一种保持锐度的网格噪声消除方法与流程

本发明涉及一种图像质量提升技术，针对于目前含有网格模板噪声的光学传感器，该方法能够去除图像中网格噪声的同时保留图像边缘的锐度。

背景技术：

网格噪声的产生是因为图像在水平和垂直方向存在周期性的亮度差异，这些差异具体表现有横竖条纹。同时具有横竖条纹的图像即为网格。由于图像缩放算法的原因，当图像缩小时网格会更加明显。

针对于含有网格噪声的图像，目前有三种方式进行处理。

1、提升相机的出图质量，对光学传感器进行改进。此方法成本较高，不易于实现。

2、对图像进行平滑处理，采用均值滤波的方式消除像素之间的固定差异，此方法会降低图像的锐度，尤其对于边缘部分，会变的模糊。

3、对图像首先进行平滑区域判断，再对平滑区域进行加权平均处理。如专利200810105709.2中所示，其首先计算周围八邻域相互之间的亮度差异，再与设定好的阈值进行比较来进行平滑区域判定，最后对平滑区域处的像素点与邻域内的全部或部分像素进行加权平均，结果作为更新后像素点值。此方法需要很多阈值和权值，普适性差，对于噪声仅依靠阈值来进行处理。阈值较小则会导致噪点被判定为非平滑区域。阈值较大则会导致弱边缘被判定为平滑区域。如果不同位置的网格亮度差异较大，便很难有一个良好的阈值筛选出所有的平滑区域进行处理。

现有技术中还有一些复杂的算法来去除网格噪声或在网格噪声去除过程中进行边缘检测，但是现有的去除网格噪声或边缘检测算法都会消耗大量的运算资源，导致图像处理的速度无法满足高速运行状况的应用。

技术实现要素：

针对含有网格噪声的光学传感器及其产生的具有网格噪声的图像，本发明设计了一种具有普适性、抗噪性的方法，在保持原有图像锐度的同时消除网格噪声。

这里所提到的普适性是指针对于网格性状不同的光学传感器同样具有良好的处理效果。(网格性状不同指的是网格在周期、幅值和位置三个方面存在差异)

这里所提到的抗噪性是指针对于噪声情况不同的光学传感器同样具有良好的处理效果。(噪声会影响平滑区域的判定)

这里所提到的保持图像的锐度是指本发明对图像锐度的影响最小化，远小于其他的网格噪声去除方法。本发明的方法在网格噪声去除过程中对图像边缘不进行处理，因为边缘的变化趋势会掩盖网格噪声。

具体而言，本发明提供一种保持锐度的网格噪声消除方法，其特征在于，所述方法包括：基于对目标图像中各个像素是否属于平滑区域的判定，对目标图像中的平滑区域进行滤波处理。

优选地，所述方法包括下述步骤：

(1)、从图像的一角为起点，逐个像素地对每个像素进行平滑区投票，并且将当前像素的投票值赋予其相关像素，以确定每个像素的投票值；

(2)、读取或设定目标图像的投票值阈值，并根据投票值阈值对所述目标图像进行平滑区判定，以确定目标图像中每个像素是否属于边缘区；

(3)、对图像中属于边缘区的像素不进行滤波，对图像中不属于边缘区的像素进行滤波。

优选地，所述步骤(1)包括：

对于目标点a及其横向相关点b、c以及纵向相关点为d、f，如果(a-b)*(b-c)＞0，则判定横向存在边缘，如果(a-d)*(d-f)＞0，则判定纵向存在边缘。

优选地，在所述步骤(3)中对像素进行中值滤波。

优选地，所述方法还包括基于目标图像的复杂度进行图像或图像区域的分类。

优选地，所述方法还包括基于图像噪声水平调整投票阈值。

优选地，所述方法还包括，从图像的一角为起点，向图像的对角方向，逐个像素地对每个像素进行平滑区投票。该投票包括分别沿横向和纵向两个方向确定目标像素的相关像素，并且将相关像素的投票值赋予目标像素。

本发明的方法将目标点在横向和/或纵向的相关点的边缘检测结果赋予目标点，既简单易行，又准确可靠。

本发明在去除网格的同时保持了图像的锐度，并且具有抗噪性。对于不同性状的网格噪声具有普适性。并且，本发明的网格噪声消除方法对运算资源的要求低，能够适应工业生产中对图像处理的高速检测需求，在同样的检测效率情况下，能够有效降低系统资源成本。更为重要的是，本发明的网格噪声消除方法不依赖于图像亮度，不需要计算邻域的亮度差异。

附图说明

图1为本发明方法中边缘检测部分示意图；

图2本发明方法中边缘判定部分第一种投票方案示意图；

图3本发明方法中边缘判定部分第二种投票方案示意图；

图4本发明方法中所采用的中值滤波领域选取示意图；

图5为含有微弱网格的原图片；

图6利用均值滤波方法对微弱网格图像处理后的图片；

图7利用本发明方法对微弱网格图像处理后的图片。

图8-10分别为原图的垂直清晰度、现有方法处理后的垂直清晰度以及采用本发明方法处理后的垂直清晰度的视图。

图11中示出了细节较多的区域和细节较少的区域。

具体实施方式

以下结合附图及其实施例对本发明进行详细说明，但并不因此将本发明的保护范围限制在实施例描述的范围之中。

本发明采用2×2的中值滤波对图像进行非线性处理，为保持场景中边缘的锐度，在滤波之前进行平滑区域判定，对于非平滑区域将不进行中值滤波处理。

1非平滑区域投票(包括边缘检测过程和投票过程)。

1.1边缘检测

采用当前点右下方3×3范围内横纵两个方向进行边缘检测。

如图1所示，当前点为a。

横向相关点为b、c，如果(a-b)*(b-c)＞0，

则判定横向存在边缘，否则为非边缘,即平滑区域。

纵向相关点为d，f，如果(α-d)*(d-f′)＞0,

则判定纵向存在边缘，否则为非边缘,即平滑区域。

这个处理的顺序是从左上角的开始，因为sensor的数据是逐行读出的，在具体的实现中首先缓存两行，当第三行来第一个数据时，对第一行的第一个数据进行边缘判定，并且记录下两个方向上的检测情况。这样会节省资源。之后就可以根据上面和左面的四个相关点的结算结果进行投票了。简单说就是当前点的相关点，上面两个，左面两个边缘检测完成后会记录下来，当前点直接根据相关点和本身的边缘检测结果进行投票。

下述步骤1.2中对当前点的投票判定是在前两行和左面两个点检测完成后进行的。

1.2非平滑区的投票

如图2所示，当前点为c。判定相关点为a、b、e、d。这四个点在进行边缘检测时(见1.1)与c点相关，因此这四个点的边缘检测结果会关系到c的判定结果。abcde五个点共同为c点是否处在平滑区域进行投票。

针对于不同的场景，共有两种投票方式，本发明将场景分为两类场景，第一类场景为简单场景、第二类场景为复杂场景。对于场景的分类可以人工进行，也可以通过软件实现，比如，对图像进行一个特征提取，特征数量超过一定阈值的则定义为复杂场景。此外，这里的场景分类不仅限于对不同图像进行分类，还可以指的是对图像的不同区域也进行分类。

1)对于第一类图像或图像区域，每次与c相关的边缘检测计1票。

针对于细节较少的场景，即简单场景。图像的边缘结构比较明显，结构比较清晰，主要是低频和中频信息。

如图2所示，ab的纵向边缘检测、ed的横向边缘检测和c点的横纵双方向边缘检测会与c点相关(共计6次检测)。检测为边缘则给c点投1票。则c点最多获得6票，最少为0票。即，对于此种场景，进行目标相关点逐次计票。

2)对于第二类图像或图像区域，每个与c相关点的边缘检测计1票。

第二种投票方式主要是针对于细节较多的第二类场景，即复杂场景，采用该投票方式可以保护与边缘相邻的点，使之不进行中值滤波。

如下图11所示，对于细节较多的场景，边缘之间互相影响，第二种投票方式，不是相关边缘检测的次数结果计1票，而是相关点的判定情况计1票，这样如果相关点判定为边缘，当前点也会提高判定为边缘的概率。因为当前点的检测结果的权重降低了，只占了一票。边缘的相邻点更大概率被判定为边缘。举个例子，当前的上方只是横向判定为边缘，但是会为当前点是边缘投一票(虽然纵向没有判定为边缘)。

如图3所示，abcde5个点在边缘检测时与c点相关。每个点在边缘检测时，横纵任一方向检测为边缘则认为此点为边缘，此时给c点投1票。则c点最多获得5票，最少获得0票。

2平滑区域判定和中值滤波

2.1平滑区域判定

对于每一个像素点，当票数大于判定阈值时，此点则被判定为非平滑区域，当票数小于等于判定阈值时，此点则被判定为平滑区域。

判定阈值的选取：阈值的范围为0到最大票数。(第一种投票方式最大为6票，第二种投票方式最大为5票。)推荐此阈值设定为2，因为处于边缘处的像素点至少会被投票2次。对于噪声比较大的图像，可以适当提高阈值。

2.2中值滤波

对于判定为平滑区域的点，对其进行2×2的中值滤波。将当前点的亮度值更新为该点右下方2×2邻域窗口内的所有像素点灰度值的中值。如图4所示，a点为当前点，四个点的亮度值由大到小的顺序下为a>b>c>d，则a点被替换为

本发明采用投票法进行平滑区域筛选，去除网格噪声的同时保持了图像的锐度，并且具有抗噪性。

下面给出了对图5中所示图像采用本发明的滤波方法和采用均值滤波方法进行滤波处理后的处理结果对比

一、边缘像素数量进行对比

表2-1图像边缘处灰度值由10％上升到90％范围内包含的像素数量

从表格中的对比可以看出，采用本实施例中的算法，处理后像素数量相差不大，或者减小，说明锐度保持不变或者轻微升高。相比之下，采用现有的均值滤波会使边缘处像素数量增加，锐度下降。

二、清晰度对比

表3-1为图像在mtf50处能够达到的分辨率。(这个是表示图像锐度的一个值。在表示相机图像解析力时，通常采用mtf50或者mtf50p。mtf50表示的是mtf为最大值的50％(即mtf＝0.5)时，对应的空间频率)

其中lw/ph为线宽每图像高，代表着图像的清晰程度，值越高图像清晰度越好。

从表格中可以看出，采用本发明的噪声消除方法处理后清晰度基本不变，均值滤波后下降明显。

本发明参数很少，并且与图像亮度无关，对于不同网格性状的图像均有良好的处理效果。

如图5至图7中所示，图5为含有微弱网格的图片，图6为采用现有的均值滤波方法处理后的图像，而图7则是利用本发明方法对图5中的微弱网格图像处理后的图片。原图中缩小至51％后观察，网格明显，而采用本发明的方法去网格后网格消失。

图8-10分别为原图的垂直清晰度、现有方法处理后的垂直清晰度以及采用本发明方法处理后的垂直清晰度的视图。

图8、图9和图10示出了imatest的计算结果，表3-1和2-1的数据可以在图中看到。另外图中的mtf曲线的形状能表示我们的效果比中值滤波好，我们基本和原图一致，中值滤波的形状明显陡峭。

虽然，现有技术中也存在着一些边缘检测算法，但是现有的去除网格噪声或边缘检测算法都会消耗大量的运算资源，导致图像处理的速度无法满足高速运行状况的应用，而本发明的基于投票的边缘检测方法cpu占用资源非常低，运算量远低于现有的边缘检测算法。边缘检测是去网格算法的一部分，sobel算子每个像素点需要11次运算，本文提到的算法需要8次运算，可以明显降低运算量。

以上所述仅为本发明的较佳实施例，并非对本发明做任何形式上的限制，凡在本发明的精神和原则之内，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明的保护范围之内。

虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。