文摘

影响煤矿的特殊地下的情况下,大多数矿井中捕获图像的图像清晰度不是很高,和大量的图像噪声与图像,这将进一步井下图像处理很多困难。传统的图像去噪方法容易导致图像模糊,和去噪效果不是很满意。针对图像特征的低图像照明和大量的噪音和基于颜色细节失明的特点和人类视觉感知的同时对比,本文提出了一种新的基于视觉特征的图像去噪方法。该方法使用CIELab均匀颜色空间动态和自适应决定滤波器权重,从而减少损伤图像轮廓边缘和其他细节,这样可以去噪图像清晰度更高。实验结果表明,该方法的去噪效果,可以显著提高井下图像的主观和客观图像质量。

1。介绍

煤炭行业的应用程序环境总是特别,和井下图像总是夹杂着大量复杂的地下图像噪声干扰的环境中,机械振动,噪音和灰尘。这为图像的后续处理带来许多困难。因此,在图像去噪过程中捕获和传输井下变得非常必要,以提供更好的图像质量和更好的跟踪处理。

有很多方法在去噪方面,如均值去噪、中值去噪和小波去噪。来自兰德的代表研究提高了row-column分解中值滤波算法(1];此外,他等人提出一个multimedian滤波算法(2可有效消除图像脉冲噪声;此外,Darsow和奥尔森提出了三种去噪方法基于小波的阶段:当地相位方差阈值边缘跟踪、和规模相上下阈值法(3]。为了克服弱点,小波变换只能执行奇点检测、明联合国在2002年提出和马丁Vetterli contourlet变换(4]。数学的各个分支的逐步深化的理论和应用,在图像去噪技术已经取得了很大的进步在数学形态学方面,偏微分方程,遗传算法,信息理论,等等,产生许多新的去噪算法5- - - - - -8),包括基于数学形态学去噪算法(9- - - - - -12基于模糊理论[],去噪算法13,14],基于遗传算法的去噪算法[15,神经网络去噪算法16),和基于信息熵的去噪算法。

虽然,成熟和完善的各种理论,图像去噪方法获得了很大的进步;这些方法有各自的优势,缺点,应用领域。例如,均值去噪适用于去除颗粒噪声图像,但图像总是容易变得模糊,因为这个方法太平均,中值去噪有利于消除图像中的脉冲噪声,但去噪的效果不是很理想时窗内的噪声区域太大;维纳滤波器适用于去除白噪声在图像;然而,计算量太大;小波去噪有广泛的算法和性能优越,但实现是非常困难和复杂的。此外,上述算法的效果将不会满意的,当一个图像同时通过各种噪声干扰;换句话说,柔滑的图片,质量下降。此外,去噪研究特定区域与复杂的环境也是非常罕见的。 The aforementioned are the current research status of image denoising; therefore, with the combination of noise characteristics of the coal mine, finding a method that can preserve the image detail and textural features while at the same time reducing image noise has become the research goal of this paper.

2。CIELab颜色空间

CIELab颜色空间定义的国际照明委员会(CIE)在1976年,这是目前最均匀颜色空间的一组数据,,代表一种颜色,一个实验室的价值观与一个颜色组形成一个对应关系。在一组,表示亮度值;和色度坐标。价值表明红绿的颜色改变方向,表示变化对红色的方向,显示绿色的方向的变化。显示了瞳方向的变化,显示黄色的方向的变化,显示蓝色的变化方向。如图1,代表轴红色和绿色的黄色和蓝色代表轴。它们的值从0到10。意味着单色调,从黑到白代表比例因子。

3所示。RGB和CIELab颜色空间的互变现象

RGB和CIELab颜色空间的互变现象需要转换RGB CIEXYZ色彩空间,然后CIELab颜色空间(5]。

RGB颜色空间的转换公式颜色空间 然后,转换空间实验室颜色空间,转换公式 在哪里,,,白色三色值吗CIE标准光源;,是协调CIEXYZ空间的价值。

像差的计算公式两种颜色之间CIEXYZ空间如下: 在哪里

4所示。新的自适应基于视觉特征的图像去噪方法

经典的图像去噪方法在RGB颜色空间,在RGB颜色空间是一种非均匀颜色空间,它没有考虑到图像的亮度和色度等重要信息。由于图像捕获从井下受到低光或不均匀光照的影响,很难达到令人满意的去噪效果,采用经典的图像去噪方法。为了提高图像去噪性能,更统一的CIELab颜色空间是必要的。在这种颜色空间中,人的视觉对不同波长的颜色差异的敏感性是不一样的;相关数据如表所示1。针对特殊的井下环境和基于CIELab均匀颜色空间,色彩细节失明的特点,和人类视觉感知的同时对比,本文提出了一种新的图像去噪方法改善主观和客观图像质量。

4.1。算法思想

在均匀颜色空间中,两个人眼区分颜色的色差值是相等的;就是色差小于某一阈值时,人眼认为他们是相同的颜色;但是色差大于一个阈值时,人眼能够分辨两个不同的颜色。在CIELab颜色空间中,这个阈值的值通常是3。针对这一点,本文将把图像噪声分为两种类型:平面区域噪声和nonflat区域噪声。自适应算法进行不同的处理根据不同区域的像素。

在一个区域,让代表了受污染的像素点的价值,然后让CIELab像素的中值区中心点和社区是 让CIELab色差当前像素点和中心点;预设的阈值,并比较: 如果社区内的所有像素是1,那么它被称为平坦区域噪声;平坦区域的颜色可以影响其他噪声点像素在同一个街区,和卷积可以由使用传统的高斯滤波器去噪模板。如果有像素的社区内谁的是0;然后,这个区域是nonflat地区。噪音nonflat地区并不完全受相关像素在附近,只是像素在同一地区;即噪声像素只有相关的CIELab色差小于相关阈值;如果大于阈值,那么认为的贡献中心点的像素颜色值仍符合高斯分布;否则,中心点像素没有任何贡献。让卷积权重是0。因此,像素的颜色会更一致的在同一地区,实现保护图像细节的目的。

4.2。高斯滤波器

高斯滤波器(7)是决定权重的线性平滑滤波器根据高斯函数的形状。一维高斯函数 在决定了高斯滤波器的宽度。更大的,整个乐队的高斯滤波器和平滑度越好。此外,妥协可以通过调整平滑程度参数太模糊,当图像特性,当过多的不受欢迎的打破变量引起的噪声和纹理在平滑图像。图像处理、二维高斯函数是常用的平滑滤波器。函数表达式 卷积和输入图像的去噪公式通过高斯滤波器 为了减少高斯滤波器卷积计算的时间复杂度,可以转化为二维高斯函数的组合两个一维卷积模板(8]。首先,对输入图像卷积在水平方向上的高斯模板;设置一个临时数组;将结果存储在临时数组;然后对图像和高斯卷积模板在水平方向上和转置的结果;最后可以获得平滑的图像。

图2是一个原理图的高斯函数卷积的可分性。该方法通过两个水平的结合卷积模板完成。首先,对输入图像卷积水平方向的高斯函数,然后转置并将结果存储在临时数组;之后,临时数组作为输入,并执行相同的高斯函数的卷积实现替换的目的垂直与水平卷积卷积。转置输出信息在第二次卷积,然后最终可以获得平滑输出图像。由于高斯函数的可分性高,高斯滤波器可以有效地实现。二维高斯函数可以在两个步骤进行。首先,与一维高斯函数卷积图像;然后,结果与相同的一维高斯函数卷积垂直于第一个结果。因此,二维高斯滤波的计算量提出了一个线性增长随着过滤器模板的宽度,而不是一个平方增长。

4.3。算法流程

去噪模板的大小定义为区分颜色阈值;遍历任何像素在图像;该算法的具体实现步骤如下。(1)输入待形象和初始化的高斯卷积模板大小。(2)使用CIELab颜色空间的色差计算公式计算的值在社区中心像素和像素之间的色差;收集数量代表的色差值大于阈值。(3)如果,那么这表明,除了中心像素色差任何两个像素之间的所有值在该地区大于阈值。这是平坦区域噪声;通过传统的高斯滤波器卷积和去噪可以达到模板。转到步骤。(4)如果,的值,如果中心像素和像素之间的色差在该地区大于阈值,那么这就是nonflat地区噪音。设置像素的值在高斯卷积模板为0。转到步骤。(5)如果以上都不满意,不需要操作;保持原来的值。(6)下一个像素,转向步骤过程。(7)判断所有的像素处理;如果是的,结束算法;否则,转到步骤并继续处理。

算法流程如图3。

5。实验性能和比较分析

嘈杂的井下图像被选中和去噪处理是由,分别使用均值去噪方法,中值去噪,混合去噪,传统高斯去噪,本文提出的方法。图像RMSE(均方根误差)和PSNR(峰值信噪比)计算,以评估不同算法的性能。

RMSE和PSNR定义如下17,18]: 在表示源图像,代表图像经过尺度相同处理,然后多个处理第二个使用相关算法,和和代表图像的长度和宽度。RMSE反映了缩放图像源图像的近似程度;RMSE越小,越接近源图像的缩放图像;PSNR值反映了图像放大效应。更高的PSNR值,按比例缩小的图像就会越清晰。

实验的硬件环境是奔腾4处理器(2.80 GHz),内存容量1.5 GB,和分辨率1024×768;软件环境是微软Windows XP SP3专业操作系统。不同去噪方法的效果对比如图4,去噪实验数据的比较,如表所示2。

从表可以看出2均值去噪的RMSE最大,和PSNR值的最小值,这意味着该方法的去噪效果是最令人不满意的。RMSE值和混合去噪方法大大地低于均值去噪,和PSNR值也得到了改进。与传统的高斯去噪和其他方法相比,本文提出的算法进一步提高了图像的客观质量。此外,它还可以看到从图3的轮廓图像处理去噪是模糊,图像也包含很多噪音;更糟糕的是,有一个严重的损失图像的细节信息;和混合中值去噪的性能好一点,但是仍然处理图像包含残余噪声;传统高斯去噪方法不设法消除明显的噪音在视觉范围内,效果不是很理想;本文提出的算法成功地提高了峰值信噪比,同时设法保留图像细节特征和纹理变化特征;更重要的是,处理过的图像具有较高的分辨率和更好的视觉效果。

6。结论

地下图像进行了去噪处理本文基于CIELab颜色空间和CIELab色差偏差计算公式。本文提议重量应该由视觉色差偏差,使体重不足让空间坐标的距离决定在RGB空间;同时,CIELab颜色空间的特点更统一的视觉感知,考虑到完全处理图像的亮度和色度信息,使去噪图像和人类的视觉保持更好的关系。实验结果证明了算法的有效性方面的主观质量和客观质量。这种方法非常有利于井下图像的进一步处理和应用。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

支持这项工作的推进项目江苏省高校科研成果产业化(格兰特JHB2012-36)和科学技术基金中国住房和城乡建设部(授予2013 - k2 - 5)。