在自动调焦图像采集过程中,由于周围环境杂波、成像器件工艺等因素会引入各种各样的噪声,使得图像产生不同程度的模糊,由此影响到图像的分析和评价,因此有必要对图像进行预处理,以减少噪声对图像评价的影响。从噪声类型上看,调焦图像主要考虑椒盐噪声和高斯噪声^[1]。从频域上看,图像边缘和噪声都属于高频部分,如果降噪方法选择不当,会在噪声抑制的同时损失图像边缘信息,影响图像评价的准确性。目前,典型图像去噪方法主要有形态学滤波法、中值滤波法、高通滤波法、自适应滤波法、小波变换法等^{[2, 3, 4]}。在这些算法中,有的运算量偏大,难以满足实时目标检测需求;有的只对特定噪声效果较好,无法很好地处理多种噪声。为此,针对调焦图像中同时存在的椒盐噪声和高斯噪声,本文集成中值滤波和维纳滤波的优势来进行噪声抑制处理。

在经过图像非均匀校正和盲元补偿后,自动调焦成像系统输出图像的噪声主要有^[1]:与成像器件相关的暗电流噪声;图像采集时产生的椒盐噪声;阻性元器件内部产生的高斯噪声。经黑色补偿后,暗电流噪声大大降低,因此,调焦图像的主要噪声变为后两种。

椒盐噪声也称脉冲噪声,是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声^[5],其噪声概率密度定义为^[6]

高斯噪声也称为正态噪声^[6],是一类概率密度函数服从正态分布的噪声,其概率密度函数为

中值滤波^[7]是一种典型的低通滤波器,属于兼顾去噪和图像边缘保护的非线性滤波技术,它对干扰脉冲和点状噪声具有较好的抑制作用,非常适于椒盐噪声的滤除。其基本原理是把数字图像或者数字序列中一点的值用该点邻域各点的均值代替。对于二维数字图像进行中值滤波时,其滤波窗口也是二维的,且窗口有多种形状^[1],如线性、方形、圆形、十字形等,如图 1所示,一般需要根据实际情况选取不同的滤波窗口。图像中任一像素点f(i,j)的中值滤波值为该点邻域窗口内所有像素点灰度值的平均值,定义为

图 1

Fig. 1

图 1 常用中值滤波窗口 Fig. 1 The common median filtering window

在实际应用中,滤波窗口尺寸一般选用3×3、5×5大小,取决于滤波要求。对于缓变的长轮廓物体图像,方形或圆形滤波窗口效果较好,而对于包含尖角物体的图像,十字形窗口效果较好。根据目标特性和算法性能需要,本文选用十字中值滤波法对椒盐噪声进行抑制。

在各种滤波去噪算法中,维纳滤波器是去除高斯噪声的经典算法中性能最好的滤波器之一^[8]。维纳滤波又称为最小均方误差滤波,是由Wiener在1942年提出的一种线性图像复原方法^[9]。其基本原理是对原始图像f,找出它的一个估计值f ～ ,使f与f ～ 之间的均方误差最小,从而达到去噪的目的。维纳滤波的误差函数为^[10]

在频域上,式(4)可表示为

利用中值滤波法和邻域均值滤波法分别对加椒盐噪声后的图像进行处理,部分效果图见图 2,不同滤波方法对不同大小图像的滤波处理时间见表 1。

图 2

Fig. 2

图 2 不同滤波法对椒盐噪声的处理效果(图像大小640×512) Fig. 2 The processing effect of different filtering methods for salt/pepper noises(image size:640×512)

表 1Table 1)

表 1 不同滤波法计算时间 Tab. 1 The calculation time of different filtering methods 滤波方法 计算时间/ms 160×128 320×256 640×512 1 280×1 024 邻域均值滤波 0.25 0.96 3.60 14.00 方形中值滤波(3×3) 0.36 1.40 5.50 21.02 十字中值滤波(3×3) 0.26 1.00 3.70 14.50

表 1 不同滤波法计算时间 Tab. 1 The calculation time of different filtering methods

从图 2和表 1可以看出:邻域均值滤波法对噪声处理效果一般,效果图中仍有噪声存在,而且整幅图像变模糊;中值滤波法在平滑噪声的同时很好地保护了图像轮廓信息,图像细节得到了很好的保留;方形中值滤波效果要优于十字中值滤波效果,但后者运算速度要明显快于前者,而且后者滤波后图像噪声在可接受范围内,因此,十字中值滤波法更适用于实时性要求较高的调焦图像降噪。

利用高斯滤波法和邻域均值滤波法分别对加高斯噪声后的图像进行处理,处理效果如图 3所示。可以看出,邻域滤波法和维纳滤波法都对高斯噪声有去噪效果,但邻域滤波后,图像变得模糊不清,对图像质量影响较大,而维纳滤波后的图像噪声水平更低,并且图像细节没有遭到破坏,说明了维纳滤波对高斯噪声抑制的有效性。

图 3

Fig. 3

图 3 不同滤波法对高斯噪声的处理效果 Fig. 3 The processing effect of different filtering methods for Gaussian noise

综合滤波是兼顾十字中值滤波法和维纳滤波法的优势,对同时含有椒盐噪声和高斯噪声的图像进行处理的方法,具体处理效果如图 4所示。图 4(a)为原始图像;图 4(b)为含有两种噪声的混合噪声图像;图 4(c)和图 4(d)分别为单独采用十字中值滤波和维纳滤波处理后的图像;图 4(e)为综合两种方法滤波后的图像。由图 4(e)和图 4(c)、图 4(d)可以看出:单一滤波方法并不能有效去噪,滤波图像中仍残留噪声,这是由不同噪声的性质和不同滤波器的设计目标决定的;分别采用十字中值滤波和维纳滤波对混合噪声图像处理后,图像噪声得到了最大程度的抑制,而且图像细节也没有过多丢失,有利于后续图像质量评价工作的开展。

图 4

Fig. 4

图 4 不同滤波法对混合噪声的处理效果 Fig. 4 The processing effect of different filtering methods for the mixed noise

针对自动调焦图像中椒盐噪声和高斯噪声的抑制问题,本文兼顾十字滤波法和维纳滤波法的各自优势,采用综合滤波方法对两类噪声进行了降噪处理,取得了较好的效果。降噪实验表明:与其他滤波法相比,十字滤波法对椒盐噪声具有非常好的处理效果,并且算法实时性较好;维纳滤波法有效滤除了图像中存在的高斯噪声;本文采用的综合滤波方法即对两类噪声进行了最大程度抑制,又没有过多造成图像细节的丢失,这为后续基于图像质量评价的自动调焦设计打下了基础。