本發(fā)明涉及圖像處理
技術領域：
，尤其涉及基于自適應擴散濾波的車載圖像去噪方法及系統(tǒng)。
背景技術：
：隨著人們安全意識的增強，以及對駕乘舒適度要求的提高，高級駕駛輔助系統(tǒng)(AdvancedDriverAssistanceSystem,ADAS)在近幾年出現(xiàn)了大幅增長。在各種系統(tǒng)中，以影像為基礎的輔助駕駛系統(tǒng)市占率最高。其主要原因為是成本低廉，且可與行車記錄器結合使用，并能將偵測的結果以視覺影像的方式呈現(xiàn)給駕駛人，因而廣受歡迎。然而，車載影像的采集過程往往會受到噪聲的干擾(如光光照條件差)，從而使得車載圖像的質量大為下降。圖像噪聲除了影響視覺感受，更加嚴重的是影響后續(xù)更高層次的圖像分析任務，如行人、車道檢測，目標分割等。為了保證基于視覺的輔助駕駛系統(tǒng)的可視度和可靠性，找到一種可行的車載圖像去噪方法，對輔助駕駛系統(tǒng)圖像進行增強處理具有重要的意義。現(xiàn)有的圖像去噪方法包括空間域濾波(如中值濾波、雙邊濾波、非局部均值濾波等)、頻率域濾波(如傅里葉變換、小波變換等)、基于稀疏表示的去噪方法(如K-SVD等)以及基于各項異性擴散的去噪方法(如P-M模型等)。其中空間域濾波方法一般較為簡單，因而效果略差。近期[S.Gu,L.Zhang,W.Zuo,andX.Feng,“WeightedNuclearNormMinimizationwithApplicationtoImageDenoising,”InCVPR2014]提出了一種改進的非局部濾波方法-WNNM。其利用圖像非局部相似性和矩陣秩最小化，獲得了一流的去噪效果，但是時間復雜度相對較高。頻域濾波在濾除高頻噪聲的同時，對具有高頻特性的邊緣和紋理結構也有所破壞，降低去噪圖像的質量?；谙∈璞硎痉椒ǖ淖值鋵W習過程運算量較大。相比之下，各項異性擴散模型具有(1)結構簡單，時間復雜度低；(2)能夠較好地兼顧噪聲的去除和邊緣、紋理等細節(jié)的保持兩方面的優(yōu)點，因而一直是研究的熱點。常見的圖像擴散模型一般源自于Perona和Malik在1990年提出的P-M模型。帶有反應項的P-M模型的離散形式如公式(1)所示其中，u0為初始噪聲圖像，*為二維卷積操作，ki*u表示圖像u和線性濾波器ki的卷積，表示將濾波器ki繞中心點旋轉180度，φ為控制擴散行為的通量函數(shù)(fluxfunction)，通常取為K為閾值參數(shù)，λ為反應項的強度。公式(1)中的濾波器kx和ky分別為圖像和濾波器kx的卷積為圖像在x方向的梯度，圖像和濾波器ky的卷積為圖像在y方向的梯度。自P-M模型提出后，各向異性擴散技術得到了廣泛的關注和研究。(中國專利CN105427262)對梯度閾值進行了自適應設計和改進，使其根據(jù)圖像的最大灰度值和迭代次數(shù)自動控制梯度閾值。(中國專利CN101877122)公開了一種基于跡算子模型的各向異性濾波方法，這是一種基于局部幾何結構的各向異性擴散模型。(中國專利CN104166965)公開了一種基于梯度幅值的熵值選擇擴散通量函數(shù)的方法。隨著對各項異性擴散模型的研究不斷深入，實驗結果表明，該技術還存在如下缺點：第一、由于擴散過程使用的濾波器kx和ky僅包含最近鄰像素之間的相互關系，導致去噪后的圖像出現(xiàn)明顯的“階梯”效應，即出現(xiàn)大量分塊常數(shù)亮度值的區(qū)域；第二、由于所采用的控制擴散行為的通量函數(shù)在圖像邊緣、紋理等區(qū)域僅能減慢圖像擴散的速度，并不能使擴散停止甚至進行逆擴散(即圖像邊緣增強)，從而導致保邊緣性不是很好。如何設計一種圖像去噪算法，結構簡單，便于實現(xiàn)，且能夠同時達到圖像噪聲去除和邊緣、紋理等細節(jié)信息的保護和增強的目的，提高去噪性能，是車載圖像處理中亟需解決的問題。技術實現(xiàn)要素：本發(fā)明提供了一種基于自適應擴散濾波的車載圖像去噪方法，包括如下步驟：步驟一：輸入噪聲圖像，對噪聲圖像的邊界進行延拓；步驟二：選定濾波器組，構造擴散通量函數(shù)；步驟三：選定濾波器組，構造擴散通量函數(shù)；步驟四：對去噪圖像邊界進行裁剪，得到和原始輸入噪聲圖像尺寸相同的去噪圖像。作為本發(fā)明的進一步改進，在所述步驟二中，使用線性濾波器構造擴散通量函數(shù)。作為本發(fā)明的進一步改進，在所述步驟二中：選定線性濾波器組F＝{f1,f2,f3…fN}，包含有N個濾波器fi(i＝1～N)；構建擴散通量函數(shù)其中，Kf，Kb，W，α為控制函數(shù)形狀的參數(shù)，構建擴散方程其中fi為濾波器組F第i個元素，表示將濾波器fi繞中心點旋轉180度，*為二維卷積操作，θi為第i個濾波器結果的權重值，λ為反應項的權重，θi和λ均為正數(shù)。作為本發(fā)明的進一步改進，在所述步驟三中包括如下步驟：(1)對于t時刻的圖像ut，計算其與線性濾波器fi的卷積，即ut*fi；(2)將擴散通量函數(shù)φ2(z)按照逐像素的方式作用到ut*fi的結果上，得到φ2(ut*fi)；(3)計算φ2(ut*fi)與濾波器卷積的結果并考慮權重值θi得到(4)上述步驟1)-3)完成對一個線性濾波器fi的計算，重復N次即可完成對濾波器組F中所有濾波器的計算，求和可得(5)計算反應擴項λ(ut-u0)；(6)利用迭代更新法則計算ut+1，其中Δt為擴散過程的時間步長；(7)判斷是否完成迭代，若是，那么得到擴散結果，否則返回執(zhí)行步驟(1)。作為本發(fā)明的進一步改進，所述線性濾波器是尺寸為7×7的二維離散余弦變換濾波器組。本發(fā)明還提供了一種基于自適應擴散濾波的車載圖像去噪系統(tǒng)，包括：輸入模塊：用于輸入噪聲圖像，對噪聲圖像的邊界進行延拓；構造模塊：用于選定濾波器組，構造擴散通量函數(shù)；處理模塊：用于基于顯式前向差分進行循環(huán)迭代，圖像自適應擴散開始；輸出模塊：對去噪圖像邊界進行裁剪，得到和原始輸入噪聲圖像尺寸相同的去噪圖像。作為本發(fā)明的進一步改進，在所述構造模塊中，使用線性濾波器構造擴散通量函數(shù)。作為本發(fā)明的進一步改進，在所述構造模塊中：選定線性濾波器組F＝{f1,f2,f3…fN}，包含有N個濾波器fi(i＝1～N)；構建擴散通量函數(shù)其中，Kf，Kb，W，α為控制函數(shù)形狀的參數(shù)，構建擴散方程其中fi為濾波器組F第i個元素，表示將濾波器fi繞中心點旋轉180度，*為二維卷積操作，θi為第i個濾波器結果的權重值，λ為反應項的權重，θi和λ均為正數(shù)。作為本發(fā)明的進一步改進，在所述處理模塊中包括：第一處理子模塊：對于t時刻的圖像ut，計算其與線性濾波器fi的卷積，即ut*fi；第二處理子模塊：將擴散通量函數(shù)φ2(z)按照逐像素的方式作用到ut*fi的結果上，得到φ2(ut*fi)；第三處理子模塊：計算φ2(ut*fi)與濾波器卷積的結果并考慮權重值θi得到第四處理子模塊：通過第一處理子模塊至第三處理子模塊完成對一個線性濾波器fi的計算，重復N次即可完成對濾波器組F中所有濾波器的計算，求和可得第五處理子模塊：計算反應擴項λ(ut-u0)；第六處理子模塊：利用迭代更新法則計算ut+1，其中Δt為擴散過程的時間步長；判斷模塊：判斷是否完成迭代，若是，那么得到擴散結果，否則返回執(zhí)行第一處理子模塊。作為本發(fā)明的進一步改進，所述線性濾波器是尺寸為7×7的二維離散余弦變換濾波器組。本發(fā)明的有益效果是：本發(fā)明使用了改進的擴散通量函數(shù)，能夠導致自適應的前向/后向擴散行為，因此能夠兼顧圖像平坦區(qū)域噪聲的濾除和邊緣、紋理等結構信息的保護和增強。附圖說明圖1是本發(fā)明的流程圖。圖2是本發(fā)明所采用的擴散通量函數(shù)和經(jīng)典通量函數(shù)的曲線對比圖，φ1(z)為常用的擴散通量函數(shù)，φ2(z)為本發(fā)明所采用的通量函數(shù)。圖3是本發(fā)明一個實施例所采用的DCT濾波器組，濾波器尺寸為7×7。圖4是本發(fā)明一個實施例所采用的DCT濾波器組相關的權重值圖。圖5是本發(fā)明的實驗測試圖像。圖6是不同去噪方法對圖像man的去噪效果圖。具體實施方式如圖1所示，本發(fā)明公開了一種基于自適應擴散濾波的車載圖像去噪方法，包括如下步驟：步驟一：輸入噪聲圖像u0，對噪聲圖像的邊界進行延拓，以防止后續(xù)的圖像擴散操作在圖像邊界處產(chǎn)生偽影，在Matlab中可用以下命令完成，延拓尺寸和后續(xù)濾波器尺寸相同；步驟二：選定濾波器組，構造擴散通量函數(shù)；步驟三：基于顯式前向差分進行循環(huán)迭代，圖像自適應擴散開始；步驟四：對去噪圖像邊界進行裁剪，得到和原始輸入噪聲圖像尺寸相同的去噪圖像。在步驟二中，選定線性濾波器組F＝{f1,f2,f3…fN}，包含有N個濾波器fi(i＝1～N)；構建擴散通量函數(shù)其中，Kf，Kb，W，α為控制函數(shù)形狀的參數(shù)，構建擴散方程其中fi為濾波器組F第i個元素，表示將濾波器fi繞中心點旋轉180度，*為二維卷積操作，θi為第i個濾波器結果的權重值，λ為反應項的權重，θi和λ均為正數(shù)。在步驟三中，包括如下步驟：(1)對于t時刻的圖像ut，計算其與線性濾波器fi的卷積，即ut*fi，卷積計算可采用對稱邊界條件，在Matlab中用以下命令可以實現(xiàn)imfilter(u,f,'symmetric',‘conv’)；；(2)將擴散通量函數(shù)φ2(z)按照逐像素的方式作用到ut*fi的結果上，得到φ2(ut*fi)；(3)計算φ2(ut*fi)與濾波器卷積的結果并考慮權重值θi得到同樣可以用Matlab命令imfilter完成；(4)上述步驟1)-3)完成對一個線性濾波器fi的計算，重復N次即可完成對濾波器組F中所有濾波器的計算，求和可得(5)計算反應擴項λ(ut-u0)；(6)利用迭代更新法則計算ut+1，其中Δt為擴散過程的時間步長，設Δt＝0.2；(7)判斷是否完成迭代，若是，那么得到擴散結果，否則返回執(zhí)行步驟(1)。上述步驟(1)-(6)完成一次迭代，重復多次迭代可得到清晰圖像，例如重復50次迭代可得到清晰圖像。作為本發(fā)明的一個優(yōu)選實施例，使用了尺寸為7×7的二維離散余弦變換濾波器組(DiscreteCosineTransform,DCT)，其扣除常值濾波器外的48個濾波器見附圖3，第i個DCT濾波器記為bi，bi的模長為1。設濾波器fi＝βi·bi第i個濾波器fi關聯(lián)的權重值βi和θi見附圖4，反應項的權重設為λ＝1。擴散通量函數(shù)φ2(z)的參數(shù)設定為Kf＝4，Kb＝20，W＝8，α＝0.05，其曲線圖見附圖2。此外，可以理解濾波器組的選取可以有很多形式，如PCA和Gabor濾波器組。同時，擴散通量函數(shù)參數(shù)的選取也有多種形式，具體可以根據(jù)實際應用環(huán)境來設定。本發(fā)明還公開了一種基于自適應擴散濾波的車載圖像去噪系統(tǒng)，包括：輸入模塊：用于輸入噪聲圖像，對噪聲圖像的邊界進行延拓；構造模塊：用于選定濾波器組，構造擴散通量函數(shù)；處理模塊：用于基于顯式前向差分進行循環(huán)迭代，圖像自適應擴散開始；輸出模塊：對去噪圖像邊界進行裁剪，得到和原始輸入噪聲圖像尺寸相同的去噪圖像。在所述構造模塊中，使用線性濾波器構造擴散通量函數(shù)。在所述構造模塊中：選定線性濾波器組F＝{f1,f2,f3…fN}，包含有N個濾波器fi(i＝1～N)；構建擴散通量函數(shù)其中，Kf，Kb，W，α為控制函數(shù)形狀的參數(shù)，構建擴散方程其中fi為濾波器組F第i個元素，表示將濾波器fi繞中心點旋轉180度，*為二維卷積操作，θi為第i個濾波器結果的權重值，λ為反應項的權重，θi和λ均為正數(shù)。在所述處理模塊中包括：第一處理子模塊：對于t時刻的圖像ut，計算其與線性濾波器fi的卷積，即ut*fi；第二處理子模塊：將擴散通量函數(shù)φ2(z)按照逐像素的方式作用到ut*fi的結果上，得到φ2(ut*fi)；第三處理子模塊：計算φ2(ut*fi)與濾波器卷積的結果并考慮權重值θi得到第四處理子模塊：通過第一處理子模塊至第三處理子模塊完成對一個線性濾波器fi的計算，重復N次即可完成對濾波器組F中所有濾波器的計算，求和可得第五處理子模塊：計算反應擴項λ(ut-u0)；第六處理子模塊：利用迭代更新法則計算ut+1，其中Δt為擴散過程的時間步長；判斷模塊：判斷是否完成迭代，若是，那么得到擴散結果，否則返回執(zhí)行第一處理子模塊。本發(fā)明專利在傳統(tǒng)的各項異性圖像擴散模型的基礎之上，主要進行了兩個方面的改進：1.較之常用的一階梯度濾波器，本發(fā)明使用了更高階的線性濾波器。濾波器的尺寸更大，覆蓋的像素鄰域也更大，因而能更好地提取圖像局部結構信息，進而能更好地保持甚至增強圖像紋理、邊緣等局部結構；2.使用了一種改進的通量函數(shù)來控制圖像擴散行為，其和常用的通量函數(shù)的對照曲線圖如圖2。這種通量函數(shù)能夠導致自適應的圖像前向擴散(圖像光滑)和后向擴散(圖像增強)過程，能夠兼顧圖像平坦區(qū)域噪聲的濾除和邊緣、紋理等結構信息的保護和增強。本發(fā)明所使用的通量函數(shù)φ2(z)和常用的通量函數(shù)φ1(z)之間的關鍵區(qū)別在于，其有一個過零點的拐點，如附圖2所示的A點。通量函數(shù)是關于濾波器響應值的函數(shù)。在φ2(z)中，當濾波器的響應值比較小，在拐點的左側時(對應為圖像平坦區(qū)域)，通量函數(shù)為正，對應的圖像擴散行為是正向擴散(圖像光滑)；當濾波器的響應值比較大，超過拐點時(對應為圖像邊緣、紋理區(qū)域)，通量函數(shù)為負，對應的圖像擴散行為是逆向擴散(圖像增強)。由于上述兩方面的原因，本發(fā)明具有下面的優(yōu)點：1.由于包含了更高階的鄰域信息，本發(fā)明能夠解決“階梯”效應；2.本發(fā)明使用了改進的擴散通量函數(shù)，能夠導致自適應的前向/后向擴散行為，因此能夠兼顧圖像平坦區(qū)域噪聲的濾除和邊緣、紋理等結構信息的保護和增強；3.本發(fā)明具有傳統(tǒng)擴散模型結構簡單、易于實現(xiàn)、時間復雜度低的優(yōu)點，同時在輸出信噪比和視覺效果兩方面均也能達到一流去噪算法，如WNNM算法的性能(見附圖6)。本發(fā)明的效果可以通過以下實驗進一步證實。在Matlab環(huán)境下對本發(fā)明算法進行仿真，并和經(jīng)典P-M算法以及去噪效果一流的WNNM算法進行比較。去噪效果的客觀評價指標用峰值信噪比(PeakSignal-NoiseRatio,PSNR)和結構相似度(StructuralSIMilarity,SSIM)衡量。實驗條件：含4個IntelCPUs和8GBRAM的PC機上，2015版Matlab編程環(huán)境下。實驗所使用的輸入圖像如圖5(a,b)所示，首先加入高斯噪聲。加入高斯白噪聲后的圖像如圖5(c,d)所示，噪聲的標準差σ＝25，加噪聲后的圖像的峰值信噪比PSNR＝20.18,SSIM＝0.3303。實驗內(nèi)容：在上述實驗條件下，選用P-M模型(經(jīng)典圖像擴散模型)和目前一流的WNNM去噪方法和本發(fā)明方法進行實驗對比。去噪效果的客觀評價指標用峰值信噪比PSNR和結構相似度SSIM度量。實驗所采用的圖像含有大量紋理區(qū)域，如帽子的羽毛等配飾以及衣服的褶皺。三種方法的去噪效果見附圖6。從視覺效果來看，經(jīng)過WNNM算法和本發(fā)明方法去噪后的圖像在這些紋理區(qū)域都取得了令人較滿意的視覺效果，紋理結構得到了較好的保持，去噪結果看起來也比較自然。而P-M模型一如預期地產(chǎn)生了明顯的“階梯”效應，大為降低了去噪圖像的視覺效果，同時客觀評價指標也比較低，如下表所示。下表給出了三種去噪方法的SSIM值和PSNR值比較。評價指標加噪聲圖像P-M模型WNNM算法本發(fā)明算法SSIM0.33030.73570.80470.8114PSNR20.1828.2929.6229.88從上表中可以看出，本發(fā)明方法在兩個客觀評價指標上與WNNM相似，比經(jīng)典的P-M模型要好。綜合視覺效果以及客觀評價標準兩方面，本發(fā)明提出的去噪方法比傳統(tǒng)的圖像擴散模型具有明顯的優(yōu)越性。以上內(nèi)容是結合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬
技術領域：
的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發(fā)明的保護范圍。當前第1頁1 2 3