CN105096280B - 处理图像噪声的方法及装置 - Google Patents

Abstract

本发明提供一种处理图像噪声的方法及装置，其中，上述方法包括：获取一帧原始图像对应的YUV空间图像的Y分量图像；采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号；识别所述高频域信号中的边缘信号和非边缘信号；对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像。本发明提供的去除图像噪声的方法，可以高效地去除图像中的大量噪声，提高图像的信噪比。

Description

处理图像噪声的方法及装置

技术领域

本发明涉及数字图像处理技术领域，特别涉及一种处理图像噪声的方法及装置。

背景技术

目前数码产品与人们的生活密切相关，如安防监控摄像机、手机相机以及类似于Apple Watch等便携式mini相机等。上述数码产品在信息采集过程中因受自身元器件、拍摄环境等因素的影响，采集的数字图像中会含有噪声，特别是在低照度环境下采集图像的噪声更加明显。因此，采取合适的图像处理方法为原始数字图像去除噪声是数码产品中图像处理的一个重要环节。

现有技术中，采用传统的小波滤波算法为数字图像去除噪声，具体过程为：首先对噪声图像进行小波分解，然后采用阈值收缩算法对高频域的小波系数进行阈值收缩处理，最后经过小波逆变换处理获得去除噪声后的数字图像。然而，传统的小波滤波算法比较适合对信噪比较高的高斯白噪声污染图像去除噪声，而对噪声颗粒较大且噪声密集的低照度图像，去除噪声的效果并不好。

发明内容

有鉴于此，本发明提供一种处理图像噪声的方法及装置，提高低照度图像的去噪效果。

一方面，提供了一种处理图像噪声的方法，包括：

获取一帧原始图像对应的YUV空间图像的Y分量图像；

采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号；

识别所述高频域信号中的边缘信号和非边缘信号；

对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号

进行滤波，获得处理后的高频域信号；

使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像。

可选的，所述预设图像分解算法为二维离散小波分解算法；所述识别所述高频域信号中的边缘信号和非边缘信号，包括：

将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

若所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号；

若所述相邻级高频域小波分解系数的乘积不大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应位置的信号标记为非边缘信号。

可选的，所述使用第一滤波方法对所述非边缘信号进行滤波，具体为：

按照预设阈值收缩算法对所述非边缘信号的各级高频域小波分解系数进行小波收缩处理；

其中，所述预设阈值收缩算法公式表示如下：

其中，f表示小波域内的Y分量图像的小波系数，g和n分别表示小波域内的无噪图像和噪声信息；j＝1、2、3、…J，J为小波分解的最高级别；sign(f)为符号函数；T_j表示第j级的小波阈值，采用以下公式表示：

其中，N为对应小波域内小波系数的总体个数；

参数S表示为：

其中，

σ_f表示小波域内输入噪声图像的图像标准差；σ_n表示小波域内的噪声信息的标准差，由一级小波分解后的最高频域小波系数f_HH1的绝对值的中值决定，即σ_g表示小波域内的无噪图像的标准差；σ_g,j表示无噪图像在小波域内的第j级小波系数的标准差。

可选的，所述使用第二滤波方法对所述低频域信号进行滤波处理，获得处理后的低频域信号，包括：

选择导向图像；

根据所述导向图像获取图像特征参数，建立导向滤波器；

使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数；

从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

使用所述导向滤波器对获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。

可选的，所述选择导向图像，包括

当相机位置保持不变时，选择一帧光照条件好的图像作为导向图像；

若相机处理器的数据处理速度较快，则将相机在点击拍摄或抓图时获取的前几帧的图像的平均值作为导向图像；

当相机在不停移动且相机处理器的性能一般时，则选择当前拍摄的图像作为导向图像。

另一方面，提供了一种处理图像噪声的装置，所述装置包括：

图像解析模块，用于获取一帧原始图像对应的YUV空间图像的Y分量图像；

图像分解模块，用于采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号；

边缘识别模块，用于识别所述高频域信号中的边缘信号和非边缘信号；

第一处理模块，用于对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；

第二处理模块，用于使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

图像重构模块，用于采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像。

可选的，所述图像分解模块采用二维离散小波分解算法分解所述Y分量图像；

所述边缘识别模块包括：

判断单元，用于将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

边缘信号识别单元，用于在所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号；

非边缘信号识别单元，用于在所述相邻级高频域小波分解系数的乘积不大于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为非边缘信号。

可选的，第一处理模块包括：

边缘信号处理单元，用于对所述边缘信号做边缘增强处理；

非边缘信号处理单元，用于使用第一滤波方法对所述非边缘信号进行滤波；

其中，所述非边缘信号处理单元，具体用于

按照预设阈值收缩算法对所述非边缘信号的各级高频域小波分解系数进行小波收缩处理；

其中，所述预设阈值收缩算法公式表示如下：

其中，f表示小波域内的Y分量图像，g和n分别表示小波域内的无噪图像和噪声信息；j＝1、2、3、…J，J为小波分解的最高级别；sign(f)为符号函数；T_j表示第j级的小波阈值，采用以下公式表示：

其中，N为对应小波域内小波系数的总体个数；

参数S表示为：

其中，

σ_f表示小波域内输入噪声图像的图像标准差；σ_n表示小波域内的噪声信息的标准差，由一级小波分解后的最高频域小波系数f_HH1的绝对值的中值决定，即σ_g表示小波域内的无噪图像的标准差；σ_g,j表示无噪图像在小波域内的第j级小波系数的标准差。

可选的，所述第二处理模块包括：

导向图像选择单元，用于选择导向图像；

滤波器确定单元，用于根据所述导向图像获取图像特征参数，建立导向滤波器；

第一导向滤波单元，用于使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数；

小波系数重构单元，用于从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

第二导向滤波单元，用于使用所述导向滤波器对获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。

可选的，导向图像选择单元具体用于：

在相机位置保持不变的情况下，选择一帧光照条件好的图像作为导向图像；

在相机处理器的数据处理速度较快的情况下，将相机在点击拍摄或抓图时获取的前几帧的图像的平均值作为导向图像；

在相机处于不停移动状态且相机处理器的性能一般的情况下，选择当前拍摄的图像作为导向图像。

本发明提供的处理图像噪声的方法具有以下优点：

本发明实施例提供的去除图像噪声的方法，在对图像进行小波变换后，对小波域内的高频信号进行阈值收缩处理，且对小波域内的低频信号进行导向滤波处理，从而实现在尽可能保留图像原有细节信息的基础上，有效去除图像中的大量噪声，提高图像的信噪比，适合为实时拍摄的低照度图像有效去除噪声。

附图说明

图1是本发明处理图像噪声的方法实施例的流程图；

图2是本发明方法实施例中二维离散小波变换处理过程的示意图；

图3是本发明方法实施例中二维离散小波分解过程的示意图；

图4是本发明方法实施例中二维离散小波分解过程的示意图；

图5是本发明方法实施例中相邻级高频域小波分解系数乘积的示意图；

图6是本发明方法实施例中步骤14具体实施方式的流程图；

图7是本发明方法实施例中小波去噪收缩算法对应的小波收缩函数曲线；

图8是本发明方法实施例中步骤15实施方式的流程图；

图9是本发明方法实施例中导向滤波过程的示意图；

图10是本发明方法实施例中步骤16实施方式的流程图；

图11是本发明本发明处理图像噪声的方法实施例的示意图；

图12是本发明处理图像噪声的装置实施例的结构框图；

图13是本发明装置实施例中边缘识别模块实施例的结构框图；

图14是本发明装置实施例中第一处理模块实施例的结构框图；

图15是本发明装置实施例中第二处理模块实施例的结构框图；

图16是本发明装置实施例中图像重构模块实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

数码产品的光学信息采集***输出的原始图像一般为RGB空间图像。若需对上述原始图像进行图像处理，一般处理过程如下：首先将上述RGB空间图像转换为YUV空间图像，然后对上述YUV空间图像进行处理，最后将处理后的YUV空间图像再转换成RGB空间图像。所谓RGB空间图像，就是用红(red)、绿(green)、蓝(blue)三原色表示的数字图像。所谓YUV空间图像，就是用亮度和颜色色差表示的数字图像，其中，Y代表亮度，U、V代表颜色色差的两个分量。

若要对一帧数字图像进行去除噪声处理，主要是对该图像对应的灰度图像进行滤波处理，即对该图像对应的YUV空间图像中的Y分量进行滤波处理，得到去噪后的Y分量图像。然后，将去噪后的Y分量图像和原始的U分量和V分量转换为去噪后的RGB空间图像。

本发明提供了一种处理图像噪声的方法，适用于对光照不足场景下如夜晚拍摄的低照度图像去除高密度斑点噪声。

参照图1，示出了本发明处理图像噪声的方法实施例的流程图，包括：

步骤11、获取一帧原始图像对应的YUV空间图像的Y分量图像；

上述原始图像为低照度环境下拍摄的RGB空间图像，图像的噪声斑点大且噪声密集。

步骤11具体实施过程可以包括：获取一帧低照度原始RGB彩色图像；将该低照度图像由RGB空间转换到YUV空间，其转换公式为：

Y＝0.299R+0.587G+0.114B

U＝-0.147R-0.289G+0.436B ……公式(1)

V＝0.615R-0.515G-0.100B

从上述YUV空间图像数据中分离Y分量数据，即获取Y分量图像，直观看是一帧灰度图像。上述Y分量图像为本发明实施例的处理对象，具有噪声斑点较大且噪声密集的特点。

步骤12、采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号；

本发明实施例可以采用二维小波离散分解算法对上述Y分量图像进行二维离散小波变换(Discrete Wavelet Transform，DWT)处理。具体地，采用不抽样(non-decimated)小波基函数对输入噪声图像进行non-decimated小波变换，处理过程为：将数字图像的二维数据作为矩阵看待，对矩阵的行和列分别进行一维离散小波变换。

二维离散小波变换有如下两种构造方式：正方形小波变换和矩形小波变换。参照图2，示出了二维离散小波变换处理过程的示意图，较常用的正方形小波变换过程包括以下步骤：

第一步，对矩阵的每一行进行一维DWT，将产生的光滑部分L即通过低通滤波器的系数放在矩阵的左半部分，细节部分H即通过高通滤波器的系数放在矩阵的右半部分。

第二步，对矩阵的每一列进行一维DWT，将产生四种类型的小波系数，即在行和列两个方向均通过低通滤波器的系数构成的LL子频带、在行和列两个方向上均通过高通滤波器的系数构成的HH子频带、在行方向上通过低通滤波器而在列方向上通过高通滤波器的系数构成的LH子频带、及在行方向上通过高通滤波器而在列方向上通过低通滤波器的系数构成的LH子频带。

其中，LL置于矩阵左上角，作为下一级二维离散小波变换的输入；HH置于矩阵右下角，表示该级别上原二维数据体的对角线方向特征；HL置于矩阵的左下角，表示该级别上原二维数据体水平方向结构；LH置于矩阵的右上角，该级别上原二维数据体垂直方向信息。

第三步，在下一级上对左上角的LL部分重复上面的两步骤。

在图2所示的二维离散小波变换处理过程的示意图中示出了上述三个步骤的实施过程，图2中的a、b、c三幅图分别对应上述第一步、第二步、第三步。其中，a图为对行实施一维DWT后的结果；b图为对列实施一维DWT后的结果；c图为下一级二维DWT后的结果。

第四步，按上述三个步骤迭代分解下去，可以一直分解到LL中只剩下一个数据；在一般应用中，分解到第4级已经可以满足需求。

对于矩形小波变换，由于其运算量较大并且提供不了水平和垂直方向的特定信息，所以在实际应用中很少采用，此处不再赘述。

对应的，结合图3和图4所示的二维离散小波分解过程的示意图说明二级小波分解过程。在本发明实施例，对于离散二维图像即Y分量图像，假设用LL0表示上述Y分量图像，如d图所示，则采用二维离散小波分解算法对其进行二级分解的步骤为：首先对图像的每一行像素进行一维离散小波分解，然后再对图像的每一列进行一维离散小波分解，这样便将一幅图像分解为四个子频带信号，包括：一级低频带信号LL1，三个一级高频带信号分别为:LH1、HL1、HH1，如e图所示。按照上述步骤三对e图中的一级低频带信号LL1进行二级小波分解，在e图的基础上，将一级低频带信号LL1进一步分解为四个子频带信号，如包括：二级低频带信号LL2，二级高频带信号LH2、HL2、HH2，与上述一级高频域信号构成嵌套式二层结构，如f图所示。

下面将对图3中的一些子频带分量，即相应的小波分解系数作简单的分析。LL0为原始信号，图像的信息都集中在这里。每次小波分解都会得到四个子频带，对LL0进行一级小波分解后得到LL1、LH1、HL1和HH1四个子频带分量。

其中，LL1是对原始信号LL0的列和行作小波变换后的低频域信号，即一级小波分解后的近似部分，它包含了原始图像最多的低频信息，如图4中的h图所示。

LH1是一级小波分解后的垂直方向的高频信号，即它包含了图像在水平方向的近似分量和垂直方向上的高频信息，即直观上看到的是行方向上的边缘线，如图4所示。

HL1是一级小波分解后的水平方向的高频信号，即它包含了图像垂直方向的近似信息和水平方向的高频信息，即直观上看到的是列方向上的边缘线，如图4所示。

HH1是一级小波分解后对角线方向的高频信号，即它包含了信号在水平与垂直方向的边缘等高频信息，即直观上看到的是对角线方向上的边缘线，如图4所示。

图4是二维离散小波分解过程的示意图，为了更加清晰、直观地观察二维离散小波二级分解的特点，对一幅简单的图像进行二级小波分解实验，结果如图4所示。

对比图3中的f图与图4中对应的i图可知：二级小波分解后的低频域信号LL2包含了原始图像最多的信息；而高频域信号LH1、HL1、HH1、LH2、HL2和HH2保留了原图像的边缘等高频信息，并且在水平、垂直和对角线这三个不同的方向上，相应的边缘被保留下来。例如观察LH1，由于LH1是对LH0作列方向的高频滤波，然后对LH0作行方向低频滤波而得到的结果，因此，LH1保留了列方向上的边缘点，即直观上看到的是行方向上的边缘线。同理分析，HL1保留了列方向上的边缘线，HH1保留了对角方向上的边缘线。

上述过程是以对Y分量图像的二级分解为例，示例性地对二维离散小波分解过程进行了详细介绍。实际应用中，可以对Y分量图像一直分解到最大级别第J级，得到一个第J级低频域信号LLJ和各级高频域信号。其中，J属于正整数。上述各级高频域信号可以包括：LH1、HL1、HH1、LH2、HL2、HH2、…LHJ、HLJ、HHJ。

步骤13、识别高频域信号中的边缘信号和非边缘信号；

步骤13具体为采用预设边缘检测算法对高频域信号进行边缘检测，可以包括：

步骤A、将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

本发明实施例采用不抽样(non-decimated)小波基函数对输入噪声图像进行non-decimated小波变换。经过non-decimated小波变换后，小波域内相邻级别小波系数的数量是相同的。将相邻域内的小波系数相乘，边缘处小波系数相乘的结果会比非边缘的系数相乘结果更加突出，用此方法可以检测该小波系数是否为边缘系数。

参照图5所示的相邻级高频域小波分解系数乘积的示意图，以Y分量图像中的一列信号为例说明，f′为该列信号幅值的曲线图，f_HH1表示该列信号一级小波分解后对应的一级最高频域小波分解系数，f_HH2表示该列信号二级小波分解后对应的二级最高频域小波分解系数，f_HH1*f_HH2表示相邻级高频域小波分解系数的乘积。从图5可以看出，边缘处小波系数相乘的结果会比非边缘处小波系数相乘的结果更加突出，因此，可以利用上述特性检测高频域信号中的边缘信号。

本发明实施例中，可以将邻级小波系数乘积的均值的2倍作为预设边缘系数阈值。

步骤B、若所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号。

仍以上述二级小波变换为例，将f_HH1*f_HH2的值与预设边缘系数阈值比较，从而得到一个边缘检测矩阵flag，用于存储边缘信息。其中，f_HH1表示一级最高频域小波分解系数；f_HH2表示二级最高频域小波分解系数。

上述边缘信号检测的具体过程为：假设flag矩阵初始值全为0，矩阵元素的个数与图像经小波变换后获得的矩阵元素个数是相同的。当坐标(l，k)处的f_HH1*f_HH2值大于上述预设边缘系数阈值，则将flag矩阵中坐标为(l，k)的元素的值置为1，即表示小波域图像在坐标(l，k)处的小波系数为边缘信号的小波系数。flag矩阵起到一个边缘信号标记的作用。

步骤C、若所述相邻级高频域小波分解系数的乘积不大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应空间位置的信号标记为非边缘信号。

相应的，flag矩阵中数值为0的元素在小波域图像中对应位置的信号为非边缘信号。

由此可见，通过上述flag矩阵可以区分小波域内Y分量图像高频域信号中的边缘信号和非边缘信号。

本发明实施例采用不抽样(non-decimated)小波基函数对输入噪声图像进行non-decimated小波变换。由于经过non-decimated小波变换后，小波域内相邻尺度的小波系数的数量是相同的，所以上述边缘检测过程只需做一次即可确定边缘检测矩阵的信息，从而利用上述flag矩阵确定其它级别高频域信号中的边缘信号。本领域技术人员应该知悉：上述图像边缘信号是图像的重要信息，是图像中像素幅值突变的地方，如人脸的轮廓、眼睛等边缘。

步骤14、对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；参照图6所示的步骤14具体实施方式的流程图，该步骤14实际可以包括以下两个步骤：

步骤141、对上述高频域信号中的边缘信号做边缘增强处理；

对上述高频域信号中的边缘信号做以下处理：一种方式，保持上述边缘信号对应小波系数的值不变。另一种方式，将上述边缘信号的小波系数与一个大于1的增强系数相乘，增大边缘信号对应的小波系数。

步骤142、使用第一滤波方法对上述高频域信号中的非边缘信号进行滤波；

本发明实施例采用对Y分量图像进行小波变换的方法，获得了由对应小波分解系数构成的高频域信号和低频域信号。由于小波系数具有稀疏性特点，即少数的小波系数大于其他小波系数，它们包含大部分的有用信号，所以可以采用阈值处理方法对小波分解系数进行阈值化处理，达到滤波效果。因而，本发明实施例采用了阈值处理方法对小波分解后的高频域信号中的非边缘信号进行滤波处理。在采用上述阈值处理方法对高频域信号中的非边缘信号进行滤波的过程中，选取合适的阈值和收缩算法将对取得好的滤波效果起到至关重要的作用。鉴于此，本发明实施例采用了如公式(2)所示的小波去噪收缩算法：

……公式(2)

其中，sign(f)为符号函数；T_j表示第j级小波系数的小波阈值；f表示小波域内的输入噪声图像的小波系数，即Y分量图像进行小波变换后获得的高频域信号对应的小波分解系数，下文统称为高频域小波分解系数。

下面说明上述公式(2)的推导过程，小波变换后的高频域信号部分可以用公式(3)所示模型表示：

……公式(3)

f表示小波域内的输入噪声图像的小波系数；g和n分别表示小波域内的无噪图像和噪声信息的小波系数；j＝1、2、3、…J，J为小波分解的最大级别；分别表示第j级小波域内(l、k)位置处的小波系数，即下标l,k为小波域内上述小波系数的坐标，上标j为小波变换级别。

根据小波域内g和n分量的直方图情况，可以假设无噪图像g服从拉普拉斯分布，其概率分布模型如公式(4)所示：

……公式(4)

假设噪声信息n服从零均值高斯分布，其概率分布模型如公式(5)所示：

……公式(5)

其中参数s＞0，σ_n为上述噪声信息的标准差。

为了得到小波域内的信号估计值，使用贝叶斯最大后验估计的方法。其中，后验概率的计算过程中使用的贝叶斯公式为公式(6)：

……公式(6)

运算后得到公式(7)：

……公式(7)

为了得到最大后验概率，将ln(p_G|F(g|f))对g的一阶导数置零处理，得到

……公式(8)

为g的贝叶斯最大后验估计值，并且这里假设f和同号。此时，可以得到上述公式(2)所示的收缩算法公式。

公式(2)中的参数S采用以下公式(9)表示：

……公式(9)

其中，σ_g表示小波域内无噪图像的标准差，用以下公式(10)表示：

……公式(10)

σ_f表示小波域内输入噪声图像的图像标准差，其中，输入噪声图像的小波系数在j级的标准差σ_f,j可由小波系数的标准差计算得到，用以下公式(11)表示：

……公式(11)

其中，在公式(11)中，M＝m×n，M表示该小波域内小波系数的总个数，m、n分别是该小波域内小波系数的行数和列数；表示输入噪声图像坐标为(l,k)位置在小波域内对应的第j级小波系数；σ_n表示小波域内的噪声信息的标准差。

本发明实施例选取的阈值T_j为通用阈值，如公式(12)所示：

……公式(12)

其中，N为对应小波域内小波系数的总体个数；σ_n表示小波域内的噪声信息的标准差，由一级小波分解后的最高频域HH1的小波系数f_HH1的绝对值的中值决定，采用公式(13)表示：

……公式(13)

其中，HH1表示一级小波分解后得到的最高子频带信号。

参照图7，示出了上述公式(2)所示的小波去噪收缩算法对应的小波收缩函数曲线，从图7所示的收缩函数曲线可以看出，公式(2)表示的收缩算法曲线比较平滑，因此，对高频域信号的滤波效果较好，不会产生过度降噪的问题。

本发明实施例中，对高频域信号中的非边缘信号对应小波分解系数的滤波处理可以在小波分解过程中进行，即边分解边滤波；也可以在各级小波分解完成后一并对各级高频域非边缘信号的小波分解系数进行滤波处理。

经过上述步骤141处理的边缘信号和步骤142处理后的非边缘信号构成处理后的高频域信号。

本实施例中，上述步骤141和步骤142无先后顺序之分，也可并行处理。本发明步骤14中，对于小波分解后的高频信号采用了小波收缩处理和边缘增强相结合的处理方式，在有效去除高频域信号噪声的同时还增强了图像的边缘信息，从而可以保留图像更多的细节信息，提高图像的信噪比。

如果对全部高频域信号进行阈值收缩处理，必然导致图像边缘信息的衰减，本发明实施例选择性地对高频域信号中的非边缘信号对应的小波系数做阈值收缩处理，而对高频域信号中的边缘信号不做阈值收缩处理，相对于上述对所有高频域信号均进行阈值收缩处理的方式，达到了增强图像边缘的效果，从而可以尽可能多地保留原图像中的细节信息。

步骤15、使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

相应的，本发明实施例采用导向滤波器对上述步骤12获得的低频域信号进行滤波，参照图8所示的步骤15实施方式的流程图，上述步骤15可以具体包括：

步骤151、选择导向图像；

本发明实施例中，对小波变换后的低频信号进行导向滤波处理时，针对不同的应用场景，可以有不同的选择导向图像的方案：

第一应用场景，对于位置保持不变的相机，可以选择一帧光照条件好的图像作为导向图像，比如，选择在光照强度较好的白天拍摄的一帧图像作为导向图像。

第二应用场景，如果相机处理器的数据处理速度较快，则可以控制相机，在点击拍摄或抓图时，将前几帧的图像的平均值作为导向图像。具体操作时，可以根据相机处理器的特点设置预设帧数的图像作图像训练集，如设置前3帧图像作为图像训练集。

第三应用场景，如果相机在不停移动且相机处理器的性能一般，则可以选择当前拍摄的图像作为导向图像。

步骤152、根据所述导向图像获取图像特征参数，建立导向滤波器；

导向滤波器采用公式(14)表示：

……公式(14)

其中，i表示图像像素的序号，该像素在图像中的位置坐标可以用(l，k)表示，q表示导向图像I在窗口ω_k处滤波后的图像，ω_k表示以像素点k为中心包含有|ω|个像素的窗口；

参数a_k可以用公式(15)表示为：

……公式(15)

其中，p代表输入噪声图像，即含有噪声的图像；μ_k表示ω_k窗口中导向图像I的均值；表示ω_k窗口中导向图像I的方差，|ω|表示ω_k窗口内像素的个数；e表示参数a_k的正则化惩罚参数，该参数可以人工调节，通过调节它，可以改变公式(14)中a_k、b_k的权重，使得导向滤波后输出的图像效果不同；

参数b_k用公式(16)表示为：

……公式(16)

表示噪声图像在ω_k窗口中的均值，可以用以下公式(17)表示：

……公式(17)

步骤153、使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数。

步骤154、从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

具体为：将步骤153获取的导向滤波后的第J级低频域小波分解系数作为输入，经过二维离散小波逆变换，得到第J-1级低频域小波重构系数；从第J-1级开始，对小波逆变换获得的低频域小波重构系数进行导向滤波，获得滤波后的第J-1级低频域小波重构系数，将此作为输入，迭代重构次一级低频域小波重构系数，从而获得各级低频域小波重构系数。

步骤155、使用所述导向滤波器对获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。可知，步骤155是与后续各级小波逆变换过程交替执行的。

也就是说上述步骤15在整个图像处理过程中既包括：利用上述公式(14)所示的导向滤波器对最后一级低频域小波分解系数进行导向滤波处理，也包括：在后续小波逆变换过程中利用上述公式(14)所示的导向滤波器对各级低频域小波重构系数进行导向滤波处理。

图9示出了导向滤波过程的示意图，以天安门城楼为例，原图为经过小波变换获得的低频域信号，从图中可以看出，采用导向图像对上述原图进行滤波后获得的结果图像的图像质量得到了明显提高。

步骤16、采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像；

本发明实施例中，采用小波逆变换算法对处理后的高频域分解系数和处理后低频域小波系数进行小波逆变换处理，获得去噪后的Y分量图像。参照图10示出的步骤16具体实施方式的流程图，上述步骤16可以包括：

步骤161、采用二维小波离散重构算法对所述滤波后的最后一级低频域小波分解系数和处理后的最后一级高频域小波分解系数作二维小波逆变换，得到次级低频域小波重构系数；

步骤162、获取滤波后的次级低频域小波重构系数；

具体地，步骤162获取的滤波后的次级低频域小波重构系数，可以是上述步骤155中，使用导向滤波器对所述次低频域小波重构系数进行滤波，获得的导向滤波后的次级低频域小波重构系数；

步骤163、将滤波后的次级低频域小波重构系数和处理后的同级高频域小波分解系数作为输入，重复执行上述步骤进行迭代重构，得到去噪后的Y分量图像。

上述过程可以具体为：

首先对处理后的第J级小波分解系数进行小波逆变换，包括：对第J级低频域小波分解系数f_LLJ作导向滤波处理，获得滤波后的低频域小波分解系数f_LLJ′；

对第J级高频域小波分解系数f_LHJ、f_HLJ、f_HHJ作小波收缩处理和边缘增强处理，获得处理后的高频域小波分解系数f_LHJ′、f_HLJ′、f_HHJ′；

对上述处理后的小波系数：f_LHJ′、f_HLJ′、f_HHJ′、f_LLJ′作小波逆变换处理，获得第J-1级低频域重构系数，记为：f_LLJ-1′；

对于第J-1层，首先对该第J-1级低频域重构系数f_LLJ-1′进行导向滤波处理，获得滤波后的第J-1级低频域重构系数，记为：f_LLJ-1″；

对第J-1级高频域小波分解系数f_LHJ-1、f_HLJ-1、f_HHJ-1作小波收缩处理和边缘增强处理，获得处理后的高频域小波分解系数f_LHJ-1′、f_HLJ-1′、f_HHJ-1′；

以上述f_LHJ-1′、f_HLJ-1′、f_HHJ-1′、f_LLJ-1″为输入，作小波逆变换处理，获得第J-2级低频域小波重构系数，记为f_LLJ-2′；

重复上述各步骤进行迭代重构，获得滤波后的Y分量图像。

也就是说，在小波逆变换过程中，对于每一层小波系数的逆变换，首先获取处理后的低频域小波系数和处理后的高频域小波系数，然后再做小波逆变换运算。

其中，上述处理后的高频域小波系数可以是采用阈值收缩算法对高频域信号进行滤波后的高频域小波分解系数，也可以是采用阈值收缩算法和边缘增强处理后的高频域小波分解系数。

参照图11，示出了本发明处理图像噪声的方法实施例的示意图，假设J＝2，则整个图像处理过程为：

步骤S1、对原图像进行non-decimated小波变换，获得一级低频带LL1和三个一级高频带LH1、HL1、HH1；

步骤S2、对上述一级低频带LL1进行二级小波分解，获得二级低频带LL2和三个二级高频带LH2、HL2、HH2；

步骤S3、采用上述公式(2)的阈值收缩算法和边缘增强处理方法对上述一级高频域小波分解系数和二级高频域小波分解系数进行处理，获得处理后的一级高频域信号LH1′、HL1′、HH1′和处理后的二级高频域信号LH2′、HL2′、HH2′；

步骤S4、采用上述公式(14)所示的导向滤波器对二级低频域信号LL2进行导向滤波，获得导向滤波后的二级低频域信号LL2′；

步骤S5、对上述处理后的二级高频域信号LH2′、HL2′、HH2′和导向滤波后的二级低频带信号LL2′作小波逆变换，获得一级重构低频域信号LL1′，即重构后的一级低频域信号；

步骤S6、采用上述公式(14)所示的导向滤波器对一级重构低频域信号LL1′进行导向滤波，获得导向滤波后的一级重构低频域信号LL1″；

步骤S7、对上述处理后的一级高频域信号LH1′、HL1′、HH1′和导向滤波后的一级重构低频域信号LL1″对应的小波系数作小波逆变换，获得去噪后的Y分量图像。

其中，图11中，GF代表对低频域小波信号作导向滤波处理；WF代表对高频域信号作阈值收缩处理和边缘增强处理。

综上，本发明提供的处理图像噪声的方法，在传统小波滤波的基础上，根据低照度图像的特点，提出了一种去除斑点噪声的新算法：由改进的小波滤波与导向滤波结合的算法。首先，根据低照度图像在小波域内的统计特性，将无噪信号的小波系数建模为广义拉普拉斯分布模型，将斑点噪声的小波系数建模为高斯分布模型。通过使用贝叶斯最大后验估计方法得到了一种新型的小波收缩算法如公式(2)所示，结合通用小波阈值函数，对小波域内的高频信号中的非边缘信号进行小波阈值法处理，同时采用边缘增强处理算法对高频域信号的边缘信号进行边缘增强处理。其次，对小波域内的低频信号分量进行导向滤波处理，利用小波逆变换便得到去噪后的图像。采用本发明提供的处理图像噪声的方法能够有效地去除低照度图像中的大量的斑点噪声，保留图像更多的细节信息，且采用导向滤波对低频域信号进行滤波时不会过多增加图像处理器的计算量，因此，该方法很适合对低照度下实时拍摄的图像进行处理，使数码产品输出高质量的数字图像，提升数码产品的用户体验。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员用该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。

其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

对应上述本发明提供的处理图像噪声的方法实施例，本发明还提供了一种处理图像噪声的装置，参照图12所示的本发明处理图像噪声的装置实施例的框图，所述装置可以包括：

图像解析模块21，用于获取一帧原始图像对应的YUV空间图像的Y分量图像；

图像分解模块22，用于采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号；

本发明实施例中图像分解模块22采用的预设图像分解算法可以为二维离散小波分解算法，具体为采用non-decimated小波基函数对Y分量图像进行二维小波变换处理。

具体的，图像分解模块22可以包括：

初始分解单元，用于对所述Y分量图像进行一级小波分解，得到四个一级子频带信号；所述四个一级子频带信号包括：一个一级低频带信号和三个一级高频带信号；其中，所述一级低频带由一级低频域小波分解系数组成；所述一级高频带由一级高频域小波分解系数组成；

迭代分解单元，用于从一级小波分解开始，将每级小波分解后得到的低频域小波分解系数作为下一级小波分解的输入进行迭代分解，获得各级高频域小波分解系数和最后一级低频域小波分解系数。

边缘识别模块23，用于识别上述高频域信号中的边缘信号和非边缘信号。

参照图13所示的本发明边缘识别模块实施例的框图，边缘识别模块23可以包括：

判断单元231，用于将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

边缘信号识别单元232，用于在所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号；

非边缘信号识别单元233，用于在所述相邻级高频域小波分解系数的乘积不大于即小于或等于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为非边缘信号。

第一处理模块24，用于对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；

参照图14所示的第一处理模块实施例的结构框图，第一处理模块24可以包括：

边缘信号处理单元241，用于对所述边缘信号做边缘增强处理；

非边缘信号处理单元242，用于使用第一滤波方法对所述非边缘信号进行滤波；

具体的，上述非边缘信号处理单元242可以具体按照上述公式(2)所示的阈值收缩算法对所述非边缘信号的各级高频域小波分解系数进行小波收缩处理。

第二处理模块25，用于使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

参照图15所示的第二处理模块实施例的结构框图，第二处理模块25可以包括：

导向图像选择单元251，用于选择导向图像；

滤波器确定单元252，用于根据所述导向图像获取图像特征参数，建立导向滤波器；本发明实施例中根据导向图像建立的导向滤波器模型可以如上述公式(14)所示。

第一导向滤波单元253，用于使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数；

小波系数重构单元254，用于从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

第二导向滤波单元255，用于使用所述导向滤波器对小波逆变换获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。

图像重构模块26，用于采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像。

参照图16所示的图像重构模块实施例的结构框图，图像重构模块26可以包括：

初始重构单元261，用于采用二维小波离散重构算法对所述滤波后的最后一级低频域小波分解系数和处理后的最后一级高频域小波分解系数作二维小波逆变换，得到次级低频域小波重构系数；

获取单元262，用于获取滤波后的次级低频域小波重构系数；

迭代重构单元263，用于将所述滤波后的次级低频域小波重构系数和处理后的同级高频域小波分解系数作为输入，进行迭代重构，得到去噪后的Y分量图像。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种处理图像噪声的方法，其特征在于，包括：

获取一帧原始图像对应的YUV空间图像的Y分量图像；

采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号，所述预设图像分解算法为二维离散小波分解算法；

识别所述高频域信号中的边缘信号和非边缘信号；

对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；

使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像；

所述使用第二滤波方法对所述低频域信号进行滤波处理，获得处理后的低频域信号，包括：

选择导向图像；

根据所述导向图像获取图像特征参数，建立导向滤波器；

使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数；

从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

使用所述导向滤波器对获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。

2.根据权利要求1所述的方法，其特征在于，所述识别所述高频域信号中的边缘信号和非边缘信号，包括：

将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

若所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号；

若所述相邻级高频域小波分解系数的乘积不大于所述预设边缘系数阈值，则将所述相邻级高频域小波分解系数对应位置的信号标记为非边缘信号。

3.根据权利要求2所述的方法，其特征在于，所述使用第一滤波方法对所述非边缘信号进行滤波，具体为：

按照预设阈值收缩算法对所述非边缘信号的各级高频域小波分解系数进行小波收缩处理；

其中，所述预设阈值收缩算法公式表示如下：

其中，f表示小波域内的Y分量图像的小波系数，g和n分别表示小波域内的无噪图像和噪声信息；j＝1、2、3、…J，J为小波分解的最高级别；sign(f)为符号函数；T_j表示第j级的小波阈值，采用以下公式表示：

其中，N为对应小波域内小波系数的总体个数；

参数S表示为：

其中，

σ_f表示小波域内输入噪声图像的图像标准差；σ_n表示小波域内的噪声信息的标准差，由一级小波分解后的最高频域小波系数f_HH1的绝对值的中值决定，即σ_g表示小波域内的无噪图像的标准差；σ_g,j表示无噪图像在小波域内的第j级小波系数的标准差。

4.根据权利要求1所述的方法，其特征在于，所述选择导向图像，包括

当相机位置保持不变时，选择一帧光照条件好的图像作为导向图像；

若相机处理器的数据处理速度较快，则将相机在点击拍摄或抓图时获取的前几帧的图像的平均值作为导向图像；

当相机在不停移动且相机处理器的性能一般时，则选择当前拍摄的图像作为导向图像。

5.一种处理图像噪声的装置，其特征在于，所述装置包括：

图像解析模块，用于获取一帧原始图像对应的YUV空间图像的Y分量图像；

图像分解模块，用于采用预设图像分解算法分解所述Y分量图像，获得对应的高频域信号和低频域信号，所述预设图像分解算法为二维离散小波分解算法；

边缘识别模块，用于识别所述高频域信号中的边缘信号和非边缘信号；

第一处理模块，用于对所述边缘信号做边缘增强处理并使用第一滤波方法对所述非边缘信号进行滤波，获得处理后的高频域信号；

第二处理模块，用于使用第二滤波方法对所述低频域信号进行滤波，获得处理后的低频域信号；

图像重构模块，用于采用与所述预设图像分解算法对应的图像重构算法对所述处理后的高频域信号和所述处理后的低频域信号进行重构，获得去噪后的Y分量图像；

所述第二处理模块包括：

导向图像选择单元，用于选择导向图像；

滤波器确定单元，用于根据所述导向图像获取图像特征参数，建立导向滤波器；

第一导向滤波单元，用于使用所述导向滤波器对最后一级低频域小波分解系数进行滤波，获得滤波后的最后一级低频域小波分解系数；

小波系数重构单元，用于从滤波后的最后一级低频域小波分解系数开始，将滤波后的低频域小波系数作为输入，迭代重构次一级低频域小波系数；

第二导向滤波单元，用于使用所述导向滤波器对获取的各级低频域小波重构系数进行滤波，获得滤波后的各级低频域小波重构系数。

6.根据权利要求5所述的装置，其特征在于，

所述边缘识别模块包括：

判断单元，用于将相邻级高频域小波分解系数的乘积与预设边缘系数阈值作比较；

边缘信号识别单元，用于在所述相邻级高频域小波分解系数的乘积大于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为边缘信号；

非边缘信号识别单元，用于在所述相邻级高频域小波分解系数的乘积不大于所述预设边缘系数阈值的情况下，将所述相邻级高频域小波分解系数对应位置的信号标记为非边缘信号。

7.根据权利要求6所述的装置，其特征在于，第一处理模块包括：

边缘信号处理单元，用于对所述边缘信号做边缘增强处理；

非边缘信号处理单元，用于使用第一滤波方法对所述非边缘信号进行滤波；

其中，所述非边缘信号处理单元，具体用于

按照预设阈值收缩算法对所述非边缘信号的各级高频域小波分解系数进行小波收缩处理；

其中，所述预设阈值收缩算法公式表示如下：

其中，f表示小波域内的Y分量图像，g和n分别表示小波域内的无噪图像和噪声信息；j＝1、2、3、…J，J为小波分解的最高级别；sign(f)为符号函数；T_j表示第j级的小波阈值，采用以下公式表示：

其中，N为对应小波域内小波系数的总体个数；

参数S表示为：

其中，

σ_f表示小波域内输入噪声图像的图像标准差；σ_n表示小波域内的噪声信息的标准差，由一级小波分解后的最高频域小波系数f_HH1的绝对值的中值决定，即σ_g表示小波域内的无噪图像的标准差；σ_g,j表示无噪图像在小波域内的第j级小波系数的标准差。

8.根据权利要求5所述的装置，其特征在于，导向图像选择单元具体用于：

在相机位置保持不变的情况下，选择一帧光照条件好的图像作为导向图像；

在相机处理器的数据处理速度较快的情况下，将相机在点击拍摄或抓图时获取的前几帧的图像的平均值作为导向图像；

在相机处于不停移动状态且相机处理器的性能一般的情况下，选择当前拍摄的图像作为导向图像。