基于噪声估计的太赫兹图像自适应迭代去噪 下载: 832次
1 引言
太赫兹成像技术是一种无损、非电离的成像技术,以其较低的光子能量和对可见光、近红外不透明的非金属和非极性物质的较高穿透能力在生物医疗、工业生产、安防检测等领域具有重大的研究价值和广阔的应用前景[1-4]。成像系统在采集图像的过程中往往存在噪声,因此,提高成像质量是成像系统的关键,对由于太赫兹探测器性能较低的面阵成像和各种材质的遮挡物的扫描成像尤为重要。数字图像处理技术是一种改善太赫兹成像质量的重要途径。
目前已有多种将传统数字图像处理方法应用于特殊图像的处理,如基于双边滤波、小波变换等的太赫兹图像去噪[5-8]。其中Buades等[9-10]于2005年提出的非局部均值(NLM)滤波方法是一种能够在去除背景噪声的同时较好地保持图像纹理细节的降噪方法,目前已有将其应用于太赫兹图像去噪的研究,然而非局部均值算法中加权函数仍然为不相同的子块分配非零权重,其所得结果最终可能会与实际结果相背离[11]。为了减小偏差,文献[ 11]中采用改进的双平方加权函数来实现更快的衰减,从而得到更好的相似性度量。
一些较经典的去噪算法由已知添加的噪声方差来设置参数进行去噪,而对于真实的太赫兹图像,由于其结构的特殊性及复杂的噪声特点,无法获知其具体的噪声方差,进而无法自动设置参数,因此需要研究一种能对太赫兹图像进行噪声估计的自适应去噪算法。目前已有许多学者提出了不同的噪声估计方法[12-14],2013年Liu等[15]提出了一种基于块的噪声估计方法,噪声水平被估计为均匀块协方差矩阵的最小特征值(简称WT)。Jiang等[16]于2016年提出了一种基于平坦块协方差矩阵特征值的噪声水平估计方法(简称JZ)。2019年,Fang等[17]证明JZ是一种高估噪声水平的方法,并结合WT和JZ提出了一种基于平坦块和局部统计的噪声水平估计方法,从而获得了更高的估计精度。
本文将研究一种基于噪声估计的自适应迭代去噪方法,分别对太赫兹数字全息图像和太赫兹反射扫描图像进行了噪声估计及去噪,并通过迭代过程进一步改善去噪效果,提高太赫兹图像质量。
2 基本原理
2.1 噪声水平估计算法
Liu等[15]给出了一种基于弱纹理块的噪声水平估计算法。根据他们的算法,图像的噪声水平估计为
式中:
式中:ρ为给定的一个常数;
式中:
2.2 基于四叉树的双平方加权函数非局部均值去噪
四叉树也被称为Q树(Q-tree),是一种数据保存、表示、处理的树形数据结构,广泛应用于图像分割、空间数据索引、边缘检测、图像压缩中,其分解示意图如
1) 调整原始图像尺寸为2的整数次幂,将图像分解为4个大小相同的子区域;
2) 对每个子区域进行相似性判断,即
式中:Pmax和Pmin分别表示子区域像素的最大值和最小值;m为图像像素的位深度(通常为m=8);T为阈值,用来控制图像分解的块数。如果不满足(8)式的相似性条件, 则执行步骤1);
3) 重复执行步骤1) 和2) , 直到所有的子区域都满足(8)式,则分解完成。
基于四叉树的双平方加权函数非局部均值去噪(QBNLM)的基本思想是:将图像利用四叉树分解成大小不同的子块,然后对每一个子块利用改进的非局部均值滤波进行去噪,通过使用双平方加权函数改进非局部均值的权重来实现更快的衰减,并结合四叉树分解作用将图像分成更小的子块,从而可充分利用图像的非局部自相似性,这有利于太赫兹图像的进一步去噪。
非局部均值方法是基于图像块的滤波方式,令含有噪声的图像为ν,对于每一个像素点i,其滤波结果通过计算加权平均得到,即
式中:ω(i,j)是权值,它的大小由以像素i和j为中心点的图像块ν(Ni)和ν(Nj)的相似度得到。Ni表示以像素i为中心的固定大小(2f+1)×(2f+1)的正方形邻域即相似窗口,其半径为f,Nj同理,Ds为搜索窗口,用以取代整幅图像,缩短去噪时间。
满足0≤ω(i,j)≤1且
双平方加权函数[11]可实现更快的衰减,定义为
式中:r为两图像块的欧氏距离。因此,权重被计算为:
采用峰值信噪比(RPSNR)和平均结构相似度(MMSSIM)进行去噪图像的客观质量评价。RPSNR值越大,图像的质量越高,定义为
式中:x(i,j)表示标准图像的像素值;y(i,j)表示去噪图像的像素值;H、W分别表示图像的行、列数。
MMSSIM表征两幅图像的平均结构相似程度,取值范围在0~1之间,其值越大代表图像失真越小。具体操作是利用滑动窗口将图像分块,令分块总数为N,计算每一窗口均值、方差及协方差的加权平均。然后计算对应块的结构相似度SSSIM,最后通过计算平均值得到MMSSIM。
式中:X、Y表示标准图像和去噪图像;Xk、Yk表示图像的第k个窗口;μX、μY 是均值;
采用信息熵[19](SSNT)来客观评价无标准图像的真实实验图像的去噪结果。图像信息熵可以表示图像信息的丰富度,通过SSNT值的大小可以知道图像包含信息量的多少,其值越大说明图像包含的信息量越大,图像的细节信息越多。信息熵定义为
式中:bi'表示图像中灰度值为i'的像素;P(bi')表示像素bi'所占的比例。
2.3 本文基于噪声估计的自适应迭代去噪算法
本文采用的基于噪声估计的自适应迭代去噪算法流程图如
图 2. 基于噪声估计的自适应迭代去噪算法流程图
Fig. 2. Flow chart of adaptive iterative denoising algorithm based on noise estimation
四叉树非局部均值去噪算法的具体流程为:首先利用四叉树分解来获得噪声图像不同大小的子块,然后使用基于双平方加权函数的非局部均值滤波对每一个子块进行去噪,最后将各子块聚集得到完整的去噪图像。该去噪算法中最重要的参数即为图像的噪声标准差,然而真实的太赫兹图像的噪声标准差是未知的,因此通过本文的噪声估计算法可实现图像的盲噪声估计,从而实现自适应去噪。
具体的噪声水平估计算法的流程图如
3 实验结果及分析
3.1 THz数字同轴全息图像去噪
文中所采用的图像为一个齿轮的太赫兹数字同轴全息图像,图像的尺寸为124×124,如
图 4. 齿轮图像。(a)实验图像;(b)标准图像
Fig. 4. Image of gear. (a) Experimental image; (b) standard image
利用QBNLM算法对噪声图像进行去噪,其中最重要的参数即噪声标准差已由上述噪声水平估计算法估计得到,其余参数需通过手动调节来获取。首先调节四叉树分解阈值T,然后依次调节四叉树分解层数l、BNLM的搜索窗口半径t、相似窗口半径f、滤波系数h。各不同参数变化下的去噪图像的RPSNR及MMSSIM值如
图 6. 不同参数的去噪结果。(a) h=1.4;(b) h=2.2;(c) h=2.3;(d) h=2.4;(e) h=3.2
Fig. 6. Denoising results for different parameters. (a) h=1.4; (b) h=2.2; (c) h=2.3; (d) h=2.4; (e) h=3.2
表 1. 不同参数的去噪图像RPSNR及MMSSIM结果对比
Table 1. Comparison of RPSNR and MMSSIM results of denoising images with different parameters
|
由不同参数下的去噪结果可知,
原始噪声图像的去噪结果如
由
图 7. 迭代去噪图像的平坦块选择。(a)第2次迭代;(b)第3次迭代;(c)第4次迭代
Fig. 7. Flat block selection of iterative denoising image. (a) 2nd iteration; (b) 3rd iteration; (c) 4th iteration
表 2. 齿轮图像噪声估计结果
Table 2. Noise estimation results of gear image
|
图 8. 齿轮图像迭代去噪结果。(a)图像标准差;(b)第2次迭代;(c)第3次迭代;(d)第4次迭代
Fig. 8. Iterative denoising results of gear image. (a) Image standard deviation; (b) 2nd iteration; (c) 3rd iteration; (d) 4th iteration
由于主观观察去噪图像的差别不是很明显,而且计算机分辨率不同也会导致视觉效果不同,进一步计算去噪图像的客观评价指标RPSNR及MMSSIM值,结果如
表 3. 齿轮图像的去噪结果对比
Table 3. Comparison of denoising results of gear image
|
为了说明本文的自适应迭代去噪算法的有效性,将其与BNLM算法及原始NLM算法进行对比。NLM的参数为:搜索窗口半径为3,相似窗口半径为2,滤波系数h为0.6。BNLM与NLM去噪结果如
图 9. 齿轮图像去噪结果。(a) BNLM去噪;(b) NLM去噪
Fig. 9. Denoising results of gear image. (a) BNLM denoising; (b) NLM denoising
表 4. 齿轮图像BNLM及NLM去噪的客观质量参数
Table 4. Objective quality parameters of BNLM and NLM denoising of gear image
|
由
3.2 THz反射扫描图像去噪
为进一步说明本文算法对THz图像去噪的有效性,将本文算法用于THz反射扫描图像,实验所用图像为大小为112×142的鲤鱼福娃THz反射扫描图像,如
由
图 11. 弱纹理块选择。(a)实验图像;(b)第2次迭代;(c)第3次迭代;(d)第4次迭代;(e)第5迭代次
Fig. 11. Weak texture block selection. (a) Experimental image; (b) 2nd iteration; (c) 3rd iteration; (d) 4th iteration; (e) 5th iteration
表 5. 福娃图像噪声估计结果
Table 5. Noise estimation results of Fuwa image
|
将每次估计得到的噪声标准差作为QBNLM算法的参数进行去噪,去噪结果如
图 12. 福娃图像迭代去噪结果。(a)图像标准差;(b)噪声标准差;(c)第2次迭代;(d)第3次迭代;(e)第4次迭代;(f)第5次迭代
Fig. 12. Iterative denoising results of Fuwa image. (a) Image standard deviation; (b) noise standard deviation; (c) 2nd iteration; (d) 3rd iteration; (e) 4th iteration; (f) 5th iteration
由
表 6. 福娃图像的去噪结果对比
Table 6. Comparison of denoising results of Fuwa image
|
为了说明本文自适应迭代去噪算法用于太赫兹反射扫描图像的有效性,同样与BNLM和原始NLM滤波进行比较。原始NLM参数设置为:搜索窗口半径为3,相似窗口半径为2,滤波系数为0.2。BNLM和原始NLM算法处理结果如
图 13. 福娃图像去噪结果。(a) BNLM去噪;(b) NLM去噪
Fig. 13. Denoising result of Fuwa image. (a) BNLM denoising; (b) NLM denoising
表 7. 福娃图像BNLM及NLM去噪的客观质量参数
Table 7. Objective quality parameters of BNLM and NLM denoising of Fuwa image
|
4 结论
为了去除由于成像系统所造成的图像背景噪声,提高图像的清晰度,采用了基于噪声估计的自适应迭代去噪方法,分别处理了太赫兹同轴全息图像和太赫兹反射扫描图像,进行了主观比较分析和客观质量评价。通过对实验图像的盲噪声估计可以进行自适应迭代去噪,这有利于噪声的进一步去除。相比于BNLM算法和原始NLM算法,本文算法可以更好地提高去噪效果。实验结果表明,本文方法有效地去除了图像的背景噪声,恢复了太赫兹图像的质量。但仍有一些研究值得继续探索:首先是针对太赫兹反射扫描图像独特的噪声特点,如何实现更好的平坦块选择,从而准确地估计噪声;其次是如何自动选取QBNLM算法中的其他参数。
[1] 经文, 安健飞, 江舸, 等. 针对隐藏目标检测的太赫兹波站开式全极化全息雷达成像实验[J]. 中国激光, 2019, 46(6): 0614032.
[2] 王彪, 王新柯, 俞跃, 等. 太赫兹线阵快速扫描成像[J]. 中国激光, 2019, 46(6): 0614029.
[3] 李涛, 张良, 何健安, 等. 基于太赫兹技术在线快速识别邮件隐匿危险品[J]. 激光与光电子学进展, 2019, 56(23): 233001.
[4] 李斌, 杜秀洋, 刘燕德, 等. 太赫兹时域光谱葛粉掺薯粉检测研究[J]. 激光与光电子进展, 2019, 56(20): 203001.
[5] 蔡晨东, 霍冠英, 周妍, 等. 基于场景深度估计和白平衡的水下图像复原[J]. 激光与光电子学进展, 2019, 56(3): 031008.
[6] Cui S S, Li Q, Chen G H. Terahertz digital holography image denoising using stationary wavelet transform[J]. Proceedings of SPIE, 2015, 9522: 952230.
[7] 侯向丹, 郑梦敬, 刘洪普, 等. 基于剪切波和改进Pal-King的医学图像增强算法研究[J]. 激光与光电子学进展, 2019, 56(3): 031006.
[8] 徐利民, 范文慧, 刘佳. 太赫兹图像的降噪和增强[J]. 红外与激光工程, 2013, 42(10): 2865-2870.
Xu L M, Fan W H, Liu J. De-noising and enhancement for terahertz imaging[J]. Infrared and Laser Engineering, 2013, 42(10): 2865-2870.
[9] Buades A, Coll B, Morel J M. A non-local algorithm for image denoising[J]. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), June 20-25, 2005, San Diego, CA, USA. New York: IEEE, 2005, 8624018.
[10] Buades A, Coll B, Morel J. A review of image denoising algorithms, with a new one[J]. Multiscale Modeling & Simulation, 2005, 4(2): 490-530.
[11] Zuo C L, Jovanov L, Goossens B, et al. Image denoising using quadtree-basednonlocal means with locally adaptive principal component analysis[J]. IEEE Signal Processing Letters, 2016, 23(4): 434-438.
[12] Khalil HH, Rahmat R O K, Mahmoud W A. Chapter 15: estimation of noise in gray-scale and colored images using Median absolute deviation (MAD)[C]∥2008 3rd International Conference on Geometric Modeling and Imaging, July 9-11, 2008, London, UK. New York: IEEE, 2008: 92- 97.
[13] 徐少平, 张兴强, 杨晓辉, 等. 基于噪声估计的自适应块匹配和三维滤波降噪算法[J]. 光电子·激光, 2017, 28(6): 663-673.
Xu S P, Zhang X Q, Yang X H, et al. An adaptive BM3D denoising algorithm based on noise level estimation[J]. Journal of Optoelectronics·Laser, 2017, 28(6): 663-673.
[16] Jiang P, Zhang J Z. Fast and reliable noise level estimation based on local statistic[J]. Pattern Recognition Letters, 2016, 78: 8-13.
[17] Fang Z, Yi X M. A novel natural image noise level estimation based on flat patches and local statistics[J]. Multimedia Tools and Applications, 2019, 78(13): 17337-17358.
[18] 拉斐尔·冈萨雷斯, 理查德·伍兹. 数字图像处理[M]. 2版. 阮秋琦, 阮宇智, 译. 北京: 电子工业出版社, 2007: 498- 499.
Gonzalez RC, Woods RE. Digital image processing[M]. 2th ed. Ruan Q Q, Ruan Y Z, Transl. Beijing: Publishing House of Electronics Industry, 2007: 498- 499.
[19] 杨作廷, 阮萍, 翟波. 基于图像熵的高动态范围场景的自动曝光算法[J]. 光子学报, 2013, 42(6): 742-746.
Article Outline
王月, 李琦. 基于噪声估计的太赫兹图像自适应迭代去噪[J]. 中国激光, 2020, 47(8): 0814001. Wang Yue, Li Qi. Adaptive Iterative Denoising of Terahertz Image Based on Noise Estimation[J]. Chinese Journal of Lasers, 2020, 47(8): 0814001.