1 引言
电子散斑干涉(ESPI)技术[1]是一种非接触式全场实时测量技术,因其通用性强、测量精度高、频率范围宽及测量简便等优点,近年来获得了快速发展。电子散斑干涉无损检测技术可以完成位移、应变、表面缺陷和裂纹等多种测试。但散斑条纹图象中存在着强烈的颗粒性随机噪声,使条纹的可见性和分辨率受到很大限制,去除颗粒噪声的影响是ESPI发展的关键。只要有干涉就会有散斑颗粒噪声,从它和信号之间的关系来说,是乘性噪声。一般去除乘性噪声的方法,大家都会想到同态滤波[2],就是在频域处理之前要对其进行对数变换,使其变成相加的关系,再采用频域低通处理。这种时－频域之间的转换,导致该算法速度很慢！然而中值滤波虽然速度快,但是它去噪后的图像灰度值大部分都改变了,并且使得整幅图像的灰度范围变小了[3]。本文介绍的这种方法是基于噪声概念提出来的,对于散斑干涉图像的噪声去除有明显的效果。
2 算法介绍
2.1 算法原理
本算法主要是基于噪声的概念提出的,并且认为噪声是一个局部的、相对的概念。广义上讲,只要与周围环境不协调的,便认为是噪声。在数字图像处理方面便是指与周围像素灰度值有一定差异的像素,并且这种差异比较大,以至于人们的视觉能分辨出。此处,考虑噪声点的8－邻域,即该噪声点与周围8个相邻点中的大多数点的灰度值有很大的差异,而且有个假设条件,认为相邻噪声点的灰度值的差很大是一个小概率事件,也就是认为某个噪声点的灰度值与其相邻的噪声点的灰度值相差不大,且它们之间的差的绝对值远小于该噪声点的灰度值与其相邻的非噪声点的灰度值的差的绝对值。基于这一点,可以选定一阈值,然后再对它的“周围大多数”进行定量的统计分析,给出一个确切的数值来衡量“周围大多数”。
图1(a)和(b)中D代表噪声点,其它代表非噪声点。首先定义孤立点噪声:若噪声点的8－邻域像素都不再是噪声点,就称为孤立点噪声。如在图1(a)中,D就是孤立点噪声;若噪声点的8－邻域像素中至少有一个相邻点是噪声点,则它们组成的集合我们称为块噪声,如在图1(b)中,4 个D就组成块噪声。算法的具体步骤是:① 一般选3′3的模板,也正好是8－邻域;② 统计该像素点D周围的8 个像素点· 的灰度值,然后计算D与·的灰度值的差;③ 统计差大于某个预先给定的阈值T 的个数;④ 若个数大于某个数值t ,就认为该点是噪声点,否则就不是噪声点。不妨设图1(a)中D的灰度值为f (i, j),则如果满足下面这两个条件:
(1) | f (i, j )- D周围像素· 的灰度值∣≥阈值T;
(2) 满足上式的· 的个数应不小于t 的值。
就认为D是噪声点,以下称这两个条件为去噪条件。对于孤立点噪声来说,本来t 的取值越大,检测的像素是噪声点的精确度就越高,但是因为每个像素都要检测,并且考虑到块噪声的影响,一般严格满足这样强的条件的噪声点很少。如在图1(b)中,检测中间那个D是否是噪声点。如果D代表噪声点,若选择t 等于7,也就是当满足条件(1)的· 的个数不小于7 时,才认为该点是噪声点,但检测到满足条件(1) · 的个数小于7,所以认为中间那个像素D不是噪声点,而实际上它是噪声点。这样,就把噪声点当成了非噪声点,结果检测出来的噪声点很少,也就是说,大量的噪声没有被去除掉。但是如果t 的值选择小了,就会把大量的非噪声点当成了噪声点,检测结果也不精确。
2.2 算法参数选择
考虑到上述因素,并通过大量的试验,一般选取t 的值为5 或6,这样做的原因是尽量保持原图中非噪声点的灰度值不变,因此去噪后的图像就会尽量与原图保持一致。这与中值滤波不同,虽然中值滤波去除椒盐噪声有很好的效果,但是它去噪后的图像的灰度值大部分都改变了,并且使得整幅图像的灰度范围变小了。因此,有时还需要增加灰度的动态范围,但用该方法却无需再这样做,而且本方法和中值滤波一样可以迭代使用。此时,阈值T 也应慎重选择,若T 选择的小,则把非噪声点看成了噪声点;若太大,则漏掉了噪声点。一般选择阈值T为30~40。当检测到了噪声点时,就应考虑怎样赋值给该噪声点。笔者的做法是:把满足去噪条件的周围像素的灰度中值赋给该噪声点,这是为以后边缘检测带来方便。
3 实验结果及分析
图2(a)为用相减模式得到的中心加载圆盘的离面位移散斑干涉条纹图,其大小为1280×1024像素。其间存在大量的散斑噪声:
图(b)是采用本文改进的去噪算法,图(c)是采用部分中值滤波去噪的结果,可以很明显的看出部分中值滤波不够彻底,尤其在条纹边缘处仍保留有大量的噪声,这样会对边缘检测带来不便,而本文的方法就能很好的抑制散斑噪声。
为了对图像滤波效果进行定量评价,我们采用散斑指数和峰值信噪比PSNR作为评价指标。其中散斑指数是指噪声抑制能力,其数值越小噪声抑制越好。PSNR主要反映了对图像细节信息的保持能力,其数值越大保真度越好,细节保护越好。上面两种滤波算法的客观评价参数如表1所示。
由客观评价参数可以看出本文的滤波方法优于一般的部分中值滤波方法,本文的滤波方法在保护边缘细节信息的同时又具有较强的散斑抑制能力,克服了部分中值滤波在去除噪声的同时带来的边缘模糊效应。
4 结束语
目前,在去噪方面已经做了很多的工作,当然每一种去噪方法都是对一定类型的噪声有特效。本文从噪声的概念出发,提出了一种新的算法,该算法简单有效,执行速度快,并且在去噪的同时尽量保持了原图的灰度值。本文改进的算法显示了对散斑噪声有很好的去除效果,对散斑条纹图来说不失为一种好的去噪方法。
参考文献:
[1] Bruno L,Pagnotta L,Poggialini A,et al.Laser speckle decorrelation in NDT [J].Optics and Lasers in Engineering,2000,34:55-65.
[2] 伏思华,于起峰.数字散斑条纹图的滤波方法[J].应用光学,2005,26(4):5-8.
[3] 金观昌.计算机辅助光学测量[M].北京:清华大学出版社,1997.
[4] 孔涛,张亶.一种基于噪声概念的新的去噪方法[J].工程图学报,2004,(3):65-66.
作者简介:李欣(1982-),女,讲师,硕士,研究方向:数字信号及图像处理。