APP下载

基于混合噪声模型的射线图像降噪方法

2014-06-27申清明王国博赵建中许管利

兵工学报 2014年12期
关键词:数字图像小波射线

申清明,王国博,赵建中,许管利

(西北机电工程研究所,陕西咸阳 712099)

基于混合噪声模型的射线图像降噪方法

申清明,王国博,赵建中,许管利

(西北机电工程研究所,陕西咸阳 712099)

针对射线数字图像的特点,提出了一种基于混合噪声模型的小波中值滤波降噪方法。对射线数字图像噪声成分构成进行分析,建立了混合噪声模型。根据混合噪声模型来计算噪声方差,进而计算BayesShrink阈值,解决了BayesShrink阈值计算中因射线数字图像小波系数不服从广义高斯分布而导致的Donoho噪声方差计算方法失效的问题。为了消除BayesShrink阈值处理引起的图像失真,对小波阈值处理结果进行中值滤波。采用射线数字图像对该方法的有效性进行了验证,实验表明,该方法的降噪效果优于OracleShrink和SureShrink阈值法。

信息处理技术;混合噪声模型;小波;图像降噪

0 引言

射线检测广泛应用于航空、航天、兵器、船舶等国防领域,在零部件内部质量检测中发挥着重要作用。射线检测数字图像(以下简称“射线数字图像”)作为智能化检测的输入介质,其噪声水平对于检测结果的准确度具有直接影响。因此,对射线数字图像进行降噪是非常必要的。

目前,射线数字图像的降噪方法主要包括空域滤波[1]、频域滤波[2]和小波变换3大类。相比较而言,小波阈值收缩法具有更好的降噪效果[3]。小波阈值法主要包括OracleShrink阈值、SureShrink阈值[4]和BayesShrink阈值[5]。其中,BayesShrink阈值是基于贝叶斯风险最小而得到,降噪效果优于其他几种阈值[6-7]。

BayesShrink阈值中采用Donoho提出的利用含噪图像的小波变换系数来计算噪声方差,采用该方法的条件是图像高频子带小波系数直方图统计必须服从广义高斯分布,然而,射线数字图像不满足该条件,这给采用BayesShrink阈值法对射线数字图像进行降噪带来了困难。为了解决上述问题,本文根据射线数字图像的特点提出了一种基于混合噪声模型的小波中值滤波降噪方法。

1 降噪算法

1.1 算法原理

如图1所示,本文提出的基于噪声模型的小波中值滤波降噪方法步骤如下:

步骤1 对射线数字图像的噪声成分构成及其水平进行分析,建立射线数字图像的混合噪声模型;

步骤2 依据射线数字图像和混合噪声模型确定小波处理阈值;

步骤3 对射线数字图像进行小波阈值处理;

步骤4 对步骤3所得图像进行中值滤波,消除小波阈值处理引起的图像失真。

图1 降噪流程Fig.1 Denosing process

1.2 混合噪声模型

本文研究的射线数字图像的噪声成分包括:暗电流噪声、散粒噪声和胶片颗粒噪声,3种成分噪声均为加性噪声,噪声混合服从加性噪声叠加原理,混合噪声模型为

式中:ε(x,y)为混合噪声;εh(x,y)为暗电流噪声; εl(x,y)为散粒噪声;εg(x,y)为胶片颗粒噪声。3种成分噪声均服从高斯分布,因而只需确定3种噪声的均值和方差便可确定混合噪声。

暗电流噪声仅与图像采集设备有关,通过分析不同曝光参数下的遮光图像,来计算其标准方差:

式中:σh为暗电流噪声的标准方差;Vh为遮光图像的高频分量;E(·)为期望值。

散粒噪声是感光器件的固有噪声,很难通过后续电路处理来进行抑制或者消除。在大量光子存在的情况下,散粒噪声呈现为高斯分布,通常用高斯白噪声来描述,根据加性噪声叠加原理其标准方差计算公式为

式中:σl为散粒噪声标准方差;Vl为光强图像的高频分量。

胶片颗粒噪声的数学模型为均值为0的高斯白噪声,噪声标准方差与局部颗粒平均密度的立方根呈正比,根据加性噪声叠加原理,标准方差为

式中:σg为胶片颗粒噪声的标准方差;Vg为射线数字图像高频分量;β为系数,取值范围为[0,1]。

1.3 阈值处理

阈值计算方法有很多种,其中Chang等提出的BayesShrink阈值在降噪效果方面要优于其他方法, BayesShrink阈值的基本思想是寻找一个阈值TB,使得降噪后的图像与测试图像之间的贝叶斯风险最小[6],其阈值计算公式为

式中:TB为BayesShrink阈值;为噪声小波系数方差;为信号标准方差。

采用混合噪声模型来计算噪声标准方差为

1.4 中值滤波

为了消除因小波阈值处理引起的图像失真,采用中值滤波对小波阈值处理结果进行滤波,滤波采用N×N模板进行,图像边缘采用复制相邻列的方法进行拓展,中值滤波具体表示为

式中:MedianN×N(′)表示将N×N区域内像素灰度中值赋值给N×N区域内的中心像素点,依次对图像中的每个像素点进行处理,完成对整幅图像的中值滤波。

2 应用实例

采用不同曝光时间下的零增益灰度图像进行实验,实验图像分为3类,遮光图像、光强图像和射线底片数字图像,如图2所示。为描述方便,将某个曝光时间下的图像用“曝光时间#”来表示,如曝光时间为100μm的图像用“100#”来表示。计算机配置为Intel Core 2 Duo E6320 1.86 GHz PC,2 G RAM, Windows XP.

图2 实验样本图像Fig.2 The images of experimental sample

表1是6组不同曝光参数下的遮光图像的灰度分布统计(每组5幅图像,取平均值)。由表1可知,感光器件的暗电流噪声中只有水平较低、相对均匀的热噪声,没有由晶格缺陷引起的暗电流尖峰即没有椒盐噪声。表2给出了遮光图像的均值和小波系数高频分量的标准方差σh.

表1 遮光图像灰度分布Tab.1 Gray distribution of light-screening image

表2 遮光图像均值与标准方差Tab.2 Mean and standard deviations of light-screening image

式中:σl为散粒噪声的标准方差;为图像平均灰度。

表3 光强图像均值与散粒噪声标准方差Tab.3 Mean and standard deviations of shot noise of light image

表4 胶片颗粒噪声的标准方差Tab.4 Standard deviations of film grain noise

为了验证本文方法的有效性,对测试图像进行加噪,然后利用基于混合噪声模型的小波中值滤波法对加噪后的测试图像进行降噪,并与OracleShrink和SureShrink阈值法的降噪效果进行比较。采用峰值信噪比和均方误差对降噪效果进行评估,实验结果如图3所示。

图3 实验对比Fig.3 Experimental comparison

图4和图5分别是10幅不同测试图像在不同噪声水平下的平均峰值信噪比和平均均方误差,从中可以看出本文方法的峰值信噪比比OracleShrink和SureShrink阈值法的要高、均方误差比Oracle-Shrink和SureShrink阈值法的要低。此外,随着噪声水平的增加,本文方法实验结果的峰值信噪比的下降速度比OracleShrink和SureShrink阈值法的要慢;均方误差的上升速度比OracleShrink和Sure-Shrink阈值法的要慢,因此本文方法具有较好的鲁棒性。

图4 峰值信噪比Fig.4 Peak signal-to-noise ratio

3 结论

图5 均方误差Fig.5 Man-square error

本文提出了一种基于混合噪声模型的小波中值滤波降噪方法。解决了BayesShrink阈值法应用于射线图像降噪时,阈值计算中的Donoho噪声方差计算方法失效的问题。同时,给出了一种通过分析射线图像噪声成分来建立图像的混合噪声模型的噪声建模方法。实验结果表明,经本文方法降噪后的图像的峰值信噪比比OracleShrink和SureShrink阈值法的要高、均方误差比OracleShrink和SureShrink阈值法的要低,且峰值信噪比的下降速度和均方误差的上升速度均比OracleShrink和SureShrink阈值法的要慢。因此,本文方法的降噪效果优于Oracle-Shrink和SureShrink阈值法,且具有较好的鲁棒性。

References)

[1] Hoque M R,Rashed-al-Mahfuz M D.A new approach in spatial filtering to reduce speckle noise[J].International Journal of Soft Computing and Engineering,2011,1(3):2231-2307.

[2] 原瑞宏,余能国,唐力伟,等.炮膛疵病图像的去噪研究[J].火炮发射与控制学报,2011(2):71-73.

YUAN Rui-hong,YU Neng-guo,TANG Li-wei,et al.Research on denosing of gun bore flaw image[J].Journal of Gun Launch& Control,2011(2):71-73.(in Chinese)

[3] Ruikar SD,Doye D D.Wavelet based image denoising technique [J].International Journal of Advanced Computer Science and Applications,2011,2(3):49-53.

[4] Luisier F,Blu T,Unser M.A new SURE approach to image denoising:interscale orthonormal wavelet thresholding[J].IEEE Transactions on Image Processing,2007,16(3):593-606.

[5] Om H,Biswas M.An improved image denoisingmethod based on wavelet thresholding[J].Journal of Signal and Information Processing,2012,3(1):109-116.

[6] Chang SG,Yu B,Vetterli M.Adaptive wavelet thresholding for image denoising and compression[J].IEEE Transactionson Image Processing,2000,9(9):1532-1546.

[7] Garg R.A comparative study of non-linear threshold filtering for image denoising[J].Journal of Computing Technologies,2013, 2(5):32-34.

M ulti-noise M odel-based Denoising M ethod for Radiographic Image

SHEN Qing-ming,WANG Guo-bo,ZHAO Jian-zhong,XU Guan-li
(Northwest Institute of Mechanical&Electrical Engineering,Xianyang 712099,Shaanxi,China)

A multi-noise model-based denoising method for radiographic image is proposed,in which wavelet transform and median filtering are used.The composition of the image noise is analyzed,and a multi-noisemodel is established.The variance of noise is calculated in terms of themulti-noisemodel, and then the BayesShrink threshold is calculated,which solves the problem of that the Donoho's noise algorithm is invalidated since thewavelet coefficients do notobey the generalized Gaussian distribution.A median filtering is used to refine the result obtained by thewavelet transform to eliminate the image distortion caused by the BayesShrink thresholding.Radiographic images are used to verify the effectiveness of the proposed method.Experiments show that the performance of the proposed method is better than those of OracleShrink and SureShrink.

information processing technology;multi-noisemodel;wavelet;image denoising

TN911.7

A

1000-1093(2014)12-2087-05

10.3969/j.issn.1000-1093.2014.12.022

2014-03-01

申清明(1981—),男,工程师,博士。E-mail:sqm@mail.xjtu.edu.cn

猜你喜欢

数字图像小波射线
角的度量错例分析
基于多小波变换和奇异值分解的声发射信号降噪方法
数字图像水印技术综述
构造Daubechies小波的一些注记
“直线、射线、线段”检测题
基于MATLAB的小波降噪研究
数字图像加密技术及其安全性分析
数字图像加密技术及其安全性分析
『直线、射线、线段』检测题
基于变分水平集方法的数字图像分割研究