CN110796615B - 一种图像去噪方法、装置以及存储介质 - Google Patents

Abstract

本申请公开了一种图像去噪方法、装置以及存储介质，包括以下步骤：获取原始图像；对原始图像进行边缘点检测，以确定原始图像的原始像素中的边缘点像素；对去除边缘点像素的原始图像进行噪声估计，以获取原始图像的噪声等级；基于噪声等级对原始图像进行相似度滤波，其中不同的所述噪声等级对应于不同的滤波参数。通过上述方式，本申请能够有效提升图像的去噪效果。

Description

一种图像去噪方法、装置以及存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像去噪方法。

背景技术

视频图像数据在采集和传输等过程中不可避免的会受到噪声的干扰。比如CCD和CMOS器件在拍摄过程中会引入光学噪声等。一般情况下，视频图像受高斯白噪声和脉冲噪声的影响比较严重。在一些特殊场景，比如夜晚场景下，视频图像中高斯白噪声往往比较多，导致采集到的视频图像质量较差。

图像去噪一般作为图像预处理手段，在图像去噪之后，得到更加清晰的图像，再进行其他图像处理操作，比如图像分割，目标识别等。因此图像去噪成为了图像处理和计算机视觉领域中重要的研究课题，尤其在图像去噪和保持细节边缘之间找到一个好的平衡点，成为了近年来研究的重点。

一般情况下，视频图像在传输之前需要经过编码器编码，输出编码码流。目前主流的视频编码标准是H.264和H.265，是基于预测编码和变换编码相结合的编码方式。在变换编码中，由于噪声对应高频分量，高频分量强度增大，会导致编码后的码率上升，降低编码器的压缩效率。

目前，视频图像的去噪方法主要包括空域去噪方法和频域去噪方法，空域方法通过加权求和对图像进行平滑滤波；频域方法通过去除频域变换后的噪声的系数进行滤波，从而尽可能的减少噪声。但是目前的去噪方法都是假设已知图像噪声强度的，并且如果对噪声较小甚至没有噪声的图像进行滤波，会导致清晰的图像变模糊。

发明内容

本申请主要解决的技术问题是提供一种图像去噪方法，能够有效解决现在技术中在假设已知图像噪声强度的情况下进行滤波所造成的去噪效果差的问题。

为解决上述技术问题，本申请采用如下技术方案：提供一种图像去噪方法，包括如下步骤：获取原始图像；对所述原始图像进行边缘点检测，以确定所述原始图像的原始像素中的边缘点像素；对去除所述边缘点像素的所述原始图像进行噪声估计，以获取所述原始图像的噪声等级；基于所述噪声等级对所述原始图像进行相似度滤波，其中不同的所述噪声等级对应于不同的滤波参数。

本申请的有益效果是：本申请首先在除边缘点像素的原始图像进行噪声估计，可以有效提高噪声评估的准确度。进一步，根据噪声等级执行不同的相似性滤波策略，避免了将噪声强度不同的图像进行相同参数的相似度滤波操作而导致去噪效果差的问题。

附图说明

图1是本申请的图像去噪方法的一实施例的流程示意图；

图2是本申请的边缘点检测过程的一实施例的流程示意图；

图3是本申请的噪声估计过程的一实施例的流程示意图；

图4是本申请的相似度滤波过程的一实施例的流程示意图；

图5是本申请的边缘点像素细节增强过程的一实施例的流程示意图；

图6是本申请的图像去噪装置的一实施例的示意框图；

图7是本申请的图像去噪装置的一实施例的示意框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请的具体实施方式做进一步的详细说明。

图1是本申请的图像去噪方法的一实施例的流程示意图，如图1所示，本申请实施例中的图像去噪方法，包括以下步骤：

步骤S10，获取原始图像。

本实施例可以通过移动终端、相机、录像机、监控设备等拍摄的图像或者录制的视频。对于视频而言，原始图像可以是视频中选取的一帧或者多帧图像。当然，原始图像也可以从云端或者网络获取，也可以从设备的本地存储中获取，还可以从移动硬盘、U盘中获取。对于原始图像的格式，可以是PNG、JPG、tiff等，还可以是其他格式，在此不做限定。

步骤S20，对原始图像进行边缘点检测，以确定原始图像中的边缘点像素。

现有技术的图像去噪方法常常使得图像在去噪处理的同时也模糊了边缘细节部分，边缘点检测有利于筛选出边缘点像素，便于进行图像噪声估计时排除边缘点像素的影响，提高噪声估计的准确性，也便于图像进行去噪处理后增强边缘细节，使图像变得更加清晰。

参阅图2，图2是本申请的边缘点检测过程的一实施例的流程示意图。在图2所示的流程中提出了一种基于自适应阈值的边缘点检测方法，其具体步骤包括：

步骤S201，利用梯度算子对原始图像进行卷积运算，以获得梯度图。

为了确定边缘像素部分，需要用梯度算子对原始图像中的每个原始像素进行卷积运算，具体操作为，将梯度算子分别与每个原始像素点为中心作横向及纵向卷积，即可分别得到当前原始像素与周围原始像素的横向及纵向的亮度差分近似值G_i和G_j，本实施例中的梯度算子，采用3×3大小的Sobel算子，它与原始图像进行卷积计算，计算过程如下：

其中，O(i，j)表示原始图像中第i行第j列像素点为中心的原始像素值。

对当前原始像素与周围原始像素的横向及纵向的亮度差分近似值G_i和G_j通过G＝|G_i|+|G_j|运算，即可得到整幅原始图像的梯度图G。

步骤S202，对梯度图中的各梯度像素的像素值进行直方图统计，并根据直方图统计结果生成梯度阈值。

直方图统计的过程实际上就是对梯度像素的像素值落在不同梯度区段内的梯度像素的数量进行统计。在本实施例中，每个梯度区段可以是两个数值端点所定义的一个数值段。此时，落入该梯度区段是指梯度像素的像素值等于两个数值端点或者介于两个数值端点之间，并可以选择两个数值端点中的任意一个或者两个数值端点之间的任意数值作为该梯度区段的代表值。当然，每个梯度区段还可以是单个数值点。此时，落入该梯度区段是指梯度像素的像素值等于该数值点，并且该数值点即为该梯度区段的代表值。

在最后形成的梯度像素的直方图中，横坐标对应梯度区段的代表值，纵坐标对应每个梯度区段内的像素数量。进一步，针对梯度像素的直方图中的梯度区段的代表值，按从小到大的方式对各梯度区段内的梯度像素的数量和梯度区段的代表值的乘积进行求和运算，直至求和结果大于或等于梯度图的总像素值的预设百分比p％。随后，将参与求和运算的梯度像素的最大代表值作为梯度阈值。此处，梯度图的总像素值是指梯度图内的所有梯度像素的像素值的求和结果。

步骤203，将梯度像素的像素值大于或等于梯度阈值的梯度像素所对应的原始像素作为边缘点像素。

可以确定梯度像素的像素值大于或等于梯度阈值的梯度像素对应的原始像素为边缘点像素，如此一来，可以检测出整幅原始图像的所有边缘点像素。

p％的值可根据用户的需要设置，在对不同图像进行图像边缘检测时，即使选取了固定的p％值，不同的图像根据计算得来的梯度阈值也是不相同的，但都是适用于对应图像进行边缘检测的梯度阈值，因此，本申请对图像进行的边缘检测具有自适应性的特点。

步骤S30，对去除边缘点像素的原始图像进行噪声估计，以获取原始图像的噪声等级。

图像在生产、获取、传输、存储等过程中，在各种因素的影响下引入噪声，噪声来源的不同，导致不同图像的噪声密度、类别有所不同，在图像去噪处理时，如果将不同噪声程度的图像进行同样的去噪处理，会导致噪声较小的图像在经过去噪处理后变得更模糊，或者，噪声较大的图像去噪不充分等问题。在本申请中，噪声估计的目的是将不同的图像分成不同的噪声等级，分别对每一种噪声等级的图像进行相应的滤波去噪处理。

参阅图3，图3为本申请的噪声估计过程一实施例的流程图，根据前一步骤S20去除原始图像的边缘点像素，对去除边缘点像素的原始图像进行噪声估计的具体步骤，包括：

步骤S301，利用噪声估计算子对去除边缘点像素的原始图像进行卷积求和，得到噪声估计图。

本实施例中的噪声估计算子N为拉普拉斯算子经修正后得到，修正得到的噪声估计算子在与图像中的像素进行卷积求和的同时，起到抑制图像纹理结构的作用，减弱图像纹理结构对噪声估计的影响，提高噪声估计的准确性。在其他实施例中，可以使用具有与算子N作用相同或相似的其他算子，本实施例所使用的噪声估计算子N如下所示：

上述卷积运算针对原始图像排除边缘点像素的其他原始像素，本实施例还将排除位于原始图像边缘行以及边缘列上的像素，卷积运算所得结果为：I(i，j)＝O(i，j)*N，I(i，j)为利用噪声估计算子N对原始图像中排除边缘点像素以及位于图像边缘行以及边缘列上的像素的其他原始像素进行卷积运算后，得到的噪声估计图中的第i行第j列噪声估计像素的像素值。

步骤S302，对噪声估计图中的各噪声估计像素的像素值的绝对值进行均值运算。

计算公式如下：

其中，σ_n为噪声标准差，W为原始图像沿行方向的像素个数，H为原始图像沿列方向的像素个数。

步骤S303，根据均值运算的结果获取噪声估计图的噪声估计值。

对步骤S302运算所得标准差进行平方运算，得到的方差值

作为噪声估计值。

步骤S304，若噪声估计值小于第一噪声阈值，则判定原始图像为无噪声图像；若噪声估计值介于第一噪声阈值和第二噪声阈值之间，则判定原始图像为低噪声图像；若噪声估计值大于第二噪声阈值，则判定原始图像为高噪声图像。其中，第二噪声阈值大于所述第一噪声阈值，且针对无噪声图像不进行基于噪声等级对原始图像进行相似度滤波的步骤。

设定第一阈值T1和第二阈值T2，T1＜T2，如果步骤S303所得噪声估计值

小于第一阈值，即/>

则判定原始图像为非噪声图像，对非噪声图像不做相似度滤波去噪操作；如果步骤S303所得噪声估计值/>

大于第一阈值同时小于第二阈值，即/>

则判定原始图像为低噪声图像；如果步骤S303所得噪声估计值/>

大于第二阈值，即

则判定原始图像为高噪声图像。对判定为低噪声的图像和高噪声的图像分别进行不同滤波参数的相似度滤波去噪。

本实施例设定第一阈值第二阈值两个阈值，在其他实施例中可根据需要设置第三阈值、第四阈值等，对图像的噪声等级做出更细致的划分，以获得更好的去噪效果。

步骤S40，基于噪声等级对原始图像进行相似度滤波，其中不同的噪声等级对应于不同的滤波参数。

图像滤波可以在尽量保留图像细节特征的条件下对原始图像的噪声进行抑制，本申请的相似度滤波重点在于，针对不同的噪声等级设定不同的滤波半径和相似度阈值，其中，针对噪声等级越大的图像，设置相对较大的滤波半径和相似度阈值，对噪声等级越小的图像，设置相对较小的滤波半径和相似度阈值。其中，滤波半径用于确定邻域范围，相似度阈值用于确定邻域范围内参与相似度滤波计算的像素数量。进一步，本申请根据参与相似度滤波计算的像素点与当前像素点的空间距离不同设置不同的加权系数，对参与相似度滤波的所有像素点进行加权求和计算，用加权求和所得结果代替当前原始像素点的像素值。这样，经过对相似像素的选择和基于空间距离对相似像素的加权计算，在去噪的同时对图像的细节特征起到了良好的保护作用。

参阅图4，图4为相似度滤波过程的一实施例的流程示意图，其具体步骤包括：

步骤S401，基于噪声等级设置滤波半径和相似度阈值，其中噪声等级越大，则滤波半径和相似度阈值越大。

本实施例中，可将判定为噪声图像的原始图像分为两个噪声等级，分别是高噪声图像和低噪声图像，对高噪声图像设置滤波半径为5，相似度阈值为50；对低噪声图像设置滤波半径为1，相似度阈值为25，在其他实施例中可以设置其他适宜值。

步骤S402，以原始图像中的当前原始像素为中心，利用滤波半径设置一邻域范围。

以当前原始像素为中心，以滤波半径R设置一个2R×2R大小的邻域范围，邻域范围在原始图像的行方向上的范围是[i-R，i+R]，在原始图像的列方向上的范围是[j-R，j+R]。

步骤S403，在邻域范围查找与当前原始像素的像素值的差值的绝对值小于或等于相似度阈值的相似像素。

以当前原始像素为基准，选取在滤波半径内，像素值与当前原始像素点的像素值的差值小于或等于相似度阈值的像素为相似像素，可理解的是，在滤波半径内像素值落在区间[O(i，j)-Thr，O(i，j)+Thr]内的像素点均可选做相似像素。

步骤S404，对相似像素的像素值进行加权求和。

根据参与相似度滤波计算的像素点与当前原始像素的空间距离不同，对参与相似度滤波的所有像素点进行加权求和，本实施例采用高斯核函数来进行加权求和运算。在其他实施例中，可以使用其他可基于空间距离对相似像素进行加权求和计算的函数。

经过高斯核函数对相似像素加权的权重可表示为：

其中L为相似像素与当前原始像素的空间距离，随着空间距离L的增大，权重G减小，即，离当前原始像素越远的相似像素权重越小，σ为预设系数。加权求和的计算公式为：

其中O(i，j)∈[O(i，j)-Thr，O(i，j)+Thr]。

步骤S404，以加权求和计算所得结果替代当前原始像素的像素值。

原始图像中的每个原始像素均进行相似度滤波计算，原始像素被相应的加权求和计算结果替代，得到相似度滤波后的图像，达到消除噪声的目的。

为了提升细节显示效果，本实施例可以在相似度滤波后的图像上对边缘点像素进行细节增强，例如下述的步骤S50。

步骤S50，在相似度滤波后的图像上对边缘点像素进行细节增强。

相似度滤波处理使得原始图像在消除噪声的同时也损失了一些边缘点像素，边缘点像素的缺失会使得图像变得模糊，视觉效果变差，通过边缘点细节增强可补足或增强损失的边缘点像素。

参阅图5，图5为本申请的边缘点细节增强一实施例的流程图，具体步骤如下：

步骤S501，判断相似度滤波后的原始图像上的边缘点像素的像素值与相似度滤波前的原始图像上的边缘点像素的像素值之间的差值的绝对值是否大于或等于预设差异阈值，若大于或等于差异阈值，则将相似度滤波后的原始图像上的边缘点像素的像素值与差值的预设比例进行求和运算。

根据步骤S20，得到原始图像的边缘图，利用边缘图筛选出相似性滤波后的图像和原始图像中的边缘点像素，再用相似度滤波后的图像上的边缘点像素的像素值减去原始图像上的边缘点像素的像素值P(i，j)-O(i，j)＝diff(i，j)，得到差值图像diff(i，j)。

判断差值的绝对值与预设差异阈值的大小关系，若差值的绝对值大于预设差异阈值，则将此差值对应的相似性滤波后的图像中的边缘点像素的像素值加上此差值的预设比例得到新的像素值，以此新的像素值代替滤波后图像对应的边缘点像素的像素值。若差值的绝对值小于或等于预设差异阈值，则不做任何处理，对应的相似性滤波后的图像中的边缘点像素的像素值仍取相似性滤波后的图像的像素值。

具体计算公式如下：

其中，C为预设差异阈值，P(i，j)为滤波后图像，D(i，j)为细节增强后图像，A为数量参数，预设差异阈值及数量参数均可根据需要设定。

步骤S502，判断求和结果是否小于预设的最小容许值或大于预设的最大容许值。若小于最小容许值，则将求和结果设置成最小容许值。若大于最大容许值，则将求和结果设置成最大容许值。

在步骤S502中，当差值的绝对值大于预设差异阈值时，将此差值对应的相似性滤波后的图像中的边缘点像素的像素值加上此差值的预设比例，判断相加所得的求和结果是否小于预设的最小容许值或大于预设的最大容许值，若相加所得的求和结果小于预设的最小容许值，则取求和结果为最小容许值；若求和结果大于预设的最大容许值，则取求和结果为最大容许值；若求和结果在预设的最小容许值和最大容许值所包含的范围内，则取求和结果原值。本实施例中设置最小容许值为0，最大容许值为255。

上述求和结果的取值可表示为如下关系：

至此，经过以上步骤，待处理的原始图像可完成去噪处理，输出消除噪声后的清晰图像。

根据上述图像去噪方法，本申请还提供一种图像去噪装置，下面结合附图及实施例对本申请的图像去噪装置进行详细说明。

图6为本申请的图像去噪装置的一实施例的示意框图。如图6所示，该实施例的图像去噪装置包括：获取模块100、边缘点检测模块200、噪声估计模块300、相似度滤波模块400。

获取模块100用于获取原始图像。边缘点检测模块200用于对原始图像进行边缘点检测，以确定原始图像的原始像素中的边缘点像素。噪声估计模块300用于对去除边缘点像素的原始图像进行噪声估计，以获取原始图像的噪声等级。相似度滤波模块400，用于基于噪声等级对原始图像进行相似度滤波，其中不同的噪声等级对应于不同的滤波参数。

可选的是，边缘检测模块200进一步用于利用梯度算子对原始图像进行卷积运算，以获得梯度图；对梯度图中的各梯度像素的像素值进行直方图统计，并根据直方图统计结果生成梯度阈值；将梯度像素的像素值大于或等于梯度阈值的梯度像素所对应的原始像素作为边缘点像素。

进一步地，边缘检测模块200用于对梯度像素的像素值落在不同梯度区段内的梯度像素的数量进行统计；按照梯度区段的代表值从小到大的方式对各梯度区段内的梯度像素的数量和梯度区段的代表值的乘积进行求和运算，直至求和结果大于或等于梯度图的总像素值的预设百分比；将参与求和运算的梯度区段的最大代表值作为梯度阈值。

可选的是，噪声估计模块300进一步用于利用噪声估计算子对去除边缘点像素的原始图像进行卷积运算，以获得噪声估计图；对噪声估计图中的各噪声估计像素的像素值的绝对值进行均值运算；根据均值运算的结果获取噪声估计图的噪声估计值。

可选的是，噪声估计算子为：

进一步地，噪声估计模块300通过以下公式计算噪声估计图的噪声标准差；

其中，σ_n为噪声标准差，I(i，j)为利用噪声估计算子对未处于原始像素的边缘行和边缘列上的原始像素进行卷积运算后获得的噪声估计图中的第i行和第j列的噪声估计像素的像素值，W为原始图像沿行方向的像素个数，H为原始图像沿列方向的像素个数；根据均值运算的结果获取噪声估计图的噪声估计值的步骤包括：对噪声标准差进行平方运算，以获取噪声估计图的噪声方差作为噪声估计值。

更进一步地，若噪声估计值小于第一噪声阈值，则判定原始图像为无噪声图像；若噪声估计值介于第一噪声阈值和第二噪声阈值之间，则判定原始图像为低噪声图像；若噪声估计值大于第二噪声阈值，则判定原始图像为高噪声图像；其中，第二噪声阈值大于第一噪声阈值，且针对无噪声图像不进行基于噪声等级对原始图像进行相似度滤波的步骤。

可选的是，相似度滤波模块400基于噪声等级设置滤波半径和相似度阈值，其中噪声等级越大，则滤波半径和相似度阈值越大；以原始图像中的当前原始像素为中心，利用滤波半径设置一邻域范围；在邻域范围查找与当前原始像素的像素值的差值的绝对值小于或等于相似度阈值的相似像素；对相似像素的像素值进行加权求和；利用求和结果替代当前原始像素的像素值。

进一步地，相似度滤波模块400基于当前原始像素和各相似像素在原始图像上的空间距离设置各相似像素对应的求和权重，其中空间距离越大，求和权重越小。

更进一步地，相似度滤波模块400的求和权重满足如下公式：

其中，G为相似像素的求和权重，L为相似像素与当前原始像素的空间距离，σ为预设系数。

可选的是，图像去噪装置进一步包括细节增强模块500，细节增强模块用于在相似度滤波后的原始图像上对边缘点像素进行细节增强。

进一步地，细节增强模块500用于判断相似度滤波后的原始图像上的边缘点像素的像素值与相似度滤波前的原始图像上的边缘点像素的像素值之间的差值的绝对值是否大于或等于预设差异阈值；若大于或等于差异阈值，则将相似度滤波后的原始图像上的边缘点像素的像素值与差值的预设比例进行求和运算。

更进一步地，细节增强模块500用于判断求和结果是否小于预设的最小容许值或大于预设的最小容许值；若小于最小容许值，则将求和结果设置成最小容许值；若大于最大容许值，则将求和结果设置成最大容许值。

关于图像去噪装置各功能模块所实现的功能和过程等相关的描述请参照上述本申请图像去噪方法实施例的对应各步骤的描述，在此不再赘述。

参阅图7，图7是本申请的图像去噪装置的一实施例的电路结构示意框图。如图7所示，图像去噪装置包括相互耦接的处理器11和存储器12。存储器12中存储有计算机程序，处理器11用于执行计算机程序以实现如上述本申请图像去噪方法实施例的步骤。

关于处理执行的各步骤的描述请参照上述本申请图像去噪方法实施例的各步骤的描述，在此不再赘述。

在本申请的各实施例中，所揭露的图像去噪方法和图像去噪装置，可以通过其它的方式实现。例如，以上所描述的图像去噪装置的各实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种图像去噪方法，其特征在于，所述方法包括：

获取原始图像；

对所述原始图像进行边缘点检测，以确定所述原始图像的原始像素中的边缘点像素；

对去除所述边缘点像素的所述原始图像进行噪声估计，以获取所述原始图像的噪声等级，包括：利用噪声估计算子对去除所述边缘点像素的所述原始图像进行卷积运算，以获得噪声估计图；对所述噪声估计图中的各噪声估计像素的像素值的绝对值进行均值运算；对所述均值运算的结果进行平方运算，以获取所述噪声估计图的噪声方差作为噪声估计值；

基于所述噪声等级对所述原始图像进行相似度滤波，包括：基于所述噪声等级设置滤波半径和相似度阈值，其中所述噪声等级越大，则所述滤波半径和相似度阈值越大；以所述原始图像中的当前原始像素为中心，利用所述滤波半径设置一邻域范围；在所述邻域范围查找与所述当前原始像素的像素值的差值的绝对值小于或等于所述相似度阈值的相似像素；对所述相似像素的像素值进行加权求和；利用加权求和结果替代所述当前原始像素的像素值；

其中不同的所述噪声等级对应于不同的滤波参数。

2.根据权利要求1所述的方法，其特征在于，所述对所述原始图像进行边缘点检测的步骤包括：

利用梯度算子对所述原始图像进行卷积运算，以获得梯度图；

对所述梯度图中的各梯度像素的像素值进行直方图统计，并根据直方图统计结果生成梯度阈值；

将所述梯度像素的像素值大于或等于所述梯度阈值的所述梯度像素所对应的所述原始像素作为所述边缘点像素。

3.根据权利要求2所述的方法，其特征在于，所述对所述梯度图中的各梯度像素的像素值进行直方图统计，并根据直方图统计结果生成梯度阈值的步骤包括：

对所述梯度像素的像素值落在不同梯度区段内的所述梯度像素的数量进行统计；

按照所述梯度区段的代表值从小到大的方式对各所述梯度区段内的所述梯度像素的数量和所述梯度区段的代表值的乘积进行求和运算，直至求和结果大于或等于所述梯度图的总像素值的预设百分比；

将参与求和运算的所述梯度区段的最大代表值作为梯度阈值。

4.根据权利要求1所述的方法，其特征在于，所述对去除所述边缘点像素的所述原始图像进行噪声估计的步骤进一步包括：

若所述噪声估计值小于第一噪声阈值，则判定所述原始图像为无噪声图像；

若所述噪声估计值介于所述第一噪声阈值和第二噪声阈值之间，则判定所述原始图像为低噪声图像；

若所述噪声估计值大于所述第二噪声阈值，则判定所述原始图像为高噪声图像；

其中，所述第二噪声阈值大于所述第一噪声阈值，且针对所述无噪声图像不进行所述基于所述噪声等级对所述原始图像进行相似度滤波的步骤。

5.根据权利要求1所述的方法，其特征在于，所述对所述相似像素的像素值进行加权求和的步骤包括：

基于所述当前原始像素和各所述相似像素在所述原始图像上的空间距离设置各所述相似像素对应的求和权重，其中所述空间距离越大，所述求和权重越小。

6.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

在相似度滤波后的所述原始图像上对所述边缘点像素进行细节增强。

7.根据权利要求6所述的方法，其特征在于，所述在相似度滤波后的所述原始图像上对所述边缘点像素进行细节增强的步骤包括：

判断相似度滤波后的所述原始图像上的所述边缘点像素的像素值与相似度滤波前的所述原始图像上的所述边缘点像素的像素值之间的差值的绝对值是否大于或等于预设差异阈值；

若大于或等于所述差异阈值，则将相似度滤波后的所述原始图像上的所述边缘点像素的像素值与所述差值的预设比例进行求和运算。

8.根据权利要求7所述的方法，其特征在于，所述在相似度滤波后的所述原始图像上对所述边缘点像素进行细节增强的步骤进一步包括：

判断求和结果是否小于预设的最小容许值或大于预设的最大容许值；

若小于所述最小容许值，则将所述求和结果设置成所述最小容许值；

若大于所述最大容许值，则将所述求和结果设置成所述最大容许值。

9.一种图像去噪装置，其特征在于，所述装置包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1－8中任一项所述方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时实现如权利要求1－8中任一项所述方法的步骤。

Images