激光图像背景噪声影响的研究

激光图像背景噪声影响的研究 摘    要 本文主要是图像去噪在数字图像处理中的应用，解决的主要问题是图像去噪和图像分割，包括图像变换、中值去噪、阈值分割、真彩色处理。考虑到Matlab在矩阵计算，实现算法，数据可视化方面的特点，通过分析本文采用MATLAB程序处理数字图像。本文应用中值去噪，编写了相关MATLAB程序。中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。采用运算速度比较快的阈值分割方法，编写了相应MATLAB程序。通过多幅图像的实验，结果表明：该方法可以去除激光图片背景噪声。 关键词：图像去噪；中值去噪；MATLAB；图像分割 Study on background noise of the Laser image Abstract The paper is mainly apply for image processing in image denoising. Solve the main problem is image denoising and image segmentation.,including image transformation、median denoising、threshold segmentation、false color processing. Considering the matrix Matlab algorithm, the calculation, data visualization features, through the analysis based on Matlab digital image processing. This application value and denoising MATLAB procedures related. The median filter in image processing, often used for protection of the edge information, is the classic method of noise smooth. Under certain conditions, which can overcome the linear filter, and image details of fuzzy filter pulse jamming and most effective noise image scanning Using speed faster threshold segmentation method and prepared the MATLAB program. Through the experiment of many images, results show that this method can remove the laser images background noise. Key Words：Image denoising; Median denoising；MATLAB；Image segmentation 1 绪论 人类获取外界信息有视觉、听觉、触觉、味觉等多种方法，但绝大部分(约80%)是来自视觉所接收的图像信息，即所谓“百闻不如一见”。而图像处理就是对图像息进行加工处理，以满足人的视觉心理和实际应用的。因此，图像处理技术的广泛研究和应用是必然的趋势。在分析和使用图像之前，需要对图像信号进行一系列处理。比如调整图像存储的格式，对图像进行去噪等等。图像处理是针对性很强的技术，根据不同用途、不同要求采用不同的处理方法。采用的方法是综合各学科较先进的成果而成的，如数学、物理学、心理学、生理学、医学、计算机科学、通信理论、信号分析、控制论和系统工程等，各学科相互补充、相互渗透才使数字图像处理技术飞速发展。 在激光主动成像、激光大气传输等激光应用场合,激光束经远距离传输后的光斑图像将受到严重的噪声污染。一方面,由于环境背景光影响,激光光斑图像中夹杂着众多不同频率的噪声,使得图像轮廓模糊,像质差,图像的信噪比降低;另一方面,图像采集时总会受到CCD的热噪声、读出噪声、A /D转换噪声、量化噪声的干扰。这些噪声极大地影响了上述应用场合的光斑分析,尤其是在暗背景条件下, CCD的光子噪声成为制约图像信噪比的主要因素,低信噪比条件下的激光光斑图像预处理技术是目前激光图像处理的一个研究热点。 1.1 噪声图像模型及噪声特性 1.1.1含噪模型 现实中的数字图像在数字化和传输过程中，常受到成像设备与外部环境噪声干扰等影响，成为含噪图像。去除或减轻在获取数字图像中的噪声称为图像去噪,在图像去噪之前我们先要建立一个含噪图像的模型，为了简便，我们研究如下的加性噪声模型，即含噪图像仅由原始图像叠加上一个随机噪声形成: （1-1） 表示图像， 为噪声，含噪图像记为 。 1.1.2 噪声特性 在对这个含噪模型进行研究之前，我们有必要了解一下噪声的一些特性，经常影响图像质量的噪声源可分为三类。人们对其生成原因及相应的模型作了大量研究: 1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的，一般常用零均值高斯白噪声作为其模型，它可用其标准差来完全表征。 2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起，在弱光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型，在光照较强时，泊松分布趋向于更易描述的高斯分布。 3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光，而其余部分则未曝光，底片的密度变化就由曝光后的颗粒密集程度变化所决定，而算曝光颗粒的分布呈现一种随机性。在大多数情况下，颗粒噪声可用高斯白噪声作为有效模型。 通过以上分析可以看出，绝大多数的常见图像噪声都可用均值为零，方差不同的高斯白噪声作为其模型，因而为了简便和一般化，我们采用零均值的高斯白噪声作为噪声源。 1.2 图像质量的评价 图像质量的评价由于着眼点不同而有多种方法，这里介绍的是一种经常使用的所谓的逼真度测量。对于彩色图像逼真度的定量表示是一个十分复杂的问题[5]。目前应用得较多的是对黑白图像逼真度的定量表示。 对于连续图像场合，设 为一定义在矩形区域 ， 的连续图像，其降质图像为 ，它们之间的逼真度可用归一化的互相关函数K来表示: (l-2) 对于数字图像场合设 为原参考图像， 为其降质图像，逼真度可定义为归一化的均方误差值NMSE： （1-3） 如对数处理、幂处理等，常用的 为 , 、 、 、b均为常数。                (l-4) 另外一种常用的峰值均方误差PMSE: (l-5) 式中，A为 的最大值。实用中还常采用简单的形式 。此时，对于8比特精度的图像，A=255，M、N为图像尺寸。 峰值均方误差PMSE也被表示成等效的峰值信噪PSNR: （1-6） 2  数字图像去噪方法 2.1 传统去噪方法 对随时间变化的信号，通常采用两种最基本的描述形式，即时域和频域。时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。对应的图像的去噪处理[4]方法基本上可分为空间域法和变换域法两大类。前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。变换域法是在图像的变换域上进行处理，对变换后的系数进行相应的处理，然后进行反变换达到图像去噪的目的。   中值滤波. 中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。 中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。 设有一个一维序列 ， ，…， ，取窗口长度为m(m为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数， ，…， ，…， ，…， ，…， ，其中 为窗口的中心位置， ，再将这m个点按其数值大小排列，取其序号为正中间的那作为出。用数学公式表示为: (2-2) 例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。此例若用平均滤波，窗口也是取5，那么平均滤波输出为 。因此平均滤波的一般输出为: (2-3) 对于二位序列 进行中值滤波时，滤波窗口也是二维的，但这种二位窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为： (2-4) 在实际使用窗口时，窗口的尺寸一般先用 再取 逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。 2.2  本文去噪方法 通过对以上方法的研究，本文采用中值去噪。中值滤波器的优点是:它可以克服线性滤波器(如均值滤波) 给图像带来的模糊,做到在有效地清除脉冲噪声的同时,又保持良好的边缘特性,从而获得较满意的复原效果。中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。 3  总体#方案# 3.1总体方案介绍 本文解决的主要问题是激光光斑图像背景噪音的去除。包括图像格式的转化、中值去噪、图像分割，真色彩处理等几个主要部分。首先将图像读入，将图片转换成灰度图片。运用中值去噪对图像去除噪音，消除小的噪音。求取最佳阈值，然后用最佳阈值进行图像分割，去除图中较大的噪音。利用graythresh函数得到Otsu分割方法的灰度阈值，得到二值图像。最后对得到的二值图像进行彩色处理得到最后的图像。 本文重点在于中值去噪和图像分割。我采用的是3*3模板的中值去噪。中值去噪是将输出的像素值设置为相应的输入像素的边沿像素值的合成。中值去噪输出的象素值的大小等于边沿像素的中值。中值滤波容易去除孤立点，线的噪声同时保持图象的边缘；它能很好的去除二值噪声。图像阈值分割是利用图像中灰度特性的差异，把图像分为目标和背景两类区域. 阈值分割的基本是先确定阈值，然后根据阈值把图像分割归类. 图像分割中确定最优阈值是关键。确定阈值后就可以对图像进行分割，去除噪音部分。得到二值图像。 3.2总体方案流程图 总体流程图是整体的软件设计，是本文设计的总体思想，是本设计的骨架和核心，总体流程图如图3.1所示。 图 3.1 总体方案流程图 4  激光光斑图像去噪 4.1 中值去噪 中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。 图像去噪程序： I=imread('1.bmp');      %读取图片 subplot(2,2,1); imshow(I);          %显示图片 title('有背景噪声的激光图像') I1=I(:,:,1);% R I2=I(:,:,2);% G I3=I(:,:,3);% B %分别对I1，I2,I3进行中值滤波，最后相加,统一3*3大小的模板，可以修改为5*5，或7*7 I1=medfilt2(I1);%默认为3*3 I2=medfilt2(I2); I3=medfilt2(I3); I(:,:,1)=I1; I(:,:,2)=I2; I(:,:,3)=I3; subplot(2,2,2);imshow(I);title('去噪后图像'); 中值去噪子程序流程图如下： 图4.1  中值去噪子程序流程图 图4.2 中值去噪 从图4.2可以看出，中值去噪后小的噪音没有了。但并不能去除大的噪音。大的噪音需要图像分割去除。 4.2  图像分割 4.2.1 图像分割概述 图像分割是图像处理中的一项关键技术,自20 世纪70 年代起一直受到人们的高度重视,至今已提出上千种分割算法。然而,由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题[10]。 4.2.2 图像分割方法 。 阈值分割方法 阈值分割方法的历史可追溯到近40 年前,现已提出了大量算法。对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类。这两类象素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。   4.2.3 阈值分割 阈值分割方法的历史可追溯到近40 年前,现已提出了大量算法。对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类。这两类象素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 图像分割子程序流程如下： 图4.3 图像分割子程序流程图 阈值分割程序： l=imread('C:\Documents and Settings\Administrator\桌面\20.bmp'); figure,imshow(l); [x,y]=size(l);              %求出图像大小 b=double(l);                  z0=max(max(max(l)));                %求出图像中最大的灰度 z1=min(min(min(l)));                %最小的灰度 T=(z0+z1)/2;                        %T赋初值为最大值和最小值的平均值 TT=0;                              %TT 赋初值 S0=0.0; n0=0.0;                %为计算灰度大于阈值的元素的灰度总值，个数赋值 S1=0.0; n1=0.0;                %为计算灰度小于阈值的元素的灰度总值，个数赋值  allow=50;                            %新旧阈值的允许接近程度 d=abs(T-TT); count=0;                          %记录几次循环 while(d>=allow)                    %阈值分割最佳算法¨ count=count+1;                %循环次数 for i=1:x, for j=1:y, if l(i,j)>=T, S0=S0+b(i,j);    n0=n0+1; end if l(i,j)=allow)                    %阈值分割最佳算法¨ count=count+1;                %循环次数 for i=1:x, for j=1:y, if l(i,j)>=T, S0=S0+b(i,j);    n0=n0+1; end if l(i,j)