一種新的低照度彩色圖像降噪算法*

鄒建華，李小霞

（西南科技大學 信息工程學院，四川 綿陽 621010）

1 引言

在圖像的采集過程中，總會伴隨著隨機的噪聲干擾，使得圖像質量變差。在低照度的環境下，監控設備采集的圖像噪聲隨著光照的變弱，噪聲也會變大。為了對圖像進行識別或其他更高層次的處理和應用，改善圖像質量，在圖像的預處理階段對低照度圖像進行降噪就變得尤為重要[1]。

彩色圖像降噪的常見方法有：1）分別對RGB 3個分量進行處理的標量濾波法，這種方法沒有利用彩色圖像3個分量間的有機聯系，導致產生原圖像所沒有的顏色[2]；2）彩色矢量濾波法[3]，這種方法是將每個像素點的RGB 3個分量作為1個矢量，然后進行處理，但處理效果在邊緣的保持上不盡如人意；3）為保持原始圖像的色彩信息在降噪的過程中不受影響，即保持色度信息不變，有學者提出了基于顏色空間轉換的降噪算法，然后分別對轉換后的分量進行處理，較為常用的有小波降噪法[4]，但由于針對不同的圖像特征，對小波基的選擇和小波分解層數的選擇需要通過大量的實驗來進行確定。現在新興的方法有基于神經網絡的方法[5]和偏微分方法[6-7]，但算法比較復雜，計算量大。

基于變換色彩空間的彩色圖像降噪算法，解決了在RGB空間處理產生顏色失真或偏移的問題。從心理學的角度來看，顏色有3個要素：色調、飽和度和亮度。HSV顏色空間就是基于人眼對顏色的心理感受這一因素而轉換成的，因此比較符合人的視覺感受。由于HSV顏色空間的3個分量相關性很小，改變任一分量對其余分量影響很小，因此可以對H，S，V各個分量采用獨立的方法進行處理。本文在保持色調分量H不變的前提下，提出了對飽和度分量S和亮度分量V采用中值濾波和基于邊緣提取的降噪算法。

2 算法設計思想及實現

在針對低照度彩色圖像進行降噪算法的設計時，主要考慮以下3個因素：1）避免彩色圖像的色彩偏移，保持彩色圖像的色調信息不變；2）圖像降噪平滑效果，降噪以后的圖像的信噪比；3）圖像的邊緣保持能力，避免圖像在被平滑后邊緣也被模糊。

在低照度環境下采集到圖像，如圖1a所示。低照度彩色圖像降噪過程主要分為3步：1）將低照度圖像由RGB顏色空間轉換到HSV顏色空間，轉換后飽和度分量S與亮度分量V的效果圖如圖1b和圖1c所示；2）保持色調H分量不變，根據飽和度分量和亮度分量的具體特征采用不同的降噪方法；3）將圖像由HSV顏色空間轉換為RGB空間。

圖1 原圖、飽和度分量及亮度分量圖

將低照度圖像從RGB顏色空間轉換到HSV顏色空間后，從圖1可觀察到飽和度分量S的噪聲較亮度分量V的細節信息少，圖像的邊緣細節信息大都集中在亮度分量V中，所以對S分量與V分量采用不同的降噪方法。算法流程圖如圖2所示。

圖2 低照度圖像降噪流程圖

中值濾波提供了一種優秀的降噪能力，比小尺寸的線性平滑濾波器的模糊程度明顯要低，但它對一些細節多，特別是點、線、尖頂細節多的圖像不適用，由于飽和度分量S的噪聲大，但邊緣不明顯，所以采用中值濾波就可以濾除大部分的噪聲。

亮度分量V是原圖特征的一個最接近的反映，它包含了原圖的大部分的邊緣細節信息和大部分的噪聲，所以對亮度分量的降噪的過程中要注意圖像的邊緣信息的保留問題。

首先，對V分量進行邊緣提取，通過實驗比較，選用效果較好的Canny算子進行邊緣提取，對于不是邊緣的像素賦值為零，邊緣像素則保留其原值，這樣就得到了邊緣圖像A，如圖3a所示。然后，把邊緣圖像從原始的亮度V圖像中減去，被減去的邊緣的像素值則賦值為它的3×3鄰域平均值，這樣就得到了非邊緣的均勻圖像B，如圖3b所示，對圖像B進行反復中值濾波，濾除均勻部分的大量噪聲，這樣得到光滑的圖像C，如圖3c所示。最后，恢復圖像邊緣，即用邊緣圖像A中的像素值代替圖像C中的對應位置的像素值。這樣就完成了對含噪聲最多的亮度分量V的降噪過程，降噪效果如圖3d所示。

圖3 亮度分量V處理效果圖

分別對S和V分量進行處理后，將HSV顏色空間轉換到RGB顏色空間。

下面運用4個圖像質量指標[8]從客觀上分析各算法的降噪效果。最常用的客觀評價方法有峰值信噪比（Peak Signal to Noise Ratio，PSNR）和均方誤差（Mean square error，MSE）。PSNR用來評價噪聲的抑制能力。以原始圖像為信息，處理后的圖像與原始圖像的差異就是噪聲，均方誤差和峰值信噪比定義分別為

式（1）中：P為濾波圖像的像素點，O為原始圖像的像素點，M和N代表圖像的長與寬。

由于PSNR值不能反映濾波器保護高頻細節及平滑低頻平坦區域的能力，所以采用平滑指數（Flatness Index，FI）和邊緣保持指數（Edge Save index，ESI）來考察圖像被平滑和邊緣保持的程度。FI是表征濾波器對圖像的平滑能力，FI值越高，表示平滑作用越強，如下計算

式中：M是濾波處理后圖像中所有像素的均值，SD是標準差。ESI表示了濾波處理后濾波器對圖像邊緣梯度沿水平和垂直方法的保持能力，ESI值越接近1，意味著濾波后圖像的邊緣的越接近原始圖像的邊緣，邊緣保持能力越強，如下計算

式中：DNR1-DNR2和分別代表原始圖像和濾波后圖像邊緣交接處相鄰元的灰度值之差。

3 實驗結果分析

為驗證本算法在低照度彩色圖像降噪的性能，對低照度環境下采集的圖像（如圖4a）進行顏色空間轉換以后，對S和V分量分別使用小波降噪、中值降噪、基于邊緣提取降噪和筆者提出的結合中值與邊緣提取降噪算法進行實驗對比，比較結果如圖4所示。可以明顯看出，這4種方法都在一定程度上降低了圖像噪聲，圖4e降噪的效果比其他3種方法的效果都要好。

圖4 4種不同降噪算法對低照度圖像降噪結果比較

表1是4種降噪算法的指標測試對比。由表1可見，方法4的均方誤差最小，而峰值信噪比最大，說明方法4的降噪效果優于方法1～3。方法4的平滑指數最大，并且平滑指數大于原圖平滑指數，說明圖像平坦區域的平滑效果得到提高。方法4的邊緣保持指數也明顯大于方法1～3，數值接近于1，說明在降噪過程中保留了圖像的邊緣，沒有在平滑的同時變模糊。

表1 指標測試對比

4 小結

本文提出的在HSV顏色空間結合中值濾波與邊緣提取降噪方法的低照度彩色圖像降噪算法，符合人類心理和視覺感官，兼顧了圖像色彩不變性、平滑效果、邊緣的保持能力，這種結合優于單獨使用小波、中值或邊緣提取降噪的方法，改進了圖像質量，提高了降噪的效果。通過對其他不同的實際拍攝的低照度圖像采用不同降噪方法的對比試驗，實驗結果也驗證了本算法的有效性，為進一步處理圖像做好了準備。

[1]石磊，王永超，劉久文.基于DM642的微光圖像小波閾值降噪[J].電視技術，2009，33（S1）：155－157.

[2]GONZALEZ R C，WOODS R E.數字圖像處理[M].2版.北京：電子工業出版社，2003：228-239.

[3]郁伯康，郁梅.彩色圖像脈沖噪聲的自適應矢量濾波[J].電子科技大學學報，2000，29（2）：131-135.

[4]HUANG K，WU Z，FUNG G S K，et al.Color image denoising with wavelet thresholding based on human visual system model[J].Signal Processing:Image Communication，2005，20：115-117.

[5]王巍，黎明，劉高航.基于脈沖耦合神經網絡的彩色圖像濾波新方法[J].計算機工程與設計，2007，28（14）：3413-3415.

[6]熊保平，杜民.基于PDE圖像去噪方法[J].計算機應用，2007，27（8）：2025-2029.

[7]LINDBLAD T，KINSER J M.Image processing using pusle-coupled neural networks[M].[S.l.]：Springer Verlag，1998.

[8]韓春明，郭華東，王長林，等.一種改進的SAR圖像斑點噪聲濾波方法[J].遙感學報，2004，8（2）:121-127.