基于小波阈值与分层深度图像去噪算法研究

陈天宇 张维忠

摘要：  针对Realsense深度相机提取的深度图像中背景噪声和随机噪声对图像分割及目标识别的影响，本文提出一种深度图像分层结合小波阈值去噪的算法。根据深度图像预估图像的噪声强度，确定层级间隔，将图像进行分层，选择需要去噪的图层进行小波阈值去噪，将完成的分层图像拼合成完整的深度图像，最后选择多幅深度图像进行对比实验。实验结果表明，该算法可有效去除深度图像中某一层级的背景噪声及特定噪声，保留了深度图像的边缘信息，具有良好的去噪效果。该研究在获取深度图像后的图像分割、目标识别、图像修复等方向具有一定的应用价值。

关键词：  深度图像; 背景噪声; 小波阈值去噪; 深度分层

中图分类号： TP391.413; TN911.73  文献标识码： A

近年来，深度图像在客流统计等许多领域广泛应用，公交客流统计越来越成为智能公交系统不可或缺的重要组成部分。由于深度图像可更好的观察乘客的人体特征，因此客流统计大多采用深度相机采集信息。深度图像是一种特殊的三维图像，在人体特征检测[13]、姿势识别[46]、人脸识别[79]等领域应用较多，且在人体特征的动态跟踪和捕捉方面表现优良。但是目前大多数深度相机所得到的深度图像受环境影响较大，其质量不高，包含许多噪声，容易影响目标检测、目标点识别和目标跟踪的准确率，所以现阶段应对深度图像进行去噪处理。刘继忠等人[10]运用滤波器的方法进行深度图像去噪，但在修复深度图像的同时，也丢失许多图像的边缘信息;邓文君等人[11]提出用滤波方法即用均值代替图像中各个像素值以增强去燥的方法;吴倩等人[12]使用形态学提取出空洞部分，联合彩色图像填补空洞，指引滤波对图像平滑去噪，但修復的同时会破坏一部分原来的深度值;王奎等人[1314]利用空域颜色匹配联合背景修复，可以很好的填补图像中的空洞，此方法在去除随机噪声方面效果并不理想;Wang X H等人[1516]利用深度学习提高深度质量，以改进显著性检测;Chen F等人[17]借助图像的稀疏特点，建立稀疏失真模型，通过此模型对深度图像进行修复去噪，但此方法算法较复杂。为解决现阶段深度图像中一些噪声去除不明显，边缘信息处理效果不好导致的深度图像信息不清楚的问题，本文介绍了一种深度图像分层结合小波阈值去噪的算法。根据噪声强度确定深度图像的层级间隔，并按照噪声强度对深度图像进行分层[18]。由于在实际问题中有的噪声不影响目标识别和追踪，因此需要处理的某一层级的深度图像进行小波阈值[1923]去噪，最后将处理完的分层图集组合成完整的深度图像。该研究具有一定的实际应用价值。

1 深度图像分层

1.1 预估深度图像噪声强度

3 实验结果与分析

为检测该算法的实际效果，本文选择多幅深度图像进行实验，并通过实验结果进行对比分析。去噪算法比较如图2所示。

在本文提到的去噪算法中选择2个参数，即奇异点归一化参数δ和冗余深度值Hre，Hre=50 mm，δ取值以0.1为间隔从0.5到2.0，测试出效果较好的参数，然后再实验Hre对去噪的影响，确定δ参数后，使Hre在0～500 mm范围内变化，选取合适的参数。通过比较3种算法的去噪结果可以看出，双边滤波算法去噪效果不明显，图像没有得到明显改善;分层去噪效果稍好一些，但目标内部会存在一些空洞，且小块噪声去除不理想。本文提出的算法去噪结果较理想，大块噪声去除干净，边缘信息保留比较完整。

4 结束语

针对深度图像背景噪声和随机噪声等问题对目标识别及检测产生的影响，本文介绍了一种深度分层结合小波阈值去噪算法，通过实验对比，证明该算法能够较好的去除深度图像中的背景噪声，去除效果明显，边缘信息保留完整，克服了在去噪过程中边缘信息模糊及去噪空洞的问题。与其它去噪算法相比，本文提出的算法能更好的保留边缘信息，针对性更强，对后续图像分割、目标识别及目标检测等研究起了关键作用。下一步的研究重点是结合彩色图像得到特征来提高深度图像的质量。

参考文献：

[1] Ren Z L， Zhang Q S， Qiao P Y， et al. Joint learning of convolution neural networks for RGBDbased human action recognition[J]. Electronics Letters， 2020， 56（21）.

[2] 全夏杰. 基于深度信息的人体运动识别算法研究[D]. 长沙： 湖南大学， 2018.

[3] 宋相法， 吕明. 融合三维骨架和深度图像特征的人体行为识别[J]. 计算机技术与发展， 2019， 29（7）： 5559.

[4] Guo D D， Zhu X A. Research on action recognition of human body based on kinect sensor[J]. Applied Mechanics and Materials， 2014， 644： 41624166.

[5] 宋震. 面向多Kinect的三维人体骨架提取及动作识别研究与应用[D]. 济南： 山东大学， 2020.

[6] Bangaru S S， Wang C， Zhou X， et al. Gesture recognitionbased smart training assistant system for construction worker earplugwearing training[J]. Journal of Construction Engineering and Management， 2020， 146（12）： 04020144.

[7] 陈振浚， 张小凤， 方宇杰， 等. 基于深度传感的人脸识别算法研究与实现[J]. 自动化应用， 2020（8）： 8082.

[8] Mehmet K， Semih E， Mehmet B G， et al. Use of gradient and normal vectors for face recognition[J]. IET Image Processing， 2020， 14（10）： 21212129.

[9] 高涛， 邵倩， 张亚南， 等. 基于深度残差网络的人脸表情识别研究[J]. 电子设计工程， 2020， 28（23）： 101104.

[10] 刘继忠， 吴文虎， 程承， 等. 基于像素滤波和中值滤波的深度图像修复方法[J]. 光电子·激光， 2018， 29（5）： 539544.

[11] 邓文君， 叶景杨， 张铁. 面向机器人磨抛的激光点云获取及去噪算法[J]. 光学学报， 2016， 36（8）： 180188.

[12] 吴倩， 史晋芳， 王德娇， 等. 结合彩色图像局部分割的Kinect深度图修复算法[J]. 计算机应用研究， 2017， 34（12）： 38523854， 3884.

[13] 王奎， 安平， 张艳， 等. 基于Kinect的实时深度提取与多视绘制算法[J]. 光电子·激光， 2012， 23（10）： 19491956.

[14] 王奎， 安平， 张兆杨， 等. Kinect深度图像快速修复算法[J]. 上海大学学报： 自然科学版， 2012， 18（5）： 454458.

[15] Wang X H， Li S， Chen C L Z， et al. Datalevel recombination and lightweight fusion scheme for RGBD salient object detection[J].  IEEE Transactions on Image Processing， 2020， 30： 458471.

[16] Chen C L Z， Wei J P， Peng C， et al. Improved saliency detection in RGBD images using twophase depth estimation and selective deep fusion[J]. IEEE Transactions on Image Processing， 2020， 29： 42964307.

[17] Chen F， Hu T Y， Zuo L W， et al. Depth map inpainting via sparse distortion model[J]. Digital Signal Processing， 2016， 58.

[18] 谭志国， 欧建平， 张军， 等. 一种层析深度图像去噪算法[J]. 光学学报， 2017， 37（5）： 94100.

[19] 关雪梅. 几种图像小波去噪算法比较研究[J]. 许昌学院学报， 2018， 37（10）： 5759.

[20] 赵满庆. 基于小波变换的图像处理技术[J]. 电子技术与软件工程， 2018（10）： 57.

[21] 管丽玲， 潘伶佼， 朱幼莲. 小波阈值去噪与Sobel算子相结合的深度图像边缘检测技术[J]. 江苏理工学院学报， 2014， 20（6）： 5660， 76.

[22] 张弘， 周晓莉. 基于小波阈值和全变分模型的图像去噪[J]. 计算机应用研究， 2019， 36（11）： 35043507， 3520.

[23] 翟進有， 代冀阳， 王嘉琦， 等. 改进阈值的小波图像去噪[J]. 科学技术创新， 2018（31）： 1820.