一种激光主动成像的图像噪声抑制方法

摘要

本发明涉及一种激光主动成像的图像噪声抑制方法，属于图像噪声抑制方法。采用不同尺度结构元素，分别对激光主动成像的图像进行形态开‑闭和形态闭‑开滤波运算，根据图像局部区域的匀质性，将多尺度形态学滤波结果融合；多尺度形态学的图像去噪是将各个尺度结构元素的形态滤波结果进行加权平均。本发明基于形态学的滤波方法易于硬件逻辑结构实现，具有能实时处理和较好地保持图像边缘，采用多个尺度的结构元素进行形态学滤波去噪，利用图像局部区域的匀质性，作为各尺度结构元素滤波图像的融合依据，可以获得更好的激光图像去噪效果。可以应用于激光主动成像系统、合成孔径雷达、红外医学成像等存在散斑噪声的图像去噪场合。

说明书

技术领域

本发明涉及一种图像噪声抑制方法，特别涉及一种利用图像区域匀质性对多尺度形态学滤波结果进行融合的激光图像去噪方法。

背景技术

近年来，激光主动成像技术迅速发展起来，因为该技术能提供更加稳定、清晰的目标图像，能够为准确描述目标几何形状提供更丰富的信息,所以在雷达侦察、目标探测与跟踪、精确制导等军事领域具有广泛的应用前景。然而,激光照射下的目标图像会受到激光散斑的调制,散斑噪声的存在使图像的质量严重下降,这必然影响对目标的识别及跟踪精度,所以研究适用于激光图像中散斑噪声的噪声抑制方法具有重要的实用价值。

散斑噪声为信号相关噪声,本质上是非线性的,比加性噪声难去除。国内外学者提出了各种各样的图像滤波算法。经典的算法有Lee、Kuan、SBF以及小波滤波等，这些方法在抑制散斑噪声的同时，很多边缘细节信息也受到了损失。非局部均值滤波(NLM)能够充分利用整幅图像中蕴含的信息，在有效抑制噪声的同时很好地保留图像的纹理结构，但其执行计算复杂度较大，算法运行速度较慢。

基于形态学的滤波方法易于硬件逻辑结构实现，具有能实时处理和较好地保持图像边缘的优点，但传统的形态学滤波算法用于激光图像去噪时，其噪声压缩能力较差，所以如果能对传统形态学滤波算法进行改进，就可以在保持图像边缘的前提下，提高激光图像中的散斑噪声抑制能力。

发明内容

本发明提供一种激光主动成像的图像噪声抑制方法，结合激光图像特点，提出了一种多尺度形态学滤波方法，将激光图像在多个尺度下进行形态学滤波处理，然后充分利用大尺度结构元素滤波效果强和小尺度结构元素保持边缘细节清晰的优势,根据计算的图像区域匀质性系数，将不同尺度下的形态学滤波结果融合，达到既能抑制噪声又能保持图像边缘的目的。

本发明采取的技术方案是，包括下列步骤：

(一)、采用不同尺度结构元素，分别对激光主动成像的图像进行形态开-闭和形态闭-开滤波运算；

选取不同尺度的“disk”结构元素，半径分别为d₁、d₂……d_n，结构元素用B_d(i)表示，B_d(1)为半径为d₁的“disk”结构元素，B_d(2)为半径为d₂的“disk”结构元素，以此类推；设F(x,y)为输入信号，S(x,y)为输出信号，利用结构元素B_d(i)对输入信号作形态开-闭和形态闭-开运算，运算结果分别表示为OC_d(i)(x,y)、CO_d(i)(x,y)；

将形态开-闭和形态闭-开运算结果相结合：

其中，代表形态学开运算，代表形态学闭运算，OCCO_d(i)(x,y)代表利用半径为d_i的“disk”结构元素进行形态开-闭和形态闭-开运算相结合的滤波结果图像；

(二)根据图像局部区域的匀质性，将多尺度形态学滤波结果融合；

(1).判断图像中各像素是否属于匀质区域

对于每个图像像素，选取周围M×M邻域，根据式(8)，分别计算每个尺度下滤波图像OCCO_d(i)(x,y)的区域均匀度，结果记为H_d(i)(x,y)；

其中，f(x,y)代表以像素(x,y)为中心的M×M邻域，Var(f(x,y))、E[f(x,y)]分别表示局部区域内像素灰度值的方差和均值；

用来判断图像区域匀质性的阈值为H_thresh，当H_d(i)≤H_thresh，像素(x,y)属于匀质区域；当H_d(i)>H_thresh，像素(x,y)属于非匀质区域；

(2).融合多尺度形态滤波结果的激光图像噪声抑制

多尺度形态学的图像去噪是将各个尺度结构元素的形态滤波结果进行加权平均，设Y(x,y)为融合图像，则：

其中，s_i为对应各尺度结构元素滤波图像的加权系数；对s_i的定义如下：

s_i'＝|H_d(i)(x,y)-H_thresh|，

本发明步骤(二)中的(1)中：

判断图像区域匀质性阈值H_thresh的选取：

计算最大尺度结构元素下滤波图像的区域均匀度H_d(max)(x,y)，利用最大类间方差法Otsu方法对其进行二值化，二值化过程中得到的阈值选取为H_thresh。

本发明的有益效果是：

(1)基于形态学的滤波方法易于硬件逻辑结构实现，具有能实时处理和较好地保持图像边缘的优点；

(2)采用多个尺度的结构元素进行形态学滤波去噪，可以充分利用大尺度结构元素滤波效果强和小尺度结构元素保持边缘细节清晰的优势；

(3)利用图像局部区域的匀质性，作为各尺度结构元素滤波图像的融合依据，可以获得更好的激光图像去噪效果。对于灰度均匀的图像区域，主要采用大尺度形态学滤波结果，以获得较强的抑制噪声能力；对于包含丰富细节的非均匀图像区域,主要采用小尺度形态学滤波结果，以发挥小尺度下的定位特性，得到丰富的边缘。

本发明可以应用于激光主动成像系统、合成孔径雷达、红外医学成像等存在散斑噪声的图像去噪场合。

附图说明

图1是本发明方法的流程图；

图2是拍摄的激光图像；

图3是最大尺度滤波图像的区域均匀度图；

图4是本发明方法的噪声抑制结果图像；

图5是Lee滤波图像；

图6是SBF滤波图像；

图7是Kuan滤波图像。

具体实施方式

包括下列步骤：

(一)、采用不同尺度结构元素，分别对激光图像进行形态开-闭和形态闭-开滤波运算；

形态学的基本运算有膨胀、腐蚀、开启和闭合。基于这些基本运算可以推导和组合成各种形态学实用算法。假定结构元素为B，信号为F，灰度形态学定义的基本运算为:

膨胀：

腐蚀：

(FΘB)(x,y)＝min{F(x+s,y+t)-B(s,t)|(x+s),(y+t)∈D_F；(s,t)∈D_B}(2)

开启：

闭合：

一般情况下,图像中的噪声往往由信号上下凸起的尖峰组成。在对图像进行噪声抑制时，最常用的形态学滤波技术是开运算、闭运算以及它们的混合运算。本文算法首先通过不同顺序级联开、闭运算，构造形态开-闭和形态闭-开滤波器；

选取不同尺度的“disk”结构元素，半径分别为d₁、d₂……d_n，结构元素用B_d(i)表示，B_d(1)为半径d₁的“disk”结构元素，B_d(2)为半径为d₂的“disk”结构元素，以此类推；设F(x,y)为输入信号，S(x,y)为输出信号，利用结构元素B_d(i)对输入信号作形态开-闭和形态闭-开运算，运算结果分别表示为OC_d(i)(x,y)、CO_d(i)(x,y)；

将形态开-闭和形态闭-开运算结果相结合：

其中，代表形态学开运算，代表形态学闭运算，OCCO_d(i)(x,y)代表利用半径为d_i的“disk”结构元素进行形态开-闭和形态闭-开运算相结合的滤波结果图像；

(二)根据图像局部区域的匀质性，将多尺度形态学滤波结果融合。

对于灰度均匀的图像区域，主要采用大尺度形态学滤波结果，以获得较强的抑制噪声能力；对于包含丰富细节的非均匀图像区域,主要采用小尺度形态学滤波结果，以发挥小尺度下的定位特性，得到丰富的边缘。

这一过程包括两个步骤：一是判断图像中各像素属于匀质区域还是非匀质区域；二是根据图像局部区域的匀质性，将多尺度形态学滤波结果进行融合，详细步骤如下：

(1).判断图像中各像素是否属于匀质区域

对于每个图像像素，选取周围M×M邻域，根据式(8)，计算该图像区域的均匀度H(x,y)。

其中，f(x,y)代表以像素(x,y)为中心的M×M邻域，Var(f(x,y))、E[f(x,y)]分别表示局部区域内像素灰度值的方差和均值；

用来判断图像区域匀质性的阈值为H_thresh，当H_d(i)≤H_thresh，像素(x,y)属于匀质区域；当H_d(i)>H_thresh，像素(x,y)属于非匀质区域；

下面介绍判断图像区域匀质性阈值H_thresh的选取，因为大尺度结构元素的滤波图像受噪声干扰较小，所以计算最大尺度结构元素下滤波图像的H_d(max)(x,y)，利用Otsu方法(最大类间方差法)对其进行二值化，二值图像对应着滤波图像的边缘信息，二值化过程对应的阈值就是确定图像边缘信息的依据，也是确定像素是否位于均匀区域的依据；所以，选择二值化过程的阈值H_thresh做为图像中各像素是否属于匀质区域的判断标准。

(2).融和多尺度形态滤波结果的激光图像噪声抑制

多尺度形态学的图像去噪是将各个尺度结构元素的形态滤波结果进行加权平均，设Y(x,y)为融合图像，则

其中，s_i为对应各尺度结构元素滤波图像的加权系数，对s_i的定义如下：

s_i'＝|H_d(i)(x,y)-H_thresh|，

当像素(x,y)属于匀质区域，即H_d(i)≤H_thresh，大尺度形态滤波图像的加权系数需要大一些，这样可以充分利用大尺度结构元素的抗噪特性，通常情况下，对于像素(x,y)，d(i)尺度越大，H_d(i)(x,y)值越小，根据式(10)，s_i'越大，加权系数s_i也越大；

当像素(x,y)属于非匀质区域，即H_d(i)>H_thresh，小尺度形态滤波图像的加权系数需要大一些，这样可以保留小尺度结构元素滤波图像中的边缘信息。通常情况下，对于像素(x,y)，d(i)尺度越小，H_d(i)(x,y)值越大，根据式(10)，s_i'越大，加权系数s_i也越大。

本发明方法的流程图如图1所示。

下边结合具体实验例来进一步说明本发明。

(一)、本发明实验例中拍摄的建筑物的激光图像，如图2所示，分辨率为510*384，256级灰度，选取半径为2、3、4、5的“disk”结构元素，利用式(5)、(6)、(7)分别对图2进行多尺度形态滤波，得到四幅滤波图像；

(二)、根据图像局部区域的匀质性，将四幅不同尺度的形态学滤波图像融合，详细步骤如下：

1.选取邻域窗口为5*5，利用式(8)，分别计算四幅滤波图像的区域均匀度，最大尺度滤波图像的区域均匀度图，如图3所示。

2.采用Otsu方法求出图3的二值化阈值H_thresh为0.015686，以此作为判断图像中各像素是否属于匀质区域的标准。

3.根据式(10)计算对应四幅不同尺度结构元素滤波图像的加权系数，按照式(9)对四幅滤波图像进行融合，得到最终的降噪图像，如图4所示。

下面对常用的几种激光图像去噪方法进行了仿真实验，图5、图6、图7分别为Lee滤波算法、SBF滤波算法、Kuan滤波算法的处理结果。我们可以看到本发明方法解决了激光图像噪声明显的问题。相比于Lee滤波算法、SBF滤波算法、Kuan滤波算法,本发明方法能够有效地抑制图像噪声并且保持图像清晰度。

此外，为了定量地衡量滤波效果，通过计算每幅图像的散斑指数来比较不同方法的抑制散斑噪声能力。散斑指数越小，该算法抑制散斑噪声的能力越强。散斑指数定义为：

其中，m、n表示图像大小，δ_ij表示滤波窗口中元素的标准差，表示滤波窗口中元素的均值。表1中给出了原始图像和几种算法处理结果的散斑指数。从表1可见,本发明方法的散斑噪声抑制能力较强。

表1不同方法处理结果的散斑指数

原始图像Lee滤波SBFKuan本发明方法0.07570.03160.05050.03580.0300