[发明专利]基于自适应扩散滤波的车载图像去噪方法及系统

说明书

本发明提供了一种基于自适应扩散滤波的车载图像去噪方法及系统，该车载图像去噪方法包括：步骤一：输入噪声图像，对噪声图像的边界进行延拓；步骤二：选定滤波器组，构造扩散通量函数；步骤三：基于显式前向差分进行循环迭代，图像自适应扩散开始；步骤四：对去噪图像边界进行裁剪，得到和原始输入噪声图像尺寸相同的去噪图像。本发明的有益效果是：本发明使用了改进的扩散通量函数，能够导致自适应的前向/后向扩散行为，因此能够兼顾图像平坦区域噪声的滤除和边缘、纹理等结构信息的保护和增强。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于自适应扩散滤波的车载图像去噪方法及系统。

背景技术

随着人们安全意识的增强，以及对驾乘舒适度要求的提高，高级驾驶辅助系统(Advanced Driver Assistance System,ADAS)在近几年出现了大幅增长。在各种系统中，以影像为基础的辅助驾驶系统市占率最高。其主要原因为是成本低廉，且可与行车记录器结合使用，并能将侦测的结果以视觉影像的方式呈现给驾驶人，因而广受欢迎。然而，车载影像的采集过程往往会受到噪声的干扰(如光光照条件差)，从而使得车载图像的质量大为下降。图像噪声除了影响视觉感受，更加严重的是影响后续更高层次的图像分析任务，如行人、车道检测，目标分割等。为了保证基于视觉的辅助驾驶系统的可视度和可靠性，找到一种可行的车载图像去噪方法，对辅助驾驶系统图像进行增强处理具有重要的意义。

现有的图像去噪方法包括空间域滤波(如中值滤波、双边滤波、非局部均值滤波等)、频率域滤波(如傅里叶变换、小波变换等)、基于稀疏表示的去噪方法(如K-SVD等)以及基于各项异性扩散的去噪方法(如P-M模型等)。其中空间域滤波方法一般较为简单，因而效果略差。近期[S.Gu,L.Zhang,W.Zuo,and X.Feng,“Weighted Nuclear Norm Minimizationwith Application to Image Denoising,”In CVPR 2014]提出了一种改进的非局部滤波方法-WNNM。其利用图像非局部相似性和矩阵秩最小化，获得了一流的去噪效果，但是时间复杂度相对较高。频域滤波在滤除高频噪声的同时，对具有高频特性的边缘和纹理结构也有所破坏，降低去噪图像的质量。基于稀疏表示方法的字典学习过程运算量较大。相比之下，各项异性扩散模型具有(1)结构简单，时间复杂度低；(2)能够较好地兼顾噪声的去除和边缘、纹理等细节的保持两方面的优点，因而一直是研究的热点。

常见的图像扩散模型一般源自于Perona和Malik在1990年提出的P-M模型。带有反应项的P-M模型的离散形式如公式(1)所示

其中，u⁰为初始噪声图像，*为二维卷积操作，k_i*u表示图像u和线性滤波器k_i的卷积，表示将滤波器k_i绕中心点旋转180度，φ为控制扩散行为的通量函数(fluxfunction)，通常取为

K为阈值参数，λ为反应项的强度。公式(1)中的滤波器k_x和k_y分别为

图像和滤波器k_x的卷积为图像在x方向的梯度，图像和滤波器k_y的卷积为图像在y方向的梯度。

自P-M模型提出后，各向异性扩散技术得到了广泛的关注和研究。(中国专利CN105427262)对梯度阈值进行了自适应设计和改进，使其根据图像的最大灰度值和迭代次数自动控制梯度阈值。(中国专利CN 101877122)公开了一种基于迹算子模型的各向异性滤波方法，这是一种基于局部几何结构的各向异性扩散模型。(中国专利CN 104166965)公开了一种基于梯度幅值的熵值选择扩散通量函数的方法。

随着对各项异性扩散模型的研究不断深入，实验结果表明，该技术还存在如下缺点：