基于離群特征的γ輻射圖像去噪方法

收稿日期：2021-10-17；修回日期：2021-12-06

基金項目：國家“十三五”核能開發(fā)科研資助項目（20161295）；四川省科技計劃資助項目（2021YFG0376）

作者簡介：方琳琳（1998-），女，四川廣安人，碩士研究生，主要研究方向為圖像降噪；張華（1969-），男（通信作者），四川人，教授，博導，博士，主要研究方向為智能控制、機器人技術、嵌入式系統(tǒng)（swustai@163.com）；鄧豪（1994-），男，四川人，博士研究生，主要研究方向為圖像處理、核探測；王海（1988-），男，四川人，博士研究生，主要研究方向為機器人同時建圖與定位；王姮（1971-），女，四川人，教授，碩導，碩士，主要研究方向為圖像處理、機器人技術及應用.

摘 要：針對Co60輻射環(huán)境中γ光子穿透CMOS圖像傳感器時致使場景圖像存在斑塊噪聲的問題，提出了一種基于離群特征的γ輻射圖像去噪方法。首先在序列圖像中逐點獲取對應的像素序列，并將該像素序列進行光照歸一化以消除圖像幀之間光照差異影響；然后在光照歸一化后像素序列中利用噪聲像素值的離群特性判斷當前像素點是否為噪點；最后利用序列中各點的一、二階離群特征篩選有效像素序列，并將其均值進行逆光照歸一化以作為噪點修復的像素值。所提方法與多種典型去噪方法分別在高劑量率區(qū)和低劑量率區(qū)的真實γ輻射圖像上進行了對比實驗，該方法均取得了最佳去噪效果。

關鍵詞：γ輻射； 圖像去噪； 離群特征

中圖分類號：TP391.41"" 文獻標志碼：A

文章編號：1001-3695（2022）06-049-1886-05

doi：10.19734/j.issn.1001-3695.2021.10.0438

Denoising method of gamma radiation image based on outlier features

Fang Linlina，b， Zhang Huaa，b， Deng Haoa，b， Wang Haia，b， Wang Henga，b

（a.School of Information Engineering， b.Robot Technology Used for Special Environment Key Laboratory of Sichuan Province， Southwest University of Science amp; Technology， Mianyang Sichuan 621010， China）

Abstract：In the Co60 radiation environment， gamma photons will cause speckle noise in the scene images when they penetrate the CMOS image sensor. So this paper proposed a denoising method for gamma radiation image， which was based on the outlier features of noise. This method firstly obtained a set of corresponding pixels in the sequence of images， and normalized the illumination of obtained pixels to eliminate the influence of the brightness difference among images. Then， it used the outlier features of the normalized pixels to detect the noise. Finally， it applied the first-order filtering and second-order filtering me-thod to select non-noise pixels， and the noise-repaired pixel was the mean of non-noise pixel. It compared proposed method with various typical denoising algorithms on real gamma radiation images which captured in high-dose and low-dose scenes respectively， and it achieves best denoising effect according to the experimental results.

Key words：gamma radiation; image denoising; outlier features

0 引言

核能憑借其污染小、發(fā)電效率高及受自然因素影響小等優(yōu)點而被廣泛應用，但核事故的發(fā)生會對環(huán)境安全產生嚴重影響［1， 2］，故保障核設施安全運行是核能開發(fā)的首要任務，在眾多核設施運營狀態(tài)監(jiān)測手段中，最為直觀和有效的方法是獲取場景下的清晰視覺信息。而輻射環(huán)境下清晰化可視的常規(guī)解決思路是成像器件的抗核加固［3］，但此類方法成本高、加固技術復雜、成像質量差，使得基于數(shù)字圖像處理的核輻射圖像去噪方法在近些年受到了廣泛關注［4～7］。

Co60放射源釋放的兩束1.17 MeV及1.33 MeV高能γ射線主要通過主、次級康普頓散射對CMOS圖像傳感器成像造成干擾。粒子在穿透硅基CMOS圖像傳感器過程中，由于各γ光子的入射角度、沉積能量、穿透徑跡各不相同，其在所得場景圖像中表現(xiàn)出復雜的數(shù)據(jù)規(guī)律，難以用某一特定的數(shù)學模型予以準確描述。單個γ光子在穿透硅基CMOS圖像傳感器時，會向其徑跡上各像元轉移大量能量，從而形成數(shù)量遠大于經環(huán)境光照光電效應產生的載流子數(shù)目，致使像元成像結果為沖激性高亮噪點。同時這些載流子還會在各像元之間的STI（淺槽隔離）處堆積，使STI隔離失效，將噪點彌散為斑塊狀噪聲。除此之外，由于放射粒子衰變?yōu)楦飨蛲赃^程，還使得由γ光子引起的圖像噪聲具有位置隨機特性。

針對上述具有位置隨機、尺寸多樣的核輻射斑塊噪聲，王姮等人［4］提出了自適應中值濾波與小波變換相結合的核輻射圖像去噪方法，該方法能夠很好地保留圖像邊緣信息，有一定的去噪效果，但該算法是基于核輻射噪聲為脈沖噪聲這一假設提出的，在分布位置隨機、噪聲面積較大的噪斑去除中表現(xiàn)不佳。Chen等人［5］提出了一種針對混合輻射污染視頻幀的增強算法，該算法首先假定核輻射噪聲為加性高斯噪聲，然后利用幀內和幀間相關性分兩個階段對γ輻射圖像進行去噪修復，對于圖像內部分噪斑去除效果顯著，但針對組成復雜的核輻射噪聲，該算法在實際核輻射圖像上的表現(xiàn)不足，且算法時間復雜度較高。楊斌等人［6］提出了一種基于圖像修復技術的γ輻射去噪方法，該方法在光照均勻的圖像上有一定去噪效果，但對于圖像幀之間的光照變化適應性不佳。張梁燕等人［7］提出在鄰域范圍內，利用像素均值與各點像素值差值進行噪聲檢測，針對圖像中單像素噪點去除效果顯著，但無法去除大面積噪斑，并且該算法在噪聲修復過程中對圖像細節(jié)的保護表現(xiàn)不足。

核輻射環(huán)境的特殊性在一定程度上導致了輻射圖像去噪的算法相對偏少，但許多研究人員針對與輻射噪聲類似的斑塊噪聲進行了廣泛研究［8～12］。Guo等人［8］提出了一種基于各向異性擴散濾波和交叉濾波的兩階段濾波算法，在圖像散斑抑制和邊緣信息保留中能夠達到較好的效果。朱小方等人［9］提出基于反向傳播神經網(wǎng)絡的自適應雙邊濾波方法濾除圖像斑塊噪聲。Choi等人［10］提出了一種基于各向異性去噪、軟閾值和引導濾波器的算法，該算法能夠在去除SAR圖像散斑噪聲的同時保留圖像邊緣信息。Kang等人［11］提出了一種基于多尺度分析和特征增強濾波的散斑抑制方法，該算法的圖像信噪比、平均結構相似度等量化評價良好。Yilmaz等人［12］利用自適應各向異性濾波方法實現(xiàn)圖像斑塊噪聲的抑制。上述算法對于圖像散斑噪聲的去除有一定效果，但針對噪斑位置隨機、" 模型描述復雜的γ輻射噪聲去噪效果不夠理想。

基于上述方法的思想及其存在的不足，本文提出了一種基于離群特征的γ輻射圖像去噪方法。該方法利用序列圖像間的相關特性，以及噪聲像素的離群特性進行噪聲檢測與去除。

1 實現(xiàn)方法

本文提出的γ輻射圖像去噪方法主要包含光照歸一化、噪聲檢測及像素恢復三個步驟，具體實現(xiàn)流程如圖1所示。首先從序列圖像中取出待恢復像素相對應的像素序列，并將其進行光照歸一化以消除光照差異的影響；然后通過待恢復像素與像素序列的離群情況判斷該像素是否為噪聲；最后通過一、二階離群篩選方法得到非噪聲像素序列，將非噪聲像素序列的平均值作為該噪聲點的恢復值。

1.1 光照歸一化

光照作為成像的基本條件，其對成像效果具有至關重要的作用。本文提出在圖像序列間進行γ輻射噪聲檢測與去除的方法，需要序列圖像的亮度保持一致，但場景光照的細微變化及相機自動增益控制（automatic gain control，AGC）的適應性調節(jié)等會造成同一場景下不同圖像中對應像素亮度值存在差異，故序列圖像中逐點獲取到的像素序列需要進行光照歸一化處理，以消除光照差異對噪聲檢測及恢復的影響。

對于圖像It及其前序圖像序列It-1，It-2，…，It-（n－1），各個圖像的低頻光照量［13］可簡單表示為

μt=1M×N∑Mx=1∑Ny=1It（x，y） t=1，2，…，n（1）

則各個圖像去除光照差異后的圖像細節(jié)信息可表示為

I′t（x，y）=It（x，y）-μt（2）

由于不同時刻相機AGC存在差異，場景圖中的光照量存在差異，但圖像細節(jié)一致，故包含n幀圖像的序列It，It-1，It-2，…，It-（n－1）均進行式（2）所示的光照歸一化處理。其中：M×N為圖像大小；It（x，y）為第t幅圖像中點（x，y）的像素值；I′為光照歸一化后的像素序列。

1.2 噪聲檢測

輻射圖像去噪的核心任務是判斷出場景圖像中哪些像素為噪聲像素，再通過空間相關［14］或時序相關等手段對噪聲像素進行修復。從γ輻射圖像噪聲產生機理可知，γ光子在穿透CMOS圖像傳感器時會向像元轉移大量能量，使像元內出現(xiàn)遠多于光電效應產生的載流子，從而在場景圖像中出現(xiàn)亮度極高、與背景差異較大的γ輻射噪聲，使γ噪聲表現(xiàn)出極強的沖激特性。同時由于γ光子穿透圖像傳感器的時間極短，單個γ光子僅會在某一幀圖像中引起噪聲，而其他相鄰圖像幀之間該像素值為可信非噪聲像素，使γ噪聲同時具有時序上的瞬態(tài)特性。沖擊性噪聲在圖像中表現(xiàn)出高亮特性，其像素值與有效像素值差異較大，表現(xiàn)為噪聲像素的離群特性。圖2直觀展示了像素序列中噪聲像素與背景像素的離群效果，可以清楚看出噪聲像素具有與序列圖像中大多像素差異較大的特點。

針對γ輻射噪聲的沖激特性、瞬態(tài)特性及離群特性，本文首先通過式（3）統(tǒng)計當前像素點I′n（x，y）與其他圖像幀中對應像素點I′i（x，y）間的差異T′i，再通過集體一致性離群分析方法（式（4））判斷當前像素是否為噪聲像素。其中sgn（x）=1 if （x≥0）0otherwise為符號函數(shù)。

T′i=|I′i（x，y）－I′n（x，y）|（3）

N=sgn［r·n－∑n－1i=1sgn（T1－T′i）］（4）

其中：N為像素點噪聲判斷結果;r為比例系數(shù)，決定非噪聲群簇元素占整個序列元素的比例;T1為噪點檢測中像素差異閾值，以防止光照歸一化后像素序列中其他噪聲對判斷結果的干擾。使用上述方法對γ輻射圖像進行噪聲檢測，結果如圖3所示。

噪聲檢測中，閾值T1和比例系數(shù)r的選取決定了檢測效果。為使所提算法的去噪效果達到最佳，分別在真實γ輻照樣本的低劑量率區(qū)和高劑量率區(qū)圖像上驗證不同閾值和比例系數(shù)對去噪效果的影響，采用峰值信噪比（peak signal to noise ratio，PSNR［15］）指標衡量去噪效果，結果如表1、2所示。由表1可知，隨著T1的減小和r的增大，低劑量率區(qū)數(shù)據(jù)集去噪得到的PSNR指標越好，閾值的減小和比例系數(shù)的增大使進入后續(xù)去噪的像素點增加，因此能夠取得更好的去噪效果；由表2可知，當T1=15、r=0.7時算法對高劑量率區(qū)圖像的去噪效果最好，高劑量率區(qū)數(shù)據(jù)集中噪聲較密集，閾值較小、比例系數(shù)較大時無法準確篩選出噪聲像素。

1.3 像素恢復

在判定像素為噪聲后，最終目標是利用其他非噪聲像素值對其進行恢復，故首要任務是對像素序列進行篩選，以排除序列中其他噪聲像素對噪聲修復的干擾。如圖2所示，γ輻射噪聲具有與非噪聲像素差異較大的離群特性，本文采用了一階離群方法對序列中噪聲像素進行篩除，首先通過式（5）求得點（x，y）對應像素序列中n個像素的均值μ′，其中I′i（x，y）為像素序列中的像素值，然后通過式（6）獲得一階離群篩選結果，式中T′為一階離群篩選閾值，g′為一階離群分析結果，Ie1（x，y）為一階有效像素序列。

μ′=1n∑ni=1I′i（x，y）（5）

g′=sgn（T′－|I′i（x，y）－μ′|）

I″i（x，y）∈Ie1（x，y） if （g′gt;0） （6）

由于原始序列中絕大部分為非噪聲像素，故序列平均值與非噪聲像素差異較小，而噪聲像素與平均值差異較大，通過設定差異閾值便可以將原始像素序列中離群較為明顯的噪聲像素篩除。一階離群篩除雖然將大多離群像素進行了有效篩除，但由于γ輻射斑塊噪聲還具有中心沖激亮度向四周遞減的退火特性，致使噪斑邊緣像素與非噪聲像素差異不夠明顯，難以找到合適離群閾值進行篩除，于是本文還采用二階離群分析方法，通過分析各像素方差的離群特征，將噪聲像素與非噪聲像素之間的差異顯著表現(xiàn)出來，對不明顯的離群噪聲像素進行篩除，通過式（7）獲取一階像素序列中s個像素的均值μ″以及各元素的方差σ″，其中I″i（x，y）為一階像素序列中的像素值，采用式（8）可得到二階離群篩選后的有效像素序列Ie2（x，y），T″為二階離群篩選閾值，g″為二階離群分析結果。

μ″=1s∑si=1I″i（x，y）

σ″i=（I″i（x，y）－μ″）2（7）

g″=sgnT″－σ″i－1s∑si=1σ″i

I″i（x，y）∈Ie2（x，y） if （g″gt;0） （8）

得到有效像素序列后，對其進行平均作為該像素的修復值，但由于噪聲檢測與像素恢復基于光照歸一化后的像素序列，故有效像素序列還需要進行逆光照歸一化以得到最終的像素恢復值。綜上，像素恢復的完整流程如圖4所示。

一階離群閾值T′和二階離群閾值T″是像素恢復的關鍵，為保證算法的去噪效果，分別在真實γ輻照樣本的低劑量率和高劑量率區(qū)數(shù)據(jù)集上驗證不同閾值時算法的去噪效果，使用PSNR值作為量化指標，低劑量率區(qū)結果如表3、4所示，高劑量率區(qū)結果由表5、6所示。由表3、4可知，當?shù)蛣┝柯蕝^(qū)T′=30、T″=250時，圖像去噪效果最佳；由表5、6可知，當高劑量率區(qū)T′=60、T″=525時，圖像去噪效果最佳。

2 實驗與分析

為證明基于離群特征的γ輻射圖像去噪方法對核輻射斑塊噪聲有良好的去除效果，本文選取了沖激噪聲的代表性去除算法中值濾波、均值濾波，以及近些年對斑塊噪聲具有極好去除效果的各向異性濾波［16］、NLM［17］、引導濾波［18］、雙調濾波［19］、OCCO［20］方法進行對比實驗。各算法均按照原文的典型參數(shù)進行配置，實驗采用的數(shù)據(jù)來自某研究院輻照室現(xiàn)場實驗180 Gy/h高劑量率輻照區(qū)和20 Gy/h低劑量率輻照區(qū)采集到的圖像，輻照區(qū)劑量率均由重鉻酸銀標定而得。

僅僅視覺對比難以準確評估各算法的去噪效果，故實驗中還采用了PSNR和SSIM［21］（structural similarity，結構相似性）兩種量化指標評估各算法的去噪性能。PSNR表征圖像中非噪聲信號與噪聲信號的功率比值，其值越大表征圖像質量越好，其數(shù)學表達式如式（9）所示。SSIM從圖像相似性角度出發(fā)，對噪聲圖像去噪結果與無噪聲圖像之間的亮度、對比度及結構之間的相似性進行綜合分析，其值越大表明圖像質量越好，其數(shù)學描述如式（10）所示。

MSE=1M×N∑Mi=1∑Nj=1（G（i，j）－F（i，j））2

PSNR=10log10（（2N－1）2/MSE）（9）

l=2μGμF+C1μ2G+μ2F+C1，c=2σGσF+C2σ2G+σ2F+C2，s=σGF+C3σGσF+C2

SSIM=l·c·s （10）

其中：G和F分別為去噪結果圖像和無噪聲圖像;MSE為去噪結果圖像與無噪聲圖像間的均方誤差;μG和μF表示對應圖像均值;σG和σF表示對應圖像方差;σGF為兩圖像協(xié)方差;C1、C2、C3為常數(shù)。

2.1 視覺對比及量化評價

為清晰對比各算法的去噪性能，在眾多真實γ輻射圖像上進行了充分對比實驗，高劑量率區(qū)圖像（圖3（a））和低劑量率區(qū)圖像（圖3（c））典型去噪效果對比如圖5～8所示，對應量化評估分別如表7、8所示。

結合圖5～8與表7、8，本文方法在視覺效果與量化評估中均表現(xiàn)最佳，低劑量率區(qū)圖像的去噪效果中PSNR及SSIM分別領先第二名5.318 7（dB）、0.114 8，高劑量率區(qū)圖像的去噪效果中PSNR及SSIM分別領先第二名0.948 1（dB）、0.057 2。盡管中值濾波與均值濾波是濾除沖擊噪聲的經典算法，但對于斑塊沖激性γ輻射噪聲濾波效果不佳。核輻射噪聲尺寸和位置的隨機性導致各向異性濾波算法中擴散過程受到較大干擾，致使濾波表現(xiàn)不足。NLM通過在像素鄰域搜索非噪聲像素加權計算噪聲像素的恢復值，但斑狀γ輻射噪聲通常使搜索失敗或誤將噪聲像素作為干凈像素，使得最終結果差強人意。由于γ輻射環(huán)境中缺乏干凈圖像作為引導濾波的引導圖，導致引導濾波的去噪結果不夠理想。與NLM算法類似，雙調濾波算法中的區(qū)域搜索過程同樣會受到抑制，噪斑內部噪聲點像素的離群特性在原理上限制了雙調濾波算法的效果。γ輻射噪聲為斑塊噪聲且尺寸多樣，致使OCCO濾波算法中的開運算和閉運算效果較差。

2.2 消融研究

盡管已經對本文方法的有效性進行了對比實驗，但為了更充分論證算法各部分設計內容的科學性，本文還選取輻照過程中不同時間點噪聲圖像進行消融實驗，對所提算法中的光照歸一化、噪點檢測及離群特征進行有限元分析，其對比結果如圖9所示。由圖9可知，光照歸一化對去噪效果的影響最為明顯，本文方法基于序列圖像間的相似性予以實現(xiàn)，圖像間的光照差異對噪聲檢測及恢復過程均有較大影響。噪聲檢測是為了找出受干擾的噪聲像素并對其進行修復，需要在保留圖像細節(jié)的前提下進行去噪，故其對去噪結果作出了貢獻。離群特征中，僅一階離群特征的篩選方法難以對斑塊噪聲邊緣處與背景像素差異不大的噪聲像素進行有效剔除，故其恢復過程中難免受到噪聲像素的干擾，致使最終效果稍差。僅二階矩離群篩選方法由于將像素間差異冪數(shù)級拉大，合適的閾值設置十分困難，致使最終的效果較差。

3 結束語

針對Co60放射源中γ光子對CMOS圖像傳感器成像干擾致使場景圖像存在結構損傷的問題，提出了一種基于離群特征的γ輻射圖像去噪方法。該算法利用靜態(tài)場景下序列圖像的相關特性及γ噪聲的瞬時特性，在光照歸一化后序列像素中，利用噪聲的一二階離群特性完成噪聲檢測及去除。實驗表明該算法在180 Gy/h高劑量率輻照區(qū)和20 Gy/h低劑量率輻照區(qū)采集到的圖像上均有較為顯著的去噪效果，真實γ輻射圖像的對比實驗中該算法在視覺對比與量化評價中均取得了最佳效果，有力論證了本文方法的實用性，消融研究的設計進一步證明了算法中各步驟的科學性和有效性。

參考文獻：

[1]姜珊珊，王帥.核輻射對環(huán)境的影響及安全防護對策［J］.環(huán)境與發(fā)展，2020，32（7）：30，32.（Jiang Shanshan， Wang Shuai. The influence of nuclear radiation on the environment and the countermea-sures of safety protection［J］.Environment and Development，2020，32（7）：30，32.）

［2]彭麗君，劉焱.推進深圳市輻射環(huán)境安全監(jiān)測監(jiān)管自動化的思考［J］.能源與環(huán)保，2020，42（10）：75-78.（Peng Lijun， Liu Yan. Thoughts on promoting automation of radiation environmental safety monitoring and supervision in Shenzhen［J］.China Energy and Environmental Protection，2020，42（10）：75-78.）

［3]杜霆，馮常，王從政.一種CMOS型的耐輻射圖像采集系統(tǒng)［J］.電子技術應用，2013，39（4）：45-47，51.（Du Ting， Feng Chang， Wang Congzheng. A radiation-tolerant CMOS image acquisition system［J］.Application of Electronic Technique，2013，39（4）：45-47，51.）

［4]王姮，桑瑞娟，張華，等.一種強輻射環(huán)境監(jiān)測下圖像降噪的新方法［J］.傳感器與微系統(tǒng)，2011，30（11）：59-61.（Wang Heng， Sang Ruijuan， Zhang Hua， et al. A new image denoising method for monitoring in intense radioactive environment［J］.Transducer and Micro-system Technologies，2011，30（11）：59-61.）

［5]Chen Mingju， Zhang Hua， Lu Liuman， et al. A total variation and group sparsity-based algorithm for nuclear radiation-contaminated video restoration［J/OL］.The Imaging Science Journal.（2021-03-05）.https：//doi.org/10.1080/13682199.2021.1889811.

［6]楊斌，趙立宏，鄧騫.基于圖像修復技術的抗核輻射圖像恢復方法［J］.南華大學學報：自然科學版，2016，30（4）：56-61.（Yang Bin， Zhao Lihong， Deng Qian. A novel anti-nuclear radiation image restoration algorithm based on inpainting technology［J］.Journal of University of South China： Science and Technology，2016，30（4）：56-61.）

［7]張梁燕，李武森，陳文建，等.核輻射環(huán)境下的圖像降噪［C］//全國光纖通信暨集成光學學術會議.2015.（Zhang Liangyan， Li Wusen， Chen Wenjian， et al. Image denoising in the nuclear radiation environment［C］//Proc of National Optical Fiber Communication and Integrated Optics Conference.2015.）

［8]Guo Fengcheng， Zhang Guo， Zhang Qingjun， et al. Fusion despeckling based on surface variation anisotropic diffusion filter and ratio ima-ge filter［J］.IEEE Trans on Geoscience and Remote Sensing，2020，58（4）：2398-2411.

［9]朱小方，凈亮，邵黨國.基于反向傳播神經網(wǎng)絡的自適應雙邊濾波的超聲圖像降噪［J］.激光與光電子學進展，2020，57（24）：163-172.（Zhu Xiaofang， Jing Liang， Shao Dangguo. Ultrasonic image denoising using adaptive bilateral filtering based on back propagation neural network［J］.Laser amp; Optoelectronics Progress，2020，57（24）：163-172.）

［10]Choi H， Jeong J. Despeckling images using a preprocessing filter and discrete wavelet transform-based noise reduction techniques［J］.IEEE Sensors Journal，2018，18（8）：3131-3139.

［11]Kang J， Lee J Y， Yoo Y. A new feature-enhanced speckle reduction method based on multiscale analysis for ultrasound B-mode imaging［J］.IEEE Trans on Biomedical Engineering，2015，63（6）：1178-1191.

［12]Yilmaz E， Kayikcioglu T， Kayipmaz S. Noise removal of CBCT images using an adaptive anisotropic diffusion filter［C］//Proc of the 40th International Conference on Telecommunications and Signal Proces-sing.Piscataway，NJ：IEEE Press，2017：650-653.

［13]Li Changli， Tang Shiqiang， Yan Jingwen， et al. Low-light image enhancement via pair of complementary gamma functions by fusion［J］.IEEE Access，2020，8：169887 - 169896.

［14]Nakakita S H， Uchida M. Adaptive estimation and noise detection for an ergodic diffusion with observation noises［EB/OL］.（2017-12-04）.https：//arxiv.org/abs/1711.04462.

［15]Hore A， Ziou D. Image quality metrics： PSNR vs. SSIM［C］//Proc of the 20th International Conference on Pattern Recognition.Piscata-way，NJ：IEEE Press，2010：2366-2369.

［16]Basso D， Colnago M， Azevedo S， et al. Combining morphological filtering， anisotropic diffusion and block-based data replication for automatically detecting and recovering unscanned gaps in remote sensing images［J］.Earth Science Informatics，2021，14：1145-1158.

［17]Xu Guangyu， Jiang Shexiang. Nonlocal means denoising using a content-based searching region［C］//Proc of the 8th International Congress on Image amp; Signal Processing.Piscataway，NJ：IEEE Press，2015：293-297.

［18]Ochotorena C N， Yamashita Y. Anisotropic guided filtering［J］.IEEE Trans on Image Processing，2020，29：1397-1412.

［19]Treece G. The bitonic filter： linear filtering in an edge-preserving morphological framework［J］.IEEE Trans on Image Processing，2016，25（11）：5199-5211.

［20]Li Guang， Liu Xiaoqiong， Tang Jingtian， et al. De-noising low-frequency magnetotelluric data using mathematical morphology filtering and sparse representation［J］.Journal of Applied Geophysics，2020，172：103919.

［21]袁艷春，劉云鵬，高宏偉.基于邊緣結構相似性的圖像質量評價方法［J］.計算機應用研究，2015，32（9）：2870-2873.（Yuan Yanchun， Liu Yunpeng， Gao Hongwei. Image quality assessment method based on edge structure similarity［J］.Application Research of Computers，2015，32（9）：2870-2873.）