基于影像去噪和增強實現數字影像預處理的應用研究

徐興慧

摘 要 目前，隨著信息化、數字化與智能化時代的來臨，影像信息比重越來越大，其逐步成了捕獲與傳送數據的關鍵環節。但是數字影像在捕獲或傳送實踐中時常會遭遇各種各樣的影響，進而降低了影像質量。現如今，數字影像數據在現代測繪行業中已被普及使用，然而怎樣才能高效捕獲數字影像數據，尤其是怎樣實現針對數字影像數據的預處置，逐漸成了當前攝影測量學主要探討的話題之一。

關鍵詞 影響去噪 數字影響 預處理

中圖分類號：P23 文獻標識碼：A 文章編號：1007-0745（2021）12-0005-02

1 基礎原理與詳細方式

1.1 影響去噪分析

濾波的另一種叫法是數字影像去噪，其主要目的是高效限制與處理噪聲，且確保圖像邊緣信息、細節及其優良視覺呈現成效，同時是圖像預處置行業與目的獲取行業中的重點探究課題。通常狀況下，對于不同情況的含噪圖像采取的去噪方式也不盡相同。雙邊濾波計算方法具有構造簡便、繁雜度較低、非常容易達成等特性，尤其是濾除圖像中的隨機噪聲，能最大程度的留存圖像本身數據，防止增添濾波失真。雙邊濾波算是一種非線性濾波計算方法，其特點主要是在平滑濾波的同時考慮了像素間的幾何距離和色彩距離，可以定義為：

IPBF=∑qS（‖p-q‖）G（Ip-Iq）Iq，Kp=∑qS（‖p-q‖）G（Ip-Iq）Iq。

當中像素范圍是p，而像素點之間歐式距離為‖p-q‖，其兩像素灰度差為Ip-Iq，而顯示幾何相鄰聯系空間濾波函數為S，顯示灰度類似聯系灰像素波函數為G，歸一化系數則為Kp。通過物理推理獲知，當S達成距離中心像素較近時數值提升，相反則值下降;G達成窗口內像素和中心像素差值變小時數值會增大，相反則數值降低。一般選擇高斯函數當作空間與灰度濾波函數。

1.2 加強圖像

其具體指可實現特定使用要求的目標，突顯圖片中重點區域的數據，消除其他數據對于不一樣使用而產生的異常圖像解析辨別預處置，主要目的是替換原圖片數據使其更符合人機識別的系統。加強圖像有下述目的：首先，完善圖像視覺成效，提升圖像單個分清晰度與對比度，加強圖像辨識度;其次，加強圖片部分特性使圖像更方便計算機處置，提升計算機處置速率。

加強圖像的具體方式有空域加強與頻域加強。其中空域加強則是在像素構成空間直接針對像素實施處置，具體的數學表現公式為：g（x，y）=EH（f（x，y）），其f（x，y）， g（x，y）表示為圖像空域加強前后圖像，E為圖像加強操控方式。此外，頻域加強是通過某種方式把空間的圖像替換至其他空間當中，隨后借助圖像改變空間特性來進行處置，隨后再逆變至原始空間當中。其具體數學展示公式為：G（u，v）=F（u，v）H（u，v），g（x，y）=f（x，y）*h（x，y），其在）算中等同于在）間域實施卷積計算，其G，F）H分別為函數g（x，y），f（x，y）與h（x，y）的傅里葉替換，H（u，v）又被叫做濾波器函數。

2 具體實驗比較解析

2.1 雙邊濾波去噪

采取雙邊濾波算法對干擾數據去噪的雙邊濾波特性進行考量，可以采用融合圖像空間相鄰于像素值類似的折中濾波處置方式，考量的空域信息與灰度類似，從而達到了保邊消噪的目的，呈現出簡便、非迭代、局部等特性。大部分人采取改變保邊雙邊濾波器處置光學影像來減少噪聲，加強了建筑物邊緣對比度的預處置，獲得了良好成效。隨后通過具體實驗比對，針對原始影像數據與雙邊濾波數據統計解析之后，三波段都有偏差，信比為SNR：0，峰值信比為PSNR：36.4294，其結構相似性量度為SSIM：0.986915。上述標準數據獲得的雙邊濾波算法不但確保了原始圖像大部分細節數據，而且還實現了影響消除噪聲任務。

2.2 影響加強處置

針對影響實施加強處置問題，則需要更好的提升不同地物間的對比度，便于實施后續處置。所采取的影響加強方式為：先進行色彩系統替換，具體是將RCGB色彩空間替換至NTSC色彩空間，畢竟NTSC與RGB為不一樣色彩空間，而NTSC可闡述的色彩更為豐富，RGB包含在NTSC色域和RG色域里，基本只有NTSC的72%。替換至NTSC空間后，針對影像實施對比度非線性拉伸處置，隨后再替換至RGB空間。此外，圖像實施色域替換采用NTSC空間實施對比度拉伸處置，其成效更為明顯。對原先影響數據與加強處置影響數據實施統計解析，發現信噪比SNR、峰值信噪比PSNR及其結構相似性量度SSIM三波段均有偏差。通過上述標準能夠得出：經過圖像加強處置后，圖像中的地物相互對比度有所提升，且同種地物內部構造平穩，處置成效顯著[1]。

2.3 小波去噪與模糊熵基本理論分析

2.3.1 小波去噪解析

到九十年代小波變換才逐漸被融入到影像高級處置行業，其重點則是把影響處置方式由常規塔式計算變換為多尺度解析，部分呈現出的信號分解空間是互相獨立的，同時利用逆變換能夠復原之前信號，在分解重建之中不會形成信息損失與冗余。

通過達成對數替換來實現圖像小波替換，推斷獲取的HL、LH、HH三個高頻圖像為被噪聲污染或者邊緣數據，最后要對污染數值實施整理。在對HL、LH、HH不同高頻位置圖像實施整理的過程中，篩選閾值T為3倍的delta，當delta實施一級小波解析時獲得了高頻圖像方差。隨后高頻部分圖像像素值也沒有映射至[0，255]區間，此時高頻部分圖像的各像素值有零有整、有正有負，如果像素值絕對數據大于或等于T，則需要劃歸修正區，相反則劃分為抑制區。最后，將小波反替換，從而達成圖像的重建[2]。

2.3.2 糊熵理論

熵在信息探討中適用在表達概率與信息冗余度之間的聯系，其重點闡述高綠模糊難題，需要把熵概念值入模糊集理論當中，并對某個模糊集的模糊性程度大小實施闡述。然而，分明集（uA（x）=0或uA（））=1）是不模糊的，其模糊性最小數值為零。而{uA（x）=為最難單獨明確的模糊性模糊集，當中{大模糊性為{;簡言之，模糊集A，具體對應隸屬度是uA（x），AC相應隸屬度是（x），二者跟{之間的間距等同于他們的遠近程度。A與AC二者模糊集具有類似的模糊性程度，另外，模糊集模{性也需要單調性，即當A逐漸接近{，則{的模糊性逐漸增大;A逐漸拉大{距離時，模糊性變小。

2.3.3 依據模糊最大熵的紅外圖像增強

首先，針對一副大小是M*N的灰度圖像，其X為像素點灰度值，圖像灰度矩陣經過隸屬度函數模糊化變成了模糊數矩陣，空域信號處置也替換成了模糊域。其在多種隸屬函數中線性函數計算速率明顯強于非線性函數，利用下述運算模糊隸屬度：U（x=），隨后使用改變的S函數對獲得的隸屬度實施極強處置：

│0， ? ? ? ? ? ? u<Umin，

， ? ? ? ? ? ? Umin≦u≦uthr，

S（u）=

1-， ? ?uthr≦u≦umax，

1， ? ? ? ? ? ? ? ? ?u>umax，

當中Umin，umax，uthr分別是紅外圖像像素灰度矩陣當中的最小值、最大值及其目標和背景區域最佳分界點隸屬度。目標和背景理想分界點的獲取方法為I=log（I）=log（R）=log （F）=R+F。因此，經過改變的S函數加強計算，一是可以把紅外圖像隸屬度區域從原先的[Umin，umax]拉長到[0，1]，改變了動態范疇，二是經過非線性替換可以對[0，uthr][uthr，1]區域中的隸屬度大小實施壓縮與加強。最終，利用下述公式通過加強處置后，將模數域分布恢復到空域信號，計算公式為：

x（）=（xmax-xmin）S（u）+xmin

其次，最大模糊熵準則求取閾值。如何依據改變的S函數加強計算來獲取目標和背景最佳分界點變成了主要難題。通過前述的最大模糊熵可得出：在紅外圖像當中，目的與背景二者間的過渡灰度達成最理想劃分時，模糊熵將會獲得最大數值，因此可以使用模糊最大熵原則來獲取分解閾值。當圖像灰度取值范疇為[xmin，xmax]而圖像論域Ω的灰度空間創建模糊集為：目標類：O：O={U0（X）}│x∈Ω};背景類：B：B={Ub（X）}│x∈Ω}。在圖像內部，不同物體像素值各有期望值，即為此類像素值的恢復均值，其隸屬類灰度均值隸屬度最大，類別中全部像素隸屬度和灰度與全部類平均灰度間距成反比，同時需大于1/2，分開利用上述公式核算目標類與背景類隸屬度函數：

當中m1（T）與m2（T）分開是目標類和背景類平均灰度數值。

假設獲得紅外圖像當中目標類與背景類最佳閾值T完成二者精準劃分，需采取圖像模糊熵完成最大值，通過下述公式核算最大模糊熵：

Hfuzzy（T）=H0+Hb=- U0（x）.P0（x）.log（U0（x），P0-（x））-

Ub（x）.Pb（x）.log（Ub（x）.Pb（x）），當中，P0（x）=，Pb（x）= ，而n（x）為灰度值x時的像素個噪聲。

3 總結

總而言之，文章通過數字影響消噪與增強為重點探究對象，全方位闡述了借助雙邊濾波與小波去噪，利用空域加強與頻域加強兩種方式對數字圖像進行加強。通過驗證表明，文章所使用方式對數字影像噪音限制與去除、圖像中興趣點加強與獲取比較實用，高效提升了數字影響判斷獲取成效，進一步獲得了原影像數據預處置，從而為將來的后續工程奠定了良好的基礎。

參考文獻：

[1] 龔家舉.基于壓縮感知的多媒體視頻圖像去噪方法研究[J].信息與電腦，2019（04）：174-175.

[2] 張然，解振東.數字圖像去噪算法研究與實現[J].信息通信，2018（12）：12-13.