一种基于稳健参数估计的图像噪点滤波方法及装置

摘要

本发明公开了一种基于稳健参数估计的图像噪点滤波方法及装置，涉及安全工程技术领域。包括：获取待滤波的图像；根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像；根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数；根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。本发明能够在保留图像边缘细节信息的同时对图像噪点进行有效去除。

说明书

技术领域

本发明涉及安全工程技术领域，特别是指一种基于稳健参数估计的图像噪点滤波方法及装置。

背景技术

随着人工智能和计算机视觉技术的发展，越来越多的企业和政府机构开始应用各种图像识别算法对监控图像中的火灾信息进行智能化识别。然而，由于一些地区的监控摄像存在设备成像质量不高、监控受环境干扰以及图片通信压缩受损等客观不利因素，会使监控图像中出现噪点并会影响图像识别算法的识别精度，这很可能导致火灾隐患不能被及时发现，从而造成人员伤亡及财产损失，因此需要提出一种有效的图像滤波方法对噪声进行抑制。

加权均值滤波是对一中心像素点周围像素的灰度值按照某种赋权方式进行加权平均操作，并将结果值替换中心像素值，该方法可以较好地抑制图像中的椒盐噪声，但对噪点密集的图像平滑性能较差，同时会抑制图像中的边缘信息，不利于精确识别图像的起火范围。

由于传统的加权均值滤波仅参考空间距离分配权重，其效果很容易受到对应卷积窗口中多个噪点像素值的干扰，同时也会对图像边缘细节造成损失；而中值滤波由于其算法的选择性特点，在应对脉冲型噪声时效果较差；双边高斯滤波虽然可以很好地兼顾噪点平滑和边缘保留效果，但难于应对呈现为边缘信息的连续像素噪点。因此，如何实现在保留图像边缘细节信息的同时对图像噪点进行有效去除是亟需解决的问题。

发明内容

本发明针对如何实现在保留图像边缘细节信息的同时对图像噪点进行有效去除的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

一方面，本发明提供了一种基于稳健参数估计的图像噪点滤波方法，该方法由电子设备实现，该方法包括：

S1、获取待滤波的图像。

S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。

S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。

S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。

可选地，S2中的根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像包括：

S21、根据待滤波的图像的大小选取卷积窗口尺寸值。

S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。

S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。

可选地，S23中的加边填充的过程，如下式（1）所示：

其中，

可选地，S3中的根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数包括：

S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。

S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵

S33、筛选集合

S34、计算集合

S35、计算集合

S36、去除集合

S37、计算集合

S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。

可选地，S35中的计算集合

根据下述公式（2），计算得到灰度值矩阵

其中，

可选地，S37中的计算集合

根据下述公式（3），计算得到集合

其中，

可选地，S38中的根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数包括：

将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。

其中，灰度值矩阵的高斯分布概率密度函数

其中，

可选地，S4中的根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像包括：

S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值

S42、根据高斯分布概率密度函数对灰度值

S43、根据权重总和

S44、根据归一化权重

S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。

S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。

可选地，S44中的根据归一化权重

其中，

另一方面，本发明提供了一种基于稳健参数估计的图像噪点滤波装置，该装置应用于实现基于稳健参数估计的图像噪点滤波方法，该装置包括：

获取模块，用于获取待滤波的图像。

初始化模块，用于根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。

生成模块，用于根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。

输出模块，用于根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。

可选地，初始化模块，进一步用于：

S21、根据待滤波的图像的大小选取卷积窗口尺寸值。

S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。

S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。

可选地，初始化模块，进一步用于：

其中，

可选地，生成模块，进一步用于：

S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。

S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵

S33、筛选集合

S34、计算集合

S35、计算集合

S36、去除集合

S37、计算集合

S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。

可选地，生成模块，进一步用于：

其中，

可选地，生成模块，进一步用于：

其中，

可选地，生成模块，进一步用于：

将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。

其中，灰度值矩阵的高斯分布概率密度函数

其中，

可选地，输出模块，进一步用于：

S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值

S42、根据高斯分布概率密度函数对灰度值

S43、根据权重总和

S44、根据归一化权重

S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。

S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。

可选地，输出模块，进一步用于：

其中，

一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于稳健参数估计的图像噪点滤波方法。

一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于稳健参数估计的图像噪点滤波方法。

本发明实施例提供的技术方案带来的有益效果至少包括：

上述方案中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。

图1是本发明实施例提供的基于稳健参数估计的图像噪点滤波方法流程示意图；

图2是本发明实施例提供的火灾图像某卷积窗口示例图；

图3是本发明实施例提供的基于稳健参数估计的图像噪点滤波装置框图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明实施例提供了一种基于稳健参数估计的图像噪点滤波方法，该方法可以由电子设备实现。如图1所示的基于稳健参数估计的图像噪点滤波方法流程图，该方法的处理流程可以包括如下的步骤：

S1、获取待滤波的图像。

一种可行的实施方式中，所获取待滤波的图像可以是火灾图像，也可以是除火灾图像之外的其他类型的噪点图像，比如汽车图像、人像、建筑物图像等。

S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。

可选地，S2中的根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像包括：

S21、根据待滤波的图像的大小选取卷积窗口尺寸值。

一种可行的实施方式中，根据待滤波图像的图片大小，依经验选取方形卷积窗口 尺寸

S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。

一种可行的实施方式中，采集待滤波的图像RGB颜色通道的灰度矩阵，记第

S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。

可选地，S23中的加边填充的过程，如下式（1）所示：

其中，

一种可行的实施方式中，根据

进一步地，该新的待检图像在卷积窗口内的像素灰度值矩阵

其中，

S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。

可选地，S3中的根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数包括：

S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。

一种可行的实施方式中，以原始图像即待滤波的图像（非加边处理后的图像）中灰 度值为

S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵

一种可行的实施方式中，配对后的灰度值可以是

S33、筛选集合

S34、计算集合

S35、计算集合

可选地，S35中的计算集合

根据下述公式（3），计算得到灰度值矩阵

其中，

S36、去除集合

S37、计算集合

可选地，S37中的计算集合

根据下述公式（4），计算得到集合

其中，

举例来说，对于某一中心像素点

假设某图像的任一卷积窗口区域内包含的像素点如图2所示，其中，阴影位置为中 心像素点。进一步对像素点进行两两配对，构成的集合

表1

则Hodges-Lehmann值为：

Shamos值为：

S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。

可选地，S38中的根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数包括：

将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。

一种可行的实施方式中，对于中心像素点为

其中，

S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。

可选地，S4中的根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像包括：

S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值

S42、根据高斯分布概率密度函数对灰度值

一种可行的实施方式中，基于式（5）中高斯分布概率密度函数，将卷积窗口中各点 像素灰度值

S43、根据权重总和

S44、根据归一化权重

可选地，S44中的根据归一化权重

其中，

一种可行的实施方式中，计算各像素点归一化权重

S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。

S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。

一种可行的实施方式中，根据上述计算能够得到RGB颜色通道中任一颜色通道的 灰度空间，根据所有RGB颜色通道的灰度空间可以得到该中心像素点最终色彩修正值为

本发明实施例中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。

如图3所示，本发明实施例提供了一种基于稳健参数估计的图像噪点滤波装置300，该装置300应用于实现基于稳健参数估计的图像噪点滤波方法，该装置300包括：

获取模块310，用于获取待滤波的图像。

初始化模块320，用于根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。

生成模块330，用于根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。

输出模块340，用于根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。

可选地，初始化模块320，进一步用于：

S21、根据待滤波的图像的大小选取卷积窗口尺寸值。

S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。

S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。

可选地，初始化模块320，进一步用于：

其中，

可选地，生成模块330，进一步用于：

S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。

S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵

S33、筛选集合

S34、计算集合

S35、计算集合

S36、去除集合

S37、计算集合

S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。

可选地，生成模块330，进一步用于：

其中，

可选地，生成模块330，进一步用于：

其中，

可选地，生成模块330，进一步用于：

将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。

其中，灰度值矩阵的高斯分布概率密度函数

其中，

可选地，输出模块340，进一步用于：

S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值

S42、根据高斯分布概率密度函数对灰度值

S43、根据权重总和

S44、根据归一化权重

S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。

S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。

可选地，输出模块340，进一步用于：

其中，

本发明实施例中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。

图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）401和一个或一个以上的存储器402，其中，存储器402中存储有至少一条指令，至少一条指令由处理器401加载并执行以实现下述基于稳健参数估计的图像噪点滤波方法：

S1、获取待滤波的图像。

S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。

S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。

S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于稳健参数估计的图像噪点滤波方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。