速度，相比未进行网格化处理，直接对整幅 图像进行选择最小二乘滤波，计算速度可以提高1 〇倍以上；
[0040] (3)通过扩展训练图像块尺寸，可有效消除网格化处理产生的块效应。
【附图说明】
[0041] 为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可 以根据这些附图获得其他的附图。
[0042] 图1冲击噪声图像污染及现有方法去噪结果
[0043]图中，a是原始图像，b是30%冲击噪声污染图像，c是b的中值滤波结果，d是b的选 择中值滤波结果，e是80 %冲击噪声污染图像，f是e的中值滤波结果，g是e的选择中值滤波 结果。
[0044] 图2噪声密度为90%时，本发明算法与现有算法图像修复效果对比
[0045] 图3实验1的结果示意图
[0046] 图4实验2的结果示意图 [0047]图5实验3的结果示意图 [0048]图6实验4的结果示意图
[0049] 图7实验5的结果示意图
[0050] 图8实验6的结果示意图 [00511图9实验7的结果示意图 [0052]图10实验8的结果示意图 [0053]图11为本发明的流程图
【具体实施方式】
[0054]为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
[0055] 如图11所示：
[0056]首先进行图像冲击噪声检测：
[0057]给定一幅尺寸为w*h、位宽为z个比特的冲击噪声(冲击噪声呈突发状，常由外界因 素引起;其噪声幅度可能相当大，无法靠提高信噪比来避免，是传输中的主要差错)污染图 像，图像宽度W取值范围为1~100000000,图像高度h取值范围为1~100000000,图像位宽Z 取值范围为1~100，W、h的单位为像素，进行图像中冲击噪声检测。
[0058] 设定一个w*h的标记矩阵F，使F中每一个元素为0;在F中，取值为1的元素所对应的 图像像素为污染像素 e，取值为0的元素所对应的图像像素为非污染像素 p。
[0059] 当冲击噪声为椒盐噪声时，遍历图像I中所有像素 q，当像素 q(i，j)取值为0或2Z_1 时为椒盐噪声，使F中（i，j)位置处元素为1，即F(i，j) = l，其中i，j分别是纵、横坐标；
[0060] 当冲击噪声为随机噪声时，采用随机冲击噪声检测方法进行冲击噪声检测，并使F 中随机冲击噪声像素位置处元素为1;
[0061 ]计算冲击噪声污染密度
[0062]
是求和操作，/是除法操作，*是乘法操作。
[0063] 然后对图像I、标记矩阵进行网格化处理，作为优选的实施方式，根据冲击噪声污 染密度，设定网格单元尺寸s*s。
[0064] 当冲击噪声污染密度p < 0.5，s取值为2~6个像素；
[0065] 当冲击噪声污染密度0.5<P < 0.8，s取值为4~16个像素；
[0066]当冲击噪声污染密度0.8<P < 0.9，s取值为12~100个像素；
[0067]当冲击噪声污染密度0.9<P < 0.95，s取值为90~200个像素；
[0068]当冲击噪声污染密度P>0.95，s取值大于180个像素。
[0069]以大小为s*s矩形块为单位，将图像和标记矩阵F划分为M*N个网格，其中Μ= Θ (w/ s+0 · 5)，Ν= θ (h/s+0 · 5)，表示取整数操作。
[0070] 最小二乘滤波算法（Switch Least Square Filter,SLSF)用于估计污染像素值的 基本原理是：图像可以看着一个线性系统，图像中某一像素的取值可以看着该线性系统的 一个输出，那么给定一个冲击噪声污染图像块，其中的染像素的取值就可通过该线性系统 进行预测。通过观察可以发现，图像中某一个像素的像素值与其周围像素的像素值紧密相 关。
[0071 ]故作为优选的实施方式，对网格内像素进行选择最小二乘滤波，修复网格内污染 像素。
[0072] 以之前建立的网格为单位，从图像I中取出第(m，η)个网格内像素构成的图像块 Tm, η 〇
[0073] 从标记矩阵F中取出标记块Lm, η，其中m、η分别是网格的横、纵坐标，m取值范围为1 ~M，n取值范围为1~N。
[0074]遍历标记块Lm,n中所有元素 L(k，l)，k、l是块内横、纵坐标，k、l的取值范围为1~s。
[0075] 当L(k，l)为0时，从图像块Tm,n中取出像素 q(k，l)，此时q(k，l)是非污染像素 p，
[0076] 构成图像块Tm,n中非污染像素 p的集合P=[qi，. . .，qg]，P中元素个数为g，q的值为 像素值。
[0077] 当L(k，l)为1时，从图像块Tm,n中取出像素 q(k，l)，此时q(k，l)是污染像素 e，构成 图像块Tm,n中污染像素 e的集合E=[qi, . . .，qr]，E中元素个数为r，q的值为像素值。
[0078] 一计算P中非污染像素[Φ，...，qg]之间的图像坐标欧式距离矩阵D p，
[0079]
[0080] 是像素 pu与像素 pv之 间的图像坐标欧式距离。
[0081] 计算$ = ，其中（·）τ是矩阵转置操作，（· Γ1是矩阵取逆操作。
[0082] 计算污染像素 Ε中所有像素与非污染像素 Ρ间的图像坐标欧式距离矩阵D%
[0083]
[0084] ο
[0085] ;中（?)1·表示对金进行矩阵转置操作;并根据Ε中元素 在图像块T m,n中的坐标，替换Tm,n中污染像素得到去噪后图像块t,?..
[0086] 最后，将写回图像中，代替第(m，n)个网格内图像像素;重复上述步骤，依次遍 历图像中所有网格，对所有网格内污染像素进行修复，得到去噪图像。
[0087] 下面以尺寸为512*512、位宽为8bits的lena灰度图像为测试对象，以CPU为Intel I73.7GHz、RAM=6GB、64bits Win7操作系统的PC作为硬件评估平台，以Matlab2014a为软件 环境，采用mat lab中imnoise函数，模拟生成椒盐噪声污染图像I用于测试，去噪效果采用 PSNR(峰值信噪比）进行定量对比。
[0088] 实施例1:
[0089] 本实施例用于对比说明本发明所采用的图像网格处理的作用。为此，设置两个对 比实验:实验1不进行网格化处理、实验2进行网格化处理，实验中图像噪声密度设为99%。
[0090] 1)在实验1中，设置网格尺寸s = 512，a = 0,等价于未进行网格化处理，实验结果如 图3所示。从实验结果可以看出，选择最小二乘滤波SLSF有效地修复了椒盐噪声污染像素， 但是处理时间较长为220秒。
[0091] 2)在实验2中，设置网格尺寸s = 256，a = 0,实验结果如图4所示，处理时间缩短为 40秒，从图4结果可以看出，相比图3中实验1的结果，不存在明显的差异，但是存在网格化引 起的块效应。
[0092]从实验1和实验2的对比结果，可以看出对图像进行网格化处理，可以显著提高去 噪速度。
[0093] 实施例2:
[0094]本实施例用于说明本发明中针对不同噪声污染密度采用，取不同网格尺寸s的作 用。进行4个实验，分别为实验3~6。
[0095]实验3:噪声污染密度为99%，图像块尺寸大小为16*16的倍数，最小图像块为16* 16,最大为512*512。图像网格化尺寸s与去噪图像质量PSNR的关系如图5所示，其中纵坐标 为PSNR，横坐标为图像网格化尺寸s。实验结果表明，在噪声密度为99%情况下，当图像网格 尺寸为32时，PSNR达到一个较高的值，在图像块为176之前，图像PSNR的变化明显，超过176 以后，变化较为缓慢。
[0096]实验4:噪声污染密度为95%，图像块尺寸大小为8*8的倍数，最小图像块为8*8，最 大为232*232。图像网格化尺寸s与去噪图像质量PSNR的关系如图6所示，其中纵坐标为 PSNR，横坐标为图像网格化尺寸s。实验结果表明，在噪声密度为95%情况下，当图像网格尺 寸为16时，PSNR达到一个较高的值，在图像块为88之前，PSNR的变化明显，超过88以后，变化 较为缓慢。
[0097]实验5:噪声污染密度为90%，图像块尺寸大小为4*4的倍数，最小图像块为4*4,最 大为124*124。图像网格化尺寸s与去噪图像质量PSNR的关系如图7所示，其中纵坐标为 PSNR，横坐标为图像网格化尺寸s。实验结果表明，在噪声密度为90%情况下，当图像网格尺 寸为8时，PSNR达到一个较高的值，在图像块为36之前，PSNR的变化明显，超过36以后，变化 较为缓慢。
[0098]实验6:噪声污染密度为80%，图像块尺寸大小为4*4的倍数，最小图像块为4*4,最 大为60*60。图像网格化尺寸s与去噪图像质量PSNR的关系如图8所示，其中纵坐标为PSNR， 横坐标为图像网格化尺寸s。实验结果表明，在噪声密度为80%情况下，图像网格尺寸为8*8 时，PSNR达到一个较高的值，在图像块为32之前，PSNR的变化明显，超过32以后，变化较为缓 慢。
[0099]从实验3-6可以看出，去噪效果与图像块尺寸紧密相关，但是，并不是对于任意噪 声密度，选择越大的图像网格就越好，而是需要综合考虑计算时间，根据不同的噪声密度水 平，选择合适的图像网格尺寸。
[0100] 实施例3:
[0101] 本实施例，用于说明采用扩展图像块进行去噪图像块效应消除的作用。
[0102] 实验7:噪声密度为90%，图像网格化尺寸s = 40，a = 0,实验结果如图9所示，可以 看出去噪结果存在明显的块效应。
[0103] 实验8:噪声密度为90 %，图像网格化尺寸s = 40，a = 2，实验结果如图10所示，可以 看出图9中的块效应现象得到了较好抑制。
[0104] 实验 9:
[0105] 以Lena图像为例进行了仿真测试，与现有椒盐噪声去噪算法进行比较分析结果如 图2所示。在图