[发明专利]基于分数阶微分梯度的随机噪声点检测算法

说明书

技术领域：信息技术

背景技术：在信息技术快速发展的今天，数字图像处理已经成为人们获取信息的重要手段。在图像获取、转换与传输等过程中，常受到成像设备自身因素与外界环境条件影响，导致所成图像上出现一些随机、离散或孤立的点，即图像噪声。无论是改进成像设备还是减少环境干扰，噪声都无法避免，这些噪声恶化了图像质量，使其模糊，甚至淹没了它们的特征，给人们日常的图像应用分析都带来了困难。尤其是当硬件设备的改进受到限制时，只能通过图像去噪方法提高图像质量。图像去噪是图像处理中基础而重要的技术，是图像恢复、图像压缩、图像分割、图像识别等处理过程的预处理。图像去噪的目的是有效抑制了噪声，为后续处理提供更为精确的信息。图像去噪在整个图像工程中占据重要的位置，它是图像处理的初始步骤，能够提高图像的质量，使得高层处理更加准确，决定了后续工作包括模式识别、图像分割、特征提取等的可行性和准确性。

到目前为止，图像去噪方法从大方向上可以分为空间域去噪法和变换域去噪法两大类。空间域去噪法直接在空间域对图像进行操作，早期比较经典的方法有噪声门限法、邻域平均法、加权平均，中值滤波，维纳滤波等。这些方法对去除脉冲噪声有一定效果。然而对图像中的所有的像素点进行处理，将改变图像中未被噪声污染的像素点，所以在有效去除噪声的同时，也模糊了图像的边缘和细节等重要特征。而变换域图像去噪方法其基本思路是：首先对含有噪声的图像进行某种变换，将图像从空域转到变换域，然后利用某种方法对变换域中的系数进行处理，再进行反变换，将图像从变换域转回空域，以此来达到对图像去噪的目的。其中，比较经典的变换工具有傅里叶变换(Fourier transform)、拉普拉斯变换(Laplacian transform)、小波变换(wavelet transform)以及多尺度变换(multi-scale transform)等。这类图像去噪存在主要的矛盾就是去除噪声与保留图像边缘细节的矛盾。由于图像的边缘细节信息与噪声都会分布在高频系数中，而对图像去噪的处理大多也是集中在高频系数部分，这样使一些含有边缘细节信息的高频系数丢失，导致去噪后的重建图像出现边缘模糊的现象。为了缓解这类矛盾，很多学者也提出了基于边缘保护的图像去噪方法。基于边缘保护的图像去噪方法，又会出现如何有效、准确地检测到图像的边缘信息的问题。实际上图像细节和边缘含有高频分量，同时噪声虽然以高频成分为主，但也含有低频成分。因此，图像信息和噪声在频带上的重叠，是造成基于变换域去噪方法存在缺陷的根本原因。

图像去噪的目的是在去除图像噪声的同时尽好地保留图像细节以及尽可能少地引入假信号。目前，对于完全散乱数据点的噪声处理，还没有一个快速、简洁的方法。基于分数阶微分梯度的随机噪声点检测算法可以用于确定图像中随机噪声点的位置，这样去噪运算将只对噪声点像素进行处理，以便在噪声去除和图像细节保留两方面同时达到最优。

发明内容：基于分数阶微分梯度的随机噪声点检测算法从分析图像中噪声特性出发，依据噪声是图像中局部特性的不连续点，噪声点像素相对应邻域像素的灰度发生了急剧的变化。从图像的频域分析来看，噪声相当于是高频信号，同为高频信号的边缘具有有序性、方向性和结构性的边缘属性特征，边缘的这种变化在临近的像素中会有类似的表现。而噪声即使成片出现，临近的噪声点像素的之间也无确定的对应关系。本算法利用分数阶微分梯度算子检测图像中像素点灰度值的变化，并为此构建了28个方向的分数阶微分梯度算子，用于检测图像相邻像素在对应28个可能边缘方向的梯度变化，并选择了合适的数理统计方法，用于确定图像中噪声点的位置。

附图说明：

附图1分数阶微分梯度28个方向示意图以图形的方式说明了以图像中某一像素点与其周边的8可能构成边缘的28个方向，构建的分数阶微分梯度的方向。

附图2以方向从像素A到O再到B为例说明了D_AOB方向的分数阶微分梯度掩膜的构建。

附图3表示的是剪短后的D_AOB方向的5×5分数阶微分梯度掩模。

附图4未添加噪声的人工图像附图5添加噪声后的人工图像

附图6一附图33为28个方向的梯度检测图

附图6D_AOB方向的梯度检测图               附图7D_AOC方向的梯度检测图

附图8D_AOD方向的梯度检测图               附图9D_AOE方向的梯度检测图