基于自適應擴散濾波的車載圖像去噪方法及系統與流程

本發明涉及圖像處理
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。
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(AdvancedDriverAssistanceSystem,ADAS)在近幾年出現了大幅增長。在各種系統中，以影像為基礎的輔助駕駛系統市占率最高。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，對輔助駕駛系統圖像進行增強處理具有重要的意義。現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。基于稀疏表示方法的字典學習過程運算量較大。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、紋理等細節的保持兩方面的優點，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(fluxfunction)，通常取為K為閾值參數，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，使其根據圖像的最大灰度值和迭代次數自動控制梯度閾值。(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明顯的“階梯”效應，即出現大量分塊常數亮度值的區域；第二、由于所采用的控制擴散行為的通量函數在圖像邊緣、紋理等區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，且能夠同時達到圖像噪聲去除和邊緣、紋理等細節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。技術實現要素：本發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；步驟三：選定濾波器組，構造擴散通量函數；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。作為本發明的進一步改進，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)；構建擴散通量函數其中，Kf，Kb，W，α為控制函數形狀的參數，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。作為本發明的進一步改進，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，否則返回執行步驟(1)。作為本發明的進一步改進，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，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；處理模塊：用于基于顯式前向差分進行循環迭代，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。作為本發明的進一步改進，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)；構建擴散通量函數其中，Kf，Kb，W，α為控制函數形狀的參數，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。作為本發明的進一步改進，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，否則返回執行第一處理子模塊。作為本發明的進一步改進，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。本發明的有益效果是：本發明使用了改進的擴散通量函數，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是本發明的流程圖。圖2是本發明所采用的擴散通量函數和經典通量函數的曲線對比圖，φ1(z)為常用的擴散通量函數，φ2(z)為本發明所采用的通量函數。圖3是本發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，以防止后續的圖像擴散操作在圖像邊界處產生偽影，在Matlab中可用以下命令完成，延拓尺寸和后續濾波器尺寸相同；步驟二：選定濾波器組，構造擴散通量函數；步驟三：基于顯式前向差分進行循環迭代，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)；構建擴散通量函數其中，Kf，Kb，W，α為控制函數形狀的參數，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。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imfilter(u,f,'symmetric',‘conv’)；；(2)將擴散通量函數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。作為本發明的一個優選實施例，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φ2(z)的參數設定為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，擴散通量函數參數的選取也有多種形式，具體可以根據實際應用環境來設定。本發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，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；處理模塊：用于基于顯式前向差分進行循環迭代，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。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)；構建擴散通量函數其中，Kf，Kb，W，α為控制函數形狀的參數，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。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，否則返回執行第一處理子模塊。本發明專利在傳統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來控制圖像擴散行為，其和常用的通量函數的對照曲線圖如圖2。這種通量函數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域噪聲的濾除和邊緣、紋理等結構信息的保護和增強。本發明所使用的通量函數φ2(z)和常用的通量函數φ1(z)之間的關鍵區別在于，其有一個過零點的拐點，如附圖2所示的A點。通量函數是關于濾波器響應值的函數。在φ2(z)中，當濾波器的響應值比較小，在拐點的左側時(對應為圖像平坦區域)，通量函數為正，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、紋理區域)，通量函數為負，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，本發明具有下面的優點：1.由于包含了更高階的鄰域信息，本發明能夠解決“階梯”效應；2.本發明使用了改進的擴散通量函數，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.本發明具有傳統擴散模型結構簡單、易于實現、時間復雜度低的優點，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)。本發明的效果可以通過以下實驗進一步證實。在Matlab環境下對本發明算法進行仿真，并和經典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。實驗內容：在上述實驗條件下，選用P-M模型(經典圖像擴散模型)和目前一流的WNNM去噪方法和本發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，經過WNNM算法和本發明方法去噪后的圖像在這些紋理區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算法本發明算法SSIM0.33030.73570.80470.8114PSNR20.1828.2929.6229.88從上表中可以看出，本發明方法在兩個客觀評價指標上與WNNM相似，比經典的P-M模型要好。綜合視覺效果以及客觀評價標準兩方面，本發明提出的去噪方法比傳統的圖像擴散模型具有明顯的優越性。以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施只局限于這些說明。對于本發明所屬
技術領域：
的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發明的保護范圍。當前第1頁1 2 3