CN117994154B - 一种基于传感器的图像智能去噪方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于传感器的图像智能去噪方法，包括：采集待去噪图像和待去噪灰度图，根据待去噪图像中像素点在不同通道的像素值得到像素点的异常程度和待滤波点；根据异常程度得到待滤波点的窗口的噪声强度；根据窗口内像素点的灰度值，得到窗口中边缘纹理的表现程度；进而得到相似窗口的滤波权重；得到像素点的最终灰度值；根据最终灰度值得到待去噪灰度图的滤波结果图，根据待去噪灰度图和滤波结果图得到神经网络模型的损失函数和模型滤波结果图。本发明通过待去噪灰度图和滤波结果图对神经网络进行训练，使得神经网络模型的滤波结果图效果更佳。

Description

一种基于传感器的图像智能去噪方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于传感器的图像智能去噪方法。

背景技术

利用传感器采集图像是一种常见的图像采集形式，由于传感器质量不一、采集精度存在差异，因此通过传感器所采集到的图像存在一定的噪声，因此对于图像的去噪至关重要，一种常用的方法是构建神经网络模型，通过重复的训练，将训练结果与滤波结果进行对比，确定训练结果的缺失函数，从而实现对神经网络模型训练，完成图像的智能去噪。

非局部均值滤波在对图像滤波时对于噪声点构建窗口进行一次滤波得到滤波结果，但是仅一次滤波无法判断当前窗口大小、滤波结果等是否达到最佳，且单一窗口无法很好的处理某些复杂的图像场景，导致图像去噪效果不佳，进而使得对神经网络模型的降噪结果判断产生误差，最终使得智能降噪的结果不佳。

发明内容

为解决上述问题，本发明提供一种基于传感器的图像智能去噪方法。

本发明的一种基于传感器的图像智能去噪方法采用如下技术方案：

本发明一个实施例提供了一种基于传感器的图像智能去噪方法，该方法包括以下步骤：

采集若干待去噪图像并灰度化处理得到若干待去噪灰度图；

根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度；根据像素点的异常程度得到每张待去噪灰度图的若干待滤波点；对每张待去噪灰度图的每个待滤波点构建若干不同大小的窗口；

根据窗口内像素点对应的异常程度得到每张待去噪灰度图中每个待滤波点的每个窗口的噪声强度；根据窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度；

获取每张待去噪灰度图中每个待滤波点的每个窗口的若干相似窗口；根据窗口中边缘纹理的表现程度、窗口的噪声强度及每个窗口的相似窗口，得到每个相似窗口的滤波权重；根据相似窗口的滤波权重和相似窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值；

根据每个窗口的相似窗口、窗口中边缘纹理的表现程度、窗口的噪声强度及窗口中像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值的可信度；根据每个待滤波点的若干不同大小的窗口、窗口的中心像素点的初始灰度值及初始灰度值的可信度，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值；

根据像素点的最终灰度值得到每张待去噪灰度图的滤波结果图，根据待去噪灰度图和滤波结果图得到神经网络模型的损失函数和模型滤波结果图。

进一步地，所述根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度，包括的具体步骤如下：

将任意一张待去噪图像，记为当前待去噪图像；将当前待去噪图像中任意一个像素点，记为当前像素点；将当前待去噪图像的灰度图像，记为当前待去噪灰度图；

；

式中，为当前像素点在当前待去噪图像的第个通道的像素值，为当前像素点的八邻域范围内第个像素点在当前待去噪图像的第个通道的像素值，为取绝对值，为当前像素点的异常因子；

将当前待去噪图像中每个像素点的异常因子进行线性归一化处理，得到当前待去噪图像中每个像素点的异常程度。

进一步地，所述根据窗口内像素点对应的异常程度得到每张待去噪灰度图中每个待滤波点的每个窗口的噪声强度，包括的具体步骤如下：

对于任意一张待去噪灰度图的任意一个待滤波点的第个窗口，第个窗口的噪声程度的计算方法为：

；

式中，为第个窗口中待滤波点的数量，为第个窗口中像素点的数量，为第个窗口中第k个像素点在该张待去噪灰度图对应的待去噪图像中对应像素点的异常程度。

进一步地，所述根据窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度，包括的具体步骤如下：

将第个窗口中任意一个非待滤波点，记为目标非待滤波点，将目标非待滤波点与八邻域范围内任意一个像素点构成的像素点组合，记为目标非待滤波点的一个灰度对，获取第个窗口中所有非待滤波点的灰度对；对于任意一个灰度对，将该灰度对中灰度值最小的像素点，作为该灰度对的第一个像素点，将该灰度对中灰度值最大的像素点，作为该灰度对的第二个像素点；对于任意两个灰度对，将该两个灰度对中任意一个灰度对，记为第一灰度对，将该两个灰度对中除第一灰度对外另一个灰度对，记为第二灰度对；若第一灰度对的第一个像素点和第二灰度对的第一个像素点的灰度值的差值绝对值小于，且第一灰度对的第二个像素点和第二灰度对的第二个像素点的灰度值的差值绝对值小于，将该两个灰度对作为一组相似灰度对，为预设的一个第二阈值；

根据窗口的灰度对和相似灰度对，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度。

进一步地，所述得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度，包括的具体步骤如下：

；

式中，为第个窗口内与第个灰度对相似的灰度对的个数，为第个窗口内第个灰度对中第一个像素点的灰度值，为第个窗口内第个灰度对中第二个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第一个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第二个像素点的灰度值，为第个窗口内灰度对的个数，为第个窗口的噪声程度，为第个窗口中像素点的数量，为第个窗口内第个非待滤波点的梯度值，为第个窗口内非待滤波点的个数，为第个窗口中边缘纹理的表现程度。

进一步地，所述得到每个相似窗口的滤波权重，包括的具体步骤如下：

；

式中，为第个窗口中边缘纹理的表现程度，为第个窗口的第个相似窗口的噪声程度，为第个窗口的第个相似窗口中边缘纹理的表现程度，为取绝对值，为线性归一化函数，为第个窗口的第个相似窗口的滤波权重。

进一步地，所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值，包括的具体步骤如下：

；

式中，为第个窗口的第个相似窗口的滤波权重，为第个窗口的第个相似窗口的滤波权重，为第个窗口的相似窗口的数量，为第个窗口的第个相似窗口内像素点的灰度均值，为第个窗口的中心像素点的初始灰度值。

进一步地，所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值的可信度，包括的具体步骤如下：

；

式中，为第个窗口中边缘纹理的表现程度，为第个窗口中第个像素点的灰度值，为第个窗口的第个相似窗口中第个像素点的灰度值，为第个窗口的相似窗口的数量，为取绝对值，为第个窗口的中心像素点的初始灰度值的可信度，为线性归一化函数。

进一步地，所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值，包括的具体步骤如下：

将第个窗口的中心像素点，记为当前待滤波点；

；

式中，为第个窗口的当前待滤波点的初始灰度值，为第个窗口的当前待滤波点的初始灰度值的可信度，为以当前待滤波点构建的所有窗口的中心像素点的初始灰度值的可信度的均值，为以当前待滤波点构建的窗口的个数，为当前待滤波点的最终灰度值。

进一步地，所述得到神经网络模型的损失函数，包括的具体步骤如下：

将任意一张模型滤波结果图，记为第一模型滤波结果图；将第一模型滤波结果图对应的待去噪灰度图，记为第一待去噪灰度图；将第一待去噪灰度图的滤波结果图，记为第一滤波结果图；

；

式中，为第一模型滤波结果图中第个像素点的灰度值，为第一滤波结果图中第个像素点的灰度值，为第一模型滤波结果图中像素点的个数，为第一滤波结果图中像素点的个数，为取绝对值，为神经网络模型的损失函数。

本发明的技术方案的有益效果是：本发明在采集到待去噪图像后，通过分析待去噪图像中像素点在不同通道的像素值与邻域像素值的差异，得到待去噪灰度图的待滤波点，提高噪声点判断的准确性，通过对待滤波点的每个窗口的噪声强度和边缘纹理的表现程度进行分析，使得在进行非局部均值滤波时的边缘纹理可以更好的保留，提高滤波的效果，通过获取与待分析窗口的相似窗口的滤波权重，得到待去噪灰度图中待滤波点的初始灰度值，减少不同窗口在进行滤波时的滤波差异，同时判断待滤波点的初始灰度值的可信度对待滤波点的初始灰度值进行加权修正得到待滤波点的最终灰度值，提高对噪声像素点灰度值的平滑，增强图像细节，最终得到待去噪灰度图的滤波结果图，进而利用待去噪灰度图和滤波结果图对神经网络进行训练，并改善神经网络模型的损失函数，使得神经网络模型的滤波结果图滤波效果更好，提高图像的质量，达到智能去噪的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种基于传感器的图像智能去噪方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于传感器的图像智能去噪方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于传感器的图像智能去噪方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于传感器的图像智能去噪方法的步骤流程图，该方法包括以下步骤：

步骤S001、采集若干待去噪图像并灰度化处理得到若干待去噪灰度图。

需要说明的是，本实施例的目的是通过不同大小窗口内的噪声程度以及图像边缘纹理的表现程度，对不同窗口的滤波结果进行加权得到最终滤波结果，最后和神经网络模型的结果进行对比，得到其缺失函数，实现智能去噪；在开始分析之间首先需要采集图像数据。

具体的，利用传感器获取若干待去噪图像，待去噪图像为RGB图像，对每张待去噪图像进行灰度化处理得到若干待去噪灰度图。

至此，得到若干待去噪图像和待去噪灰度图。

步骤S002、根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度；根据像素点的异常程度得到每张待去噪灰度图的若干待滤波点；对每张待去噪灰度图的每个待滤波点构建若干不同大小的窗口。

需要说明的是，在对神经网络模型进行训练时，需要参考结果对模型的输出结果进行比对，从而判断模型的性能是否满足要求，因此先对待去噪灰度图进行滤波处理。在进行非局部均值滤波的过程中，由于对像素点进行一次所得到的滤波结果可能存在误差，导致其滤波结果的可信度不高。因此，通过对一个像素点构建多个大小不同的窗口进行滤波，由于窗口大小的不同这些窗口的噪声表现以及滤波结果均存在差异，通过分析这些窗口的滤波结果以及窗口内像素点的分布特征与窗口大小的关系，从而确定不同大小窗口对应的滤波权重，最后根据权重对滤波结果的像素点灰度值进行加权，得到像素点最终的滤波结果。

需要说明的是，图像中噪声点的像素表现与其他区域的像素表现存在差异，通过对图像中像素点的灰度值进行分析，计算图像中像素点属于噪声区域的可能性，将可能性高的像素点设置为图像的待滤波点，对其构建窗口并进行滤波分析。

具体的，根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度，具体如下：

将任意一张待去噪图像，记为当前待去噪图像；将当前待去噪图像中任意一个像素点，记为当前像素点；将当前待去噪图像的灰度图像，记为当前待去噪灰度图。

；

式中，为当前像素点在当前待去噪图像的第个通道的像素值，为当前像素点的八邻域范围内第个像素点在当前待去噪图像的第个通道的像素值，为取绝对值，为当前像素点的异常因子；需要说明的是，若当前像素点的八邻域超出当前待去噪图像的边界，则以实际存在的八邻域内像素点进行上述计算。

将当前待去噪图像中每个像素点的异常因子进行线性归一化处理，得到当前待去噪图像中每个像素点的异常程度。

进一步地，根据像素点的异常程度得到每张待去噪灰度图的若干待滤波点，具体如下：

预设一个第一阈值，本实施例以第一阈值为0.5进行叙述，若当前待去噪图像中像素点的异常程度大于第一阈值，将异常程度大于第一阈值的像素点在当前待去噪灰度图中对应的像素点作为待滤波点；将异常程度小于或等于第一阈值的像素点在当前待去噪灰度图中对应的像素点作为非待滤波点。

需要说明的是，根据像素表现差异筛选噪声点，若当前像素点与其八邻域所有像素点在RGB颜色通道的灰度值差异越大，则当前像素点属于噪声的可能性越大，遍历图像中所有像素点，筛选出图像中的待滤波点。

进一步地，对每张待去噪灰度图的每个待滤波点构建若干不同大小的窗口，具体如下：

对于任意一张待去噪灰度图的任意一个待滤波点，以该待滤波点为中心构建的窗口，从的窗口依次扩大至，每次窗口的长度增加2，得到该待滤波点的5个不同大小的窗口；需要说明的是，若待滤波点的任意一个大小的窗口超出待去噪灰度图边界，本实施例采用二次线性插值对窗口内超出边界的像素点的灰度值进行填充。

至此，得到每张待去噪灰度图的每个待滤波点的若干不同大小的窗口。

步骤S003、根据窗口内像素点对应的异常程度得到窗口的噪声强度；根据窗口内像素点的灰度值，得到每个窗口中边缘纹理的表现程度。

需要说明的是，在进行非局部均值滤波的过程中，像素点对应的窗口大小不同对该像素点的滤波效果也存在差异，像素点对应的窗口越大则对当前像素点进行滤波的信息越多，对噪声的抑制效果更好，但相应的会导致一定程度的模糊；像素点对应的窗口越小则对当前像素点进行滤波的信息越少，对图像细节的保留效果越好，但对噪声的抑制效果较差，结合不同大小窗口中的特征确定其对应的权重。

需要说明的是，在图像中不同大小窗口中所包含的像素点数量存在差异，当属于差异的像素点中存在新的噪声时，就会导致不同大小的窗口中噪声程度存在差异，主要体现在窗口中属于噪声可能性大的点与窗口大小的占比不同，当窗口大小越小且可能性大的点的数量越多，窗口中的噪声程度越大，当像素点对应窗口中的噪声程度越大，则当前窗口的滤波结果的可信度就越低。

具体的，根据窗口内像素点对应的异常程度得到每张待去噪灰度图中每个待滤波点的每个窗口的噪声强度，具体如下：

对于任意一张待去噪灰度图的任意一个待滤波点的第个窗口，第个窗口的噪声程度的计算方法为：

；

式中，为第个窗口中待滤波点的数量，为第个窗口中像素点的数量，为第个窗口中第k个像素点在该张待去噪灰度图对应的待去噪图像中对应像素点的异常程度。

需要说明的是，在对窗口对应的像素点进行滤波时，在窗口中像素点对图像纹理的表现越好，则在搜索与当前窗口相似的窗口时，所得的窗口中对图像纹理的表现也会越好，因此使得当前窗口的滤波结果更好，即滤波结果的可信度更高。对于不同大小的窗口，窗口中像素点对图像中纹理的表现程度存在差异，当窗口中像素点的噪声程度越大，则窗口中像素点对缺陷区域的表现程度越差；当窗口中非滤波点的像素点所包含的梯度信息越多且窗口面积越大，则说明当前大小窗口所在区域所包含的图像边缘纹理信息越多。通过对窗口中相邻像素点构成的灰度对进行分析，若灰度对在窗口中出现的次数越多且灰度对的相似程度越高则说明像素点对窗口中的边缘纹理的表现程度越高。当窗口中像素点对图像边缘纹理的表现程度越好，其对应大小窗口滤波结果的可信度越高。

具体的，根据窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的若干灰度对和相似灰度对，具体如下：

将第个窗口中任意一个非待滤波点，记为目标非待滤波点，将目标非待滤波点与八邻域范围内任意一个像素点构成的像素点组合，记为目标非待滤波点的一个灰度对，获取第个窗口中所有非待滤波点的灰度对；对于任意一个灰度对，将该灰度对中灰度值最小的像素点，作为该灰度对的第一个像素点，将该灰度对中灰度值最大的像素点，作为该灰度对的第二个像素点；对于任意两个灰度对，将该两个灰度对中任意一个灰度对，记为第一灰度对，将该两个灰度对中除第一灰度对外另一个灰度对，记为第二灰度对；若第一灰度对的第一个像素点和第二灰度对的第一个像素点的灰度值的差值绝对值小于，且第一灰度对的第二个像素点和第二灰度对的第二个像素点的灰度值的差值绝对值小于，将该两个灰度对作为一组相似灰度对，为预设的一个第二阈值，本实施例以进行叙述。

需要说明的是，若灰度对中两个像素点的灰度值相同，则将任意一个像素点作为该灰度对的第一个像素点，另一个像素点作为该灰度对的第二个像素点。

进一步地，根据窗口的灰度对和相似灰度对，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度，具体如下：

；

式中，为第个窗口内与第个灰度对相似的灰度对的个数，为第个窗口内第个灰度对中第一个像素点的灰度值，为第个窗口内第个灰度对中第二个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第一个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第二个像素点的灰度值，为第个窗口内灰度对的个数，为第个窗口的噪声程度，为第个窗口中像素点的数量，为第个窗口内第个非待滤波点的梯度值，采用Sobel算子进行获取，为第个窗口内非待滤波点的个数，为第个窗口中边缘纹理的表现程度。

需要说明的是，表示第个窗口内非待滤波点的梯度值的均值，其值越大，窗口中像素点对图像边缘的表现程度越好。

至此，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度。

步骤S004、获取每个窗口的若干相似窗口；根据窗口中边缘纹理的表现程度、窗口的噪声强度及相似窗口，得到像素点的初始灰度值。

需要说明的是，在图像中搜索与不同大小窗口的相似窗口，结合相似窗口中的噪声表现以及边缘纹理的表现程度，对窗口对应的滤波权重进行计算。分析窗口中像素点对边缘纹理的表现程度，若窗口本身像素点对纹理的表现程度较低，则在计算其相似窗口的权重时，纹理的表现程度所对应的权重因子更小，而噪声程度所对应的权重因子更大。同时，当窗口中待滤波点的占比越少，则说明该窗口中需要进行滤波的像素点的数量越少，窗口中特征表现的越好，纹理的表现程度所对应的权重因子更大。

具体的，获取每张待去噪灰度图中每个待滤波点的每个窗口的若干相似窗口，具体如下：

将每张待去噪灰度图中每个待滤波点的每个窗口输入到非局部均值滤波中，输出得到每张待去噪灰度图中每个待滤波点的每个窗口的若干相似窗口。需要说明的是，将每张待去噪灰度图中每个待滤波点的每个窗口输入到非局部均值滤波中，输出得到每张待去噪灰度图中每个待滤波点的每个窗口的若干相似窗口为非局部均值滤波算法的现有方法，本实施例不再赘述；任意一个窗口和其相似的窗口在同一张待去噪灰度图中，且窗口的大小相同。

进一步地，根据窗口中边缘纹理的表现程度、窗口的噪声强度及每个窗口的相似窗口，得到每个相似窗口的滤波权重，具体如下：

；

式中，为第个窗口中边缘纹理的表现程度，为第个窗口中像素点的数量，为第个窗口中待滤波点的数量，为第个窗口的第个相似窗口的噪声程度，为第个窗口的第个相似窗口中边缘纹理的表现程度，为取绝对值，为线性归一化函数，归一化的对象为所有待去噪灰度图中所有待滤波点的所有窗口的，为第个窗口的第个相似窗口的滤波权重。

需要说明的是，针对任意大小的窗口在图像中搜索与其相似的窗口，根据相似窗口与当前窗口的相似程度确定不同相似窗口的权重，根据权重进行加权得到当前窗口对应的滤波结果。

具体的，根据相似窗口的滤波权重和相似窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值，具体如下：

；

式中，为第个窗口的第个相似窗口的滤波权重，为第个窗口的第个相似窗口的滤波权重，为第个窗口的相似窗口的数量，为第个窗口的第个相似窗口内像素点的灰度均值，为第个窗口的中心像素点的初始灰度值。

至此，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值。

步骤S005、根据相似窗口、窗口中边缘纹理的表现程度、窗口的噪声强度，得到像素点的初始灰度值的可信度；根据像素点的初始灰度值及初始灰度值的可信度，得到像素点的最终灰度值。

需要说明的是，根据窗口中像素点的像素表现，分析当前窗口滤波结果的可信度。若窗口中噪声程度越大，则当前窗口对应的滤波结果的可信度越低，即初始灰度值；若窗口中对边缘纹理的表现程度越低，则当前窗口对应的滤波结果的可信度越低，结合当前窗口大小以及窗口与相似窗口的权重大小，确定当前窗口滤波结果的可信度。

具体的，根据每个窗口的相似窗口、窗口中边缘纹理的表现程度、窗口的噪声强度及窗口中像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值的可信度，具体如下：

；

式中，为第个窗口中像素点的数量，为第个窗口中边缘纹理的表现程度，为第个窗口的噪声程度，为第个窗口中第个像素点的灰度值，为第个窗口的第个相似窗口中第个像素点的灰度值，为第个窗口的相似窗口的数量，为取绝对值，为第个窗口的中心像素点的初始灰度值的可信度，为线性归一化函数，归一化的对象为所有待去噪灰度图中所有待滤波点的所有窗口的。

需要说明的是，不同大小窗口的滤波结果的可信度可用作其滤波结果对应的权重，对滤波结果可信度较高的窗口对应较大的权重，反之权重较低，对当前待滤波点对应的不同大小窗口的滤波结果进行加权，得到当前待滤波点对应的最终滤波结果。

具体的，根据每个待滤波点的若干不同大小的窗口、窗口的中心像素点的初始灰度值及窗口的中心像素点的初始灰度值的可信度，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值，具体如下：

将第个窗口的中心像素点，记为当前待滤波点。

；

式中，为第个窗口的当前待滤波点的初始灰度值，为第个窗口的当前待滤波点的初始灰度值的可信度，为以当前待滤波点构建的所有窗口的中心像素点的初始灰度值的可信度的均值，为以当前待滤波点构建的窗口的个数即5，为当前待滤波点的最终灰度值。

至此，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值。

步骤S006、根据像素点的最终灰度值得到每张待去噪灰度图的滤波结果图，根据待去噪灰度图和滤波结果图得到神经网络模型的损失函数和模型滤波结果图。

需要说明的是，上述得到了每个窗口的中心像素点的最终灰度值，即最终滤波结果，通过非局部均值滤波算法可以得到每张待去噪灰度图的滤波结果图，通过神经网络模型对待去噪灰度图进行智能去噪得到模型滤波结果图，比较滤波结果图和模型滤波结果图差异，得到神经网络输出结果的损失函数，优化神经网络模型，实现智能去噪。

具体的，根据像素点的最终灰度值得到每张待去噪灰度图的滤波结果图，根据待去噪灰度图和滤波结果图得到神经网络模型的损失函数和模型滤波结果图，具体如下：

将每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值输入到非局部均值滤波算法中，输出得到每张待去噪灰度图的滤波结果图；将所有待去噪灰度图作为神经网络模型的训练数据集，将训练数据集输入到神经网络模型中，输出得到训练数据集中每张待去噪灰度图的模型滤波结果图，需要说明的是，本实施例中神经网络模型具体为DnCNN，具体实施例时可根据具体实施要求进行调整，在此不进行限定。

神经网络模型的损失函数具体如下：

将任意一张模型滤波结果图，记为第一模型滤波结果图；将第一模型滤波结果图对应的待去噪灰度图，记为第一待去噪灰度图；将第一待去噪灰度图的滤波结果图，记为第一滤波结果图。

；

式中，为第一模型滤波结果图中第个像素点的灰度值，为第一滤波结果图中第个像素点的灰度值，为第一模型滤波结果图中像素点的个数，为第一滤波结果图中像素点的个数，为取绝对值，为神经网络模型的损失函数。

当损失函数达到最小值时，得到训练完成的神经网络。

通过以上步骤，完成一种基于传感器的图像智能去噪方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于传感器的图像智能去噪方法，其特征在于，该方法包括以下步骤：

采集若干待去噪图像并灰度化处理得到若干待去噪灰度图；

根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度；根据像素点的异常程度得到每张待去噪灰度图的若干待滤波点；对每张待去噪灰度图的每个待滤波点构建若干不同大小的窗口；

所述根据待去噪图像中像素点在不同通道的像素值得到每张待去噪图像中每个像素点的异常程度，包括的具体步骤如下：

将任意一张待去噪图像，记为当前待去噪图像；将当前待去噪图像中任意一个像素点，记为当前像素点；将当前待去噪图像的灰度图像，记为当前待去噪灰度图；

;

式中，为当前像素点在当前待去噪图像的第个通道的像素值，为当前像素点的八邻域范围内第个像素点在当前待去噪图像的第个通道的像素值，为取绝对值，为当前像素点的异常因子；

将当前待去噪图像中每个像素点的异常因子进行线性归一化处理，得到当前待去噪图像中每个像素点的异常程度；

根据窗口内像素点对应的异常程度得到每张待去噪灰度图中每个待滤波点的每个窗口的噪声强度；根据窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度；

所述根据窗口内像素点对应的异常程度得到每张待去噪灰度图中每个待滤波点的每个窗口的噪声强度，包括的具体步骤如下：

对于任意一张待去噪灰度图的任意一个待滤波点的第个窗口，第个窗口的噪声程度的计算方法为：

;

式中，为第个窗口中待滤波点的数量，为第个窗口中像素点的数量，为第个窗口中第k个像素点在该张待去噪灰度图对应的待去噪图像中对应像素点的异常程度；

所述根据窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度，包括的具体步骤如下：

将第个窗口中任意一个非待滤波点，记为目标非待滤波点，将目标非待滤波点与八邻域范围内任意一个像素点构成的像素点组合，记为目标非待滤波点的一个灰度对，获取第个窗口中所有非待滤波点的灰度对；对于任意一个灰度对，将该灰度对中灰度值最小的像素点，作为该灰度对的第一个像素点，将该灰度对中灰度值最大的像素点，作为该灰度对的第二个像素点；对于任意两个灰度对，将该两个灰度对中任意一个灰度对，记为第一灰度对，将该两个灰度对中除第一灰度对外另一个灰度对，记为第二灰度对；若第一灰度对的第一个像素点和第二灰度对的第一个像素点的灰度值的差值绝对值小于，且第一灰度对的第二个像素点和第二灰度对的第二个像素点的灰度值的差值绝对值小于，将该两个灰度对作为一组相似灰度对，为预设的一个第二阈值；

根据窗口的灰度对和相似灰度对，得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度；

所述得到每张待去噪灰度图中每个待滤波点的每个窗口中边缘纹理的表现程度，包括的具体步骤如下：

;

式中，为第个窗口内与第个灰度对相似的灰度对的个数，为第个窗口内第个灰度对中第一个像素点的灰度值，为第个窗口内第个灰度对中第二个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第一个像素点的灰度值，为第个窗口内与第个灰度对相似的第个灰度对中第二个像素点的灰度值，为第个窗口内灰度对的个数，为第个窗口的噪声程度，为第个窗口中像素点的数量，为第个窗口内第个非待滤波点的梯度值，为第个窗口内非待滤波点的个数，为第个窗口中边缘纹理的表现程度；

获取每张待去噪灰度图中每个待滤波点的每个窗口的若干相似窗口；根据窗口中边缘纹理的表现程度、窗口的噪声强度及每个窗口的相似窗口，得到每个相似窗口的滤波权重；根据相似窗口的滤波权重和相似窗口内像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值；

根据每个窗口的相似窗口、窗口中边缘纹理的表现程度、窗口的噪声强度及窗口中像素点的灰度值，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值的可信度；根据每个待滤波点的若干不同大小的窗口、窗口的中心像素点的初始灰度值及初始灰度值的可信度，得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值；

所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值的可信度，包括的具体步骤如下：

;

式中，为第个窗口中边缘纹理的表现程度，为第个窗口中第个像素点的灰度值，为第个窗口的第个相似窗口中第个像素点的灰度值，为第个窗口的相似窗口的数量，为取绝对值，为第个窗口的中心像素点的初始灰度值的可信度，为线性归一化函数；

根据像素点的最终灰度值得到每张待去噪灰度图的滤波结果图，根据待去噪灰度图和滤波结果图得到神经网络模型的损失函数和模型滤波结果图；

所述得到神经网络模型的损失函数，包括的具体步骤如下：

将任意一张模型滤波结果图，记为第一模型滤波结果图；将第一模型滤波结果图对应的待去噪灰度图，记为第一待去噪灰度图；将第一待去噪灰度图的滤波结果图，记为第一滤波结果图；

;

式中，为第一模型滤波结果图中第个像素点的灰度值，为第一滤波结果图中第个像素点的灰度值，为第一模型滤波结果图中像素点的个数，为第一滤波结果图中像素点的个数，为取绝对值，为神经网络模型的损失函数。

2.根据权利要求1所述一种基于传感器的图像智能去噪方法，其特征在于，所述得到每个相似窗口的滤波权重，包括的具体步骤如下：

;

式中，为第个窗口中边缘纹理的表现程度，为第个窗口的第个相似窗口的噪声程度，为第个窗口的第个相似窗口中边缘纹理的表现程度，为取绝对值，为线性归一化函数，为第个窗口的第个相似窗口的滤波权重。

3.根据权利要求1所述一种基于传感器的图像智能去噪方法，其特征在于，所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的初始灰度值，包括的具体步骤如下：

;

式中，为第个窗口的第个相似窗口的滤波权重，为第个窗口的第个相似窗口的滤波权重，为第个窗口的相似窗口的数量，为第个窗口的第个相似窗口内像素点的灰度均值，为第个窗口的中心像素点的初始灰度值。

4.根据权利要求1所述一种基于传感器的图像智能去噪方法，其特征在于，所述得到每张待去噪灰度图中每个待滤波点的每个窗口的中心像素点的最终灰度值，包括的具体步骤如下：

将第个窗口的中心像素点，记为当前待滤波点；

;

式中，为第个窗口的当前待滤波点的初始灰度值，为第个窗口的当前待滤波点的初始灰度值的可信度，为以当前待滤波点构建的所有窗口的中心像素点的初始灰度值的可信度的均值，为以当前待滤波点构建的窗口的个数，为当前待滤波点的最终灰度值。