用于鲁棒椒盐噪声去除的结构感知局部一致性能量滤波
《Signal Processing: Image Communication》:Structure-aware local consistency energy filtering for robust salt-and-pepper noise removal
【字体:
大
中
小
】
时间:2026年10月23日
来源:Signal Processing: Image Communication 3.4
编辑推荐:
• 局部一致性能量准则能够区分噪声与真实结构极值。
• 稳健结构图融合一阶梯度与局部方差,提供可靠的先验信息。
• 动态窗口选择针对平滑区域和结构区域分别适配修复策略。
• 结构感知的软融合保持区域边界的强度连续性。
• 以高计算效率实现顶级PSNR/SSIM,优于现有最优方
• 局部一致性能量准则能够区分噪声与真实结构极值。
• 稳健结构图融合一阶梯度与局部方差,提供可靠的先验信息。
• 动态窗口选择针对平滑区域和结构区域分别适配修复策略。
• 结构感知的软融合保持区域边界的强度连续性。
• 以高计算效率实现顶级PSNR/SSIM,优于现有最优方法。
引言
可靠获取图像数据至关重要,是工程检测[1,2]、医学成像[3]、遥感图像处理[4,5,6]和计算机视觉[7,8,9]等领域的重要基础。然而,在图像采集、传输和存储过程中,图像往往受到不同程度的退化,导致图像质量下降,边缘和纹理等重要结构信息受损,进而可能影响后续图像分析任务的准确性[10,11,12,13]。噪声污染是一种常见的图像退化形式,主要来源于两个方面。一方面,它可能由外部因素引起,例如图像采集过程中的强光照射和电磁干扰。另一方面,成像设备的不完善,如相机传感器过热或老化以及镜头污染,也会进一步降低整体图像质量[14,15]。因此,在噪声抑制与边缘细节保持之间实现有效平衡,仍然是图像处理领域的一项重要且具有挑战性的任务。
图像噪声有多种形式,其中椒盐噪声是一种典型的脉冲噪声[16]。早期关于椒盐噪声去除的研究主要集中在中值滤波及其变体上,其基本原理是通过局部顺序统计量来降低异常极值的影响[17,18]。由于固定窗口无法同时适应不同的噪声密度和变化的局部图像内容,随后引入了自适应窗口和加权机制以提高在高密度椒盐噪声条件下的修复能力[19,20,21]。然而,随着噪声密度的增加,局部窗口内可靠像素的数量逐渐减少,使得统计估计越来越容易受到大量异常极值的干扰。另一方面,过度增大窗口可能会引入相邻区域的信息,导致边缘和纹理细节的过度平滑。从根本上说,这些方法对窗口内的所有像素不加区分地处理,没有明确地区分噪声像素和干净像素。
为避免这种不加区分的处理,引入了基于决策和切换的滤波方法[22,23,24,25,26,27]。这些方法通常遵循"先检测,后修复"的两阶段框架,即仅对识别为噪声的像素进行修复,而干净像素保持不变。这种选择性处理策略显著提高了高密度噪声条件下的去噪性能和细节保持能力。然而,此类方法通常严重依赖初始噪声检测的准确性。当噪声密度较高或局部图像结构复杂时,真实边缘或纹理细节可能被误分类为噪声,从而导致结构细节的丢失。
另一方面,为了在去噪过程中显式利用图像结构信息,一些研究引入了来自引导图像的结构先验来约束滤波过程[28],并进一步引入了梯度和局部方差等结构特征,以增强修复过程对局部图像结构的敏感性[29,30]。然而,这些方法严重依赖局部结构信息。在高密度噪声条件下,局部邻域内受损像素的比例大幅增加,导致可靠结构信息严重不足。为了克服局部邻域内信息不足的限制,一些研究者转向非局部自相似性,通过在整个图像中搜索相似块来促进噪声去除,在图像修复任务中取得了令人满意的效果[31,32]。然而,此类方法通常涉及大量相似块搜索和大量加权计算,导致计算复杂度较高,实时能力有限。近年来,随着计算技术的快速发展,基于深度学习的图像去噪方法取得了显著进展。这些方法从大规模训练数据中学习噪声图像和干净图像之间的复杂映射,在各种噪声条件下展现了极具竞争力的去噪性能[33,34,35]。然而,它们通常需要大量训练数据并产生较高的训练成本。此外,它们的去噪性能往往取决于训练数据的分布特征;当实际噪声条件与训练时遇到的条件不同时,其泛化能力可能会下降。另外,其黑箱决策过程缺乏显式的可解释性,这与本文所采用的技术路线——显式数学建模、免训练框架以及注重计算效率——有着根本的不同。
综上所述,关于椒盐噪声问题仍有两个问题有待解决。首先,灰度值为0或255的像素通常被识别为噪声像素;然而,这样的极端灰度值可能自然地出现在真实图像的阴影、高光区域以及某些边缘或纹理中。因此,极端值像素并不一定意味着噪声污染。其次,在高密度噪声条件下,不同的结构区域对邻域大小和修复策略有不同的要求。平滑区域更依赖于稳定的统计估计,而边缘和纹理区域则需要更强的结构保持能力。因此,建立更可靠的极值噪声像素识别准则,并在此基础上获取稳定的局部结构先验以指导自适应修复,构成本文所解决的关键问题。
针对上述问题,本文提出了一种结构先验引导的局部一致性能量滤波器(SPG-LCEF)。首先,基于局部一致性能量构建初始校正图像,以有效抑制大部分椒盐噪声。随后,融合局部方差和一阶梯度信息构建稳健结构图,实现对平滑区域和边缘-纹理区域的准确区分。最后,在稳健结构图的引导下,引入动态窗口候选修复方案和结构感知的软融合策略。以结构强度作为连续融合系数自适应地组合局部均值和方向一致性中值,仅对不可靠像素执行软更新修复。这样,既能有效抑制噪声,又能更好地保留图像结构。
本文的主要贡献总结如下:
1)提出了一种基于局部一致性能量的椒盐噪声初始校正框架。通过利用局部一致性能量区分真实结构极值和噪声极值,所提框架提高了对极值噪声像素的判别能力,并为后续稳健结构图的构建提供了可靠基础。
2)在初始校正框架的基础上,提出了一种稳健结构图的构建方法。通过融合局部方差和一阶梯度信息,所提方法自适应地区分平滑区域和结构区域,从而为后续动态窗口选择和残余噪声修复提供可靠的结构先验。
3)设计了一种基于动态窗口和结构感知软融合的自适应修复策略。该策略根据稳健结构图自适应选择候选修复窗口,并根据结构强度连续组合局部均值和方向一致性中值。因此,既能有效去除极值噪声,又能最大程度地保留结构细节并保持强度连续性。
本文其余部分组织如下:第2节回顾了与本文工作密切相关的噪声去除方法。第3节详细介绍了所提出的结构先验引导的局部一致性能量滤波器(SPG-LCEF),包括局部一致性能量初始校正、稳健结构图构建和结构引导的自适应修复。第4节展示了实验结果与分析。最后,第5节对论文进行总结并讨论未来研究方向。
章节片段
相关工作
椒盐噪声去除已有数十年的广泛研究,形成了较为系统的研究成果体系。本文提出的工作主要与基于中值滤波的方法以及基于决策和切换的滤波方法相关。因此,本文从这两个角度对相关研究进行回顾,重点阐述其基本原理和局限性,以明确所提工作的定位。
所提方法
本节详细介绍了所提出的用于椒盐噪声去除的结构先验引导的局部一致性能量滤波器(SPG-LCEF)。第3.1节分析了引入局部一致性能量的动机。第3.2节建立了局部一致性能量的数学模型,并将其用于对含噪图像进行初始噪声校正。第3.3节从初始校正图像中提取局部方差和一阶梯度特征并将它们融合为……
SPG-LCEF去噪实验
本节对标准数据集上所提方法的去噪性能进行了全面评估与分析。第4.1节介绍了实验设置,包括数据集、实现细节、对比方法和评估指标。第4.2节展示了与代表性现有方法的定量和定性对比。第4.3节通过消融实验验证了所提方法各组成部分的有效性。第4.4节……
结论
本文通过提出结构先验引导的局部一致性能量滤波器(SPG-LCEF),解决了椒盐噪声去除中有效噪声抑制与结构保持难以同时实现的挑战。与主要依赖像素极值或局部统计信息的传统噪声识别方法不同,所提方法基于以下思想:判断一个极值像素是否导致局部图像结构的突变。A
资助
本工作得到了国家自然科学基金(项目编号:62363021)和兰州市科技计划项目(项目编号:2025-3-007)的资助。
作者贡献
葛伟男:概念设计、数据整理、正式分析、方法学、资源、软件、监督、验证、可视化、撰写。孟建军:概念设计、数据整理、监督、验证、资金获取。王志成:方法学、资源、软件、监督、验证。杨陆强:撰写建议及资金获取协助。
伦理审批
本研究不涉及人体或动物实验。研究严格遵循公认的伦理和职业行为准则。
数据可用性
本研究期间生成的数据集可从通讯作者处应合理请求获取。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
葛伟男 | 孟建军 | 王志成 | 杨陆强
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号