基于能量异常点检测的条纹干扰去除算法

徐道磊 昆明船舶设备研究试验中心 昆明 650051

黄 茜 华南理工大学电子与信息学院广州 510641

【文章摘要】

视频信号采集设备直接获取的图像常伴有条纹干扰噪声，严重退化视频图像质量，不利于后续的信号分析和识别。考虑条纹干扰噪声的多样性，文中以工业无损检测系统为实验平台，针对具有空域条纹干扰的图像噪声提出一种新的频域滤除算法。首先分析条纹特征，引出条纹干扰的频域去除方法；然后基于条纹信号的频域特征，称其所对应的频率成份为能量异常点，并引入能量异常可信度定量描述；最后提出检测出条纹信号所对应的频率成份的算法，运用频域滤波去除条纹干扰成份。经过测验，我们得到结论通过文中的计算方法可以很好地将条纹的干扰消除，而且不会出现其它的负面影响。

【关键词】

视频信号；条纹干扰；能量异常点；频域滤波

视频信号被广泛应用于各种领域，例如家用电视、安防监控系统、工业无损检测系统和水下电视监控系统等。视频信号是以图像帧为基本单元，由于受到系统本身因素和周围环境的影响，例如工业无损检测系统是将光、电、气集中在一块儿的比较复杂的机械仪器，水底监控体系具备人脑想象不出的运转条件，系统视频信号传输线的抗干扰能力等，难免会对视频信号产生电磁干扰，在图像单元上表现为条纹干扰噪声，图片的好坏直接影响着视屏信号的质量好坏，所以消除条纹干扰噪声，改善图像质量是一个应用意义较强的课题。

条纹干扰的去除分软硬件两方面考虑。硬件去除方法主要是寻找条纹干扰噪声的源头，通过电磁屏蔽、接地处理、抗干扰器滤波或更换故障设备等方法去除条纹干扰噪声；软件去除方法是通过图像处理算法去除图像中的条纹。图像处理方法又有空域处理和变换域处理两类。其中空域处理法一般基于受干扰图像与标准图像之间的差异，在空域直接处理图像数据从而一定程度上去除条纹干扰噪声，例如辐射均衡化算法、矩匹配法、基于图像灰度直方图匹配法及其改进算法、基于边缘检测和线跟踪的条纹定位和修复算法等，但空域处理法可能出现一些残余条纹，并且会丢失与条纹噪声同能量的原始细节信息。变换域处理法是基于条纹干扰和图像真实信号在变换域里的表现形式不同，在变换域针对不同的成份进行取舍从而去除条纹干扰噪声，该方法对于周期性条纹干扰噪声的去除较为便捷有效。在变换域中，主要有傅里叶变换和小波变换，例如基于频域滤波的自适应条带噪声去除算法、基于频域滤波的THz 图像条纹噪声处理算法、小波反阈值方法、小波镜像正则反演滤波器抑制和去除条纹算法等，但傅里叶变换域处理法难以精确区分图像真实信号和条纹干扰噪声的频率成份，小波域处理法计算量较大不符合视频实时处理要求。此外，还有针对特定条纹产生机理而提出的去除方法，例如基于稳健统计的抗差估计滤波检测和去除静态图像中脉冲噪声引起的干扰条纹算法。条纹干扰情况各异，难以提出一种通用的方法进行去除，一般均是根据不同的条纹特点提出针对性的去除算法。文中将在工业无损测验体系中出现的那些条纹干扰噪声作为案例，提出了以能量不正常点测验的条纹干扰消除法。该算法通过分析条纹特征，在频域确定条纹干扰信号的频率成份，最后使用频域滤波的方法去除条纹噪声。实验结果表明，该算法能够在变换域准确提取出条纹干扰噪声所对应的频率成份，可有效去除图像条纹干扰噪声，改善图像帧的质量，从而得到可靠的视频信号。

1 条纹特征分析

将条纹干扰噪声图像由空域变换到频域如图1 所示，(a) 为受条纹干扰的图像单元，(b) 为其对应的频谱图。一般均是根据不同的条纹特点提出针对性的去除算法。文中将在工业无损测验体系中出现的那些条纹干扰噪声作为案例，提出了以能量不正常点测验的条纹干扰消除法。该算法通过分析条纹特征，在频域确定条纹干扰信号的频率成份，最后使用频域滤波的方法去除条纹噪声。由图(b) 可知，此类型干扰条纹包含多种不同周期的竖条纹。给定某一受干扰的视频信号应用系统，对于纹理细节信息较少的图像，如果无该类型条纹干扰噪声，且因受到其它类型噪声的影响，能量谱轴一般具有中心能量最高，向两侧伴随微量起伏呈递减趋势。画出频域横轴能量谱曲线如图2 所示。从图2 可以看出，去除该类型条纹干扰噪声关键在于如何精确提取出噪声对应的频率点。能量谱曲线图上的与条纹干扰噪音相互匹配的部分，它的能量最大。这些分布点具备下面几个特点：

(1) 条纹噪声分布点所对应的能量是特定范围内最大的；

(2) 在以条纹噪声频率分布处在中心位置的只占一小部分，因为有 脉冲信号，所以整体的变换福大比较大，差值的标准也很大。

(3) 在以条纹频率点为中心的局部邻域内，该频率点所对应的能量与周围其它值相比，表现出较强的脉冲性。根据上述三个特征，本文采用如下检测准则提取条纹干扰对应的频率成份：

(1) 进行邻域最值性判断。记为：

{ } 1 max , , , , , i i N i N i i N f f f f f − − + + =   (1)其中， i f 表示待检测频率点信号能量，N 表示局部邻域窗口半径大小。这里，我们通过不断地测验，得出结论是，在局部半径为5 的时候，才是最合适的。　　(2) 邻域标准差和脉冲性计算。局部邻域标准差值记为：( )22 1N

其中， i

σ i 为中心的局部范围内能量的标准差，i j F+ 表示频率是i + j的能量数，N 表示范围半径， m F 为范围内能量均值，计算公式为：

Σ (3)

为了定量表示能量脉冲性，带进局部范围能量脉冲可信值，采用的计算公式是：在这里， iρ表示频率i 所对应能量数的脉冲可信值， i j F+ 表示频率为i + j的能量数，N 表示范围半径，F 是范围内除去i F 以外的能量平均数。由式(2) 和式(4) 的计算仅为局部考虑，不具有全局性，因此为了使算法具有自适应性，虑整个能量谱曲线图的标准差值以及核心频率能量脉冲数值，对两个特点的向量加以统一化处理。把能量谱曲线图划归成两份，一个将中心频率作为范围核心，半径为的邻域，二是其余部分，中心频率能量脉冲量计算方法如下：

表示核心频率能量脉冲值，F 为剩余能量点的平均数，W 为能量谱曲线图的宽度，归一化公式为：，M 取值为W / 4。归一化公式为：min ( )max ( ) min ( )i i i

值越大，则能量异常可信度越高，其为条纹干扰噪声可能性越高。所以本文提出如下公式计算能量异常可信度：2 2 311 ( 1) ( 1) ii i σ ρΓ =+   − +  − (8)显然满足0 1 i ≤ Γ ≤ ，本文使用T = 0.8 作为可信度分界阈值，即如果i Γ ≥ T ，则该能量点可信为条纹干扰噪声频率成份。3 频域滤波去除条纹干扰成份在确定出条纹干扰噪声频率后，通过频域滤波即可去除条纹干扰噪声成份，滤波公式如下：G(u,v) = F(u,v)×H(u, v) (9)其中，G(u,v) 表示滤波后的频谱，F(u,v)表示滤波前的频谱，H(u,v)表示滤波器传递函数，本文采用如下滤波器：

其中， 0 u 和0 v 表示由上节确定出的条纹干扰噪声频率点。该滤波器可不同程度削弱特定频率成份附近的能量值。4 实验结果分析分别使用本文算法和文献[8] 的算法处理该类型条纹图像，结果如图3 所示，(a)为最初的条纹图片，(b) 和(c) 分别是文献[8] 与在文中使用的处理方法下得到的结论算法处理结果。文献[8] 是首先确定出包含有条纹成份的频带，求出频带内的能量累积曲线后，所以文献[8] 中提到的方法虽然有作用，但是有可能会引出一些残余条带，使用曲线拟合法得出高低频率的划分点，将所有的高频数据归为零。曲线拟合的准确率比较高可以很好地找到频率，而且能够将所有的高频数据消除，让图像质量更加好。相比较而言，文中提到__的方法可以很好地确定噪声的组成分子，同时也不会促成细节模糊的出现。

5 结论

鉴于视频信号应用系统中常遇到条纹干扰噪声的情况，本文以工业无损检测系统中所遇到的某一特定条纹干扰噪声为例，提出了一种新的条纹干扰噪声去除思想。首先分析条纹图像对应的频谱图，总结频谱图中条纹信号对应的频率点特征；引入了脉冲可信度定量描述频率点能量脉冲性，能量异常可信度定量描述条纹信号成份的可信度，并分别给出它们的数学计算方法，通过能量异常可信度的大小判断是否为条纹信号所对应的频率成份；而后运用频域滤波的方法去除条纹干扰。实验结果表明所提算法能够有效去除该类型条纹噪声。本文所提算法可以应用于含有该种类型条纹的不同视频信号应用系统中，对于去除其它类型条纹干扰噪声具有一定的参考价值。

【参考文献】

[1]Corsini G. , Diani M , Walzel T. .Striping removal in MOS-B data[J].IEEETransactions on Geoscience and RemoteSensing, 2000,38(3): 1439-1446.

[2]Gadallah F L , Csillag F , Smith E JM . Destriping Multisensor Imagery withMoment Matching[J]. Int. J. RemoteSensing, 2000, 21(12): 2505-2511.

[3]Horn B K P , Woodham R J .Destrping Landsat MSS Imagery byHistogram Modification[J]. ComputerGraphics and Image Processing, 1979,10: 69-83.

[4]Kautsky J , Nichols N K , Jupp DL B . Smoothed Histogram Modificationfor Image Processing[J]. Computer Visionand Image Process, 1984, 26: 271-291.

[5]Wegener M . Destriping MultipleSensor Imagery by Improved HistogramMatching[J]. Int. J. Remote Sensing,1999, 11(5): 859-875.

[6] 宋燕, 刘团结, 丁赤飚, 等. 一种直方图匹配和线性空间滤波相结合的条带噪声去除方法[J]. 测绘科学,2009,34(5):94-97.

[7]Fuan Tsai, Chen W W.Striping NoiseDetection and Correction of RemoteSensing Images[J]. IEEE Transactions onGeoscience and Remote Sensing, 2008,46(12): 4122-4131.

[8] 孙颖, 张志佳. 基于频域滤波的自适应条带噪声去除算法[J]. 仪表技术与传感器,2006, 2: 57-59.

[9] 邹圆圆, 葛庆平, 韩煜, 等. 基于频域滤波的THz 图像条纹噪声处理[J]. 计算机工程与应用, 2009,45(17): 241-243.

[10] 武楠. 王珩. 一种视频监控图像条纹噪声去除算法[J]. 电子设计工程, 2012, 20(9): 190-192.

[11] 陈涛, 李兵海. 基于小波变换去除遥感图像非高斯条纹噪音方法讨论[J]. 地质与勘测,2008, 44(1):94-96.

【作者简介】