一种X射线图像白点噪声去除算法

2018-09-12 07:30陈海进陈伟
现代电子技术 2018年18期
关键词:图像去噪图像增强像素点

陈海进 陈伟

摘 要: 针对X射线拍摄所获低照度图像中存在随机分布的白点噪声的问题,提出一种X射线图像白点噪声去除算法。此算法对X射线拍摄所获得的低照度图像进行处理,首先,通过该灰度图像直方图自动确定灰度图像的阈值;其次,根据所得阈值判断滤波窗口中心点是否为噪声像素点;最后,对滤波窗口下已经确定的噪声像素点进行处理并对去噪后的图像进行增强。实验结果表明,使用所提算法进行去噪所获得的图像细节更加清楚并且成功去除白点噪声。

关键词: X射线拍摄; 图像去噪; 低照度图像; 图像增强; 白点噪声; 像素点

中图分类号: TN911.73?34; TP751.1 文献标识码: A 文章编号: 1004?373X(2018)18?0096?03

An algorithm for removing white spot noise in X?ray images

CHEN Haijin, CHEN Wei

(School of Electronic Information, Nantong University, Nantong 226019, China)

Abstract: In allusion to the problem that the low illumination images obtained by X?ray photographing contain randomly?distributed white spot noise, an algorithm for removing white spot noise in X?ray images is proposed to process the low illumination images obtained by X?ray photographing. The threshold of the gray image is automatically determined by using the gray image histogram. The obtained threshold is used to judge whether the center point of the filtering window is the noise pixel point. The already determined noise pixel points in the filtering window are processed, and the denoised images are enhanced. The experimental results show that the images denoised by the proposed algorithm have clearer details, and their white spot noise can be successfully removed.

Keywords: X?ray photographing; image denoising; low illumination image; image enhancement; white spot noise; pixel point

0 引 言

近年来,随着电子技术和计算机技术的飞速发展,X射线成像技术进入全新的发展阶段,人们可以利用X射线获取更丰富、更可靠、更直观的信息。便携式X光机拥有独特的优点从而被广泛运用,例如完全利用充电电池进行工作,体积小、重量轻、功耗小、易于防护并且可以节约成本,通过计算机即可实现对整个系统的自动控制,实时显示所获得的X射线透视图像,从而便于操作者进行现场操作和及时判断[1]。

本算法使用的低照度图像是通过X光机与摄像机共同形成。在系统成像过程中由于X射线反射到镜头,必然会对摄像机捕捉到的图像产生严重的影响,白点噪声就是其中一种。因此,必须对该图像进行去噪处理,从而提高图像质量以满足工作需要。为了解决图像去噪问题,学者们提出了许多改进方法,如数字图像脉冲噪声抑制的新型中值滤波[2],快速高效去除图像椒盐噪声的均值滤波算法[3],自适应滤波窗实现距离加权图像椒盐噪声滤除[4],基于稀疏表示和梯度直方图的图像去噪[5],一种改进的小波阈值去噪方法[6]等。为了解决X射线图像中存在白点噪声的问题,本文提出一种X射线图像白点噪声去除算法:确定图像的动态阈值,将滤波窗口下邻域噪声像素点中灰度值小于阈值的像素点归纳进一个集合,对集合内邻域噪声像素点的灰度值求均值,运用该均值对滤波窗口下噪声像素点进行处理。整个算法噪声去除能力较强,计算量较小,实用性较强。

1 X射线图像的白点噪声去除算法

本文算法根据如下几个步骤对像素为12 bit、大小为M×N的灰度图像进行处理。本文算法针对图像中单个滤波窗口下噪声像素点处理流程图如图1所示。

1.1 算法步骤

1) 确定灰度图像的动态阈值Tg。摄像机所获取的原始图像为12 bit,将其转换成16 bit并将其高四位置0,所以本算法使用的图像灰度值范围是0~4 095。根据该灰度图像直方图统计,将图像灰度值从4 095向下递减统计出图像在各个灰度值的像素点个数,将第一次出现统计个数大于50的像素点灰度值确定为动态阈值Tg,即:

[Tg=fx,y, grayfx,y≥50] (1)

式中:f(x,y)是在点(x,y)处像素点灰度值;gray[f(x,y)]是图像中灰度值为f(x,y)的像素点个数。

2) 确定滤波窗口下的噪声像素点。本算法将滤波窗口大小W设置为3×3,对滤波窗口中心像素点灰度值进行判断,当中心像素点灰度值小于或等于阈值Tg时,将中心像素点确定为非噪声像素点;当中心像素点灰度值大于阈值Tg时,将此中心像素点确定为噪声像素点,通过遍历整幅图像可以确定出图像中的所有噪声像素点。

3) 滤波窗口下噪声像素点的处理。本算法只对步骤2)中所确定的噪声像素点进行处理,将滤波窗口下除中心点外的其他像素点确定为邻域噪声像素点。通过滤波窗口下所有邻域噪声像素点灰度值与动态阈值Tg比较,当邻域噪声像素点灰度值都大于或等于动态阈值Tg时,将动态阈值Tg赋值给噪声像素点的灰度值;当邻域噪声像素点中存在灰度值小于动态阈值Tg时,将邻域噪声像素点中所有灰度值小于动态阈值Tg的像素点构成一个集合,对集合内的像素点灰度值求均值并将所求均值赋值给噪声像素点灰度值,即:

[noise_center=Tg, near_centeri≥Tg,i=0,1,2,…,7average, 其他] (2)

式中:[near_centeri]为滤波窗口下依次排列的邻域噪声像素点灰度值;[noise_center]为滤波窗口下中心像素点灰度值;average为集合内像素点灰度值所求均值。

4) 整幅图像中噪声像素点的处理。重复步骤2)与步骤3)所进行的操作,直到完成整幅图像中所有噪声像素点的滤波处理,最终获得去噪后的图像。

1.2 算法分析

本文算法的第一步是确定灰度图像的动态阈值Tg,从图像的最大灰度值开始往下统计,只需要对图像中很少一部分像素点灰度值进行判断从而减少了计算量;第二步确定滤波窗口中心点是否为噪声像素点;第三步是对第二步所确定的噪声像素点进行处理,将集合内邻域噪声像素点灰度值的均值作为输出,并没有对滤波窗口下像素点灰度值排序。本算法只对滤波窗口中已经确定为噪声像素点的中心点进行处理,进一步减少了计算量,使得图像的白点噪声去除更为高效。

2 分段映射的图像增强算法

为了便于观察本算法的去噪效果,需要对去噪之后的X射线图像进行增强[7?8]。常用的增强方法有直方图均衡[9]、分段线性变换[10]、对比度增强[11]等。本文采用分段映射算法进行图像增强,根据图像直方图自动确定阈值从而对图像灰度值进行分段,再对不同的分段采用不同的方法統计各个灰度值的像素点个数,最后对图像中像素点灰度值进行映射。设图像增强前灰度值为f(x,y),图像增强后灰度值为g(x,y)。

算法步骤如下:

1) 确定灰度图像的动态阈值T1,T2。根据该图像直方图可知,灰度值从0~4 095向上递增统计图像在每个灰度值的像素点个数,将第一次出现统计个数大于30的像素点灰度值确定为动态阈值[T1]。动态阈值[T2]的确定方法与前面白点噪声去除算法中确定阈值Tg方法相同:

[T1=fx,y, grayfx,y≥30] (3)

[T2=Tg] (4)

式中:f(x,y)是像素点(x,y)处的灰度值;gray[f(x,y)]是统计图像中灰度值f(x,y)的像素点个数。

2) 统计灰度图像映射前不同灰度级的像素点个数。根据步骤1)所获得的阈值[T1]与[T2]将图像灰度值分为三部分,分别计算每一部分里不同灰度级的像素点个数,然后再计算整幅图像映射前灰度级个数,即:

[gray_bfx,y=0, 0

[gray_bfx,y=4 096×gray_bfx,ygray_bT2,T1

式中,[gray_bfx,y]是用于图像映射而统计的灰度值[fx,y]处像素点个数。

3) 确定图像映射后像素点灰度值。遍历整幅图像计算出图像各个像素点的灰度值,即:

[gx,y=gray_bfx,y×16] (7)

3 实验结果与分析

实验通过X光机对电路板进行拍摄,选择拍摄获取的图像作为测试图像。将去噪前的增强图像、去噪后的增强图像进行对比,对比结果如图2所示。

为了证明本算法的有效性,除了图像的主观效果外还可以有一种客观评价方法,将传统的中值滤波算法与本算法进行对比,并采用常用的图像相似度测量参数均方误差(MSE)、峰值信噪比(PSNR)和信噪比(SNR)来衡量算法去除噪声的能力。均方误差MSE的计算公式为:

[MSE=1M×Ni=0M-1j=0N-1Ii,j-Ki,j2] (8)

式中:I为原图像灰度值;K为处理后图像灰度值。峰值信噪比PSNR的计算公式:

[PSNR=10lg2n-12MSE] (9)

式中,n为像素点的比特数,本算法中为16 bit。信噪比SNR的计算公式:

[SNR=10lgδ2MSE] (10)

式中,[δ2=1M×Ni=0N-1j=0M-1X-X2],[X]为原图像灰度值均值。

测试结果如表1所示。可以看出:本算法的MSE小于中值滤波的MSE,在PSNR和SNR两方面,本算法都要比中值滤波大。综上所述,本文算法对于X射线图像中的白点噪声具有更好的去噪效果,较传统的中值滤波有更好的性能。

4 结 语

针对X射线低照度图像存在白点噪声的情况,提出一种X射线图像的白点噪声去除算法,通过MSE,PSNR,SNR三种评价标准对比分析了中值滤波与本算法的去噪效果。实验结果表明,本算法能够有效地去除低照度图像中的白点噪声,保留图像的细节。

参考文献

[1] 阮林波,郭明安,冯兵,等.便携式脉冲X射线成像系统研究[J].光学技术,2003,29(6):747?748.

RUAN Linbo, GUO Mingan, FENG Bing, et al. Design of portable?pulsed X?ray imaging system [J]. Optical technique, 2003, 29(6): 747?748.

[2] HANJI G, LATTE M V. A novel mean median filter for noise and artifacts suppression from digital images [J]. International journal of computer applications, 2014, 114(17): 20?26.

[3] 何海明,齐冬莲,张国月,等.快速高效去除图像椒盐噪声的均值滤波算法[J].激光与红外,2014,44(4):469?472.

HE Haiming, QI Donglian, ZHANG Guoyue, et al. Fast and efficient mean filtering algorithm for removing the salt and pepper noise [J]. Laser & infrared, 2014, 44(4): 469?472.

[4] 林亚明,李佐勇,林叶郁,等.自适应滤波窗实现距离加权图像椒盐噪声滤除[J].中国图象图形学报,2015,20(8):1008?1016.

LIN Yaming, LI Zuoyong, LIN Yeyu, et al. Distance?weighted approach based on self?adaptive windows to remove salt and pepper noise in images [J]. Journal of image and graphics, 2015, 20(8): 1008?1016.

[5] ZHANG M, DESROSIERS C. Image denoising based on sparse representation and gradient histogram [J]. IET image processing, 2017, 11(1): 54?63.

[6] 韩子扬,杜利明,王鑫,等.一种改进的小波阈值去噪方法[J].现代电子技术,2016,39(17):20?22.

HAN Ziyang, DU Liming, WANG Xin, et al. An improved wavelet threshold denoising method [J]. Modern electronics technique, 2016, 39(17): 20?22.

[7] 阮秋琦.数字图像处理学[M].3版.北京:电子工业出版社,2013.

RUAN Qiuqi. Digital image processing [M]. 3rd ed. Beijing: Publishing House of Electronics Industry, 2013.

[8] 郑林涛,董永生,史恒亮.一种新型X射线安检图像增强算法[J].科学技术与工程,2014,14(23):252?256.

ZHENG Lintao, DONG Yongsheng, SHI Hengliang. A new enhancement algorithm of X?ray security inspection images [J]. Science technology and engineering, 2014, 14(23): 252?256.

[9] 李乐鹏,孙水发,夏冲,等.直方图均衡技术综述[J].计算机系统应用,2014,23(3):1?8.

LI Lepeng, SUN Shuifa, XIA Chong, et al. Survey of histogram equalization technology [J]. Computer systems & applications, 2014, 23(3): 1?8.

[10] 陈明亮,陈成新,古建平.一种基于直方图的自适应分段线性变换法[J].国外电子测量技术,2015,34(2):36?38.

CHEN Mingliang, CHEN Chengxin, GU Jianping. Adaptive piecewise linear transform method based on histogram [J]. Foreign electronic measurement technology, 2015, 34(2): 36?38.

[11] KIM D, KIM C. Contrast enhancement using combined 1D and 2D histogram?based techniques [J]. IEEE signal processing letters, 2017, 24(6): 804?808.

猜你喜欢
图像去噪图像增强像素点
图像增强技术在超跨声叶栅纹影试验中的应用
水下视觉SLAM图像增强研究
虚拟内窥镜图像增强膝关节镜手术导航系统
基于5×5邻域像素点相关性的划痕修复算法
基于canvas的前端数据加密
基于图像增强的无人机侦察图像去雾方法
基于逐像素点深度卷积网络分割模型的上皮和间质组织分割
基于字典学习和结构聚类的图像去噪算法研究
基于NSCT改进核函数的非局部均值图像去噪
基于非局部平均滤波的MRI去噪算法研究