基于小波閾值與分層深度圖像去噪算法研究

陳天宇 張維忠

摘要： ?針對(duì)Realsense深度相機(jī)提取的深度圖像中背景噪聲和隨機(jī)噪聲對(duì)圖像分割及目標(biāo)識(shí)別的影響，本文提出一種深度圖像分層結(jié)合小波閾值去噪的算法。根據(jù)深度圖像預(yù)估圖像的噪聲強(qiáng)度，確定層級(jí)間隔，將圖像進(jìn)行分層，選擇需要去噪的圖層進(jìn)行小波閾值去噪，將完成的分層圖像拼合成完整的深度圖像，最后選擇多幅深度圖像進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該算法可有效去除深度圖像中某一層級(jí)的背景噪聲及特定噪聲，保留了深度圖像的邊緣信息，具有良好的去噪效果。該研究在獲取深度圖像后的圖像分割、目標(biāo)識(shí)別、圖像修復(fù)等方向具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞： ?深度圖像; 背景噪聲; 小波閾值去噪; 深度分層

中圖分類(lèi)號(hào)： TP391.413; TN911.73 ?文獻(xiàn)標(biāo)識(shí)碼： A

近年來(lái)，深度圖像在客流統(tǒng)計(jì)等許多領(lǐng)域廣泛應(yīng)用，公交客流統(tǒng)計(jì)越來(lái)越成為智能公交系統(tǒng)不可或缺的重要組成部分。由于深度圖像可更好的觀察乘客的人體特征，因此客流統(tǒng)計(jì)大多采用深度相機(jī)采集信息。深度圖像是一種特殊的三維圖像，在人體特征檢測(cè)[13]、姿勢(shì)識(shí)別[46]、人臉識(shí)別[79]等領(lǐng)域應(yīng)用較多，且在人體特征的動(dòng)態(tài)跟蹤和捕捉方面表現(xiàn)優(yōu)良。但是目前大多數(shù)深度相機(jī)所得到的深度圖像受環(huán)境影響較大，其質(zhì)量不高，包含許多噪聲，容易影響目標(biāo)檢測(cè)、目標(biāo)點(diǎn)識(shí)別和目標(biāo)跟蹤的準(zhǔn)確率，所以現(xiàn)階段應(yīng)對(duì)深度圖像進(jìn)行去噪處理。劉繼忠等人[10]運(yùn)用濾波器的方法進(jìn)行深度圖像去噪，但在修復(fù)深度圖像的同時(shí)，也丟失許多圖像的邊緣信息;鄧文君等人[11]提出用濾波方法即用均值代替圖像中各個(gè)像素值以增強(qiáng)去燥的方法;吳倩等人[12]使用形態(tài)學(xué)提取出空洞部分，聯(lián)合彩色圖像填補(bǔ)空洞，指引濾波對(duì)圖像平滑去噪，但修復(fù)的同時(shí)會(huì)破壞一部分原來(lái)的深度值;王奎等人[1314]利用空域顏色匹配聯(lián)合背景修復(fù)，可以很好的填補(bǔ)圖像中的空洞，此方法在去除隨機(jī)噪聲方面效果并不理想;Wang X H等人[1516]利用深度學(xué)習(xí)提高深度質(zhì)量，以改進(jìn)顯著性檢測(cè);Chen F等人[17]借助圖像的稀疏特點(diǎn)，建立稀疏失真模型，通過(guò)此模型對(duì)深度圖像進(jìn)行修復(fù)去噪，但此方法算法較復(fù)雜。為解決現(xiàn)階段深度圖像中一些噪聲去除不明顯，邊緣信息處理效果不好導(dǎo)致的深度圖像信息不清楚的問(wèn)題，本文介紹了一種深度圖像分層結(jié)合小波閾值去噪的算法。根據(jù)噪聲強(qiáng)度確定深度圖像的層級(jí)間隔，并按照噪聲強(qiáng)度對(duì)深度圖像進(jìn)行分層[18]。由于在實(shí)際問(wèn)題中有的噪聲不影響目標(biāo)識(shí)別和追蹤，因此需要處理的某一層級(jí)的深度圖像進(jìn)行小波閾值[1923]去噪，最后將處理完的分層圖集組合成完整的深度圖像。該研究具有一定的實(shí)際應(yīng)用價(jià)值。

1 深度圖像分層

1.1 預(yù)估深度圖像噪聲強(qiáng)度

3 實(shí)驗(yàn)結(jié)果與分析

為檢測(cè)該算法的實(shí)際效果，本文選擇多幅深度圖像進(jìn)行實(shí)驗(yàn)，并通過(guò)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析。去噪算法比較如圖2所示。

在本文提到的去噪算法中選擇2個(gè)參數(shù)，即奇異點(diǎn)歸一化參數(shù)δ和冗余深度值Hre，Hre=50 mm，δ取值以0.1為間隔從0.5到2.0，測(cè)試出效果較好的參數(shù)，然后再實(shí)驗(yàn)Hre對(duì)去噪的影響，確定δ參數(shù)后，使Hre在0～500 mm范圍內(nèi)變化，選取合適的參數(shù)。通過(guò)比較3種算法的去噪結(jié)果可以看出，雙邊濾波算法去噪效果不明顯，圖像沒(méi)有得到明顯改善;分層去噪效果稍好一些，但目標(biāo)內(nèi)部會(huì)存在一些空洞，且小塊噪聲去除不理想。本文提出的算法去噪結(jié)果較理想，大塊噪聲去除干凈，邊緣信息保留比較完整。

4 結(jié)束語(yǔ)

針對(duì)深度圖像背景噪聲和隨機(jī)噪聲等問(wèn)題對(duì)目標(biāo)識(shí)別及檢測(cè)產(chǎn)生的影響，本文介紹了一種深度分層結(jié)合小波閾值去噪算法，通過(guò)實(shí)驗(yàn)對(duì)比，證明該算法能夠較好的去除深度圖像中的背景噪聲，去除效果明顯，邊緣信息保留完整，克服了在去噪過(guò)程中邊緣信息模糊及去噪空洞的問(wèn)題。與其它去噪算法相比，本文提出的算法能更好的保留邊緣信息，針對(duì)性更強(qiáng)，對(duì)后續(xù)圖像分割、目標(biāo)識(shí)別及目標(biāo)檢測(cè)等研究起了關(guān)鍵作用。下一步的研究重點(diǎn)是結(jié)合彩色圖像得到特征來(lái)提高深度圖像的質(zhì)量。

參考文獻(xiàn)：

[1] Ren Z L， Zhang Q S， Qiao P Y， et al. Joint learning of convolution neural networks for RGBDbased human action recognition[J]. Electronics Letters， 2020， 56（21）.

[2] 全夏杰. 基于深度信息的人體運(yùn)動(dòng)識(shí)別算法研究[D]. 長(zhǎng)沙： 湖南大學(xué)， 2018.

[3] 宋相法， 呂明. 融合三維骨架和深度圖像特征的人體行為識(shí)別[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2019， 29（7）： 5559.

[4] Guo D D， Zhu X A. Research on action recognition of human body based on kinect sensor[J]. Applied Mechanics and Materials， 2014， 644： 41624166.

[5] 宋震. 面向多Kinect的三維人體骨架提取及動(dòng)作識(shí)別研究與應(yīng)用[D]. 濟(jì)南： 山東大學(xué)， 2020.

[6] Bangaru S S， Wang C， Zhou X， et al. Gesture recognitionbased smart training assistant system for construction worker earplugwearing training[J]. Journal of Construction Engineering and Management， 2020， 146（12）： 04020144.

[7] 陳振浚， 張小鳳， 方宇杰， 等. 基于深度傳感的人臉識(shí)別算法研究與實(shí)現(xiàn)[J]. 自動(dòng)化應(yīng)用， 2020（8）： 8082.

[8] Mehmet K， Semih E， Mehmet B G， et al. Use of gradient and normal vectors for face recognition[J]. IET Image Processing， 2020， 14（10）： 21212129.

[9] 高濤， 邵倩， 張亞南， 等. 基于深度殘差網(wǎng)絡(luò)的人臉表情識(shí)別研究[J]. 電子設(shè)計(jì)工程， 2020， 28（23）： 101104.

[10] 劉繼忠， 吳文虎， 程承， 等. 基于像素濾波和中值濾波的深度圖像修復(fù)方法[J]. 光電子·激光， 2018， 29（5）： 539544.

[11] 鄧文君， 葉景楊， 張鐵. 面向機(jī)器人磨拋的激光點(diǎn)云獲取及去噪算法[J]. 光學(xué)學(xué)報(bào)， 2016， 36（8）： 180188.

[12] 吳倩， 史晉芳， 王德嬌， 等. 結(jié)合彩色圖像局部分割的Kinect深度圖修復(fù)算法[J]. 計(jì)算機(jī)應(yīng)用研究， 2017， 34（12）： 38523854， 3884.

[13] 王奎， 安平， 張艷， 等. 基于Kinect的實(shí)時(shí)深度提取與多視繪制算法[J]. 光電子·激光， 2012， 23（10）： 19491956.

[14] 王奎， 安平， 張兆楊， 等. Kinect深度圖像快速修復(fù)算法[J]. 上海大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2012， 18（5）： 454458.

[15] Wang X H， Li S， Chen C L Z， et al. Datalevel recombination and lightweight fusion scheme for RGBD salient object detection[J]. ?IEEE Transactions on Image Processing， 2020， 30： 458471.

[16] Chen C L Z， Wei J P， Peng C， et al. Improved saliency detection in RGBD images using twophase depth estimation and selective deep fusion[J]. IEEE Transactions on Image Processing， 2020， 29： 42964307.

[17] Chen F， Hu T Y， Zuo L W， et al. Depth map inpainting via sparse distortion model[J]. Digital Signal Processing， 2016， 58.

[18] 譚志國(guó)， 歐建平， 張軍， 等. 一種層析深度圖像去噪算法[J]. 光學(xué)學(xué)報(bào)， 2017， 37（5）： 94100.

[19] 關(guān)雪梅. 幾種圖像小波去噪算法比較研究[J]. 許昌學(xué)院學(xué)報(bào)， 2018， 37（10）： 5759.

[20] 趙滿(mǎn)慶. 基于小波變換的圖像處理技術(shù)[J]. 電子技術(shù)與軟件工程， 2018（10）： 57.

[21] 管麗玲， 潘伶佼， 朱幼蓮. 小波閾值去噪與Sobel算子相結(jié)合的深度圖像邊緣檢測(cè)技術(shù)[J]. 江蘇理工學(xué)院學(xué)報(bào)， 2014， 20（6）： 5660， 76.

[22] 張弘， 周曉莉. 基于小波閾值和全變分模型的圖像去噪[J]. 計(jì)算機(jī)應(yīng)用研究， 2019， 36（11）： 35043507， 3520.

[23] 翟進(jìn)有， 代冀陽(yáng)， 王嘉琦， 等. 改進(jìn)閾值的小波圖像去噪[J]. 科學(xué)技術(shù)創(chuàng)新， 2018（31）： 1820.