一種圖像降噪的自適應迭代終止策略

戴　蓉　黃　成

1(中國民用航空飛行學院計算機學院　四川 廣漢 618307)2(四川工程職業技術學院　四川 德陽 618000)

?

一種圖像降噪的自適應迭代終止策略

戴蓉1黃成2

1(中國民用航空飛行學院計算機學院四川 廣漢 618307)2(四川工程職業技術學院四川 德陽 618000)

摘要降噪是圖像處理領域的重要問題。針對現有大多數迭代類圖像降噪算法終止條件判斷復雜或不恰當終止的現象，提出一種與圖像相關的迭代終止判據，不需要預設經驗參數，而通過對圖像數據的學習實現自適應的方法。該方法通過判斷每一步被降噪的像素點的數量是否最小化來決定是否終止迭代，從而使處理后的圖像具有最大峰值信噪比。實驗結果表明，該方法在各種噪聲條件圖片的降噪中都實現了峰值信噪比最大化，是一種高效的、與圖像相關的方法。

關鍵詞降噪迭代終止條件自適應峰值信噪比選擇性中值濾波器

0引言

由于圖像采集終端的性能影響、圖像傳輸信道的干擾問題以及圖像存儲介質和展示介質的粒噪聲等問題，不同類型和程度的噪聲廣泛存在于各種圖像當中。這些噪聲對基于圖像的應用以及人類對圖像信息的理解造成了困難，因此降噪是圖像處理領域的重要問題。圖像檢索、人臉識別、增強現實以及圖像數據融合等多個課題都與降噪的效果有密切關系。隨著Web時代圖像成為大數據越來越重要的數據形式[1]，圖像降噪成為網絡數據處理領域不容忽視的問題。

隨著圖像處理應用范圍的拓展和程度的深入，降噪技術引起了越來越多的關注。邊界判別噪聲檢測方法是一種基于選擇性中值濾波的降噪算法[2]。該方法通過掃描每個像素點的鄰域，逐步縮小被損壞的鄰域范圍，從而確定噪聲點。該方法可通過迭代使降噪性能逐步達到很高的水平，然而算法的復雜度和時間開銷也是較大的。DT-CWT是一種基于離散小波變換的降噪方法，該方法通過重尾分布的二元分布模型提高了降噪的性能[3]，但算法的收斂條件問題沒有很好地解決。M3TM是一種快速的圖像降噪方法，由于優化了馬爾科夫樹模型的求解流程，該算法取得了不錯的實時應用效果[4]。不幸的是，該算法應用于醫學影像以外的很多圖像降噪的性能不佳。

以上各類算法多通過迭代提高降噪的效果，在這類算法中，迭代的終止條件對算法的時間開銷和降噪的性能有至關重要的影響。在文獻[2]中，迭代的初始區域選擇為21×21像素，當迭代區域為3×3像素仍然有被損壞時，直接認定為噪聲像素，這種方式使迭代的終止無彈性可言。倫敦大學帝國理工學院的Chourmouzios教授和希臘信息技術學院的Maria博士提出了一種圖像降噪算法自動終止策略[5]，然而這種策略依然不是根據圖像自適應的。華南理工大學的肖宿等人提出了一種基于稀疏正則優化的降噪方法，在該方法中，通過引入迭代軟閾值實現了自動終止[6]。然而該方法實現自動終止迭代所付出的額外計算開銷較大。波爾多大學的Sutour等人提出了一種基于非本地均值的圖像、視頻通用降噪方法，該方法鄰域像素加權實現迭代自終止[7]。實驗結果反映出這種方法存在一定的過早結束迭代問題。

本文提出一種根據具體圖像自適應停止迭代的圖像降噪終止策略。該方法通過判斷每一步迭代鄰域內被還原的像素數目知否最小化而決定是否停止迭代，實現了降噪后的圖像具有最大峰值信噪比。

1基本降噪方法

為了使關于本文提出迭代終止策略的討論有所依托，在本文中采用基于選擇性中值濾波技術的方法作為降噪算法。

1.1選擇性中值濾波

設I是含有隨機脈沖噪聲的圖像，Iij代表坐標為(i,j)處的灰度值。設ω為像素點(i,j)處的滑動窗，其尺寸滿足由式(1)定義：

Sω=(σ+1)2

(1)

其中σ是大于零的整數，則選擇性中值過濾器可由式(2)定義：

(2)

(3)

定義加權標準差s(i,j)如式(4)：

(4)

由上述步驟，可得到最終的降噪規則如式(5)所示：

(5)

其中α是給定的參數。通過迭代計算，就可以求得降噪之后的圖像。

1.2傳統迭代求參方法

通常式(5)的參數α在初始化時都被設置為一個較大的值，然后通過迭代求解參數，參數設定與求解如式(6)[8]：

α0=20αn=0.8αn-1

(6)

在這種情況下，算法一般都無法自動求得調出迭代的條件，只能依靠人工預先設置的經驗參數。

為了提高算法的性能，還有學者提出了其他迭代方法，如式(7)[9]：

T0=510Tn+1=0.85Tn

(7)

在上述迭代方法中，依然沒有提出循環終止的自適應策略，仍需依賴人工經驗。

2自適應迭代終止策略

2.1降噪細節分析

為了引出文本的自適應迭代終止策略，需要精確分析基于選擇性中值濾波器的隨機脈沖噪聲去除過程。

首先，如式(2)所定義的閾值，首先會被設置為一個較大的數值，只有被探測到的噪聲像素被清除出圖像。經過初始化之后，閾值會隨著迭代次數的增多而逐漸下降。隨著閾值的降低，降噪算法就會逐漸表現出去除非噪聲像素的危險傾向，這時就需要終止迭代過程。

為了更形象地說明這一現象，圖1給出了過度迭代和迭代不足的示例。在圖1中，原圖和含噪聲圖的尺寸都為20×20像素。

圖1　迭代不足與迭代過度示例

在圖1中，(a)表示無噪聲的原圖，(b)是含噪聲的圖像，(c)是降噪過程中，迭代不足的情況，(d)表示降噪過程中，迭代過度的情況。(c)表明當迭代不足時，圖像中會殘留未被處理的噪聲像素；(d)表明當迭代過度時，圖像中會有非噪聲像素被誤清除。因此，合適的迭代次數，應當在(c)和(d)之間。

2.2PNSR最大化迭代終止條件

遺憾的是，在實際應用中，人們無法知道哪些是噪聲像素，哪些是非噪聲像素，因此無法通過類似圖1的觀察來決定迭代是否終止。所幸在每一輪降噪過程中很容易確定被處理的像素點數目。在基于選擇性中值濾波的降噪過程中，每一步被處理的像素點數目如圖2所示。

圖2　迭代次數與處理像素點數目的關系

圖2表明，降噪算法處理迭代點的總數目是一個先減后增的函數。并且圖2明顯表現出當迭代中處理的像素點數目達到最小值時，降噪算法即將開始清除非噪聲像素。

為了更準確地建立迭代終止判據，我們需要降噪的質量評價標準。為此引入了恢復圖像的峰值信噪比。根據以往大量實驗的結果，峰值信噪比在迭代中處理的像素點數目有遞減變為遞增之后的第二輪達到最大值[10]，并且通常峰值信噪比越大，圖像的質量越高。

由于迭代中處理像素點數目與峰值信噪比的關系，以及峰值信噪比與降噪質量之間的關系已經確立，因而可以得到本文提出的迭代終止策略的完整流程，具體算法如下：

圖像降噪的自適應迭代終止算法

Input:帶有噪聲的圖像I, 圖像的尺寸m×n圖像降噪算法F，初始參數值

Output: 降噪算法的迭代次數T

1begin

2計算每輪中降噪算法所處理的像素總數pi

3if (pi> pi+1)

4T=i+1

5終止循環

6else

7繼續迭代

8end

3實驗

在實驗部分，我們以FSWA[11]和BDND[12]為降噪算法，測試了使用本文提出的迭代終止條件的降噪效果，并與算法本身迭代終止方法所得到的降噪效果作了對比。實驗的數據為經典圖像處理測試材料Barbara和Lena圖像，以及數據堂提供的圖像處理數據集。

3.1圖像降噪示例

首先以Barbara為實驗圖像，對比了基于本文提出迭代終止策略的FSWA和BDND算法降噪效果。實驗結果如圖3所示。

圖3　降噪效果展示

在圖3中，(a)是Barbara的原始圖像，(b)是含有40%噪聲的圖像，(c)是通過FSWA降噪的圖像，(d)是通過BDND降噪的圖像。圖3表明基于本問題提出迭代終止策略的降噪算法具有明顯的圖像還原能力，特別是基于本文提出策略的FSWA算法，具有優秀的降噪能力。

3.2實驗數據分析

為了定量分析本文提出迭代停止策略對降噪算法性能的影響，我們在人工添加20%高斯白噪聲的圖像數據集中，對比了FSWA算法和BDND算法在原有迭代模式下和在基于本文提出迭代終止策略下的降噪性能。著重對比了不同迭代終止策略下，相同圖像集的平均未處理噪聲像素數、平均誤處理非噪聲像素數和平均總有效處理像素數，實驗結果如表1所示。

表1　不同終止策略的降噪效果對比

如表1所示，對兩種降噪算法，本文提出的迭代終止策略都能提高它們的降噪效果。表1解釋了FSWA的問題是有可能讓迭代提前結束，BDND的問題是有可能過度迭代。

為了更直觀地對比不同迭代終止策略對降噪性能的影響，我們對比算法應用不同迭代模式降噪后的圖像峰值信噪比，實驗結果如表2所示。

表2　不同迭代策略的峰值信噪比

表2表明本文提出的迭代終止策略能切實提高圖像降噪后的峰值信噪比，從而提高圖像降噪的效果。

4結語

降噪是圖像處理領域的基礎問題，特別是隨著物聯網的發展，越來越多的圖像被廉價終端所采集。并且由于圖像傳輸信道與存儲介質甚至展示設備的影響，噪聲在各類圖像數據集里是廣泛存在的。現有大部分圖像降噪算法是通過對像素鄰域的迭代處理實現圖像還原的。這一類方法面臨的一個挑戰就是如何根據具體圖像的情況，自適應地終止迭代。

針對這一問題，本文提出了一種與圖像相關的降噪算法的迭代終止策略。該策略通過對比每一輪降噪所處理的像素點數來發現處理像素數目曲線的變化趨勢。當處理數目逐漸減少時，認為噪聲像素點也在逐漸減少；當處理像素數量又開始增多時，說明算法已經開始誤處理非噪聲像素了，此時需要終止迭代。通過本文提出的迭代終止策略，算法可在盡量不處理非噪聲像素的前提下最大化清除噪聲像素，從而提高了降噪后圖像的峰值信噪比，達到了更高的降噪效果。

參考文獻

[1] 侯剛.基于內容的圖像檢索中特征表示與檢索策略研究[D].吉林大學,2014.

[2] Wan Y,Chen Q,Kang Y.Robust impulse noise variance estimation based on image histogram[J].IEEE Signal Processing Letters,2010,17(5):485-488.

[3] Hilla P R,Achima A M,Bulla D R,et al.Dual-Tree Complex Wavelet Coefficient Magnitude Modelling Using the Bivariate Cauchy-Rayleigh Distribution for Image Denoising[J].Singnal Processing,2014,105(12):464-472.

[4] Hanzouli H,Lapuyade-Lahorgue J,Monfrini E,et al.PET/CT image denoising and segmentation based on a multi observation and a multi scale Markov tree model[C]//IEEE Nuclear Science Symposium and Medical Imaging Conference,Seoul,Korea,2013:1-4.

[5] Tsiotsios Chourmouzios,Petrou Maria.On the Choice of the Parameters for a Nisotropic Diffusion in Image Processing[J].Pattern Reconintion,2012,46(5):1369-1381.

[6] 肖宿,韓國強.基于稀疏正則優化的圖像復原算法[J].計算機應用,2012,32(1):261-264.

[7] Sutour C,Deledalle C A,Aujol J F.Adaptive Regularization of the NL-Means:Application to Image and Video Denoising[J].IEEE Transactions on Image Processing,2014,23(8):3506-3521.

[8] Pesnel S,Akkoul S,Lédée R,et al.Use of an image restoration process to improve spatial resolution in bioluminescence imaging[J].Molecular Imaging,2011,10(6):446-452.

[9] Wei C,Yang C,Lin C.A latent semantic indexing-based approach to multilingual document clustering[J].Decision Support Systems,2012,45(3):606-620.

[10] 邱宇,基于雙邊濾波的圖像去噪及銳化技術研究[D].重慶大學,2011.

[11] Varghese Justin,Ghouse Mohamed,Subash Saudia,et al.Efficient adaptive fuzzy-based switching weighted average filter for the restoration of impulse corrupted digital images[J].IET Image Processing,2014,8(4):199-206.

[12] Nasimudeen A,Nair Madhu S,Tatavarti Rao.Directional Switching Median Filter Using Boundary Discriminative Noise Detection by Elimination[J].Signal Image and Video Processing,2012,6(4):613-624.

AN ADAPTIVE ITERATION TERMINATION STRATEGY FOR IMAGE DENOISING

Dai Rong1Huang Cheng2

1(SchoolofComputerScience,CivilAviationFlightUniversityofChina,Guanghan618307,Sichuan,China)2(SichuanEngineeringTechnicalCollege,Deyang618000,Sichuan,China)

AbstractNoise reduction is an important issue in the field of image processing. For the phenomena that most of current image noise reduction algorithms of iteration class are complex in judging the termination condition or are inappropriately terminated, we proposed such a method, it has the iteration termination criterion correlated to images and needs no preset empirical parameters but achieves the adaption through learning image data. The method decides whether to terminate the iteration or not according to the judgement of whether the number of the denoised pixels in each step be minimised, so that the processed image will have a maximum peak signal-to-noise ratio (PSNR). Experimental result revealed that the method achieved the maximisation of PSNR in image noise reductions with various noisy environments, and was a highly efficient and image-correlated method.

KeywordsDenoisingIteration termination strategyAdaptivePSNRSwitching median filter

收稿日期：2014-11-28。四川省教育廳科研項目(13ZA0135)。戴蓉，副教授，主研領域：計算機仿真，數據庫技術，多媒體技術。黃成，副教授。

中圖分類號TP391

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.05.051