[发明专利]一种基于巴特沃斯滤波器的红外图像去噪方法

权利要求书

1.一种基于巴特沃斯滤波器的红外图像去噪方法，其特征在于，依次包括以下步骤：

步骤1：读取无噪声图像，并添加高斯白噪声得到原始图像，计算出所述原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算巴特沃斯滤波器最佳参数；

计算原始图像的巴特沃斯滤波器最佳参数的具体过程如下：

步骤101：选择十张无噪声的原始图像，并添加高斯白噪声得到原始图像，高斯白噪声的均值从0.2开始，以0.02为步长，至0.5为止，求取所有所述原始图像的灰度直方图J，并对灰度直方图J进行统计学处理，获取所有所述原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4；

步骤102：根据频谱图中频率分布的关系，根据下式设计巴特沃斯低通滤波器：

其中，M,N分别为图像的行数和列数，D₀为待定参数，u和v分别为频谱图的坐标，u＝1,2,3……M,v＝1,2,3……N；

步骤103：利用步骤102的巴特沃斯低通滤波器，对步骤101中的所述原始图像滤波；

原始图像中添加的高斯白噪声的均值从0.2开始，以0.02为步长，至0.5为止，在每一个噪声中，对D₀赋值，以1为起始数值，以5为步长，至206为止，得到每个噪声下的最佳D₀的数值；

步骤104：将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量，将步骤103得到的最佳D₀作为输出数据，建立BP神经网络，或者利用最小二乘法进行拟合，得到函数D₀＝f(x1,x2,x3,x4)；

步骤105：重新读取无噪声图像并添加高斯白噪声，对步骤104得到的函数D₀进行验证，若偏差较大，则不断将用于验证的图像当做训练样本，重复步骤101至步骤104，不断重复训练函数D₀＝f(x1,x2,x3,x4)，直至偏差达到设定值；

步骤2：获取待去噪图像im1；

步骤3：对步骤2得到的图像im1进行傅里叶变换，并且将低频分量转换至频谱图的中心位置；

步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得待去噪图像im1的低频分量im_L和高频分量im_H；

步骤5：对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2，获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：

其中，表示图像im2的高频分量的梯度，表示图像im2的高频分量的梯度模值，im2_x和im2_y表示图像im2的梯度的水平方向分量和垂直方向分量；

步骤6：根据步骤5中得到的高频分量的梯度及其模值构建偏微分方程对im2进行去噪：

其中，是图像im2对时间的偏导数，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，当时，默认图像按照进行扩散，反之，图像按照进行扩散，div(·)代表求散度，g(·)为扩散方程，im2(0)表示第一次迭代输入的图像即初始化图像，其中im2(0)是步骤5得到的im2；

对上述偏微分方程进行迭代，得到高频滤波图像im3；

步骤7：根据下式计算步骤6中的偏微分方程的平坦区域主扩散系数和边缘区域主扩散系数ρ：

其中，h为经验取值，取h∈[0.5,0.8]；

步骤8：对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4；

步骤9：利用步骤5的方法，求图像im4的梯度按照下式重建梯度场函数，以增强图像微弱边缘：

其中，N为细节阈值，小于N的梯度值被认为是噪声，被舍弃掉，x表示图像im4中某一点的梯度模值，函数输出的结果表示该点的梯度增强系数；然后将该梯度增强系数同该位置的像素点灰度值相乘，得到增强图像im_z；

步骤10：对步骤9得到的增强图像im_z进行自适应canny边缘处理，并二值化，得到图像im5；

步骤11：设定边缘像素个数阈值为M，对图像im5进行边缘统计，从某灰度点为1的图像开始计数，计算该点四周8邻域是否存在灰度为1的点，如果存在，则继续对下一个8邻域进行计数，如果不存在则退出计数，若最终的数值大于M则认为是边缘，使其灰度值为1，否则认为是伪边缘，使其灰度值为0，利用此方法得到低频分量边缘图像im6；

步骤12：对步骤8得到的图像im4进行中值滤波，滤波模板为5X5，得到图像im7；

步骤13：遍历低频分量中值滤波后的图像im7，以图像im7为模板，选出图像im6中灰度值为1的像素点，并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值；

步骤14：将改进过的im7做傅里叶变换，将步骤6得到的高频滤波图像im3做傅里叶变换，将上述两个的傅里叶变换的结果做融合处理，并且对融合后的图像做傅里叶反变换，得到最后的去噪图像im8。

2.如权利要求1所述的一种基于巴特沃斯滤波器的红外图像去噪方法，其特征在于：所述步骤6中，对偏微分方程进行迭代时，利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代，所述偏微分方程对应的能量泛函为：

其中，Ω为整个图像域，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，对该偏微分方程迭代求解，即可得到高频滤波图像im3。