动目标识别过程中的二值图像噪声消除

1 前言

　　在动目标识别工程项目中，要进行背景重构、前景提取、图像消噪、投影求取四个阶段的工作。在获取原始视频后，首先便是图像预处理阶段，如果这阶段处理不好，后面的工作根本无法展开。在实际应用时，系统获取的原始图像，由于噪声、光照等原因，图像的质量不高，所以需要进行预处理。图像的预处理包括图像增强、平滑滤波、锐化等内容。图像的预处理既可以在空间域实现，也可以在频域内实现，本文主要介绍腐蚀膨胀法对二值图像噪声的消除，它们是一种既简单又重要的图像处理技术。

　　2 噪声的产生及分类

　　噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声, 这些噪声可能在传输中产生, 也可能在量化处理中产生。根据噪声和信号的关系可将其分为三种形式:( f(x,y)表示给定原始图像, g(x,y)表示图像信号, n(x,y)表示噪声。)

　　2．1 加性噪声

　　此类噪声与输入图像信号无关, 含噪图像可表示为f(x,y)=g(x,y)+n(x,y), 信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;

　　2.2 乘性噪声

　　此类噪声与图像信号有关, 含噪图像可表示为f(x,y)=g(x,y)+n(x,y)g(x,y), 飞点扫描器扫描图像时的噪声, 电视图像中的相干噪声, 胶片中的颗粒噪声就属于此类噪声。

　　2.3 量化噪声

　　此类噪声与输入图像信号无关, 是量化过程存在量化误差, 然后反映到接收端而产生。

　　3 去除图像噪声的方法简介

　　图像处理发展至今，经典的图像处理方法不胜枚举，以下从分析了近年来图像消噪处理领域比较有代表性的滤波器和目前比较前沿的处理方法，使读者对目前消噪领域的发展历史有所了解。

　　3.1 均值滤波器

　　它是用一个有奇数点的滑动窗口在图像上滑动，将窗口中心点对应的图像像素点的灰度值用窗口内的各个点的灰度值的平均值代替，如果滑动窗口规定了在取均值过程中窗口各个像素点所占的权重，也就是各个像素点的系数，这时候就称为加权均值滤波。

　　3.2 自适应维纳滤波器

　　它能根据图像的局部方差来调整滤波器的输出, 局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^ (x,y)与原始图像f(x,y)的均方误差e2=E[( f(x,y)- f^ (x,y)) 2]最小。该方法的滤波效果比均值滤波器效果要好, 对保留图像的边缘和其他高频部分很有用, 不过计算量较大。维纳滤波器对具有白噪声的图像滤波效果最佳。

　　3.3 中值滤波器

　　它是一种常用的非线性平滑滤波器, 其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换。其主要功能消除孤立的噪声点, 所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘, 从而获得较满意的复原效果, 而且, 在实际运算过程中不需要图像的统计特性, 这也带来不少方便, 但对一些细节多, 特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。

　　3.4 数学形态学噪声滤除器

　　将开启和闭合结合起来可用来滤除噪声, 首先对有噪声图像进行开启操作, 可选择结构要素模型比噪声的尺寸大, 因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图像进行闭合操作, 将图像上的物体还原。

　　3.5 小波去噪

　　小波的特点是符合人类视觉原理：即由粗到细，逐步细化，最后达到较好的处理效果

　　这种方法保留了大部分包含信号的小波系数, 因此可以较好地保持图像细节。

　　4 具体工程中噪声消除

　　笔者将数学形态学方法应用于动目标检测的工程实践中，在吸取大量前人成果的基础上，有针对性的采用了合适的消噪模板，收到了较好的动目标检测效果。

　　4.1 图像类型转换

　　工程中采集卡过来的图像为彩色图像，为加快处理速度，要把彩色图像转换为黑白图象，一般情况下彩色图像每个像素用三个字节表示，每个字节对应着R、G、B分量的亮度（红、绿、蓝），转换后的黑白图像的一个像素用一个字节表示该点的灰度值，它的值在0～255之间，数值越大，该点越白，即越亮，越小则越黑。经典转换公式：

Gray(x,y)=0.11*R(x,y)+0.59*G(x,y)+0.3*B(x,y)

　　其中Gray(x,y)为转换后的黑白图像在（x，y）点处的灰度值，绿色所占的比重最大，所以转换时也可以直接使用G值作为转换后的灰度。

　　为了在动目标检测时做到更好的实时性，要将得到的灰度图像转换为黑白二值图像，二值图像是一种简单的图像格式，它只有两个灰度级，即“0”表示黑色象素点，“255”表示白色象素点，若将（x，y）点处的在二值图像中的值记为F（x，y），那么有

　　式中，为二值化阈值。

4.2 数学形态学运算

　　二值图像处理运算是从数学形态学下的集合论发展起来的，尽管它的基本运算很简单，但却可以产生复杂的图像处理效果。常用的图像处理操作有许多方法，比如腐蚀、膨胀、细化、开运算和闭运算等。形态学是一门新兴科学，它的用途主要是获取物体拓扑和结果信息，它通过物体和结构元素相互作用的某些运算，得到物体更本质的形态。它在图像处理中的应用主要是：

　　1.利用形态学的基本运算，对图像进行观察和处理，从而达到改善图像质量的目的；

　　2.描述和定义图像的各种几何参数和特征，如面积，周长，连通度，颗粒度，骨架和方向性。

　　二值图像基本的形态学运算是腐蚀和膨胀，在这两种操作中要选择某种模板作为滑块，在得到的二值图像上滑动，滑块上要指定一个点为中心点，若物体颜色为白色，即二值图像中的“0”，腐蚀操作时，必须要所有的滑块上的点都为“1”时,处理后图像中心点的值才能为“1”；膨胀时，只要中心点的值为“1”，那么滑块上的其他点的值都应置为“1”, 对应的处理后图像上点的值也置为“1”。简单起见，我们选3×3的矩形滑块为例。腐蚀可以消除物体的所有边界点，其结果是使剩下的物体沿其周边比原物体小一个像素的面积。如果物体是圆的，它的直径在每次腐蚀后将减少两个像素，如果物体在某一点处任意方向上连通的像素小于三个，那么该物体经过一次腐蚀后将在该点处分裂为二个物体。如果是和物体相比较小的多离散的噪声，那么将被消除。简单的膨胀运算是将与某物体接触的所有背景点合并到该物体中的过程。过程的结果是使物体的面积增大了相应数量的点，如果物体是圆的，它的直径在每次膨胀后将增大两个像素。如果两个物体在某一点的任意方向相隔少于三个像素，它们将在该点连通起来。

　　腐蚀可以消除图像中小的噪声区域，膨胀可以填补物体中的空洞。对一个图像先进行腐蚀运算然后再膨胀的操作过程称为开运算，它可以消除细小的物体、在纤细点处分离物体、平滑较大物体的边界时不明显的改变其面积。如果对一个图像先膨胀然后再收缩，我们称之为闭运算，它具有填充物体内细小的空洞、连接邻近物体、在不明显改变物体面积的情况下平滑其边界的作用。通常情况下，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的，物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体，连续的开和闭运算可以显著的改善这种情况，这时候需要在连接几次腐蚀迭代之后，再加上相同次数的膨胀，才可以产生所期望的效果。一下是工程中随机生成的一幅二值图像分别经过腐蚀和膨胀以后得到效果图（用的是3×3的滑块）：

　　4.3 实践过程中选择有针对性的消噪模板

　　噪声的类型多种多样，要设计一种普适的噪声消除模板不现实，也没有必要，因为每个应用程序都处在具体的工程环境中,碰到的噪声都有各自的特点。本文将设计的消噪模板用于动目标检测过程中，为了达到最好的动目标识别效果，文章设计了有针对性的消噪模板来处理具体的噪声。例如，当系统应用在阴雨天情况下，大量的雨滴会在背景中形成严重的噪声干扰，此时，如果仅靠增大矩形消噪模板，会在消除噪声的同时腐蚀掉要检测的目标，形成漏判；反之，如果减小消噪模板大小，系统会一直报警，导致系统瘫痪，这两种情况都会很大程度上影响动目标检测的效果，这不是我们想要的结果。分析雨点形成的噪声的特点可以发现，此类噪声只存在于纵向上（垂直方向)，且宽度较小，成像时一般在一到两个像素点，有鉴于此，工程中采用细而长的横向滑块作为消噪模板，这种消噪模板在消除噪声的同时可以很好的保留动目标边缘特征，比用矩形滑块除噪效果好的多。实际编程实现时，将滑块模板专门用一个二维数组表示，可以根据需要变换滑块类型，针对不同的噪声采用不同的消噪模板，给系统提供较好的灵活性。图像处理系统中，好的预处理算法是成功的一半，因此笔者建议，工程中多采用几种消噪滑块，以便在工程实施时采用最佳的除噪滑块。

　　5 结束语

　　图像噪声消除是图像预处理的关键环节，几乎每一个图像处理应用程序都要牵扯到噪声消除问题，经笔者实践证明，文中提出的方法是有效的。本文的研究解决了工程实践中碰到的实际问题，文章中谈到的噪声消除方法和除噪思想可以为工程实践人员提供很好的参考，有一定的实践意义，。

　　本文作者创新点: ①结合具体工程中用到的腐蚀、膨胀消除噪声方法，讨论了二值图像噪声的消除。②编程实现时设计了一种实用性较高的噪声消除模板。