付光杰1,王 依1,任 娇1,雷 飞2
(1.东北石油大学电气信息工程学院,黑龙江 大庆 163318;
2.北京工业大学电子信息与控制工程学院,北京 100124)
摘 要:本文以泳池智能救生系统为背景,研究基于小波的泳池水下图像去噪算法。首先对阈值的选取进行讨论,然后分析了阈值函数的选择对去噪效果的影响,并提出采用改进的非线性阈值函数。最后通过仿真实验验证算法的有效性,仿真结果表明,基于非线性阈值函数的小波去噪算法能够获得较高的PSNR值,实时性满足救生需求,能够较好地应用于泳池水下图像的处理。
关键字:泳池;水下图像;小波;非线性阈值函数
中图分类号:TP277 文献标识码:A 文章编号:1003-7241(2012)06-0065-04
1 引言
泳池智能救生系统基于水下视觉,对视频范围中的目标类型及行为进行分类判断,以识别出具有溺水特征的目标,从而触发预警。由于水下图像信噪比极低,严重影响到后期目标提取及特征分析的准确率,使得系统的误报率较高。基于以上原因,本文以水下图像为对象,在对其特征进行分析的基础上,设计了基于小波的图像去噪算法,为进一步的处理工作奠定基础。
水下图像处理技术在近年来得到很大发展。Bazeille等人提出了一种包含同态滤波、小波去噪及各向异性滤波边缘检测等一系列过程的自动算法;Chambah等人提出基于自动彩色均衡模型(ACE)的色彩校正方法;Iqbal等人提出了一种基于颜色整合模型的水下图像增强方法,采用伸展的RGB算法,并将HSI的延伸饱和度和强度应用于增加实际颜色以及解决照明问题;Arnold Bos等人研究了水下图像中噪声可能出现的全部范围,采用同态滤波法处理较黑暗区域的图像,并取得了较好的效果[1]。
本文以泳池水下图像为特定场景,采用小波去噪算法对图像进行处理。小波分析算法在时域和频域同时具有良好的局部化特性,具有多尺度分析的特点[2],在不同频率下可以突出图像的局部特征,从而可以较为有效的去除图像噪声并保存边缘细节的信息完整性,使其较好地适用于水下图像的去噪。
本文后续部分首先介绍了水下图像的特征,其次对基于小波的去噪算法进行设计与描述,最后通过仿真实验对算法的适用性及性能进行分析与讨论。
2 水下图像特征分析
由于水体本身对光线的吸收和散射作用,以及水体中有溶解性有机物和可见的漂浮微粒物的存在,使得水下图像容易出现照度不均匀、对比度低、噪声明显等许多问题,从而造成图像质量下降。与其他公开水域相比,由于泳池池水晃动,气泡,水中微粒以及水下倒影的影响,使得泳池水下图像中光斑、气泡、悬浮物等干扰更加明显,信噪比相对较低,但噪声仍然以高斯白噪声为主。
3 小波去噪算法
小波去噪方法大体可以分为小波系数萎缩法、投影法和相关法,其中小波系数萎缩法[3]是目前研究最为广泛的方法,该方法主要是针对于高斯噪声设计,适合水下图像噪声的特征,因而本文采取该方法。图像经过小波变换后,幅值较大的小波系数反映了图像的原始信息,幅值较小的小波系数在很大程度上代表的是噪声,小波去噪算法需要通过设定一个合适的阈值,将小于阈值的小波系数当作噪声去除,保留绝对值大于阈值的小波系数,然后经过阈值函数映射得到估计系数,对估计系数进行逆变换以实现图像重构。
3.1 阈值的选取
3.2 阈值函数的选取
在阈值消噪中,阈值函数体现了对小波分解系数的不同处理策略和不同的估计方法,常用的阈值函数有硬阈值和软阈值函数。
1. 硬阈值函数(Hard threshold)[5]
当小波系数的绝对值小于给定阈值时,令其为0,而大于阈值时,保持其不变,即:
3. 改进的非线性阈值函数(Nonlinear threshold)
硬阈值函数虽然有较好的去噪效果,可是其阈值函数是不连续的,在含有丰富边缘的图像中会产生许多人为的噪声,出现失真现象[6];软阈值函数虽然克服了硬阈值带来的不利影响,但造成部分高频信息丢失,导致图像边缘模糊[7]。结合软硬阈值的不同优缺点,本文采用改进的非线性阈值函数方法[8],其函数表示为:
显然,通过在0和1之间调节参数e,该阈值函数可以在硬阈值和软阈值之间进行折衷(如图1所示),对各种信号均可取得较好的去噪效果。
3.3 算法步骤
4 结果及分析
为了验证小波去噪算法处理泳池水下图像的有效性,本文以MATLAB为工具进行了实验分析,目标图片大小为均352x288像素。实验中采用sym6小波[9],该小波具有内积计算快速,基函数叠加快速以及良好的空间局部化和频率局部化特性,保证了图像信号展开和重构的低复杂度。小波变换分解为3层,经实验表明,若分解的层数过多,会导致边缘细节模糊,出现伪Gibbs和振铃现象[10]。为了比较算法的有效性,实验对本文所设计的方法分别与硬阈值以及线性阈值(linear threshold)方法(参考文献2)进行比较,图2所示为同一图像经过三种不同的阈值去噪方法进行去噪后的效果对比,通过对其PSNR值的计算,可以看出,相比较于传统的去噪算法,线性与非线性阈值去噪算法的去噪效果较好。
为了进一步探讨算法对泳池水下图像去噪的适应性,本文随机选取了100幅不同摄像机及场景的图像,通过调节的值,使得峰值信噪比最大,图3为值与最高PSNR值的分布情况,由图可见,对泳池水下图像,参数e的集中取值范围为[0.59,0.75],与此对应的PSNR值为[22.82,24.03],去噪效果较好。
三种方法在得到各自最优的PSNR时计算所需时间如表1所示。
对比可见,改进的非线性阈值去噪法能够获得较高的PSNR,但其在计算时间上略劣于硬阈值及线性阈值算法,适用于对实时性要求不高的场合。
5 结束语
由于泳池水下图像噪声以高斯噪声为主,应用小波系数萎缩法能够获得良好的去噪效果。算法对阈值函数和参数的选择较为敏感,阈值函数越精确,去噪效果越明显,但同时计算复杂度亦增加。对基于泳池救生需要的水下图像处理而言,在实时性需求允可的范围内(一般溺水有效救治时间为4-6分钟),获得较高质量的图像,为后期及时准确判断是否存在异常目标显得更为重要,从此角度考虑,本文所设计的去噪算法具有一定的实用价值。本文所设计的算法在获得最佳PSNR值时仍需人工干预,后期的研究工作包括自适应去噪算法的设计,以增加系统的智能性。
参考文献:
[1] PRABHAKR C.J.PRAVEEN KUMAR P.U.Underwater Image Denoising Using Adaptive Wavelet Subband Thresholding.International Conference on Signal and Image Processing[C].2010,New Delhi,India.322-327.
[2] 高萍,祖静.基于MATLAB的小波去噪技术浅析[J].科技信息,2007,(6):1-3.
[3] CHEN,G.Y.;BUI,T.D.Multiwavelets denoising using neighboring coefficients[J].Montreal,Canada.2003:211-214.
[4] S.ZHANG,E.SALARI.Image denoising using a neural network based non-filter in wavelet domain[J].Richmond,KY,USA,2005:18-23.
[5] QINWU ZHOU,LIZHUANG LIU,ZHENGZHONG BIAN."Denoise and contrast enhancement of ultrasound speckle image based on wavelet"[J].Journal of Chang'An University,2004,(6):24-26.
[6] JUNMEI ZHONG.Image denoising based on wavelets and multifractals for singularity detection[M].Dct,2005,NY,USA.
[7] XINGMEI LI,GUOPING YAN,and LIANG CHEN."Image denoise based on soft threshold and edge enhancement,"[J].Electronic Measurement Technology.2007,(3):10-12.
[8] 李祥兵,肖合林著.基于MATLAB的小波阈值折衷算法研究[J].电脑开发与应用,2009,(6):4-6.
[9] CHAOYING LIU,HUIBIN WANG and YIXIN WANG."Image denoising based on wavelet edge detection by scale multiplication,"[C].Proceeding of the 2007 IEEE international congerence on integration technology March 2007:20-24.
[10] RAFAEL C.GONZALEZ,and RICHARD E.WOODS."Digital image processing"[M].December,2007.