本發明涉及一種圖像噪聲抑制方法，特別涉及一種利用圖像區域勻質性對多尺度形態學濾波結果進行融合的激光圖像去噪方法。
背景技術：
：近年來，激光主動成像技術迅速發展起來，因為該技術能提供更加穩定、清晰的目標圖像，能夠為準確描述目標幾何形狀提供更豐富的信息,所以在雷達偵察、目標探測與跟蹤、精確制導等軍事領域具有廣泛的應用前景。然而,激光照射下的目標圖像會受到激光散斑的調制,散斑噪聲的存在使圖像的質量嚴重下降,這必然影響對目標的識別及跟蹤精度,所以研究適用于激光圖像中散斑噪聲的噪聲抑制方法具有重要的實用價值。散斑噪聲為信號相關噪聲,本質上是非線性的,比加性噪聲難去除。國內外學者提出了各種各樣的圖像濾波算法。經典的算法有Lee、Kuan、SBF以及小波濾波等，這些方法在抑制散斑噪聲的同時，很多邊緣細節信息也受到了損失。非局部均值濾波(NLM)能夠充分利用整幅圖像中蘊含的信息，在有效抑制噪聲的同時很好地保留圖像的紋理結構，但其執行計算復雜度較大，算法運行速度較慢。基于形態學的濾波方法易于硬件邏輯結構實現，具有能實時處理和較好地保持圖像邊緣的優點，但傳統的形態學濾波算法用于激光圖像去噪時，其噪聲壓縮能力較差，所以如果能對傳統形態學濾波算法進行改進，就可以在保持圖像邊緣的前提下，提高激光圖像中的散斑噪聲抑制能力。技術實現要素：本發明提供一種激光主動成像的圖像噪聲抑制方法，結合激光圖像特點，提出了一種多尺度形態學濾波方法，將激光圖像在多個尺度下進行形態學濾波處理，然后充分利用大尺度結構元素濾波效果強和小尺度結構元素保持邊緣細節清晰的優勢,根據計算的圖像區域勻質性系數，將不同尺度下的形態學濾波結果融合，達到既能抑制噪聲又能保持圖像邊緣的目的。本發明采取的技術方案是，包括下列步驟：(一)、采用不同尺度結構元素，分別對激光主動成像的圖像進行形態開-閉和形態閉-開濾波運算；選取不同尺度的“disk”結構元素，半徑分別為d1、d2……dn，結構元素用Bd(i)表示，Bd(1)為半徑為d1的“disk”結構元素，Bd(2)為半徑為d2的“disk”結構元素，以此類推；設F(x,y)為輸入信號，S(x,y)為輸出信號，利用結構元素Bd(i)對輸入信號作形態開-閉和形態閉-開運算，運算結果分別表示為OCd(i)(x,y)、COd(i)(x,y)；將形態開-閉和形態閉-開運算結果相結合：其中，代表形態學開運算，代表形態學閉運算，OCCOd(i)(x,y)代表利用半徑為di的“disk”結構元素進行形態開-閉和形態閉-開運算相結合的濾波結果圖像；(二)根據圖像局部區域的勻質性，將多尺度形態學濾波結果融合；(1).判斷圖像中各像素是否屬于勻質區域對于每個圖像像素，選取周圍M×M鄰域，根據式(8)，分別計算每個尺度下濾波圖像OCCOd(i)(x,y)的區域均勻度，結果記為Hd(i)(x,y)；其中，f(x,y)代表以像素(x,y)為中心的M×M鄰域，Var(f(x,y))、E[f(x,y)]分別表示局部區域內像素灰度值的方差和均值；用來判斷圖像區域勻質性的閾值為Hthresh，當Hd(i)≤Hthresh，像素(x,y)屬于勻質區域；當Hd(i)>Hthresh，像素(x,y)屬于非勻質區域；(2).融合多尺度形態濾波結果的激光圖像噪聲抑制多尺度形態學的圖像去噪是將各個尺度結構元素的形態濾波結果進行加權平均，設Y(x,y)為融合圖像，則：其中，si為對應各尺度結構元素濾波圖像的加權系數；對si的定義如下：si'＝|Hd(i)(x,y)-Hthresh|，本發明步驟(二)中的(1)中：判斷圖像區域勻質性閾值Hthresh的選取：計算最大尺度結構元素下濾波圖像的區域均勻度Hd(max)(x,y)，利用最大類間方差法Otsu方法對其進行二值化，二值化過程中得到的閾值選取為Hthresh。本發明的有益效果是：(1)基于形態學的濾波方法易于硬件邏輯結構實現，具有能實時處理和較好地保持圖像邊緣的優點；(2)采用多個尺度的結構元素進行形態學濾波去噪，可以充分利用大尺度結構元素濾波效果強和小尺度結構元素保持邊緣細節清晰的優勢；(3)利用圖像局部區域的勻質性，作為各尺度結構元素濾波圖像的融合依據，可以獲得更好的激光圖像去噪效果。對于灰度均勻的圖像區域，主要采用大尺度形態學濾波結果，以獲得較強的抑制噪聲能力；對于包含豐富細節的非均勻圖像區域,主要采用小尺度形態學濾波結果，以發揮小尺度下的定位特性，得到豐富的邊緣。本發明可以應用于激光主動成像系統、合成孔徑雷達、紅外醫學成像等存在散斑噪聲的圖像去噪場合。附圖說明圖1是本發明方法的流程圖；圖2是拍攝的激光圖像；圖3是最大尺度濾波圖像的區域均勻度圖；圖4是本發明方法的噪聲抑制結果圖像；圖5是Lee濾波圖像；圖6是SBF濾波圖像；圖7是Kuan濾波圖像。具體實施方式包括下列步驟：(一)、采用不同尺度結構元素，分別對激光圖像進行形態開-閉和形態閉-開濾波運算；形態學的基本運算有膨脹、腐蝕、開啟和閉合。基于這些基本運算可以推導和組合成各種形態學實用算法。假定結構元素為B，信號為F，灰度形態學定義的基本運算為:膨脹：腐蝕：(FΘB)(x,y)＝min{F(x+s,y+t)-B(s,t)|(x+s),(y+t)∈DF；(s,t)∈DB}(2)開啟：閉合：一般情況下,圖像中的噪聲往往由信號上下凸起的尖峰組成。在對圖像進行噪聲抑制時，最常用的形態學濾波技術是開運算、閉運算以及它們的混合運算。本文算法首先通過不同順序級聯開、閉運算，構造形態開-閉和形態閉-開濾波器；選取不同尺度的“disk”結構元素，半徑分別為d1、d2……dn，結構元素用Bd(i)表示，Bd(1)為半徑d1的“disk”結構元素，Bd(2)為半徑為d2的“disk”結構元素，以此類推；設F(x,y)為輸入信號，S(x,y)為輸出信號，利用結構元素Bd(i)對輸入信號作形態開-閉和形態閉-開運算，運算結果分別表示為OCd(i)(x,y)、COd(i)(x,y)；將形態開-閉和形態閉-開運算結果相結合：其中，代表形態學開運算，代表形態學閉運算，OCCOd(i)(x,y)代表利用半徑為di的“disk”結構元素進行形態開-閉和形態閉-開運算相結合的濾波結果圖像；(二)根據圖像局部區域的勻質性，將多尺度形態學濾波結果融合。對于灰度均勻的圖像區域，主要采用大尺度形態學濾波結果，以獲得較強的抑制噪聲能力；對于包含豐富細節的非均勻圖像區域,主要采用小尺度形態學濾波結果，以發揮小尺度下的定位特性，得到豐富的邊緣。這一過程包括兩個步驟：一是判斷圖像中各像素屬于勻質區域還是非勻質區域；二是根據圖像局部區域的勻質性，將多尺度形態學濾波結果進行融合，詳細步驟如下：(1).判斷圖像中各像素是否屬于勻質區域對于每個圖像像素，選取周圍M×M鄰域，根據式(8)，計算該圖像區域的均勻度H(x,y)。其中，f(x,y)代表以像素(x,y)為中心的M×M鄰域，Var(f(x,y))、E[f(x,y)]分別表示局部區域內像素灰度值的方差和均值；用來判斷圖像區域勻質性的閾值為Hthresh，當Hd(i)≤Hthresh，像素(x,y)屬于勻質區域；當Hd(i)>Hthresh，像素(x,y)屬于非勻質區域；下面介紹判斷圖像區域勻質性閾值Hthresh的選取，因為大尺度結構元素的濾波圖像受噪聲干擾較小，所以計算最大尺度結構元素下濾波圖像的Hd(max)(x,y)，利用Otsu方法(最大類間方差法)對其進行二值化，二值圖像對應著濾波圖像的邊緣信息，二值化過程對應的閾值就是確定圖像邊緣信息的依據，也是確定像素是否位于均勻區域的依據；所以，選擇二值化過程的閾值Hthresh做為圖像中各像素是否屬于勻質區域的判斷標準。(2).融和多尺度形態濾波結果的激光圖像噪聲抑制多尺度形態學的圖像去噪是將各個尺度結構元素的形態濾波結果進行加權平均，設Y(x,y)為融合圖像，則其中，si為對應各尺度結構元素濾波圖像的加權系數，對si的定義如下：si'＝|Hd(i)(x,y)-Hthresh|，當像素(x,y)屬于勻質區域，即Hd(i)≤Hthresh，大尺度形態濾波圖像的加權系數需要大一些，這樣可以充分利用大尺度結構元素的抗噪特性，通常情況下，對于像素(x,y)，d(i)尺度越大，Hd(i)(x,y)值越小，根據式(10)，si'越大，加權系數si也越大；當像素(x,y)屬于非勻質區域，即Hd(i)>Hthresh，小尺度形態濾波圖像的加權系數需要大一些，這樣可以保留小尺度結構元素濾波圖像中的邊緣信息。通常情況下，對于像素(x,y)，d(i)尺度越小，Hd(i)(x,y)值越大，根據式(10)，si'越大，加權系數si也越大。本發明方法的流程圖如圖1所示。下邊結合具體實驗例來進一步說明本發明。(一)、本發明實驗例中拍攝的建筑物的激光圖像，如圖2所示，分辨率為510*384，256級灰度，選取半徑為2、3、4、5的“disk”結構元素，利用式(5)、(6)、(7)分別對圖2進行多尺度形態濾波，得到四幅濾波圖像；(二)、根據圖像局部區域的勻質性，將四幅不同尺度的形態學濾波圖像融合，詳細步驟如下：1.選取鄰域窗口為5*5，利用式(8)，分別計算四幅濾波圖像的區域均勻度，最大尺度濾波圖像的區域均勻度圖，如圖3所示。2.采用Otsu方法求出圖3的二值化閾值Hthresh為0.015686，以此作為判斷圖像中各像素是否屬于勻質區域的標準。3.根據式(10)計算對應四幅不同尺度結構元素濾波圖像的加權系數，按照式(9)對四幅濾波圖像進行融合，得到最終的降噪圖像，如圖4所示。下面對常用的幾種激光圖像去噪方法進行了仿真實驗，圖5、圖6、圖7分別為Lee濾波算法、SBF濾波算法、Kuan濾波算法的處理結果。我們可以看到本發明方法解決了激光圖像噪聲明顯的問題。相比于Lee濾波算法、SBF濾波算法、Kuan濾波算法,本發明方法能夠有效地抑制圖像噪聲并且保持圖像清晰度。此外，為了定量地衡量濾波效果，通過計算每幅圖像的散斑指數來比較不同方法的抑制散斑噪聲能力。散斑指數越小，該算法抑制散斑噪聲的能力越強。散斑指數定義為：其中，m、n表示圖像大小，δij表示濾波窗口中元素的標準差，表示濾波窗口中元素的均值。表1中給出了原始圖像和幾種算法處理結果的散斑指數。從表1可見,本發明方法的散斑噪聲抑制能力較強。表1不同方法處理結果的散斑指數原始圖像Lee濾波SBFKuan本發明方法0.07570.03160.05050.03580.0300當前第1頁1 2 3