法律状态公告日
法律状态信息
法律状态
2015-11-11
未缴年费专利权终止 IPC(主分类):G06T5/00 授权公告日:20111005 终止日期:20140923 申请日:20090923
专利权的终止
2011-10-05
授权
授权
2011-02-16
实质审查的生效 IPC(主分类):G06T5/00 申请日:20090923
实质审查的生效
2010-12-29
公开
公开
技术领域
本发明属于图像处理技术领域,涉及一种图像噪声去除方法,特别是一种基于视觉感受野模型的图像去噪方法。
背景技术
早在1953年,Kuffler等就发现视网膜神经节细胞和侧膝体细胞感受野由两个区域组成:一个小的圆周区和一个稍大一点的环状外周区,该外周区对细胞活动的影响是起拮抗作用。例如,对于一个中心呈‘On’型的感受野,当具有对比度边缘亮侧照射中心区而暗边缘侧照射外周区时,会引起中心区的最大兴奋和外周区的最大抑制。距离边缘有一定距离的细胞只会受到很少的影响。这种视网膜神经节细胞和侧膝体细胞感受野中心外周交互作用所产生的图像处理作用通常可由高斯差分即‘DoG’模型所描述。该模型假设细胞的反应由中心区和外周区的响应差所决定。中心区和外周区的响应都可以用以感受野中心为原点的二维高斯函数所描述。利用中心区和外周区的拮抗作用,‘DoG’模型虽然能较好的检测出边缘,但会使边缘以外的大面积区域亮度变暗,从而不能真实的模拟出实际的视网膜神经节细胞和侧膝体细胞感受野的视觉机制。目前为止,仍不清楚视觉系统是如何传输亮度和亮度梯度的。也许,存在一种补偿机制,可以抵消区域低对比度所引起的神经细胞响应减弱,但不影响中心外周拮抗机制带来的高对比度边缘的增强。
通过分析视网膜神经节细胞和侧膝体细胞的面积反应特性曲线,李朝义院士等证明了在经典感受野周边抑制区外存在一个更大的外周区。用闪光点刺激感受野中心区,并系统地逐渐增大光点面积,神经元的放电频率也随着闪光点刺激面积的改变而改变。在初始的曲线段,反应幅度急剧增加,表明在感受野的中心有一个兴奋区。但更大面积的刺激却导致反应曲线的急剧下降,这是因为刺激面积超过了中心区而达到周边的抑制区所引起的抑制产生的。但令李朝义院士等奇怪的是,当刺激面积进一步加大时,神经元放电响应以一种缓坡的形式又逐步增加。
1989年,李朝义等通过对猫的侧膝体神经元的实验证实,对夹角逐渐张大的离散点,神经元的刺激反应幅度和感受野直径随着离散点夹角的变化而自适应变化。当离散点排列成直线时(夹角为0度),神经元放电最强烈,并且感受野范围收缩到最小。随着离散点夹角的张大,神经元放电逐步减弱,并且感受野范围逐步变大。毫无疑问,神经元这些与刺激特征相 关的自适应能力可以在图像处理中扮演重要的角色。
视觉系统中,一个神经元的感受野,指的是光照能增强或压抑该细胞产生信号的一块有限的视网膜表面区域。感受野是视觉感知的基本单元。“给光”型(on型)神经节细胞由只照射中心的光电(周围黑暗)引起动作电位的发放(如图1所示);“撤光”型(off型)神经节细胞则由中心暗,周围亮的光照引起动作电位的发放(如图2所示)。每一个视觉神经元只对视野中某特定区域内的刺激产生反应,这个区域称为该神经元的感受野。
发明内容
本发明提出了一种基于视觉非经典感受野模型的图像处理方法,避免了传统的中心外周拮抗机制在边缘增强的同时损失了区域内信息的事实;利用本发明对图像进行处理,可在有效滤除图像高频噪声的同时,保留图像的细节;同时对图像边缘具有增强作用。
本发明技术方案如下:
一种基于视觉非经典感受野模型的图像去噪方法,如图6所示,包括以下步骤:
步骤1:设定视觉非经典感受野模版大小及相应模型参数。
设定视觉非经典感受野模版的中心区、外周抑制区和单个抑制亚区的直径分别为dc,ds,du,且dc=du,ds等于3至5倍dc;敏感度分别为Ac,As,Au,且Ac=As=Au=1.0。
步骤2:以待去噪原始图像的每一个像素点为中心,按照从左至右、从上到下的顺序和每次移动一个像素点的原则,在待去噪原始图像中确定若干个与步骤1所设定的视觉非经典感受野模版大小相同的区域;每一个这样的区域构成一个视觉非经典感受野模型;针对每一个视觉非经典感受野模型,进行下述步骤3至步骤8的操作。
步骤3:根据公式
计算视觉非经典感受野模型中心区中心像素点(x0,y0)在不受外周抑制区抑制作用下的响应Icen(x0,y0)和Icen′(x0,y0);其中:I(x,y)是视觉非经典感受野模型中心区像素点(x,y)的像素值;而I′(x,y)=Imax-I(x,y),Imax是灰度图像的理论最大像素值;“c-area”表示中心区域
步骤4:根据
计算视觉非经典感受野模型的外周抑制区中中心点为(x1,y1)的抑制亚区受到周围另一中心点为(x1+m0,y1+n0)的抑制亚区的抑制性作用Iu(x1+m,y1+n)和Iu′(x1+m,y1+n);其中:I(x1+m,y1+n)是视觉非经典感受野模型中中心点为(x1+m0,y1+n0)的抑制亚区的像素点(x1+m,y1+n)的像素值;而I′(x1+m,y1+n)=Imax-I(x1+m,y1+n),Imax是灰度图像的理论最大像素值;“sub-unit”表示中心点为(x1+m0,y1+n0)的抑制亚区的区域
步骤5:根据
步骤6:根据
计算视觉非经典感受野模型的外周抑制区对中心区总的抑制作用Isur(m,n)和Isur′(m,n);其中:I(x0+m,y0+n)为外周抑制区内像素点(x0+m,y0+n)的像素值;I′(x0+m,y0+n)=Imax-I(x0+m,y0+n);
步骤7:根据
RX(x0,y0)=Icen(x0,y0)-Isur(m,n)
RX′(x0,y0)=Icen′(x0,y0)-Isur′(m,n)
计算视觉非经典感受野模型的中心像素点(x0,y0)在受到外周抑制区抑制作用下的输出响应RX(x0,y0)和RX′(x0,y0)。
步骤8:根据
R(x0,y0)=wRX′(x0,y0)+(1-w)RX(x0,y0)
计算视觉非经典感受野模型经去噪处理后的中心像素点(x0,y0)的像素值R(x0,y0);其中:w(x,y)=1.0/(1.0+exp(mean(RF)-medv),Mean(RF)是视觉非经典感受野模型的平均像素值,medv是整幅待去噪原始图像的平均像素值。
步骤9:经步骤3至步骤8计算出步骤2所得的所有视觉非经典感受野模型经去噪处理 后的中心像素点(x0,y0)的像素值R(x0,y0)后,将所有像素值R(x0,y0)按像素点(x0,y0)在待去噪原始图像中的位置合成,即得到经去噪处理的图像。
视觉非经典感受野模型(如图3所示)建立在如下的假设基础上:1、该模型由小的中心兴奋区和大的外周抑制区(为中心区半径的3到5倍)组成。如同传统的DoG模型,中心区和外周区响应都可以用高斯函数表示,并且总的响应是二者的代数和。2、大范围的周边抑制区由许多高斯抑制亚区组成,它们之间的交互抑制作用导致外周抑制区对中心兴奋区整体抑制作用的减弱。3、感受野中心区、外周区、亚区的大小随着图像局部亮度对比度的变化而自适应变化。图3(a)和图3(b)分别给出了“给光”型(即On型)和“撤光”型(即Off型)视觉非经典感受野模型示意图,当中间亮周边暗的光刺激On型感受野时,On型神经元有最大的发放;同理,当中心暗周边亮的光刺激Off型感受野时,Off型神经元有最大发放。因此,在发明通过建立非经典感受野的图像处理模型对图像进行处理,可以对图像边缘亮侧和暗侧对比度都进行增强。
下面展示视觉非经典感受野模型的空间频率传输效应。
在视觉非经典感受野模型中,有六个感受野基本参数,即中心区敏感度Ac,外周抑制区敏感度As,外周抑制亚区敏感度Au,中心区直径dcrc,外周抑制区直径ds,外周抑制亚区du,这些参数都会影响到模型的空间滤波特性。为了评估外周抑制亚区的交互抑制作用(可以认为Au对此有较大影响)对模型空间滤波特性的影响,我们采用一系列垂直朝向不同空间频率(从0.1到14周/度(c/degree))的正弦光栅(图4(a))作为刺激。采用每个感受野模型处理的结果(步骤8的结果)展示到图4(b)上。为了简化分析,中心区和外周区的增益系数被固定为Ac=As=1.0,中心区直径dc,外周抑制区直径ds,外周抑制亚区直径du,分别取10、30和10。变动的参数仅仅是外周抑制亚区的敏感度Au,分别取0、0.2、0.4、0.6、0.8和1.0。当把计算机监视器放到距观察者57cm处,1度的视角相当于计算机屏幕上的1cm。Au=0的曲线是当外周抑制亚区间没有交互抑制作用时的窄通带滤波特性,只允许图像的高频信息通过,减弱图像的低频成份。这种情况就是通常的DoG模型的空间滤波特性,有利于边缘检测。当外周亚区的侧抑制(Au)出现并开始逐步增加时,外周抑制亚区的交互抑制作用也相应的增加。随着Au值的增加,低频响应也同步增加,最终的结果是当Au=1.0时表现为一个典型的低通滤波器,即足够强的外周抑制亚区间的交互抑制可以完全抵消外周区的抑制,并且把感受野从高通滤波器转换为低通滤波器。因此,视觉非经典感受野模型提供了宽带滤波特性,允许图像的低频成分通过,并且同时保持高频的-3dB截止频率。这个高频截止频率是一个决 定图像信息传输的分辨率关键因素,由感受野中心区、外周抑制区和外周抑制亚区的大小所决定。如图4(b)所示,当取dc=10、ds=30、du=10时,所有曲线的高频截止频率为4.2c/degree。在视觉非经典感受野模型中,有六个感受野基本参数,即中心区敏感度Ac,外周抑制区敏感度As,外周抑制亚区敏感度Au,中心区直径dcrc,外周抑制区直径ds,外周抑制亚区du,这些参数都会影响到模型的空间滤波特性。为了评估外周抑制亚区的交互抑制作用(可以认为Au对此有较大影响)对模型空间滤波特性的影响,我们采用一系列垂直朝向不同空间频率(从0.1到14周/度(c/degree))的正弦光栅(图4(a))作为刺激。采用每个感受野模型处理的结果(步骤8的结果)展示到图4(b)上。为了简化分析,中心区和外周区的增益系数被固定为Ac=As=1.0,中心区直径dc,外周抑制区直径ds,外周抑制亚区直径du,分别取10、30和10。变动的参数仅仅是外周抑制亚区的敏感度Au,分别取0、0.2、0.4、0.6、0.8和1.0。当把计算机监视器放到距观察者57cm处,1度的视角相当于计算机屏幕上的1cm。Au=0的曲线是当外周抑制亚区间没有交互抑制作用时的窄通带滤波特性,只允许图像的高频信息通过,减弱图像的低频成份。这种情况就是通常的DoG模型的空间滤波特性,有利于边缘检测。当外周亚区的侧抑制(Au)出现并开始逐步增加时,外周抑制亚区的交互抑制作用也相应的增加。随着Au值的增加,低频响应也同步增加,最终的结果是当Au=1.0时表现为一个典型的低通滤波器,即足够强的外周抑制亚区间的交互抑制可以完全抵消外周区的抑制,并且把感受野从高通滤波器转换为低通滤波器。因此,视觉非经典感受野模型提供了宽带滤波特性,允许图像的低频成分通过,并且同时保持高频的-3dB截止频率。这个高频截止频率是一个决定图像信息传输的分辨率关键因素,由感受野中心区、外周抑制区和外周抑制亚区的大小所决定。如图4(b)所示,当取dc=10、ds=30、du=10时,所有曲线的高频截止频率为4.2c/degree。
本发明的有益效益是:
本发明提出了一种基于视觉非经典感受野模型的图像处理方法,避免了传统的中心外周拮抗机制在边缘增强的同时损失了区域内信息的事实;利用本发明对图像进行处理,可在有效滤除图像高频噪声的同时,保留图像的细节;同时对图像边缘具有增强作用。
附图说明
图1是视网膜神经节细胞‘On’型感受野示意图。中心为兴奋区,用‘+’表示;外周为抑制区,用‘-’表示。
图2是视网膜神经节细胞‘Off’型感受野示意图。中心为兴奋区,用‘-’表示;外周为抑制 区,用‘+’表示。
图3是视觉非经典感受野模型示意图。(a)图为‘On’型视觉非经典感受野模型,(b)图为‘Off’型视觉非经典感受野模型。
图4(a)是从0.1到14周/度的正弦刺激光栅,图4(b)是dc=10,dr=30,du=10,Ac=1.0,Ar=1,0,Au取分别取0,0.2,0.4,0.6,0.8,1.0时,DIRF对图4(a)正弦刺激光栅响应的空间频率特性。
图5(a)是原阶梯图像,图5(b)是加入高斯白噪声(σ=10)的阶梯图像,右图是图像中线的像素灰度图。经本发明去噪处理后的图像见图5(c),可以看到由于感受野大小在低对比度区域扩大使高频噪声显著降低,同时,在阶梯边缘等高频区域,由于高对比度产生的感受野收缩使得边缘得到保留和增强(即马赫效应)。
图6是本发明流程示意图。
具体实施方式
在下面的两个具体实施方式中,为了测试本发明所述去噪方法的去噪能力,我们设计了两组实验。第一组实验是对加入高斯噪声的阶梯图像进行处理。第二组是对加入高斯噪声、椒盐噪声和污点噪声的自然图像进行处理。
实施方式一——对加入高斯噪声的仿真阶梯图像进行处理
图5(a)是原阶梯图像,图5(b)是加入高斯白噪声(σ=10)的阶梯图像,右图是图像水平中线的像素灰度图。我们设置模型参数分别为dc=3,dr=10,du=3,Ac=1.0,Ar=1,0,Au=1.0,然后根据本发明详细技术方案处理后的图像见图5(c),可以看到由于感受野大小在低对比度区域扩大使高频噪声显著降低,同时,在阶梯边缘等高频区域,由于高对比度产生的感受野收缩使得边缘得到保留和增强(马赫效应)。
具体实施方式二——对加入高斯噪声、椒盐噪声和污点噪声的自然图像进行滤波
采用本发明对加入高斯白噪声、椒盐噪声和污点噪声的一组自然图像去噪,其中噪声强度均为σ=30。感受野直径为表一至表三粗体数据对应的参数,感受野中心区、外周区和亚区敏感度均为1.0。根据本发明详细技术方案处理后的输出图像的高斯白噪声,椒盐噪声和污点噪声滤波前后的峰峰信噪比如表1至表3所示。在表头给出了PSNR1代表污染图像的峰峰信噪比,表中给出了PSNR2代表滤波后图像的峰峰信噪比。由表1至表3可见,本发明很好的滤除了图像处理领域常见的几类噪声。
表1.高斯噪声(PSNR1=16.3330)
表2.椒盐噪声(PSNR1=14.3407)
表3.污点噪声(PSNR1=14.8612)
机译: 基于非经典感受野抑制的图像增强方法及装置
机译: 用于基于化学反应性和/或非反应性原料的制剂的计算机辅助测定染发种子的至少一种性质的方法和装置,用于计算机辅助的测定毛发种子的制剂的方法和装置基于化学反应性和/或非反应性原料的染发种子,以及用于计算机辅助训练预定模型的设备和方法,该预定模型用于基于化学制剂确定计算机辅助确定染发种子的至少一种特性反应性和/或不反应性原料
机译: 机器视觉系统的装置和方法,包括建立点云模型和/或三维模型,该模型基于不同角度的多个图像并结合了来自摄像机运动和深度的深度信息以及包含导航系统的各种应用程序,包括导航系统估计深度模糊或自动对焦应用中使用的图像之间的相对模糊