一种全息图散斑噪声的抑制方法、装置、设备及介质

摘要

本发明公开了一种全息图散斑噪声的抑制方法、装置、设备及介质，其中方法包括对待处理图像进行频率筛选和边缘增强；基于边缘检测算子对边缘增强图像进行边缘检测并计算算子值；计算待处理图像在不同方向上的多个梯度，根据边缘检测的上阈值计算多个扩散系数，根据梯度和扩散系数得到散度算子；根据算子值和散度算子对待处理图像进行噪声抑制得到目标图像；通过突出图像的边缘细节信息，能够缩短边缘检测的时间；减少在全息图的散斑噪声抑制过程的循环计算次数，并使去噪图像更加清晰；提高了去噪效率和去噪精度。

说明书

技术领域

本发明涉及图像处理领域，特别是一种全息图散斑噪声的抑制方法、装置、设备及介质。

背景技术

目前，抑制全息图散斑噪声的方法可以分成两类。一类是从硬件的角度进行，将高相干性的激光光源换成低相干性的光源，如LED光源等，或者物理去除激光的高相干性，如使用双旋转片去相干性。另一类是基于图像处理算法进行，如基于正余弦分解结合滤波算法抑制全息图散斑噪声。但目前抑制全息图散斑噪声的方法在去噪效率和去噪精度方面仍有待提高。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种全息图散斑噪声的抑制方法、装置、设备及介质。

本发明解决其问题所采用的技术方案是：

本发明的第一方面，一种全息图散斑噪声的抑制方法，包括：

对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像；

基于边缘检测算子对所述边缘增强图像进行边缘检测得到边缘检测结果，并根据所述边缘检测结果的值得到算子值，所述边缘检测结果和所述算子值均与所述边缘增强图像的元素点一一对应；

对所述待处理图像的每个像素点，计算所述待处理图像在不同方向上的多个梯度，根据边缘检测的上阈值计算多个扩散系数，多个所述扩散系数与多个所述梯度在方向上一一对应，根据所述梯度和所述扩散系数得到散度算子；

根据所述算子值和所述散度算子，对所述待处理图像进行噪声抑制，得到目标图像。

根据本发明的第一方面，所述对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像，包括：

对所述待处理图像进行模态分解，直至无法再提取所述固有模态函数，得到多个从高频到低频的固有模态函数，所述固有模态函数包含有所述待处理图像的高频分量，下一所述固有模态函数是基于前一所述固有模态函数得到的；

根据所述固有模态函数，进行图像重构，得到所述边缘增强图像。

根据本发明的第一方面，所述对所述待处理图像进行模态分解，直至无法再提取所述固有模态函数，得到多个从高频到低频的固有模态函数，包括：

第一分解子步骤：确定所述待处理图像的极大值和极小值，并根据所述极大值和所述极小值构建极大值曲面和极小值曲面，将所述极大值曲面和所述极小值曲面的均值与所述待处理图像的差值作为第一差值；

第二分解子步骤：将所述第一差值作为所述第一分解子步骤的输入进行迭代，直至满足迭代停止条件，输出为固有模态函数的迭代结果；

将所述第一分解子步骤的输入与所述迭代结果的差值作为所述第一分解子步骤的输入，重复执行所述第一分解子步骤和所述第二分解子步骤，直至无法再提取所述固有模态函数，得到多个从高频到低频的固有模态函数。

根据本发明的第一方面，所述基于边缘检测算子对所述边缘增强图像进行边缘检测得到边缘检测结果，包括：

通过滤波器对所述边缘增强图像进行图像平滑处理，得到平滑图像；

计算所述平滑图像的梯度的幅度和方向；

根据梯度的方向对梯度的幅度进行非极大抑制；

设置上阈值和下阈值，利用双阈值方法确定潜在边界；

根据滞后边缘跟踪，从潜在边界确定边缘检测结果。

根据本发明的第一方面，所述算子值包括第一算子值和与所述第一算子值不同的第二算子值；

所述根据所述边缘检测结果的值得到算子值，包括：

当所述边缘检测结果满足第一取值条件，输出所述第一算子值；

当所述边缘检测结果满足第二取值条件，输出所述第二算子值。

根据本发明的第一方面，所述根据所述梯度和所述扩散系数得到散度算子，包括：

将相同方向的所述梯度和所述扩散系数一一相乘，再将多个所述梯度和所述扩散系数的乘积之和与权重系数相乘，得到所述散度算子。

根据本发明的第一方面，所述根据所述算子值和所述散度算子，对所述待处理图像进行噪声抑制，得到目标图像，包括:

根据所述算子值和所述散度算子，得到修正值；

将所述待处理图像与所述修正值相加，得到所述目标图像。

本发明的第二方面，一种全息图散斑噪声的抑制装置，包括：

边缘增强单元，用于对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像；

边缘检测单元，用于基于边缘检测算子对所述边缘增强图像进行边缘检测得到边缘检测结果，并根据所述边缘检测结果的值得到算子值，所述边缘检测结果和所述算子值均与所述边缘增强图像的元素点一一对应；

散度算子计算单元，用于对所述待处理图像的每个像素点，计算所述待处理图像在不同方向上的多个梯度，根据边缘检测的上阈值计算多个扩散系数，多个所述扩散系数与多个所述梯度在方向上一一对应，根据所述梯度和所述扩散系数得到散度算子；

噪声抑制单元，用于根据所述算子值和所述散度算子，对所述待处理图像进行噪声抑制，得到目标图像。

本发明的第三方面，一种电子设备，包括：

至少一个存储器；

至少一个处理器；

至少一个计算机程序；

所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现如本发明的第一方面所述的全息图散斑噪声的抑制方法。

本发明的第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明的第一方面所述的全息图散斑噪声的抑制方法。

上述方案至少具有以下的有益效果：通过突出图像的边缘细节信息，能够缩短边缘检测的时间；然后根据边缘检测的算子值和散度算子，对待处理图像进行滤波去噪，使得全息图的散斑噪声抑制过程中，循环计算次数减少，同时输出的去噪图像更加清晰；提高了去噪效率和去噪精度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例一种全息图散斑噪声的抑制方法的流程图；

图2是步骤S100的流程图；

图3是步骤S200的流程图；

图4是本发明实施例一种全息图散斑噪声的抑制装置的结构图；

图5是待处理图像的像素点的四个梯度所对应的方向示意图；

图6是待处理图像的示意图；

图7是经全息图散斑噪声的抑制方法处理的目标图像的示意图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

全息图是基于光的波动性原理，由物光(携带物体信息的光)和参考光(没有携带物体信息的光)干涉形成并由CCD/CMOS记录得到的图像。由于激光的高相干性，当激光照射到粗糙的表面时激光会发生散射，从而在全息图形成散斑噪声。

本发明的第一方面的实施例，提供了一种全息图散斑噪声的抑制方法。

参照图1，全息图散斑噪声的抑制方法包括：

步骤S100、对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像；

步骤S200、基于边缘检测算子对边缘增强图像进行边缘检测得到边缘检测结果，并根据边缘检测结果的值得到算子值，边缘检测结果和算子值均与边缘增强图像的元素点一一对应；

步骤S300、对待处理图像的每个像素点，计算待处理图像在不同方向上的多个梯度，根据边缘检测的上阈值计算多个扩散系数，多个扩散系数与多个梯度在方向上一一对应，根据梯度和扩散系数得到散度算子；

步骤S400、根据算子值和散度算子，对待处理图像进行噪声抑制，得到目标图像。

参照图2，对应步骤S100，对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像，包括但不限于以下步骤：

步骤S110、对待处理图像进行模态分解，直至无法再提取固有模态函数，得到多个从高频到低频的固有模态函数，固有模态函数包含有待处理图像的高频分量，下一固有模态函数是基于前一固有模态函数得到的；

步骤S120、根据固有模态函数，进行图像重构，得到边缘增强图像。

其中，对于步骤S110，对待处理图像进行模态分解，直至无法再提取固有模态函数，得到多个从高频到低频的固有模态函数，包括但不限于以下步骤：

第一分解子步骤：确定待处理图像的极大值和极小值，并根据极大值和极小值构建极大值曲面和极小值曲面，将极大值曲面和极小值曲面的均值与待处理图像的差值作为第一差值；

第二分解子步骤：将第一差值作为第一分解子步骤的输入进行迭代，直至满足迭代停止条件，输出为固有模态函数的迭代结果；

将第一分解子步骤的输入与迭代结果的差值作为第一分解子步骤的输入，重复执行第一分解子步骤和第二分解子步骤，直至无法再提取固有模态函数，得到多个从高频到低频的固有模态函数。

具体地，对于步骤S110，对于待处理图像，其对应的函数为f(x,y)，则待处理图像的极大值和极小值为f(x,y)的极大值和极小值。通过插值法根据极大值构建极大值曲面u(x,y)，同样地通过插值法根据极小值构建极小值曲面v(x,y)，则极大值曲面和极小值曲面为上下包络面。上下包络面的均值为：

将h

待处理图像与迭代结果的差值记为r

则r

重复上述过程，当r

则待处理图像可以通过n个固有模态函数表示；有

对于步骤S120，待处理图像的细节信息主要集中在高频分量C

参照图3，本发明的某些实施例，在步骤S200中，基于边缘检测算子对边缘增强图像进行边缘检测得到边缘检测结果，包括但不限于以下步骤：

步骤S210、通过滤波器对边缘增强图像进行图像平滑处理，得到平滑图像；

步骤S220、计算平滑图像的梯度的幅度和方向；

步骤S230、根据梯度的方向对梯度的幅度进行非极大抑制；

步骤S240、设置上阈值和下阈值，利用双阈值方法确定潜在边界；

步骤S250、根据滞后边缘跟踪，从潜在边界确定边缘检测结果。

对于步骤S210，通过高斯滤波器对边缘增强图像进行图像平滑处理，以去除图像中灰度变化很大的噪声，进而得到平滑图像。

对于步骤S220，利用图像差分Sobel算子或者Prewitt算子或者Roberts算子，计算图像中X方向和Y方向的像素之间的差值G

对于步骤S230，步骤S230的目的是将模糊的边界变得清晰。通俗的讲，就是保留了每个像素点上梯度的幅度的极大值，而删掉其他的值。

对于每个像素点，进行如下操作：其中，θ的范围是(-π，π)，可以按

对于步骤S240，经过非极大抑制后图像中仍然有很多噪声点。设定一个上阈值和下阈值(通常由人为指定的)，图像中的像素点如果大于上阈值则认为必然是边界(称为强边界)，进行保留；小于下阈值则认为必然不是边界，进行删除；位于上阈值和下阈值之间的则认为是候选项(称为弱边界)，需进行进一步处理。

对于步骤S250，强边界可以认为是真的边界，而弱边界可能是真的边界，也可能是噪声或者颜色变换引起的假边界。通常认为真实边界引起的弱边界和强边边界是连通的，由噪声引起的弱边界点不会，因此需要进行滞后边缘跟踪。滞后边缘跟踪算法是检测一个弱边界的8连通领域像素，和强边界相连的弱边界认为是边界，其他的弱边界则被抑制。

在步骤S200中，算子值包括第一算子值和与第一算子值不同的第二算子值；具体地，第一算子值为0.99，第二算子值为0.01。边缘检测结果C(x,y)实际上只有0和1两种情况。

根据边缘检测结果的值得到算子值，包括但不限于以下步骤：

当边缘检测结果满足第一取值条件C(x,y)＝1，输出第一算子值K＝0.99；

当边缘检测结果满足第二取值条件C(x,y)＝0，输出第二算子值K＝0.01。

本发明的某些实施例，对于步骤S300，对待处理图像的每个像素点，计算待处理图像在不同方向上的多个梯度。

参照图5，图5是待处理图像的像素点的四个梯度所对应的方向示意图。需要说明的是，通常取上下左右四个方向，即对每个像素点，计算四个梯度，分别为

其中，根据边缘检测的上阈值计算多个扩散系数。根据

其中，根据梯度和扩散系数得到散度算子，具体为：将相同方向的梯度和扩散系数一一相乘，再将多个梯度和扩散系数的乘积之和与权重系数相乘，得到散度算子。权重系数可以为

本发明的某些实施例，对于步骤S400，根据算子值和散度算子，对待处理图像进行噪声抑制，得到目标图像，包括但不限于以下步骤:

根据算子值和散度算子，得到修正值，修正值可以表示为:(1-K)div；

将待处理图像H'(x,y)与修正值相加，得到目标图像；实际上，通过光学记录系统获得的全息图H'(x,y)是包含全息图本身的信息H(x,y)和散斑噪声N(x,y)；即目标图像可以表示为：H”(x,y)＝H'(x,y)+(1-K)div。

在该实施例中，通过突出图像的边缘细节信息，能够缩短边缘检测的时间；然后根据边缘检测的算子值和散度算子，对待处理图像进行滤波去噪，使得全息图的散斑噪声抑制过程中，循环计算次数减少，同时输出的去噪图像更加清晰；提高了去噪效率和去噪精度。

通过PSNR、SSIM、EPI和SSI作为定量分析的指标进行分析。

其中，PSNR的计算公式为：

MSE为原始处理和处理图像之间的均方误差；MSE的计算公式为：

SSIM的计算公式为：SSIM＝l(x,y)·c(x,y)·s(x,y)。其中，l(x,y)为图像的亮度；c(x,y)为图像的对比度；s(x,y)为图像的结构。

有

当PSNR和SSIM的值越大时，图像失真程度越小，效果越好。

EPI的计算公式为：

SSI的计算公式为：

EPI的值越大，则说明经过处理后对原始图像的细节信息保留的越好。SS I的值越小，则说明滤波效果越好。

参照图6和图7，图6是待处理图像；图7是由图6中的待处理图像经该全息图散斑噪声的抑制方法处理所得到的目标图像。

本发明的第二方面的实施例，提供了一种全息图散斑噪声的抑制装置。

参照图4，全息图散斑噪声的抑制装置包括边缘增强单元10、边缘检测单元20、散度算子计算单元30和噪声抑制单元40。

其中，边缘增强单元10用于对待处理图像进行频率筛选，利用筛选出的高频分量进行图像重构，得到边缘增强图像；边缘检测单元20用于基于边缘检测算子对边缘增强图像进行边缘检测得到边缘检测结果，并根据边缘检测结果的值得到算子值，边缘检测结果和算子值均与边缘增强图像的元素点一一对应；散度算子计算单元30用于对待处理图像的每个像素点，计算待处理图像在不同方向上的多个梯度，根据边缘检测的上阈值计算多个扩散系数，多个扩散系数与多个梯度在方向上一一对应，根据梯度和扩散系数得到散度算子；噪声抑制单元40用于根据算子值和散度算子，对待处理图像进行噪声抑制，得到目标图像。

需要说明的是，本发明的第二方面的实施例所采用的噪声抑制装置的各单元与本发明的第一方面的实施例所采用的噪声抑制方法的各步骤一一对应，两者具有相同的技术方案，解决相同的技术问题，带来相同的技术效果，因此对客流预测装置不再一一详述。

本发明的第三方面的实施例，提供了一种电子设备。电子设备包括至少一个存储器；至少一个处理器；至少一个计算机程序。计算机程序被存储在存储器中，处理器执行所述至少一个计算机程序以实现如本发明的第一方面的实施例所述的全息图散斑噪声的抑制方法。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

本发明的第四方面的实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如本发明的第一方面的实施例所述的全息图散斑噪声的抑制方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质和通信介质。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM或其他存储器技术、CD-ROM、数字多功能盘或其他光盘存储、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。