邹昌帆,黄富瑜,朱晓兵,孙　明,冯志义

(1.中国人民解放军军械工程学院 电子与光学工程系,河北 石家庄　050003;

2.中国人民解放军总装驻扬州地区军代室,江苏 扬州　225009;

3.中国人民解放军63861部队,吉林 白城　137001)



一种用于自动调焦图像的降噪方法

邹昌帆1,2,黄富瑜1,朱晓兵3,孙明3,冯志义3

(1.中国人民解放军军械工程学院 电子与光学工程系,河北 石家庄050003;

2.中国人民解放军总装驻扬州地区军代室,江苏 扬州225009;

3.中国人民解放军63861部队,吉林 白城137001)

摘要：图像清晰度评价是实现数字图像自动调焦的关键,而调焦图像降噪直接影响着图像评价的准确性。为有效抑制调焦图像中存在的两类主要噪声,结合椒盐噪声和高斯噪声特点,综合采用十字中值滤波法和维纳滤波法实现了图像降噪。实验结果表明,相比于单一降噪方法,综合方法不仅能最大程度地降低两类噪声,而且能较好地保护图像细节,可作为自动调焦成像系统图像预处理的主要方法。

关键词：图像降噪; 十字中值滤波; 维纳滤波; 自动调焦

引言

在自动调焦图像采集过程中,由于周围环境杂波、成像器件工艺等因素会引入各种各样的噪声,使得图像产生不同程度的模糊,由此影响到图像的分析和评价,因此有必要对图像进行预处理,以减少噪声对图像评价的影响。从噪声类型上看,调焦图像主要考虑椒盐噪声和高斯噪声[1]。从频域上看,图像边缘和噪声都属于高频部分,如果降噪方法选择不当,会在噪声抑制的同时损失图像边缘信息,影响图像评价的准确性。目前,典型图像去噪方法主要有形态学滤波法、中值滤波法、高通滤波法、自适应滤波法、小波变换法等[2-4]。在这些算法中,有的运算量偏大,难以满足实时目标检测需求;有的只对特定噪声效果较好,无法很好地处理多种噪声。为此,针对调焦图像中同时存在的椒盐噪声和高斯噪声,本文集成中值滤波和维纳滤波的优势来进行噪声抑制处理。

1调焦图像噪声

在经过图像非均匀校正和盲元补偿后,自动调焦成像系统输出图像的噪声主要有[1]:与成像器件相关的暗电流噪声;图像采集时产生的椒盐噪声;阻性元器件内部产生的高斯噪声。经黑色补偿后,暗电流噪声大大降低,因此,调焦图像的主要噪声变为后两种。

椒盐噪声也称脉冲噪声,是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声[5],其噪声概率密度定义为[6]

(1)

式中:a和b为图像像素灰度值。假定b>a,则灰度值为a的像素将以概率pa在图像中显示为暗点(胡椒微粒),灰度值为b的像素将以概率pb在图像中显示为亮点(盐粉微粒),两者构成椒盐噪声。

高斯噪声也称为正态噪声[6],是一类概率密度函数服从正态分布的噪声,其概率密度函数为

(2)

式中:z为图像灰度值;μ为z的期望值;σ为z的标准差。

2综合中值滤波和维纳滤波的降噪理论

中值滤波[7]是一种典型的低通滤波器,属于兼顾去噪和图像边缘保护的非线性滤波技术,它对干扰脉冲和点状噪声具有较好的抑制作用,非常适于椒盐噪声的滤除。其基本原理是把数字图像或者数字序列中一点的值用该点邻域各点的均值代替。对于二维数字图像进行中值滤波时,其滤波窗口也是二维的,且窗口有多种形状[1],如线性、方形、圆形、十字形等,如图1所示,一般需要根据实际情况选取不同的滤波窗口。图像中任一像素点f(i,j)的中值滤波值为该点邻域窗口内所有像素点灰度值的平均值,定义为

(3)

式中:S为像素点f(i,j)的N×N邻域;Median为取均值操作。

图1　常用中值滤波窗口

在实际应用中,滤波窗口尺寸一般选用3×3、5×5大小,取决于滤波要求。对于缓变的长轮廓物体图像,方形或圆形滤波窗口效果较好,而对于包含尖角物体的图像,十字形窗口效果较好。根据目标特性和算法性能需要,本文选用十字中值滤波法对椒盐噪声进行抑制。

(4)

在频域上,式(4)可表示为

(5)

3降噪效果与分析

3.1十字中值滤波效果与分析

利用中值滤波法和邻域均值滤波法分别对加椒盐噪声后的图像进行处理,部分效果图见图2,不同滤波方法对不同大小图像的滤波处理时间见表1。

图2　不同滤波法对椒盐噪声的处理效果(图像大小640×512)

滤波方法计算时间/ms160×128320×256640×5121280×1024邻域均值滤波0.250.963.6014.00方形中值滤波(3×3)0.361.405.5021.02十字中值滤波(3×3)0.261.003.7014.50

从图2和表1可以看出:邻域均值滤波法对噪声处理效果一般,效果图中仍有噪声存在,而且整幅图像变模糊;中值滤波法在平滑噪声的同时很好地保护了图像轮廓信息,图像细节得到了很好的保留;方形中值滤波效果要优于十字中值滤波效果,但后者运算速度要明显快于前者,而且后者滤波后图像噪声在可接受范围内,因此,十字中值滤波法更适用于实时性要求较高的调焦图像降噪。

3.2维纳滤波效果与分析

利用高斯滤波法和邻域均值滤波法分别对加高斯噪声后的图像进行处理,处理效果如图3所示。可以看出,邻域滤波法和维纳滤波法都对高斯噪声有去噪效果,但邻域滤波后,图像变得模糊不清,对图像质量影响较大,而维纳滤波后的图像噪声水平更低,并且图像细节没有遭到破坏,说明了维纳滤波对高斯噪声抑制的有效性。

图3　不同滤波法对高斯噪声的处理效果

3.3综合滤波效果与分析

综合滤波是兼顾十字中值滤波法和维纳滤波法的优势,对同时含有椒盐噪声和高斯噪声的图像进行处理的方法,具体处理效果如图4所示。图4(a)为原始图像;图4(b)为含有两种噪声的混合噪声图像;图4(c)和图4(d)分别为单独采用十字中值滤波和维纳滤波处理后的图像;图4(e)为综合两种方法滤波后的图像。由图4(e)和图4(c)、图4(d)可以看出:单一滤波方法并不能有效去噪,滤波图像中仍残留噪声,这是由不同噪声的性质和不同滤波器的设计目标决定的;分别采用十字中值滤波和维纳滤波对混合噪声图像处理后,图像噪声得到了最大程度的抑制,而且图像细节也没有过多丢失,有利于后续图像质量评价工作的开展。

图4　不同滤波法对混合噪声的处理效果

4结论

针对自动调焦图像中椒盐噪声和高斯噪声的抑制问题,本文兼顾十字滤波法和维纳滤波法的各自优势,采用综合滤波方法对两类噪声进行了降噪处理,取得了较好的效果。降噪实验表明:与其他滤波法相比,十字滤波法对椒盐噪声具有非常好的处理效果,并且算法实时性较好;维纳滤波法有效滤除了图像中存在的高斯噪声;本文采用的综合滤波方法即对两类噪声进行了最大程度抑制,又没有过多造成图像细节的丢失,这为后续基于图像质量评价的自动调焦设计打下了基础。

参考文献：

[1]莫春红.基于图像处理的自动调焦技术研究[D].西安:中国科学院研究生院(西安光学精密机械研究所),2013.

[2]卓宁,孙华燕,张海江.红外图像中弱小目标检测算法概述[J].光学仪器,2005,27(4):83-86.

[3]田毅龙,李志军,王卫华,等.基于双核判决的红外小目标检测方法[J].红外技术,2012,34(7):398-403.

[4]豆根生.红外弱小目标图像预处理及分割方法的研究[J].科学技术与工程,2008,8(18):5313-5317.

[5]王婷,吴亚峰,李仕云.一种椒盐噪声点的检测算法技术研究[J].声学技术,2007,26(6):1245-1247.

[6]GONZALEZ R C,WOODS R E.数字图像处理[M].阮秋奇，阮宇智，译.北京:电子工业出版社,2008.

[7]王群,何永强,周云川.基于中值滤波和生物仿生学的图像增强研究[J].光电技术应用,2011,26(5):51-54.

[8]刘莉,谈文蓉.一种基于PCNN的有效去除高斯噪声的方法[J].西南民族大学学报(自然科学版),2012,38(4):642-647.

[9]金飞,张彬,司璇,等.基于维纳滤波的图像复原[J].中国传媒大学学报(自然科学版),2011,18(4):19-23.

[10]刘惠敏,刘繁明,夏琳琳.基于维纳滤波的图像边缘检测方法[J].工程图学学报,2008(6):91-95.

(编辑:刘铁英)

A noise suppression method for automatic focusing image

ZOUChangfan1,2,HUANGFuyu1,ZHUXiaobing3,SUNMing3,FENGZhiyi3

(1.Department of Electronic and Optical Engineering,Ordnance Engineering College of PLA, Shijiazhuang 050003, China;2.Yangzhou Military Representative Office,the General Armament Department of PLA, Yangzhou 225009, China;3.Unit 63861 of PLA,Baicheng 137001, China)

Abstract：The articulation evaluation is one factor for the automatic focusing of digital images, and the noise suppression of automatic focusing image directly affects the accuracy of image evaluation. To suppress the two main noises of salt/pepper noise and Gaussian noise, the method integrating cross median filtering and Wiener filtering is adopted. The results show that compared with the single noise suppression method, this integrated approach not only can decrease the two kinds of noises smoothly, but also can protect the image details. The proposed method can be used as image preprocessing for the automatic focusing imaging system.

Keywords：image noise suppression; cross median filtering; Wiener filtering; automatic focusing

中图分类号：TP 911.73

文献标志码：A

doi：10.3969/j.issn.1005-5630.2016.01.010

作者简介：邹昌帆(1985—),男,硕士研究生,主要从事光电成像理论与应用方面的研究。E-mail:zcfoptics@163.com通信作者： 黄富瑜(1985—),男,讲师,主要从事光电对抗和图像信息处理的研究。E-mail:submitoptics@163.com

收稿日期：2015-04-30