最小，而此时的阈值也就是我们所需要的最优检测阈值。
[0077]
步骤s103，针对平坦区域和细节区域的噪声像素分别采用lci加权均值滤波器和边缘方向滤波器来恢复被随机值脉冲噪声损坏的像素。
[0078]
本实施例中，在滤波阶段应根据噪声像素所处的不同区域来采用不同的滤波器。
设计了一个更稳健的分区决策滤波器来去除rvin，而不是使用现有的中值或改进中值滤波器。所提出的分区决策滤波器针同时考虑了图像特征和和噪声所处的区域，并且只选择中心像素邻域中被判断为是正常的像素来对中心像素进行滤波，因此它更适合去除rvin噪声。
[0079]
对于被判断为处于平坦区域的噪声像素，通过lci加权均值滤波器对其进行修复。该lci加权均值滤波器如下所示：
[0080][0081]
其中，i'
x
表示滤波后的噪声像素x的灰度值，y表示在噪声检测阶段被判断为非噪声的ω
x0
中的像素，iy和lciy分别表示y的灰度值和lci值。采用像素的lci值作为滤波器中各像素的权重是因为lci表征像素是正常像素的概率，如果像素的lci值越大，表明它更可能是正常像素，那么应给与他更多的权重来参与中心噪声像素的修复。考虑到平坦区域的像素灰度分布平滑，滤波器的窗口设置过大容易引入边缘区域的像素，因此lci加权均值滤波器的滤波窗口设置为5
×
5。
[0082]
对于被判断为处于细节区域(边缘区域)的噪声像素，其邻域范围内的像素灰度变化剧烈，但是由于边缘的特性，在该邻域中总会存在某一方向的像素的灰度差异较小。因此，我们设计了一种基于最小梯度差的中位数滤波器，具体处理过程如下：
[0083]
步骤s131，对被判定为细节区域的噪声像素，以噪声像素为中心构建7
×
7的检测框；
[0084]
步骤s132，将检测框中以噪声像素为中心的所在行、列、左对角线和右对角线上的被判别为正常像素分别放入集合dh,dv,d
l
,dr集合中；
[0085]
步骤s133，分别计算dh,dv,d
l
,dr集合中元素的标准差，选择标准差最小的集合所代表的方向作为边界滤波方向；
[0086]
步骤s134，将边界滤波方向中的正常像素的灰度值按升序或倒序排列，选举序列中的中位数作为中心噪声像素的新的灰度值。
[0087]
从图3(a)的50％的lena受损图像选择一块处于边缘的区域a，该区域对应的像素灰度分布情况如图3(b)所示。该区域四方向集合中的元素分别为dh＝[56,95,211]，dv＝[106,107,99,85,72]，d
l
＝[90,80,215]，dr＝[147,117,67,54,38]。从标准差中可知dv方向为边界线，从图中也可得知此条边界线方向和我们计算所得的边界线方向相符合。然后经过中值滤波后中心像素的灰度值为dv集合中的99，跟该像素点的有效正确数据91非常接近。需要指出的是，如果中位数滤波器的窗口过小，那么在边缘方向上的正常像素可能会很少，这导致图像容易出现毛刺，影响滤波效果，因此我们将改进的中位数滤波器的窗口设置为7
×
7。
[0088]
实验
[0089]
在标准自然图像和医学图像上做了大量的实验，测试图像如图4所示，除了图4(c)房子图像的尺寸为256
×
256，其余的图像尺寸均为512
×
512。
[0090]
1、参数设置
[0091]
尽管提出的滤波器是基于lci检测器改进的，但是比原方法减少了很多不必要的
参数。对于公式(1)中的参数σ
λ
andσs，和用于检测噪声像素处于细节还是纹理区域的参数，我们在原文献给出的取值的基础上进行了微调，其中σ
λ
andσs的值分别为1.3和7.1。至于分类参数k，显而易见的，对受损图像分块越多，噪声检测效果越好，但是同时会增加算法的时间成本和复杂度。我们对噪声水平50的pepper图像，分2～6块的实验来验证块的数量对噪声检测的影响，实验数据如表1所示，可以发现分类参数的取值为4的时候，各项指标基本达到最优。
[0092]
表1划分不同类的情况下的噪声检测情况
[0093]
kmissfalsetotalpsnrssim25314153062062027.830.8635588143781996628.120.8846130127451887528.660.9256212124431865528.680.9266266121091837528.710.93
[0094]
2、噪声检测器的性能
[0095]
由于噪声检测器的检测准确率对滤波器的噪声去除能力影响很大，一个好的噪声检测器应具有较少的漏检像素、误检像素(md and fd)和较高的真实检测到噪声像素的准确率(true hit)。表2和图5展示了提出的噪声检测器在不同噪声水平的测试图像上的检测效果。从表2可以看出，对于一些图像纹理较少、像素灰度分布较为简单的图像效果会更好，如lena,pepper,前列腺和脑部图像，其md和fd数量比其他图像要少很多，这是因为平坦区域的噪声像素要比边缘区域的噪声像素更容易检测。尽管baboon，barbara，boat和bridge这些包含更多细节和纹理的图像在低噪声水平时候的表现要差一些，但从图5可以看出随着噪声水平的提高，图像中噪声像素的检出率在逐步提升，这是由于图像中的正常像素越来越少，检测窗口中的像素灰度分布差异很大，中心像素如果为噪声，那么它跟其邻域中的像素相异程度更加明显，因此更容易被检测出为噪声。甚至在噪声水平达到80％的时候，几乎所有图像的truth hit都在90％以上，这表明了我们提出的噪声检测器具有很好的稳定性和鲁棒性。
[0096]
表2 rvin.该噪声检测器对30％到80％rvin的不同图像的检测结果
[0097][0098]
通常，对于灰度图像，如果像素值与其相邻像素值之间的绝对差值小于8，则不明显。换句话说，当噪声像素的灰度值跟其原来的真实值相差在8以内时，对于人眼或者噪声检测器都很难分辨出来，它们的存在也不会给图像质量带来明显的降低，因此对于这一部分噪声像素我们可视它们为正常像素。基于这一前提，我们统计了噪声水平为40％～60％的lena，pepper，芭芭拉和大猩猩的漏检像素的灰度跟它们真实值的差异情况，如表3所示，其中d表示噪声像素的新值和真实值之差。从表3可以看出，这些图像大部分的漏检噪声像素灰度值都跟其真实值相差在8bit内，这进一步验证了提出的噪声检测器具有较高的噪声
检测准确率。
[0099]
表3噪声水平为40％～60％的不同图像的漏检像素的灰度跟真实值的差异情况
[0100][0101]
为了客观评价提出的噪声检测器的性能，我们将其与最新提出的和经典的几种算法进行比较，实验结果如表4所示。需要指出的是，对于其他噪声检测算法的fd和md值，选取了它们文献中提到的最佳值。从表4可以发现，尽管有些方法如luo,s具有很低的误判数，其漏检像素的数量却非常高，这会导致图像中存在较多的毛刺，影响后续滤波器的恢复性能。而提出的噪声检测器在不同噪声水平下的total数都是最优。实际上，随着噪声水平的提高，md也逐渐达到最优，这意味着本方法是非常鲁棒的，当噪声密度变得很高时，检测器仍能检测出更多的噪声像素。直观上来说，一个好的噪声检测器应能在尽可能减少误判的同时检测出更多的噪声像素，因此综合几个评价指标来看，我们认为提出的噪声检测器比起其他的方法具有更好的性能。此外，从lci和提出的滤波器的对比结果也可以发现，随着噪声水平提高，提出的滤波器和lci的效果差距更加明显，这表明我们针对lci提出的改进对于检测性能具有明显和实质性的提高。
[0102]
表4比较了不同噪声水平下rvin污染的lena图像的检测结果
[0103][0104]
3、滤波器在自然图像上的恢复性能
[0105]
为了验证提出的分区决策滤波器的有效性和合理性，我们对50％rvin的lena图像进行修复，如图6(a)和图6(b)所示。同时，从图像中选取了尺寸为12
×
12的平坦区域a和细节区域b，将滤波前后的对应像素灰度值展示在图6(c-f)中，其中，图6(c)和图6(d)分别表示滤波前平坦区域a和细节区域b的像素灰度分布，其中灰色标记的像素是噪声，括号中的值是它们的真实值，图6(e)和图6(f)分别表示滤波后平坦区域a和细节区域b的像素灰度分
布。通过放大图6(b)中可以发现图像没有明显的毛刺或者残留的噪声团块，这得益于提出的噪声检测器很好的检测出了受损图像中的噪声。正如表3所示的，虽然有6800个噪声像素没被检测出来，但有一半噪声的灰度值跟原值相差很小，因此在视觉上并没有被明显的观测到。从图6(c-f)的对比可以看出，无论是在平坦区域还是细节区域，大部分的噪声像素都被检测出来，而且恢复后的像素灰度值跟真实值十分接近。虽然对于有些被误判为噪声的正常像素，在被滤波后其新值也跟原值相差不大。需要指出的是，细节区域的检测和滤波效果要明显逊色于平坦区域的，比如滤波后平坦区域a里的144个像素跟真实值的误差全部在
±
3内，而细节区域b里约有37个在
±
8以上。这是由于边缘和纹理细节的像素灰度分布更加复杂，但从图6(b)的恢复效果来看，提出的滤波器还是较好的保留和还原了图像中的纹理和边缘，没有存在明显的图像模糊现象，这表明我们分区域滤波方法的合理性和有效性。
[0106]
为了客观评价提出的滤波器的性能，我们选择psnr和ssim指标将其与主流的几种滤波器进行比较，其中psnr用于衡量原始图像和重建图像之间的异同，ssim用于表征滤波器关注细节保存特征的能力。需要指出的是，对于其他滤波器的psnr和ssim值，选取了它们文献中提到的最佳值。从表5的psnr对比结果可以发现，除了在boat图像上，所提出的滤波器要稍微逊色于aepwm，但是在其他图像尤其是在50～60的噪声水平下，提出的滤波器表现更加突出。同时，随着噪声水平的提高，提出的滤波器的峰值信噪比值要比aepwm和其他滤波器衰减的更慢，这得益于我们设计的噪声检测器在高噪声水平下能检测出更多的噪声，表明我们的方法具有很好的鲁棒性。在表6的ssim对比结果中，除了在bridge图像上要略低于ror-nlm，提出的滤波器在其它图像上的表现均明显优于其他滤波算法，这表明提出的滤波器能更好的保留图像中的边缘和其他细节方面。
[0107]
表5 40％～60％rvin图像的峰值信噪比恢复结果比较
[0108][0109]
表6 40％～60％rvin40％～60％rvin图像在ssim中恢复效果的比较
[0110][0111]
同样的，也选取了几种主流的滤波算法来比较滤波器在视觉输出上的效果。如图7所示，可以发现asmf,dwm,eaif和sbf中仍存在较多较明显的噪声图像，而sd-ood的恢复图像存在着明显的模糊现象，ror-nlm和afwmf效果相对要好一些，但是在一些边缘和细节的地方没能很好的保留，bdnd、ebdnd和frdfn处理效果差。相比之下，如图7(l)所示，本技术采用的方法产生的结果有非常好的视觉质量，不仅图像中没有存在明显的噪声团块和毛刺，通过放大图像中的一些细节区域可以发现，我们的滤波方法比其他方法更好的保留了船体的线条和色彩，这要得益于噪声检测器的高检测准确率和滤波器的分区滤波设计。可以认为，对于噪声密度为60％的复杂图像，我们的方法仍然可以检测出和去除大部分的噪声像素，并保留大部分的图像细节。
[0112]
4、滤波器在医学图像上的恢复性能
[0113]
如图8所示的前列腺噪声图像的过滤效果图和图9所示的头部噪声图像的过滤效果图，可以看出，提出的去噪算法能够在不同rvin强度下恢复不同纹理和分辨率的生物医学图像。从复原后的医学图像也可以直观地观察到具有良好的纹理和边缘保持能力，这有助于保证后续正确的诊断和治疗。
[0114]
以上所述仅为本发明所公开的一种基于像素聚类的rvin检测和去除的方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。