活立木真彩色圖像降噪方法研究

王昱潭，代英鵬，高垚垚，劉博瀚，馬程浩

(寧夏大學(xué) 機(jī)械工程學(xué)院，銀川 750021)

?

活立木真彩色圖像降噪方法研究

王昱潭，代英鵬，高垚垚，劉博瀚，馬程浩

(寧夏大學(xué) 機(jī)械工程學(xué)院，銀川 750021)

為了更好的消除真彩色圖像噪聲，提高圖像的質(zhì)量，本文提出了一種基于HSV空間狀態(tài)下的圖像降噪的方法。根據(jù)HSV各顏色分量相互獨(dú)立的特性，將真彩色圖像從RGB空間轉(zhuǎn)換到HSV空間；通過真彩色圖像的矢量值降噪技術(shù)與灰度圖像的標(biāo)量值降噪算法相結(jié)合的改進(jìn)算法，分別對每一顏色分量進(jìn)行處理。以峰值信噪比為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明：相對于矢量中值濾波，改進(jìn)后的算法對真彩色圖像的降噪具有更好的效果。

顏色空間轉(zhuǎn)換；真彩色圖像降噪；活立木

0 引 言

從人的視覺角度來說，真彩色圖像符合人眼對外界事物的感知理解，并且其包含大量的信息，所以真彩色圖像的應(yīng)用范圍極其廣泛。然而，在獲取和傳輸圖像的過程中，會有各種噪聲污染圖像，影響圖像的顯示效果[1]，也會影響了后續(xù)圖像處理的正確性[2]，因此，研究圖像降噪方法和處理技術(shù)具有重要的意義[3]。在灰度圖像的降噪處理中，均值濾波是利用噪聲點(diǎn)領(lǐng)域范圍內(nèi)的均值，來估測噪聲點(diǎn)的灰度值[4]，而均值濾波時，脈沖噪聲點(diǎn)與鄰域點(diǎn)像素值的差距性，會導(dǎo)致濾波結(jié)果與真實(shí)值差別較大[5]；非局部均值濾波方法對高斯噪聲的抑制效果明顯，但是對降低脈沖噪聲的效果并不明顯[6-9]；吳一全等提出基于非局部均值和SUSAN算子的降噪方法，對混合噪聲濾除有很好的效果[10]。

對于真彩色圖像，每點(diǎn)的彩色信息含有多個分量，傳統(tǒng)的灰度圖像處理方法已滿足不了彩色圖像降噪的需求。在彩色圖像處理領(lǐng)域，普遍采用分量處理法、模型轉(zhuǎn)換法和矢量法等[11]。

王建衛(wèi)[12]在分析彩色圖像噪聲的來源和濾波的一般方法的基礎(chǔ)上，提出了一種基于矢量中值濾波算法的改進(jìn)方法，該算法集中了線性均值濾波和非線性矢量中值濾波兩種方法的優(yōu)點(diǎn)，可有效降低密度大的椒鹽噪聲；劉松濤[13]提出一種基于噪聲估計(jì)和雙加權(quán)的濾波新算法，采用噪聲二級估計(jì)策略以及雙加權(quán)矢量中值濾波進(jìn)行降噪處理，去的較好的效果；鄧延權(quán)等[14]依據(jù)模糊綜合評判原理提出一種保持彩色圖像細(xì)節(jié)的模糊矢量中值濾波算法，提高運(yùn)算速度以及保留較好的圖像細(xì)節(jié)。以上算法都是基于RGB空間的彩色算法，而RGB空間顏色分量的關(guān)聯(lián)性對圖像降噪具有很大影響。本文提出基于HSV顏色空間變換的活立木真彩色圖像降噪方法，該方法綜合各種處理方法的優(yōu)點(diǎn)，結(jié)合灰度圖的標(biāo)量值算法與矢量中值濾波技術(shù)，完成對真彩色圖像的降噪處理。

1 顏色空間模型

1.1 HSV空間模型

RGB圖像的三個分量是相互聯(lián)系的，且各自表達(dá)的內(nèi)容是相互平等的。從視覺角度，每個分量與整體的色彩沒有直觀的聯(lián)系。所以，當(dāng)圖像被噪聲污染時，噪聲會同時存在于三個分量，要對圖像進(jìn)行降噪處理，就要同時對三個作出同樣的處理方法，而不能單獨(dú)進(jìn)行處理。因此，找到一個顏色空間，在該顏色空間中分量是相互獨(dú)立的，彼此之間互不影響。這樣，就能夠?qū)⑤^為成熟的灰度圖像處理技術(shù)應(yīng)用到彩色圖像的降噪上。HSV模型中，H表示色調(diào)，是指顏色的波長；S表示飽和度，是指顏色的深淺程度；I表示明度。三者相互無關(guān)，而且每個變量都包含著R、G、B三基色信息。HSV模型不僅不會丟失顏色成分，也避免了三通道相互干擾的問題。具體方法如圖1所示。

圖1 基于HSV顏色空間的彩色圖像預(yù)處理模型Fig.1 Color image Preprocessing model based on the HSV color space

1.2 RGB-HSV數(shù)學(xué)模型關(guān)系

由顏色空間RGB模型與HSV模型的轉(zhuǎn)換公式：

(1)

本文采用MATLAB自帶的庫函數(shù)rgb2hsv和hsv2rgb實(shí)現(xiàn)RGB顏色空間與HSV顏色空間相互轉(zhuǎn)換。

2 真彩色圖像濾波算法

本文提出基于圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，利用各顏色分量的相互獨(dú)立性，提出了活力木彩色圖像濾波的新算法。先將圖像在RGB空間進(jìn)行圖像平滑的預(yù)處理，達(dá)到減少噪聲的目的；后將灰度圖的標(biāo)量算法與矢量中值濾波技術(shù)相融合；最終綜合利用兩者的優(yōu)勢達(dá)到降噪的最佳效果。

2.1 圖像預(yù)處理

本文所用到的圖像預(yù)處理的方法是3×3均值濾波處理。

對圖像采用3×3均值濾波，則在像素(i,j)處，其鄰域Z像素分布如圖2所示。

(i-1,j-1)(i-1,j)(i-1,j+1)(i,j-1)(i,j)(i,j+1)(i+1,j-1)(i+1,j)(i+1,j+1)

圖2 像素鄰域分布

Fig.2 The distribution of pixels neighbors

(2)

以g(i,j)代替原像素(i,j)處的像素值。

其對應(yīng)的3×3卷積模板為：

(3)

在RGB顏色空間，用3×3均值濾波對有噪聲的圖像進(jìn)行濾波，由于其對R、G、B顏色通道使用相同的模板進(jìn)行處理，所以對通道之間相互聯(lián)系的影響較小，有效的避免了因忽略各通道之間的聯(lián)系而使圖像失真的后果。

2.2 矢量中值濾波器

中值濾波器的一個重要的特性是它不產(chǎn)生原來圖像中沒有的像素值。克服圖像降噪的過程中產(chǎn)生其他顏色的一種有效方法是使用矢量中值濾波器。對矩形窗中的一組矢量x1，x2，……xN，矢量中值濾波器VM可由下式定義：

VM{x1,x2,……,xN}=xVM。

(4)

其中

xVM?{x1,x2,……，xN}。

且所求xVM滿足

(5)

(6)

逐點(diǎn)的乘法用?表示。距離權(quán)重wi的作用是加重離中心位置近的像素在濾波中的作用，突出像素間的空間位序相關(guān)性因素。當(dāng)使用加權(quán)的濾波器時，權(quán)重也影響結(jié)果。在選擇權(quán)重時考慮到權(quán)重不僅能影響濾波結(jié)果，還會造成邊緣特性消失。所以，必須小心的選擇權(quán)重值。一般的取法是取像素到中心位置距離的倒數(shù)，也可以全部取1，即對窗口內(nèi)的像素值不加區(qū)別。本文選擇的距離權(quán)重值和分量權(quán)重值均為1，在每個步驟中，濾波都不會產(chǎn)生新增加的彩色矢量，這是它最大的優(yōu)點(diǎn)[15]。

2.3 改進(jìn)降噪算法

針對標(biāo)量算法與矢量中值技術(shù)的優(yōu)缺點(diǎn)，本文綜合利用兩者的優(yōu)勢，對活立木真彩色圖像進(jìn)行降噪處理：首先，進(jìn)行活立木真彩色預(yù)處理，然后，將圖像從RGB顏色空間轉(zhuǎn)換為HSV顏色空間，根據(jù)HSV顏色空間H、S、V各分量相互獨(dú)立的特點(diǎn)，應(yīng)用灰度圖像的降噪方法，對每一個顏色分量單獨(dú)采用矢量中值濾波，再進(jìn)行均值濾波以及自適應(yīng)濾波——既結(jié)合了彩色圖像的矢量值技術(shù)，又融合了灰度圖像的標(biāo)量值算法，最后再反變換回RGB顏色空間。

在本文的實(shí)驗(yàn)中，RGB歸一化后每一分量的值介于0～1；目的在于驗(yàn)證矢量技術(shù)與標(biāo)量濾波相結(jié)合的活立木真彩色圖像的處理效果，并與單獨(dú)采用矢量技術(shù)的圖像處理進(jìn)行效果的進(jìn)行比較——通過最小均方根誤差MSE值和峰值信噪比PSNR值作為評價(jià)。矢量中值濾波和標(biāo)量濾波(均值濾波與自適應(yīng)濾波)共同作用于轉(zhuǎn)換到HSV顏色空間的每一顏色分量。

算法步驟：

步驟1：輸入活立木真彩色初始圖像。

步驟2：對原始圖像加入噪聲。

步驟3：使用3×3均值濾波技術(shù)對圖像進(jìn)行預(yù)處理。

步驟4：利用RGB顏色空間與HSV顏色空間的轉(zhuǎn)換關(guān)系，將RGB顏色空間轉(zhuǎn)換為HSV顏色空間。

步驟5：根據(jù)HSV顏色空間各顏色分量互不聯(lián)系的特性，對H、S、V顏色分量分別單獨(dú)采用矢量中值濾波和自適應(yīng)濾波。

步驟6：顏色反變換，將圖像降噪處理后的真彩色圖像從HSV顏色空間轉(zhuǎn)換到RGB顏色空間。

步驟7：在RGB顏色空間對加入高斯噪聲的圖像采用矢量中值濾波處理。

步驟8：輸出處理后的圖像。

步驟9：計(jì)算PSNR；結(jié)束。

3 實(shí)驗(yàn)與結(jié)果

實(shí)驗(yàn)環(huán)境：Lenovo P700手機(jī)，800萬像素，晴天，HP Pavilion g series，Inter(R) Core(TM) i3-2310M CPU @ 2.10GHz 2.10GHz，2.00 安裝內(nèi)存，Windows 7 32位旗艦版操作系統(tǒng)。

實(shí)驗(yàn)過程中分別在原活立木彩色圖像上分別加入不同成分的噪聲。根據(jù)加入噪聲成分的不同，分為以下4個實(shí)驗(yàn)與本文提出的算法進(jìn)行對比，以峰值信噪比(PSNR)為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)，PSNR值越大，就代表失真越少。

實(shí)驗(yàn)一：對原始圖像加入均值為0，方差為0.06的高斯噪聲，預(yù)處理圖像對比如圖3所示。

以峰值信噪比(PSNR)為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)的數(shù)據(jù)見表1。

實(shí)驗(yàn)二：對原始圖像加入均值為0，方差為0.06的均勻噪聲，預(yù)處理圖像對比如圖4所示。

以峰值信噪比(PSNR)為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)的數(shù)據(jù)見表2。

實(shí)驗(yàn)三：對原始圖像加入密度為0.06的椒鹽噪聲，預(yù)處理圖像對比如圖5所示。

以峰值信噪比(PSNR)為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)的數(shù)據(jù)見表3。

實(shí)驗(yàn)四：對原始圖像加入均值為0，方差為0.02的均勻噪聲、高斯噪聲以及密度為0.03的椒鹽噪聲，預(yù)處理圖像對比如圖6所示。

以峰值信噪比(PSNR)為判斷依據(jù)進(jìn)行對比實(shí)驗(yàn)的數(shù)據(jù)見表4。

圖3 彩色圖像預(yù)處理實(shí)例對比Fig.3 Comparison of color image preprocessing examples in the first experiment

降噪處理PSNR/dB加噪聲圖像矢量中值濾波處理本文算法59.403569.336376.0053

圖4 彩色圖像預(yù)處理實(shí)例對比Fig.4 Comparison of color image preprocessing examples in the second experiment

降噪處理PSNR/dB加噪聲圖像矢量中值濾波處理本文算法64.726772.925079.6840

圖5 彩色圖像預(yù)處理實(shí)例對比Fig.5 Comparison of color image preprocessing examples in the third experiment

降噪處理PSNR/dB加噪聲圖像矢量中值濾波處理本文算法63.849780.328479.1715

表4 各階段圖像處理對應(yīng)的PSNR列表Tab.4 Image processing in each stage of the corresponding PSNR list in the fourth experiment

圖6 彩色圖像預(yù)處理實(shí)例對比Fig.6 Comparison of color image preprocessing examples in the fourth experiment

4 結(jié)論與討論

在直觀上，由圖3～圖6可以看出，經(jīng)矢量中值濾波處理的圖像要比采用本真彩色圖像降噪濾波算法處理的圖像效果差；由圖像客觀評價(jià)指標(biāo)——峰值信噪比(PSNR)來判斷，由表1～表4得到，采用本文降噪算法的圖像峰值信噪比(PSNR)的值均較高，這說明本文算法相對于其它算法在改善污染圖像的質(zhì)量方面有所提高。通過對比還發(fā)現(xiàn)，本文算法對三種噪聲的處理能力：均勻噪聲>椒鹽噪聲>高斯噪聲。

對于加入高斯噪聲[16]、均勻噪聲[17-18]以及混合噪聲[10]的圖像而言，矢量中值濾波可以將圖像質(zhì)量提高9～12 dB，而本文算法則能將圖像質(zhì)量普遍提高16～17 dB，較矢量中值濾波高出6～7 dB，圖像降噪效果明顯；對于加入椒鹽噪聲的圖像，矢量中值濾波能將圖像質(zhì)量提高16.478 7 dB，本文算法能將圖像質(zhì)量提高15.321 8 dB，較矢量中值濾波低1.156 9 dB，圖像降噪效果略低于矢量中值濾波。

根據(jù)HSV顏色空間各分量相互獨(dú)立的特點(diǎn)，矢量中值濾波和標(biāo)量濾波(均值濾波與自適應(yīng)濾波)共同作用于轉(zhuǎn)換到HSV顏色空間的每一顏色分量——既結(jié)合了彩色圖像的矢量值技術(shù)，又融合了灰度圖像的標(biāo)量值算法。本文彩色圖像降噪算法能夠較好的處理圖像噪聲問題，降噪效果總體優(yōu)于矢量中值濾波。

5 結(jié)束語

本文算法較矢量中值濾波技術(shù)，具有更好的降噪效果，其原因在于本文在真彩色矢量值降噪處理技術(shù)的基礎(chǔ)上又增加了標(biāo)量值降噪處理方法，使較為成熟的標(biāo)量降噪技術(shù)應(yīng)用到彩色圖像中，與矢量降噪技術(shù)融合達(dá)到最佳的降噪效果。本算法在獲得較好圖像處理效果的同時，其運(yùn)算量也隨之增大，

并使運(yùn)算處理時間相對會稍顯增加。

[1]劉麗娟，劉仲鵬，程 芳.玉米生長期葉部病害圖像識別預(yù)處理研究[J].河南農(nóng)業(yè)科學(xué)，2013，42(10)：91-94.

[2]Jiang J，Zhang L，Yang J.Mixed noise removal by weighted encoding with sparse nonlocal regularization[J].IEEE Transactions on Image Processing，2014，23(6)：2651-2662.

[3]Liu Jun，Tai Xuecheng，Huang Haiyang，et al.A Weighted dictionary learning model for denoising images corrupted by mixed noise[J].IEEE Transactions on Image Processing，2012，22(3)：1108-1120.

[4]Wang S，Zhou Z，Shi W.Adaptive minimum-maximum exclusive mean filter for impulse noise removal[EB/OL].Computer Science，2014，oai：arXiv.org：1405.6174.

[5]Shrivastava P，Singh U P，Richhariya V.Removal of impulse noise using first order neighborhood mean filter[J].International Journal of Computer Applications，2014，87(4)：34-39.

[6] 張 爽，周慧鑫，牛肖雪.基于非局部均值濾波與時域高通濾波的非均勻性校正算法[EB/OL].光子學(xué)報(bào)，2014，43(1)： 0110003.

[7]Meligy A，Ibrahem H M，Shoman S.A highly effective adaptive switching mean filter algorithm for salt and pepper noise removal[J].International Journal of Computer Applications，2013，61(19)：28-34.

[8]Zhang Peixuan，Li fang.A new adaptive weighted mean filter for removing salt-and-pepper noise[J].IEEE Signal Processing Letters，2014，21(10)：1280-1283.

[9]Yin X，Zhu J.Salt-and-pepper noise removal based on nonlocal mean filter[C].International Conference on Consumer Electronics，2013：577-580.

[10] 吳一全，王 凱，戴一冕.基于非局部均值和SUSAN算子的混合噪聲濾除[EB/OL].光子學(xué)報(bào)，2015，44(9)：0910001.

[11] Koschan A，Abidi M.Digital Color Image Processing[M].John Wiley & Sons Inc，2009.

[12] 王建衛(wèi).彩色圖像的中值濾波算法的改進(jìn)與應(yīng)用[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，22(4)：67-69.

[13] 劉松濤，馬林坡，殷福亮.基于噪聲估計(jì)和雙加權(quán)的彩色圖像矢量中值濾波[J].光電子·激光，2011，22(1)：131-135.

[14] 鄧延權(quán)，王肖晨.新的模糊矢量中值濾波算法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45(1)：191-194.

[15] 王昱潭.基于機(jī)器視覺的靈武長棗定位與成熟度判別方法研究[D].北京：北京林業(yè)大學(xué)，2014.

[16] 楊先鳳，樊 勇，彭 博，等.去除高斯噪聲的快速分區(qū)域去噪算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35(4)：1341-1346.

[17] 許圣雷.基于均勻空間色差度量的彩色圖像椒鹽噪聲濾波算法研究[D].昆明：昆明理工大學(xué)，2015.

[18]任洪娥，劉 冕，沈雯雯，等.基于圖像處理的木粉目數(shù)檢測與分析[J].林業(yè)機(jī)械與木工設(shè)備，2014，42(6)：41-44.

Study on the Method of Noise Reductionon Color Images of Standing Trees

Wang Yutan，Dai Yingpeng，Gao Yaoyao，Liu Bohan，Ma Chenghao

(School of Mechanical Engineering，Ningxia University，Ningxia Yinchuan 750021)

In order to effectively eliminate the noises of true color images and improve image quality，the method based on the HSV color space for noise reduction on color images of standing trees was proposed.According to the characteristics that the each color components of HSV was independent of each other，the true images can be transformed from RGB to HSI.The each color component was processed separately in our approach through the improved algorithm of combining noise reduction based on the vector magnitude and the de-noising algorithm based on scalar magnitude.Taking peak signal-to-noise ratio (PSNR) as the basis for comparison experiments.The results showed that our proposed algorithm has superior effects on noise reduction of color images compared to vector median filtering.

Color space transformation；noise reduction on color images；standing trees

2016-09-18

寧夏大學(xué)自然科學(xué)研究基金(ZR1409)

王昱潭，博士，副教授。研究方向：森林工程裝備及自動化。E-mail：wang_yt@nxu.edu.cn

王昱潭，代英鵬，高垚垚，等.活立木真彩色圖像降噪方法研究[J].森林工程，2016，32(6)：61-65.

TP 391

A

1001-005X(2016)06-0061-05