基于邊緣檢測與雙邊濾波的彩色圖像去噪方法

基于邊緣檢測與雙邊濾波的彩色圖像去噪方法

1彩色圖像去噪方法彩圖像去除噪聲可概括為兩種模型。其中之一是對每幅彩像通道中的噪聲進行噪聲去除，即逐通道模型，如小波圖像自噪聲去除方法。另一種方法是將每個通道的數(shù)據(jù)作為一個向量整體去除噪聲，并被稱為向量模型。例如，初始模型將每個通道的數(shù)據(jù)切割，并隨時間推移過濾。數(shù)據(jù)自適應濾波和雙向濾波。首先，模型分離了不同顏色圖像中通道的聯(lián)系，這不可避免地影響圖像本身的信息結構。最困難的是，在去除噪聲過程中，如果每個通道的噪聲值單獨更改，圖像將生成假顏色。雙向濾波可以整體處理顏色圖像，首先由ctoma性設計，然后生產各種變形，如sigram濾波、相鄰區(qū)域濾波和susan濾波。色彩圖像的雙向濾波噪聲的特點是它不僅可以達到濾波效果，還可以保護圖像的高頻細節(jié)。然而，還有以下問題：（1）雙向濾波過程仍然是圖像在空間上加權平均的過程。隨著噪聲噪聲的信噪比的提高，邊緣仍然不可避免地存在一定的模糊性。（2）通過保護高頻信息，雙重濾波很難去除圖像中的高頻噪聲。針對彩色圖像雙邊濾波去噪方法的上述不足,本文提出一種基于邊緣檢測與雙邊濾波相結合的彩色圖像去噪方法,主要解決以下幾個問題:(1)邊緣定位的準確性,很多邊緣檢測算法對邊緣的定位不準確,無法通過得到的邊緣圖確定邊緣及噪聲的準確位置;(2)邊緣圖中包含噪聲引起的偽邊緣,而圖像增強僅需要增強人眼敏感的邊緣區(qū)域,對其它區(qū)域做增強會造成圖像失真,所以邊緣圖需要通過邊緣濾波去除噪聲引起的偽邊緣后才能用于圖像增強;(3)由傳感器或電路引起的噪聲產生于RGB彩色空間,直接在RGB彩色空間進行邊緣檢測,可以避免彩色空間轉換帶來的噪聲放大和噪聲類型復雜化.但是在RGB彩色空間進行圖像去噪會產生偽色彩;(4)如果圖像增強在彩色圖像三個通道上分別獨立進行,在邊緣附近將產生顏色的混亂.為了解決以上問題,本文提出基于邊緣檢測和雙邊濾波的彩色圖像去噪方法,本文去噪流程包括邊緣檢測,邊緣濾波,改進的雙邊濾波和彩色圖像增強,主要工作如下:(1)為了更好地對彩色邊緣準確定位,提出一種適合彩色圖像去噪的彩色圖像邊緣檢測算法.繼承了CNN灰度邊緣檢測算法定位準確的優(yōu)點,填補了CNN現(xiàn)有算法不能直接處理彩色圖像的空白;(2)提出一種針對圖像增強的邊緣濾波算法.通過兩級邊緣檢測滿足去噪不同階段對邊緣檢測的不同要求;(3)通過改進雙邊濾波,減少去噪過程帶來的邊緣模糊;(4)使用不同的彩色空間,在RGB彩色空間進行邊緣檢測以定位邊緣及噪聲,在CIELAB彩色空間去噪以保持顏色的一致性,僅對亮度分量(L*)進行增強以避免顏色的混亂與失真.方法的整個流程如圖1所示.邊緣檢測結果記為mapA,mapA包含圖像中的各種邊緣也包含由噪聲引起的偽邊緣,mapA用于圖像去噪.mapA經過邊緣濾波后得到mapB,邊緣濾波的目的是去除由噪聲引起的偽邊緣,使mapB可以用來增強圖像而不會帶來彩色圖像失真.在得到邊緣圖mapA后,通過邊緣信息對雙邊濾波作出改進,在提高去噪效果的同時減少了濾波對圖像清晰度的影響.為了不在雙邊濾波過程中帶來顏色混亂和圖像失真,雙邊濾波在CIELAB彩色空間內進行.最后對彩色圖像做基于mapB邊緣的增強,增強在CIELAB彩色空間內進行,僅增強邊緣區(qū)域對應位置的亮度分量.2彩色空間邊緣檢測算法現(xiàn)有的彩色圖像邊緣檢測方法中,有相當部分是灰度圖像邊緣檢測的推廣,也即首先基于某一彩色分量的圖像進行灰度圖像邊緣檢測,然后再將每一獨立分量的邊緣圖聯(lián)合形成彩色圖像的邊緣.這些方法忽略了人眼對顏色的視覺感知,沒有考慮各顏色分量之間的聯(lián)系,往往得不到好的邊緣檢測效果.而基于彩色空間的邊緣檢測方法可以充分利用彩色圖像中攜帶的彩色信息.為了充分考慮人眼對不同顏色感知程度的不同,同時克服彩色空間角向量距離計算復雜的缺點,本文使用彩色空間歐幾里得距離作為彩色象素之間差異的度量.很多的邊緣檢測算法都工作在YcbCr彩色空間的Y分量上或者CIELAB彩色空間的L*分量上.但是在本文提出的方法中邊緣檢測算法工作在RGB彩色空間.雖然彩色圖像的理論指出人眼對亮度分量的變化比色度分量更敏感,但是由傳感器或電路引起的噪聲產生于RGB彩色空間,直接在RGB彩色空間進行邊緣檢測,可以避免彩色空間轉換帶來的噪聲放大和噪聲類型復雜化.使用RGB彩色空間進行邊緣檢測的另一個原因是,圖像中存在著一些位于顏色不同但亮度相似的區(qū)域之間的邊緣,僅用亮度分量無法檢測到這些邊緣.使用哪種邊緣檢測方法必須根據(jù)問題的需要來進行選擇,彩色圖像去噪方法對邊緣結果主要有以下幾點要求:(1)能夠檢測到圖像中的細小邊緣;(2)邊緣定位準確,無像素偏移;(3)對噪聲無抑制作用;(4)要求邊緣非二值,為下一步的邊緣濾波提供條件;(5)可以在彩色空間內對各分量整體處理,充分利用圖像中攜帶的彩色信息;(6)能夠根據(jù)圖像中各個區(qū)域的性質自適應地選擇合適的參數(shù)進行邊緣檢測;(7)不要求單像素邊緣,不要求連續(xù)封閉邊緣;(8)考慮應用于實時系統(tǒng),邊緣檢測方法應可并行計算和便于硬件實現(xiàn).為了滿足上述要求,本文提出一種基于細胞神經網(wǎng)絡(CNN)的彩色圖像邊緣檢測算法.CNN方法最突出的優(yōu)點是能高速并行計算,且處理速度與圖像大小無關,并便于硬件實現(xiàn),這使得其在圖像實時處理方面具有廣泛的應用前景.本文對CNN模板進行理論分析和魯棒性研究,提出一個實現(xiàn)彩色圖像邊緣檢測功能要求的CNN魯棒性定理,為設計相應的CNN模板參數(shù)提供了解析判據(jù).繼承了CNN的優(yōu)點,填補了CNN現(xiàn)有算法不能直接處理彩色圖像的空白.實驗結果表明,該算法可以對不同特性的彩色圖像進行有效的邊緣提取.以下詳細介紹算法流程.2.1cn的交叉設計(1)非線性函數(shù)bk定義CNN模板如下:A=(0000a0000)B=(b-1,-1b-1,0b-1,1b0,-10b0,1b1,-1b1,0b1,1)Ζ=z這里a>1,bk,l為非線性函數(shù)bk,l(Δu),根據(jù)CNN的數(shù)學描述和彩色空間歐幾里得距離,可得:Δu=[(ui,j-ui+k,j+l)Τ(ui,j-ui+k,j+l)]12uij-ui+k,j+l=[(ui,jR-ui+k,j+lR),(ui,jG-ui+k,j+lG),(ui,jB-ui+k,j+lB)]Τbk,l={c,if|Δu|>g-1,otherwise(1)(2)循環(huán)邊界條件①給定初始狀態(tài)為X(0)=(xi,j(0))M×N,取xi,j(0)=0;②選擇邊界條件為循環(huán)邊界條件;③最終輸出的邊緣圖像為Y,Y?Y(∞)=(yi,j(∞))M×N;④用CNN檢測彩色圖像邊緣就是將輸入的彩色圖像U映射成輸出的邊緣圖像Y,即F:U→Y,通過分析圖像中邊緣點的特點建立適當?shù)木植恳?guī)則,進而構造CNN模板參數(shù)的取值.(3)含多個像素點的一般規(guī)則局部規(guī)則1:當ui,j相鄰八個像素點中至少有三個像素滿足|Δu|>g時,任意像素的輸出為黑色(黑色對應+1),則yi,j(∞)為+1,像素點(i,j)為邊緣點.局部規(guī)則2:當ui,j相鄰八個像素點中至多有兩個像素滿足|Δu|>g時,任意像素的輸出為白色(白色對應-1),則yi,j(∞)為-1,像素點(i,j)為非邊緣點.(4)動力學曲線的方向實際應用中,取r=1,根據(jù)標準CNN狀態(tài)方程得到CNN的狀態(tài)-輸出方程具有如下形式:根據(jù)標準CNN輸出方程得:yi,j={1,ifxi,j>1xi,j,if-1≤xi,j≤1-1,ifxi,j<-1(5)將公式(5)代入公式(3)可得:g(xi,j)={-xi,j+a?-xi,j+axi,j?-xi,j-a?ifxi,j>1if-1≤xi,j≤1ifxi,j<-1(6)將公式(6)代入公式˙xi,j=g(xi,j)+wi,j可得:˙xi,j={-xi,j+a+wi,j?(a-1)xi,j+wi,j?-xi,j-a+wi,j?ifxi,j>1if-1≤xi,j≤1ifxi,j<-1(7)根據(jù)公式(7),當過(-1,0)點時wi,j=a-1畫出動力學曲線,如圖2所示的虛線d1.當過(1,0)點時wi,j=1-a畫出動力學曲線,如圖2所示的虛線d2.這兩條動力學曲線屬于臨界狀態(tài)的情況.根據(jù)wi,j的不同取值范圍,可以得到三類動力學曲線:①當wi,j>a-1時,動力學曲線在d1上方的區(qū)域,即在區(qū)域Ⅰ中.畫出其中的一條動力學曲線,如圖2所示的曲線c1,它與xi,j軸有一個交點為Q1.②當1-a≤wi,j≤a-1時,動力學曲線在d1和d2之間的區(qū)域,即在區(qū)域Ⅱ中.畫出其中的一條動力學曲線,如圖2所示的曲線c2,它與xi,j軸有三個交點分別為Q2,Q3,Q4.③當wi,j<1-a時,動力學曲線在d2下方的區(qū)域,即在區(qū)域Ⅲ中.畫出其中的一條動力學曲線,如圖2所示,曲線c3與xi,j軸有一個交點Q5.對圖2中動力學曲線方向的說明:①當動力學曲線在xi,j軸上方時˙xi,j＞0,動力學曲線向xi,j增大的方向移動直到˙xi,j=0時停止.②當動力學曲線在xi,j軸下方時˙xi,j＜0,動力學曲線向xi,j減小的方向移動直到˙xi,j=0時停止.從圖2可以看出:①動力學曲線c1,當xi,j(0)∈(-∞,∞)時沿著圖中箭頭所示的方向移動,最終收斂點為Q1點,由于wi,j>a-1則Q1點的xi,j>1,根據(jù)標準CNN輸出方程可得yi,j(∞)=1.②動力學曲線c2與xi,j軸有三個交點Q2,Q3,Q4,當˙xi,j=0時(a-1)xi,j+wi,j=0可得到在xi,j上的交點Q3的橫坐標為-wi,j/a-1,需要考慮三種情況:當xi,j(0)=-wi,j/a-1時該點為收斂點,即Q3點,因為˙xi,j=0,則該點不再移動,根據(jù)標準CNN輸出方程可得yi,j(∞)=-wi,j/a-1;當xi,j(0)>-wi,j/a-1時沿著圖中箭頭所示的方向移動,最終收斂于Q2點,該點的xi,j≥1,根據(jù)標準CNN輸出方程可得yi,j(∞)=1;當xi,j(0)<-wi,j/a-1時沿著圖中箭頭所示的方向移動,最終收斂于Q4點,該點xi,j≤-1,根據(jù)標準CNN輸出方程可得yi,j(∞)=-1.③動力學曲線c3,當xi,j(0)∈(-∞,∞)時沿著圖中箭頭所示的方向移動,最終收斂點為Q5點,由于wi,j<1-a,則Q5點的xi,j<-1,根據(jù)標準CNN輸出方程可得yi,j(∞)=-1.由上述分析可以得出:yi,j(∞)={1,ifwi,j>a-1,xi,j(0)∈(-∞,∞)1,if1-a≤wi,j≤a-1,xi,j(0)>-wi,ja-1-wi,ja-1,if1-a≤wi,j≤a-1,xi,j(0)=-wi,ja-1-1,if1-a≤wi,j≤a-1,xi,j(0)<-wi,ja-1-1,ifwi,j<1-a,xi,j(0)∈(-∞,∞)(8)設ps為滿足|Δu|≤g條件的相鄰像素的個數(shù),設pd為滿足|Δu|>g條件的相鄰像素的個數(shù).由公式(1)和公式(4)可得:wi,j=z-ps+cpd=z-(8-pd)+cpd=z-8+(1+c)pd證明1:根據(jù)局部規(guī)則1,如果像素點ui,j有至少三個相鄰的點滿足條件|Δu|>g,則yi,j(∞)=1.得到:wi,j=z-8+(1+c)pd≥z-8+(1+c)3為了得到y(tǒng)i,j(∞)=1根據(jù)公式(8)需要滿足wi,j>a-1或滿足xi,j(0)>-wi,j/a-1和1-a≤wi,j≤a-1,又因為定義CNN模板時取a>1,全局功能中已設定初始條件為xi,j(0)=0,則:a>1wi,j>a-1}?wi,j>0xi,j(0)=0xi,j(0)>-wi,j/a-1}?0>-wi,j/a-1a>11-a≤wi,j≤a-1}?0<wi,j≤a-1(wi,j>0)∪(0<wi,j≤a-1)?wi,j>0那么在xi,j(0)=0的初始條件下,當且僅當wi,j≥z-8+(1+c)3>0?z+3c>5成立時,yi,j(∞)=1.滿足局部規(guī)則1,得到z+3c>5.證明完畢.證明2:根據(jù)局部規(guī)則2,如果像素點ui,j有至多兩個相鄰點滿足條件|Δu|>g,則yi,j(∞)=-1.得到wi,j=z-8+(1+c)pd≤z-8+(1+c)2為了得到y(tǒng)i,j(∞)=-1,根據(jù)公式(8)需要滿足wi,j<1-a或xi,j(0)<-wi,j/a-1和1-a≤wi,j≤a-1,則:a>1wi,j<1-a}?wi,j<0xi,j(0)=0xi,j(0)<-wi,j/a-1}?0<-wi,j/a-1a>11-a≤wi,j≤a-1}?1-a≤wi,j<0(wi,j<0)∪(1-a≤wi,j<0)?wi,j<0那么在xi,j(0)=0的初始條件下,當且僅當wi,j≤z-8+(1+c)2<0?z+2c<6成立時,yi,j(∞)=-1.滿足局部規(guī)則2,得到z+2c<6.證明完畢.(5)基于距離閾值的邊緣檢測在上述模板條件下,CNN滿足彩色圖像邊緣檢測的功能,當且僅當以下條件成立a>1z+3c>5z+2c<6(9)根據(jù)以上求解結果,可以根據(jù)情況在滿足不等式組(9)的范圍內選擇合適的參數(shù),當取c=2,z=1的情況下,彩色圖像邊緣檢測的結果如圖3所示.可以看出采用不同的距離閾值g,對邊緣的檢測結果有較大影響.2.2圖像邊緣檢測上文討論的CNN邊緣檢測算法,對彩色圖像的邊緣檢測結果符合本文提出的彩色圖像去噪方法對邊緣檢測結果的要求,原因如下:本算法基于彩色空間距離逐像素點計算(并行),所以邊緣定位準確,無像素偏移問題,對噪聲無抑制作用.CNN可并行計算并且便于硬件實現(xiàn).CNN邊緣檢測結果非二值,為下一步的邊緣濾波提供了條件.本算法在彩色空間內對彩色向量整體處理,充分利用彩色圖像中攜帶的彩色信息.本節(jié)開始提出的(2)～(5)點要求都已經滿足,接下來討論如何能夠根據(jù)圖像中各個區(qū)域的性質自適應的選擇合適的參數(shù)進行邊緣檢測.在2.1節(jié)的方法中,檢測結果滿足彩色圖像去噪流程對邊緣檢測結果的要求,但仍然沒有考慮圖像不同區(qū)域性質的不同,對一幅圖像采用一組網(wǎng)絡參數(shù),若選用較小的距離閾值g,圖像中紋理豐富的區(qū)域檢測出的邊緣過多,不能很好的用來作為下一步有針對性去噪增強的依據(jù),若通過增大g值來消除虛假邊緣,圖像平滑區(qū)域中的一些弱小邊緣也會一同被除去,只能反映出圖像大的輪廓邊緣,不能很好的用來作為下一步圖像去噪的依據(jù).鑒于以上不足,為了在確保邊緣準確的同時,最大可能的去除偽邊緣點,采用熵來度量圖像的各個子區(qū)域的紋理性質.進而確定一組合適的網(wǎng)絡參數(shù).對于邊緣較多的區(qū)域,采用比較大的g值,能夠有效抑制偽邊緣點的影響;對于平滑區(qū)域,采用比較小的g值,能夠得到比較精細的邊緣.本文提出對整幅圖像進行分塊自適應檢測,根據(jù)圖像單元信息熵進行分塊,從而達到分塊自適應的目的.綜上所述,分塊自適應邊緣檢測算法如下:(1)將待分析的N×M的彩色圖像,分成大小為n×m的若干子區(qū)域.(2)計算圖像各子區(qū)域的單元信息熵,并用熵值來判斷該區(qū)域的紋理性質.RGB圖像的熵H等于三個分量的熵的和,表示為:H=HR+HG+HB(3)根據(jù)各子區(qū)域的性質,采用合適的g值.具體情況如下:①若該子區(qū)域為平滑區(qū)域,參數(shù)g取值為0.1.②若該子區(qū)域為復合區(qū)域,參數(shù)g取值為0.15.③若該子區(qū)域為邊緣區(qū)域,參數(shù)g取值為0.2.(4)將常數(shù)g變成N×M的矩陣G,將G代入2.1節(jié)中得到的CNN模板中,得到新的CNN模板,新模板可以實現(xiàn)自適應的檢測彩色圖像的邊緣.對加入0.05椒鹽噪聲和0.005高斯噪聲的Pappers圖的分塊自適應邊緣檢測結果如圖4所示.可以看出檢測結果對邊緣定位準確,無像素偏移,對噪聲無抑制作用,可以用于去噪過程中的噪聲定位.2.3邊緣濾波算法.邊緣濾波是從備選邊緣中找出“最重要”邊緣的過程,如果考慮圖像內容,找出“最重要”邊緣需要相當復雜的算法.例如,在Lena圖中,“最重要”邊緣包括眼睛的邊緣,因為這是Lena圖中觀察者視線主要停留的區(qū)域,同時這個區(qū)域也表達了圖像內容中重要的信息.在本文的邊緣濾波過程中將不考慮圖像的內容信息.本文設計的邊緣濾波主要考慮以下幾個要求:(1)過濾mapA中邊緣強度小的邊緣點.(2)過濾mapA中“短”的邊緣鏈.(3)過濾mapA中“弱”的邊緣鏈.邊緣濾波步驟如下:(1)設定高、低閾值,邊緣鏈長度閾值,邊緣鏈強度閾值.(2)連接相鄰的邊緣點,強度大于高閾值的點留下,強度小于低閾值的點去除,強度介于高低閾值之間的點,如果能與高閾值的點連接在一條邊緣鏈上則留下,否則去除.得到若干條邊緣鏈的集合.(3)在步驟(2)的基礎上過濾邊緣鏈集合中長度小于邊緣鏈長度閾值的邊緣鏈.(4)在步驟(3)的基礎上過濾邊緣鏈集合中平均強度小于邊緣鏈強度閾值的邊緣鏈.在步驟(2)的邊緣連接過程中需要注意以下問題:①連接過程中優(yōu)先搜索使邊緣走向光滑的點,例如邊緣鏈中上一個邊緣點在本邊緣點的“左下”,則優(yōu)先搜索本邊緣點的“右上”位置,優(yōu)先級其次是“右”位置、“上”位置,優(yōu)先級再次是“左上”位置、“右下”位置,優(yōu)先級最后是“左”位置、“下”位置.其他情況同理.②在優(yōu)先級相同的情況下,在8鄰域內優(yōu)先搜索強度較大的邊緣點.③邊緣單鏈連接結束后還要返回起始點向相反方向搜索.④如果將邊緣分支考慮進去,可以在主鏈連接結束后,依次以主鏈上每點作為起始點搜索分支,搜索到的分支點記入主鏈.此過程可遞歸,最好設置一個最大遞歸深度,避免遞歸次數(shù)過多.mapA經過邊緣濾波后得到mapB,mapB可以用來圖像增強而不會帶來彩色圖像失真.對圖4(b)做邊緣濾波后的邊緣圖見圖4(c).2.4圖像邊緣檢測采用512×512彩色合成圖加入0.05椒鹽噪聲進行測試,如圖5(a)所示,圖中A、B、C三個區(qū)域亮度相同,色調和飽和度不同,則這三個區(qū)域具有相同的灰度級別.對圖5(a)邊緣檢測的對比結果如圖5(b)～(d)所示.可以看出:(1)圖5(b)和圖5(c)只檢測出兩條邊緣線,圖5(c)的兩條線屬于標準的直線,而圖5(b)的兩條線受到噪聲的干擾呈現(xiàn)小的波浪線.證明了,基于CNN的邊緣檢測定位準確,無像素偏移.(2)圖5(d)檢測出所有的邊緣,為直線.非邊緣區(qū)域產生的偽邊緣較少.證明了,彩色邊緣檢測能獲得更多的邊緣信息,漏減率低,不致因噪聲造成虛假檢測.(3)圖5(d)的四周有邊緣線,這是由于采用了循環(huán)邊界條件形成的.為了定量的分析該算法的優(yōu)越性,采用文獻中所用的定量評價標準.表1列出了用實驗中各種算法對合成圖加入不同密度的椒鹽噪聲所得到的評價指標值.從表中可以看出隨著噪聲密度的增加,本文算法的FOM值明顯大于其它算法的FOM值,這說明本文算法在對含有噪聲圖像進行邊緣檢測時,對強噪聲的去噪效果更加明顯.3改進的雙邊濾波算法一些彩色圖像去噪算法工作在RGB彩色空間或者YcbCr彩色空間.但是在這些空間中,亮度分量和色度分量不是獨立的,改變其中之一會帶來亮度分量和色度分量的同時改變.因此在RGB彩色空間或者YcbCr彩色空間中,圖像平滑的同時會產生新的顏色,帶來顏色混亂.CIELAB彩色空間通過徑向距離和角度分別表示顏色的飽和度和色調.這使得在CIELAB彩色空間中更容易操作亮度分量和保持顏色的一致性.3.1改進的雙邊濾波對圖4(a)的雙邊濾波去噪結果見圖6.可以看出,隨著σr和σd的增大,噪聲被去除的同時圖像也變得模糊了.盡管雙邊濾波可以在一定程度保持圖像的高頻細節(jié),但是仍然會使圖像變模糊.為了進一步降低雙邊濾波對圖像清晰度的影響.本文提出對雙邊濾波的一種改進算法.主要改進如下:(1)利用2.2節(jié)中邊緣檢測得到mapA,通過mapA估計噪聲范圍,僅對mapA中等于1的像素點做雙邊濾波.見公式(10),其中f(xi,j)為M×N的原圖像,hb(xi,j)為雙邊濾波輸出圖像.(2)噪聲的污染點本身的值不具有參與平滑的價值,將其加權系數(shù)置0.見公式(11),其中s(ε,x)表示彩色空間向量f(ε)與f(x)之間的相似度,c(ε,x)表示平面坐標ε與x之間的相似度.(3)將噪聲的污染點f(xi,j)與附近點f(ε)之間的彩色空間距離修改為f′(xi,j)與點f(ε)之間的彩色空間距離,f′(xi,j)為f(xi,j)空心鄰域的CIELAB彩色空間向量均值,見公式(14).雙邊濾波輸出圖像hb(xi,j)修改為公式(12).kb(x)為歸一化因子,見公式(13).h(xi,j)={hb(xi,j),ifeBi,j=1f(xi,j),ifeBi,j=0(10)s(f′(xp,q),f(xi,j))=0,c(xp,q,xi,j)=0ifeBi,j=1andp=iandq=j(11)hb(xi,j)=k-1b(xi,j)×i+m∑p=i-mj+n∑q=j-nf(xp,q)×c(xp,q,xi,j)×s(f(xp,q),f′(xi,j))(12)kb(xi,j)=i+m∑p=i-mj+n∑q=j-ns(f(xp,q),f′(xi,j))×c(xp,q,xi,j)(13)f′(xi,j)=(m*n-1)-1×i+m∑p=i-m,p≠ij+n∑q=j-n,q≠jf(xi,j)(14)對圖4(a)的本文方法去噪結果如圖7所示.可以看出,隨著σr和σd的增大,噪聲被更好去除的同時圖像的清晰度未見明顯損失.4成像模糊的原因盡管在上面的去噪過程中,彩色圖像的邊緣信息被很大程度的保留,但是現(xiàn)實系統(tǒng)中得到的彩色圖像仍然會有一定程度的模糊.造成圖像模糊的原因主要有以下幾個:(1)目標位置移動造成的鏡頭聚焦不準;(2)目標移動引起的成像模糊;(3)光學鏡頭的非理想性引起的成像模糊,尤其在圖像的四角位置.因此彩色圖像濾噪后的增強環(huán)節(jié)是必要的.采用一種簡單有效的彩色圖像增強方法.利用前面得到的邊緣濾波后的邊緣圖mapB,僅對對應邊緣點的亮度分量進行增強.由于本文提出的邊緣檢測算法得到