CN110634112A - 一种双域分解的矿井下含噪声图像的增强方法 - Google Patents
一种双域分解的矿井下含噪声图像的增强方法 Download PDFInfo
- Publication number
- CN110634112A CN110634112A CN201910976955.3A CN201910976955A CN110634112A CN 110634112 A CN110634112 A CN 110634112A CN 201910976955 A CN201910976955 A CN 201910976955A CN 110634112 A CN110634112 A CN 110634112A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- layer
- detail
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 45
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000001629 suppression Effects 0.000 claims abstract description 20
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种双域分解的矿井下含噪声图像的增强方法,该方法首先使用空域高斯滤波器分层分解矿井下含噪声图像,实现图像对比度提高与噪声抑制的解耦合;接着利用分层获得的基础层的最大亮通道图像,作为Retinex模型的照度分量估计,根据Retinex增强原理,实现基础层对比度的提高;然后使用非下采样剪切波变换分解分层获得的细节层,在剪切波变换域对分解系数实施硬阈值收缩,实现细节层噪声抑制,非下采样剪切波逆变换收缩的分解系数,获得噪声抑制细节层,使用基础层相同的增强比例,实现噪声抑制细节层的增强;最后由增强的基础层和噪声抑制的增强细节层融合得到融合增强图像,对融合增强图像实施Gamma微调整,获得最终的噪声抑制与对比提高的增强图像。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种双域分解的矿井下含噪声图像的增强方法。
背景技术
随着智慧矿山发展步伐的加快,各种图像识别技术不断向矿井下延伸,但矿井下成像环境差、电磁干扰多、导致采集图像对比度低其富含噪声,矿井图像增强与噪声抑制成为矿井图像识别及应用需要解决的首要问题。
目前图像增强常用算法有:直方图均衡化、直方图规定化、基于物理模型图像增强算法、基于偏微分方程和变分的图像增强算法以及变化域图像增强算法。
直方图均衡化使图像灰度值占据所有可能灰度级,并使均衡化的直方图分布均匀,提高图像对比度、提升图像亮度。直方图规定化则使图像直方图分布变换为所希望的分布。直方图规定化与均衡化算法相似,都具有简单高效的特点,但是,直方图变换时,会引起噪声的放大,因此,不能胜任噪声图像的增强。
基于物理模型的增强算法是依据图像模型,利用算法剔除模型中的图像扰动成分,实现图像的增强,算法具有明确的物理意义。其中,Retinex模型将图像表述为反射分量和照度分量的乘积,反射分量表征物体的固有颜色特性,照度分量表征环境的亮度分量。基于Retinex理论的图像增强算法是从原始图像中剔除模型中的照度分量,求解成像物固有颜色特征的反射分量,实现图像增强,该类算法增强图像对比度与亮度的性能优异。但是,Retinex增强算法因无法识别与反射分量同处于高频段的噪声,致使其也不能很好胜任噪声图像的增强。
基于偏微分方程和变分的图像增强算法是根据某一图像模型,设计不同的约束条件,对模型优化求解,实现图像增强。该类算法随着约束条件的不同,增强效果也不同,部分增强算法具有一定的抑制噪声的能力,但是,该类算法需要迭代求解,算法复杂,也无法很好胜任矿井含噪声图像的增强。
变换域图像增强算法是将图像分解为变换域不同频率和方向上的分解系数,加强不同尺度的分解系数,利用加强的分解系数重构出增强图像,实现对比度提高与细节特征突显。相比上述其他类型增强算法,变换域图像增强算法分离、抑制噪声有独特优势,但是,变换域图像增强算法在提升图像对比度与亮度方面性能较弱,而矿井下成像环境差,图像对比度低,矿井下图像增强算法必须具有强有力的提高对比度的能力。
鉴于上述情况,我们发明了一种双域分解的矿井下含噪声图像的增强方法。该方法综合了Retinex图像增强方法提高图像对比度的能力和非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)近似最优稀疏表达高维函数分离噪声的优势,解耦实现了矿井下图像对比提高与噪声抑制,达到增强矿井下含噪声图像的目的。
发明内容
为提高矿井下含噪声图像的可观测性,本发明利用空域均值滤波器分层噪声图像,实现决定图像对比度的基础层和包含图像纹理细节、噪声的细节层解耦,消除提高图像对比度时噪声的干扰,排除抑制噪声对提高对比度的影响,解耦实现矿井下噪声图像对比提高与噪声抑制。
为达到上述目的,本发明采取的技术方案为:一种双域分解的矿井下含噪声图像的增强方法,所述方法包括如下步骤:
步骤一:图像的空域分解:利用空域高斯滤波器将矿井下含噪声图像的三个颜色通道fc,c∈{r,g,b},分层,高斯滤波器的输出为基础层原噪声图像与基础层的差值图像为细节层基础层据定了图像的整体对比度,细节层包含了原图像的纹理细节与噪声;
步骤三:细节层的非下采样剪切波变换降噪:利用非下采样剪切波变换将细节层c∈{r,g,b}分解,得到的分解系数矩阵c∈{r,g,b},j=1,2,…,J,s=1,2,…,Sj,J为最大分解尺度数,Sj为j尺度对应的最大方向数,阈值收缩得到抑制噪声的系数矩阵对实施非下采样剪切波逆变换,重构出噪声抑制的细节层除以Lbase得到噪声抑制增强细节层
r,g,b通道基础层图像由输入矿井下噪声图像与高斯核函数卷积得出,则细节层图像由输入图像与基础层相减得出:
进一步地,根据本发明所述的一种双域分解的矿井下含噪声图像的增强方法,所述步骤二中,基础层c∈{r,g,b}的最大亮通道作为Retinex模型的照度分量估计值,其中,ε是防止Lbase为零的小正数,则基础层的增强图像由Retinex模型得出:
式中,J为最大分解尺度数,Sj为j尺度对应的最大方向数。
式中,kj表示尺度j对应的阈值系数,σc表示噪声标准差,由小波噪声经验估计公式估计得出,使用Symlets小波系的Sym4小波对细节层图像进行一次分解,使用对角细节小波系数的中位数估计噪声标准差σc:
式中,|·|是取绝对值操作符,median(·)表示取中位数操作。表示蒙特卡洛方法(Monte Carlo method)联合小波噪声经验公式得到的不同尺度j与方向滤波器s对应的分解系数矩阵方差估计。计算过程:首先,利用伪随机算法生成大小与相同的单位标准方差噪声图像Noise1;然后,利用atrous小波以NSST分解的尺度数与方向滤波器数分解Noise1;最后,利用小波噪声经验公式估计Noise1各分解系数的噪声方差
本发明的有益效果为:针对矿井下噪声图像增强时,对比度提高与噪声抑制的矛盾,提出使用空域高斯滤波器分层分解图像,实现图像对比度提高和噪声抑制的解耦;根据Retinex模型增强基础层图像,提高基础层图像的对比度;使用NSST近似最优稀疏表达高维函数的优势,稀疏表达细节层图像,通过阈值收缩NSST的分解系数,实现细节层噪声抑制;融合处理后的基础层与细节层图像达到整体图像对比度提高与噪声抑制的目的。
附图说明
图1双域分解矿井下噪声图像的增强框架。
具体实施方式
下面结合附图和实施实例对本发明进行详细说明。
一种双域分解的矿井下含噪声图像的增强方法,包括如下步骤:
第一步:输入图像r、g、b通道分层分解
如图1所示,使用高斯滤波器将输入图像按r、g、b三通道分层分解,所述高斯滤波器为空域平滑滤波器,高斯滤波器的高斯核函数的模板大小为15×15,方差为3。“图像r、g、b通道分层分解”虚线框中,基础层r、g、b通道图像由输入图像fc,c∈{r,g,b}与高斯核函数卷积得出,细节层r、g、b通道图像由fc,c∈{r,g,b}减去得出,即:
第二步:基础层r、g、b通道增强
如图1所示,“基础层r、g、b通道增强”虚线框中,依据高斯滤波器分层分解得到的取的r、g、b通道最大值作为Retinex的照度分量:ε是一个不等零的小正数,作用是防止Lbase为零。根据Retinex模型:可知,基础层的增强图像可由除以Lbase获得,即:
第三步:细节层r、g、b通道降噪
如图1所示,“细节层r、g、b通道降噪”虚线框中,依据分层分解得到的细节层图像NSST采用4个尺度,相应的方向滤波器数为8、8、16、16分解细节层r、g、b通道图像,得到c∈{r,g,b}的分解系数集合采用0、3.1、3.1和4的阈值系数硬阈值收缩得到噪声抑制的分解系数集合 其中,噪声标准差σc,由小波噪声经验估计公式估计得出c∈{r,g,b},细节层分解系数矩阵的方差由蒙特卡洛方法估计得出,计算过程:首先,利用伪随机算法生成大小与相同的单位标准方差噪声图像Noise1;然后,利用atrous小波以NSST分解的尺度数与方向滤波器数分解Noise1;最后,利用小波噪声经验公式估计Noise1各分解系数的噪声方差之后,对 实施NSST逆变换得到噪声抑制的细节层最后,按照基础层的增强比例,增强噪声抑制的细节层即除以Lbase得出抑制噪声增强细节层即:
第四步:
Claims (5)
1.一种双域分解的矿井下含噪声图像的增强方法,其特征在于,所述方法包括如下步骤:
步骤一:图像的空域分解:利用空域高斯滤波器将矿井下含噪声图像的三个颜色通道fc,c∈{r,g,b},分层,高斯滤波器的输出为基础层原噪声图像与基础层的差值图像为细节层基础层据定了图像的整体对比度,细节层包含了原图像的纹理细节与噪声;
步骤三:细节层的非下采样剪切波变换降噪:利用非下采样剪切波变换将细节层分解,得到的分解系数矩阵J为最大分解尺度数,Sj为j尺度对应的最大方向数,阈值收缩得到抑制噪声的系数矩阵对实施非下采样剪切波逆变换,重构出噪声抑制的细节层除以Lbase得到噪声抑制增强细节层
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976955.3A CN110634112B (zh) | 2019-10-15 | 2019-10-15 | 一种双域分解的矿井下含噪声图像的增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976955.3A CN110634112B (zh) | 2019-10-15 | 2019-10-15 | 一种双域分解的矿井下含噪声图像的增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634112A true CN110634112A (zh) | 2019-12-31 |
CN110634112B CN110634112B (zh) | 2022-02-22 |
Family
ID=68975120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976955.3A Expired - Fee Related CN110634112B (zh) | 2019-10-15 | 2019-10-15 | 一种双域分解的矿井下含噪声图像的增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634112B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898567A (zh) * | 2020-08-04 | 2020-11-06 | 昆山九毫米电子科技有限公司 | 基于经验小波变换的弹丸激波信号噪声抑制方法 |
CN113674158A (zh) * | 2020-05-13 | 2021-11-19 | 浙江宇视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN117372301A (zh) * | 2023-09-27 | 2024-01-09 | 深圳市梦作坊科技有限公司 | 基于多模耦合技术的游戏图像处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346776A (zh) * | 2013-08-02 | 2015-02-11 | 杭州海康威视数字技术股份有限公司 | 基于Retinex理论的非线性图像增强方法及其*** |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN105894462A (zh) * | 2016-03-21 | 2016-08-24 | 辽宁师范大学 | 基于剪切波域隐马尔可夫树模型的遥感图像去噪方法 |
CN107798665A (zh) * | 2017-11-07 | 2018-03-13 | 天津大学 | 基于结构‑纹理分层的水下图像增强方法 |
CN107862666A (zh) * | 2017-11-22 | 2018-03-30 | 新疆大学 | 基于nsst域的混合遥感图像增强方法 |
CN109146814A (zh) * | 2018-08-20 | 2019-01-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
CN109961411A (zh) * | 2019-03-12 | 2019-07-02 | 浙江工业大学之江学院 | 非下采样剪切波变换医学ct图像去噪方法 |
CN110175964A (zh) * | 2019-05-30 | 2019-08-27 | 大连海事大学 | 一种基于拉普拉斯金字塔的Retinex图像增强方法 |
-
2019
- 2019-10-15 CN CN201910976955.3A patent/CN110634112B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346776A (zh) * | 2013-08-02 | 2015-02-11 | 杭州海康威视数字技术股份有限公司 | 基于Retinex理论的非线性图像增强方法及其*** |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN105894462A (zh) * | 2016-03-21 | 2016-08-24 | 辽宁师范大学 | 基于剪切波域隐马尔可夫树模型的遥感图像去噪方法 |
CN107798665A (zh) * | 2017-11-07 | 2018-03-13 | 天津大学 | 基于结构‑纹理分层的水下图像增强方法 |
CN107862666A (zh) * | 2017-11-22 | 2018-03-30 | 新疆大学 | 基于nsst域的混合遥感图像增强方法 |
CN109146814A (zh) * | 2018-08-20 | 2019-01-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
CN109961411A (zh) * | 2019-03-12 | 2019-07-02 | 浙江工业大学之江学院 | 非下采样剪切波变换医学ct图像去噪方法 |
CN110175964A (zh) * | 2019-05-30 | 2019-08-27 | 大连海事大学 | 一种基于拉普拉斯金字塔的Retinex图像增强方法 |
Non-Patent Citations (2)
Title |
---|
DULIANG LV: "Remote sensing image enhancement based on the combination of nonsubsampled shearlet transform and guided filtering", 《OPTICAL ENGINEERING》 * |
田子建 等: "基于双域分解的矿井下图像增强算法", 《光子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674158A (zh) * | 2020-05-13 | 2021-11-19 | 浙江宇视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111898567A (zh) * | 2020-08-04 | 2020-11-06 | 昆山九毫米电子科技有限公司 | 基于经验小波变换的弹丸激波信号噪声抑制方法 |
CN111898567B (zh) * | 2020-08-04 | 2023-11-07 | 昆山九毫米电子科技有限公司 | 基于经验小波变换的弹丸激波信号噪声抑制方法 |
CN117372301A (zh) * | 2023-09-27 | 2024-01-09 | 深圳市梦作坊科技有限公司 | 基于多模耦合技术的游戏图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110634112B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majumdar | Blind denoising autoencoder | |
CN110634112B (zh) | 一种双域分解的矿井下含噪声图像的增强方法 | |
Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
Kollem et al. | Improved partial differential equation-based total variation approach to non-subsampled contourlet transform for medical image denoising | |
Jardim et al. | Savitzky–Golay filtering as image noise reduction with sharp color reset | |
Kollem et al. | Denoising and segmentation of MR images using fourth order non‐linear adaptive PDE and new convergent clustering | |
Grigoryan et al. | Optimal Wiener and homomorphic filtration | |
CN104820969A (zh) | 一种实时图像盲复原方法 | |
CN111982489B (zh) | 选择集成的改进局部特征分解的微弱故障特征提取方法 | |
CN114418886A (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
CN113222853A (zh) | 一种基于噪声估计的渐进式红外图像降噪方法 | |
Krishnan et al. | An efficient operator splitting method for noise removal in images | |
CN108649926B (zh) | 基于小波基张量稀疏表示的das数据去噪方法 | |
Zhang et al. | Image denoising based on the wavelet semi-soft threshold and total variation | |
Qingrong et al. | Contrast enhancement of medical images using fuzzy set theory and nonsubsampled shearlet transform | |
Wali et al. | Fast and adaptive boosting techniques for variational based image restoration | |
Deivalakshmi et al. | Balanced GHM Mutiwavelet Transform Based Contrast Enhancement Technique for Dark Images Using Dynamic Stochastic Resonance. | |
Li et al. | A novel remote sensing image enhancement method using unsharp masking in nsst domain | |
Tseng et al. | Image restoration using hybrid features improvement on morphological component analysis | |
Rela et al. | Efficient image enhancement techniques applied on medical imaging-A state-of-the art survey | |
Kumar et al. | Edge preservation based CT image denoising using wavelet and curvelet transforms | |
Sang et al. | Sonar image denoising based on HMT model in morphological wavelet domain | |
Gan et al. | New Splitting Algorithms for Multiplicative Noise Removal Based on Aubert-Aujol Model. | |
Xing et al. | ESPI Images Denoising Based on Improved Total Variation | |
Thompson | An empirical evaluation of denoising techniques for streaming data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220222 |