邹建华，李小霞

（西南科技大学 信息工程学院，四川 绵阳 621010）

1 引言

在图像的采集过程中，总会伴随着随机的噪声干扰，使得图像质量变差。在低照度的环境下，监控设备采集的图像噪声随着光照的变弱，噪声也会变大。为了对图像进行识别或其他更高层次的处理和应用，改善图像质量，在图像的预处理阶段对低照度图像进行降噪就变得尤为重要[1]。

彩色图像降噪的常见方法有：1）分别对RGB 3个分量进行处理的标量滤波法，这种方法没有利用彩色图像3个分量间的有机联系，导致产生原图像所没有的颜色[2]；2）彩色矢量滤波法[3]，这种方法是将每个像素点的RGB 3个分量作为1个矢量，然后进行处理，但处理效果在边缘的保持上不尽如人意；3）为保持原始图像的色彩信息在降噪的过程中不受影响，即保持色度信息不变，有学者提出了基于颜色空间转换的降噪算法，然后分别对转换后的分量进行处理，较为常用的有小波降噪法[4]，但由于针对不同的图像特征，对小波基的选择和小波分解层数的选择需要通过大量的实验来进行确定。现在新兴的方法有基于神经网络的方法[5]和偏微分方法[6-7]，但算法比较复杂，计算量大。

基于变换色彩空间的彩色图像降噪算法，解决了在RGB空间处理产生颜色失真或偏移的问题。从心理学的角度来看，颜色有3个要素：色调、饱和度和亮度。HSV颜色空间就是基于人眼对颜色的心理感受这一因素而转换成的，因此比较符合人的视觉感受。由于HSV颜色空间的3个分量相关性很小，改变任一分量对其余分量影响很小，因此可以对H，S，V各个分量采用独立的方法进行处理。本文在保持色调分量H不变的前提下，提出了对饱和度分量S和亮度分量V采用中值滤波和基于边缘提取的降噪算法。

2 算法设计思想及实现

在针对低照度彩色图像进行降噪算法的设计时，主要考虑以下3个因素：1）避免彩色图像的色彩偏移，保持彩色图像的色调信息不变；2）图像降噪平滑效果，降噪以后的图像的信噪比；3）图像的边缘保持能力，避免图像在被平滑后边缘也被模糊。

在低照度环境下采集到图像，如图1a所示。低照度彩色图像降噪过程主要分为3步：1）将低照度图像由RGB颜色空间转换到HSV颜色空间，转换后饱和度分量S与亮度分量V的效果图如图1b和图1c所示；2）保持色调H分量不变，根据饱和度分量和亮度分量的具体特征采用不同的降噪方法；3）将图像由HSV颜色空间转换为RGB空间。

图1 原图、饱和度分量及亮度分量图

将低照度图像从RGB颜色空间转换到HSV颜色空间后，从图1可观察到饱和度分量S的噪声较亮度分量V的细节信息少，图像的边缘细节信息大都集中在亮度分量V中，所以对S分量与V分量采用不同的降噪方法。算法流程图如图2所示。

图2 低照度图像降噪流程图

中值滤波提供了一种优秀的降噪能力，比小尺寸的线性平滑滤波器的模糊程度明显要低，但它对一些细节多，特别是点、线、尖顶细节多的图像不适用，由于饱和度分量S的噪声大，但边缘不明显，所以采用中值滤波就可以滤除大部分的噪声。

亮度分量V是原图特征的一个最接近的反映，它包含了原图的大部分的边缘细节信息和大部分的噪声，所以对亮度分量的降噪的过程中要注意图像的边缘信息的保留问题。

首先，对V分量进行边缘提取，通过实验比较，选用效果较好的Canny算子进行边缘提取，对于不是边缘的像素赋值为零，边缘像素则保留其原值，这样就得到了边缘图像A，如图3a所示。然后，把边缘图像从原始的亮度V图像中减去，被减去的边缘的像素值则赋值为它的3×3邻域平均值，这样就得到了非边缘的均匀图像B，如图3b所示，对图像B进行反复中值滤波，滤除均匀部分的大量噪声，这样得到光滑的图像C，如图3c所示。最后，恢复图像边缘，即用边缘图像A中的像素值代替图像C中的对应位置的像素值。这样就完成了对含噪声最多的亮度分量V的降噪过程，降噪效果如图3d所示。

图3 亮度分量V处理效果图

分别对S和V分量进行处理后，将HSV颜色空间转换到RGB颜色空间。

下面运用4个图像质量指标[8]从客观上分析各算法的降噪效果。最常用的客观评价方法有峰值信噪比（Peak Signal to Noise Ratio，PSNR）和均方误差（Mean square error，MSE）。PSNR用来评价噪声的抑制能力。以原始图像为信息，处理后的图像与原始图像的差异就是噪声，均方误差和峰值信噪比定义分别为

式（1）中：P为滤波图像的像素点，O为原始图像的像素点，M和N代表图像的长与宽。

由于PSNR值不能反映滤波器保护高频细节及平滑低频平坦区域的能力，所以采用平滑指数（Flatness Index，FI）和边缘保持指数（Edge Save index，ESI）来考察图像被平滑和边缘保持的程度。FI是表征滤波器对图像的平滑能力，FI值越高，表示平滑作用越强，如下计算

式中：M是滤波处理后图像中所有像素的均值，SD是标准差。ESI表示了滤波处理后滤波器对图像边缘梯度沿水平和垂直方法的保持能力，ESI值越接近1，意味着滤波后图像的边缘的越接近原始图像的边缘，边缘保持能力越强，如下计算

式中：DNR1-DNR2和分别代表原始图像和滤波后图像边缘交接处相邻元的灰度值之差。

3 实验结果分析

为验证本算法在低照度彩色图像降噪的性能，对低照度环境下采集的图像（如图4a）进行颜色空间转换以后，对S和V分量分别使用小波降噪、中值降噪、基于边缘提取降噪和笔者提出的结合中值与边缘提取降噪算法进行实验对比，比较结果如图4所示。可以明显看出，这4种方法都在一定程度上降低了图像噪声，图4e降噪的效果比其他3种方法的效果都要好。

图4 4种不同降噪算法对低照度图像降噪结果比较

表1是4种降噪算法的指标测试对比。由表1可见，方法4的均方误差最小，而峰值信噪比最大，说明方法4的降噪效果优于方法1～3。方法4的平滑指数最大，并且平滑指数大于原图平滑指数，说明图像平坦区域的平滑效果得到提高。方法4的边缘保持指数也明显大于方法1～3，数值接近于1，说明在降噪过程中保留了图像的边缘，没有在平滑的同时变模糊。

表1 指标测试对比

4 小结

本文提出的在HSV颜色空间结合中值滤波与边缘提取降噪方法的低照度彩色图像降噪算法，符合人类心理和视觉感官，兼顾了图像色彩不变性、平滑效果、边缘的保持能力，这种结合优于单独使用小波、中值或边缘提取降噪的方法，改进了图像质量，提高了降噪的效果。通过对其他不同的实际拍摄的低照度图像采用不同降噪方法的对比试验，实验结果也验证了本算法的有效性，为进一步处理图像做好了准备。

[1]石磊，王永超，刘久文.基于DM642的微光图像小波阈值降噪[J].电视技术，2009，33（S1）：155－157.

[2]GONZALEZ R C，WOODS R E.数字图像处理[M].2版.北京：电子工业出版社，2003：228-239.

[3]郁伯康，郁梅.彩色图像脉冲噪声的自适应矢量滤波[J].电子科技大学学报，2000，29（2）：131-135.

[4]HUANG K，WU Z，FUNG G S K，et al.Color image denoising with wavelet thresholding based on human visual system model[J].Signal Processing:Image Communication，2005，20：115-117.

[5]王巍，黎明，刘高航.基于脉冲耦合神经网络的彩色图像滤波新方法[J].计算机工程与设计，2007，28（14）：3413-3415.

[6]熊保平，杜民.基于PDE图像去噪方法[J].计算机应用，2007，27（8）：2025-2029.

[7]LINDBLAD T，KINSER J M.Image processing using pusle-coupled neural networks[M].[S.l.]：Springer Verlag，1998.

[8]韩春明，郭华东，王长林，等.一种改进的SAR图像斑点噪声滤波方法[J].遥感学报，2004，8（2）:121-127.