[发明专利]一种RBF插值椒盐噪声图像修复方法

摘要

为提高椒盐噪声图像修复质量，本发明公开一种RBF插值椒盐噪声图像修复方法。基本方法是把噪声图像中像素划分为污染像素和未污染像素，把污染像素估值问题看着基于未污染像素的散乱点插值问题；采用RBF散乱点插值方法，以未污染像素图像坐标、像素值训练RBF模型参数，以污染像素图像坐标作为输入，采用RBF插值方法估计污染像素取值，替换污染像素的像素值，实现椒盐噪声图像修复。本发明优点是可显著增强高密度椒盐噪声污染图像信噪比。

主权项

一种RBF插值椒盐噪声图像修复方法，其特征在于：先把椒盐噪声图像I中像素p划分为污染像素e和未污染像素t，把污染像素e的估值问题看着基于未污染像素t的散乱点插值问题；采用RBF散乱点插值方法，以未污染像素t图像坐标xt和像素值qt训练RBF模型，以污染像素e图像坐标xe作为输入，采用RBF插值方法估计污染像素e的像素值qe'，替换污染像素e的像素值qe，实现椒盐噪声图像修复；具体操作步骤如下：第一步：进行图像椒盐噪声检测给定一幅尺寸为w*h个像素、位宽为b个比特的椒盐噪声图像I，图像宽度w取值范围为1~100000000，图像高度h取值范围为1~100000000，图像位宽b取值范围为1~100，像素p的图像坐标为x，x=(u,v)，(u,v)是像素横纵坐标，像素值为q；进行椒盐噪声图像I中污染像素检测的具体方法如下：第1.1步，设定大小为w*h的标记矩阵F，F(u,v)中所有元素设定为1，(u,v)是图像横纵坐标，设定椒盐噪声检测阈值A={a1,a2,a3,a4,a5,a6}，A中元素取值范围为0~100；设定像素亮度检测阈值m，取值范围为0~2b‑1；设定邻域相似性检测阈值，取值范围为0~2b‑1；设定邻域尺寸L的初始值d，d取值范围为0~100；第1.2步，取椒盐噪声图像I中像素p(u,v)，其像素值为q(u,v)，当时，转第1.8步；第1.3步，设定邻域尺寸L=d，计算椒盐噪声检测度量值N1(u,v)、N2(u,v)：式(1)式(2)其中，S1是像素q(u,v)邻域内过亮像素数量，P1是当前像素邻域内与当前像素差异较小的非过亮像素数量；S2是当前像素邻域内过暗像素数量，P2是当前像素邻域内与当前像素差异较小的非过暗像素数量；式(3)式(4)e1等于1表示该像素为过亮像素；式(5)式(6)g1等于1表示该像素为非过亮像素，且与(u,v)位置处像素差异较小；式(7)式(8)e2等于1表示该像素为过暗像素；式(9)式(10)g2等于1表示该像素为非过暗像素，且与(u,v)位置处像素差异较小；式（1‑10）中，RL(u,v)是以像素p(u,v)为中心、大小为（2L+1）*（2L+1）的局部邻域，是局部邻域内像素坐标，取值范围为1~2L+1；第1.4步，当N1(u,v)>=a1且N2(u,v)>=a2、或者N1(u,v)+N2(u,v)>=a3时，转第1.8步；第1.5步，设定邻域尺寸参数L=d+1，按式（1‑10）再次计算N1(u,v)、N2(u,v);第1.6步，当N1(u,v)>=a4且N2(u,v)>=a5、或者N1(u,v)+N2(u,v)>=a6时，转第1.8步；第1.7步，设定F(u,v)=0；第1.8步，返回第1.2步，直到椒盐噪声图像I中所有像素被处理；根据标记矩阵F，遍历椒盐噪声图像I中所有像素p(u,v)，当F(u,v)=1时，将此像素标记为污染像素e，污染像素e的像素坐标为xe、像素值为qe；当F(u,v)=0时，将此像素标记为未污染像素t，未污染像素t的像素坐标为xt、像素值为qt；所有污染像素e构成污染像素集，所有未污染像素t构成未污染像素集，m、n取值范围为[0~w*h]，n=w*h‑m；第二步：构建RBF插值模型，使用未污染像素集训练RBF插值模型参数；第2.1步：构建RBF插值模型：式（11）其中,是第k个污染像素ek的估计像素值，k的取值范围为[1~m]，是第i个未污染像素ti的图像坐标，i的取值范围为[1~n]，是模型参数，是插值函数，插值函数包括：高斯函数：式（12）二次函数：式（13）线性函数：式（14）立方函数：式（15）三角函数：式（16）其中，是高斯、二次函数参数，取值范围为[0~100]，是第i个未污染像素ti与第k个污染像素ek的图像像素坐标欧式距离；第2.2步：使用未污染像素集计算RBF插值模型参数：使用未污染像素集的图像坐标、像素值，构建n个线性方程：式（17）估计式(17)的最优参数；第三步：把污染像素集E的像素坐标代入RBF插值模型，估计污染像素的像素值；把污染像素集的像素坐标依次代入式(18)的RBF插值模型，计算污染像素的像素值式（18）第四步：将代替椒盐噪声图像I中对应位置处像素，完成污染图像修复。