课程设计--彩色滤波阵列图像去噪

1、课程设计报告设计题目： Bayer型彩色滤波阵列图像去噪学 院： 电子工程学院 专 业： 智能科学与技术 班 级： 学 号： 姓 名： 电子邮件： 日 期： 成 绩： 指导教师： 王桂婷 简介Bayer阵列彩色滤波图像如今在生产生活中十分常见。现在主流的数码相机传感器都使用了Bayer阵列作为彩色滤镜的传感器。与普通RGB图像不同，Bayer整列彩色滤波图像在记录图像信息时每个像素点并不保留全部RGB信息，而是保留RGB中其中一个通道的信息，然后通过相邻像素点插值计算出其他两个通道的值。同时受制于半导体芯片工艺和电阻发热等原因，现代数码相机拍摄的照片都不可避免地带有或多或少的的噪声，因此对于B

2、ayer阵列彩色滤波图像的去噪也成为图像研究的一个热点。由于Bayer阵列彩色滤波图像与传统RGB图像信息记录的方式的不同，对图像去噪也提出了新的要求和挑战。本文便是针对此问题进行了学习和实验。1.相关背景1.彩色数字图像的储存数字图像是二维图像用有限数字数值像素的表示。由数组或矩阵表示，其光照位置和强度都是离散的。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。存储数字图像即存储一个数字矩阵，矩阵的每一个值保留一个像素点信息。与灰度图像不同的是，彩色数字图像的一个像素点不是包含单一的灰度值，而是需要保存RGB三个通道信息，每一个通道信息和灰度

3、值类似，通常也是采用一个二进制编码来表示。2.Bayer阵列Bayer阵列是实现现代数字相机传感器拍摄彩色图像的主要技术之一。对于彩色图像，需要采集rgb三种颜色，最基本的方法就是用滤镜的方法。红色波长的光可以透过红色滤镜，绿色波长的光可以透过绿色滤镜，蓝色波长的光可以透过蓝色滤镜。按这种方法采集rgb三个基本色，需要三块滤镜，但由于工艺和成本的限制难以实现。但如果使用bayer阵列就能很好的解决这个问题。bayer阵列图片在一块滤镜上设置的不同的颜色，通过分析人眼对颜色的感知发现，人眼对绿色比较敏感，所以一般bayer格式的图片绿色格式的像素是是r和g像素的和。Bayer阵列通常是一个4&#

4、215;4阵列，由8个绿色、4个蓝色和4个红色像素组成，在将灰度图形转换为彩色图片时会以2×2矩阵进行9次运算，最后生成一幅彩色图形。采用这种技术的传感器实际每个像素仅有一种颜色信息，需要利用反马赛克算法进行插值计算，最终获得一张图像。图1.Bayer阵列示意图3.数字图像去噪图像去噪技术随着多年的发展已经成为图像复原技术中重要的一部分了。数字图像中，噪声主要来源于图像获取和传输过程，常见的图像噪声包括高斯噪声、伽玛噪声、指数噪声和椒盐噪声等针对各种噪声，目前已经发展出多种去噪方法，包括高斯滤波器、均值滤波器、中值滤波器及小波去噪等等。其中尤为常用的有算数均值滤波器和中值滤波器等。算

5、数均值滤波器可以简单描述如下：用S来表示中心点（x,y）的一个图像邻域，算数均值滤波器计算S区域内被污染图像g(x,y)的平均值，即用S区域内像素点的值来计算出的算术均值。中值滤波器则可以简单描述如下：中值滤波器同样需要选定一个待去噪点的邻域S，然后在这个邻域中寻找灰度级或者某一色彩通道的灰度级的中值来代替被污染的像素点的值，故名为中值滤波器。但由于Bayer阵列图像是通过反马赛克算法还原的一种彩色图像，直接使用这些滤波器的效果可能会有一些折扣，因此需要改进的图像去噪方法。2.方法描述由于Bayer阵列滤波图像特殊的插值还原算法，传统的几种通过邻域去噪的方法在Bayer阵列图像上并不适用，因此

6、需要对他们进行改进。我在本实验中选取了中值滤波方法作为改进算法的原型，设想了一种适用于Bayer阵列滤波图像的去噪方法。为了可靠性起见，减少噪声的二次污染，我们应该选取非插值数值作为去噪的参考邻域点，即每次使用中值滤波时应使用与待去噪的点相同通道的点作为中值滤波操作时的邻域点。图2.常见Bayer阵列从图2中我们可以看到，相邻的像素点都不是同色彩通道的，因此常见的3×3或者5×5方形中值滤波窗口都不可用。但当我们选取一个5×5的窗口时，取其中特定位置的8个点可以和中心组成一个3×3的同色彩通道的中值滤波窗口。如图2所示，我们以红色通道距离说明。当要对图中

7、点5进行去噪时，选取以点1、3、7、9为顶点的5×5窗口，其中点1到9均为红色通道像素点。这样点1到9即可组成一个由红通道点构成的3×3窗口。然后对这个新的3×3的窗口进行中值滤波的操作，即使用窗口中原始通道的灰度级的中值来代替待去噪点的该通道的灰度级。即：g（x,y）=medf(x-k,y-l),(k,lW) ；其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为操作窗口为了方便起见我们可以直接将一幅Bayer阵列彩色滤波图像分为RGB单个单通道图像。依照上述的方法对三个色彩通道分别进行中值滤波后再将去噪后的三个单通道图像进行合成即可得到去噪后的Ba

8、yer阵列彩色滤波图像。这样去噪后的到的图像在理论上效果要远好于用传统方法直接在一幅Bayer阵列彩色滤波图像上进行去噪操作的图像。这是因为其避免了原来插值操作时带来的噪点对相应插值点的污染问题。相应的这种思想也可以用于改进算术均值滤波器等去噪方法。使用算术均值滤波时只需将改进的中值滤波方法中待去噪点的值由g（x,y）=medf(x-k,y-l),(k,lW)；改为g（x,y）= avgf(x-k,y-l),(k,lW)；具体使用时可以针对不同的噪音选取效果最好的去噪方法，以期得到最好的去噪效果。在下文中这两种去噪方法分别称为改进的中值滤波器和改进的算术均值滤波器。3.实验模拟为了测试改进的去

9、噪算法在Bayer阵列彩色滤波图像中的去噪效果我进行了一次实验。我选用了自己使用索尼A6000相机在校园内拍摄的照片作为测试图像。索尼A6000相机使用的是带有Bayer滤镜的CMOS传感器，因此获取的是Bayer阵列彩色滤波图像。由于原RAW图像不易于处理，将其转化为无损格式的tif图像进行实验。实验源代码可参见附录。实验原图片可见附录。图3压缩后的实验图像实验中首先读取图像，为了使效果更明显，我使用matlab内置imnoise函数为图像添加了椒盐（脉冲）噪声，噪声密度为0.02。如图4（大图见附录，下同）所示。选取椒盐（脉冲）噪声的原因是这是CMOS传感器在获取图像时比较容易产生的一种噪

10、声之一，选用它可以更好的模拟现实情况。图4 受噪声污染的图像然后将被噪声污染的图像分为三个通道，然后使用改进的中值滤波器对三个单通道图像进行去噪（实验中默认Bayer阵列排列方式如前文图片所示，最左上角为红色）。这里选用改进的中值滤波器是因为在灰度图像中中值滤波器对椒盐噪声的去噪效果是最好的，如果是高斯噪音或者是均匀随机噪声等可以考虑改进的算术均值滤波器。最后将获取的三个去噪后的单通道图像进行合成，还原出去噪后的Bayer阵列彩色滤波图像。去噪效果可以参见图5。图5 去噪还原的图像 图6 去噪还原图像与被污染的图像和原图像的对比实验过程中测试照片的改变如图6所示，可以看出，大量噪声被去除，而且

11、图像细节保留完好，还原出的图像和在添加椒盐噪声污染前的图像基本一致。图7 二次去噪后效果对比图当然，如果对去噪效果有更高的要求可以对三个滤波还原后单通道进一步进行去噪，基本可以完全去掉噪声，但图像细节也会受到损失。如图7所示，图像噪声几乎完全去除，但图像的锐度稍微下降了。具体应用时可以根据需求是保留更多的图像细节还是追求更好的图像效果来对两种方法进行选择。4.结论通过算法研究和实验可以得知，虽然Bayer阵列彩色滤波图像有着和普通RGB图像不同的特点，但通过对Bayer阵列的理解和分析，可以从Bayer阵列的结构入手，对现有的去噪算法进行针对性改进，并将其应用于Baye阵列彩色滤波图像去噪且取

12、得良好的效果。参考文献1 R.C.Gonzalez R.E.Woods 数字图像处理2王焱 彭慧玲 马勇 一种彩色图像去噪的方法 微计算机信息 20103金杰 董峰 危峻 一种Bayer图像的插值和去噪方法 Science Technology and Engineering 2014,14(21)附录实验源代码：%本实验中默认右上角像素点为R通道figure(1);M=imread('DSC02698.tif') %读取原图像 P1=imnoise(M,'salt & pepper',0.02) %加入椒盐躁声subplot(2,2,1);imshow

13、(P1) %加入椒盐躁声后显示图像 title('被椒盐噪声污染的图像')R=P1(:,:,1); %R通道RL=R(1:2:end,:); %选取奇数行构成新图片RLRN=RL(:,2:2:end); %选取RL中偶数列构成红色通道像素点图片subplot(2,2,2);figure(1);imshow(RN);title('被污染R通道');G=P1(:,:,2);GL=G(1:2:end,:); GN=GL(:,1:2:end); %构成选取绿色通道像素点图片GL2=G(2:2:end,:)GN2=GL2(:,1:2:end) %对比R通道和B道，G通道像

14、素多一倍，因此要进行两次操作subplot(2,2,3)figure(1);imshow(GN);title('被污染G通道');B=P1(:,:,3);BL=B(2:2:end,:);BN=BL(:,2:2:end), %构成选取蓝色通道像素点图片subplot(2,2,4)figure(1);imshow(BN);title('被污染B通道');figure(2);R2=medfilt2(RN)R(1:2:end,2:2:end)=R2 %去噪点赋值到原R通道图像上还原尺寸%R=medfilt2(R) subplot(2,2,1)imshow(R)title

15、('R通道去噪')G21=medfilt2(GN) G(1:2:end,1:2:end)=G21 %去噪点赋值到原G通道图像上还原尺寸G22=medfilt2(GN2)G(2:2:end,1:2:end)=G22 %G=medfilt2(G) subplot(2,2,2)figure(2);imshow(G)title('G通道去噪')B2=medfilt2(BN) B(2:2:end,2:2:end)=B2 %去噪点赋值到原B通道图像上还原尺寸%B=medfilt2(B) subplot(2,2,3)figure(2);imshow(B)title('B通道去噪')O(:,:,1)=R;O(:,:,2)=G;O(:,:,3)=B;subplot(2,2,4)figure(2);im