董璇 王婷婷 賈夢華 馬宏亮 查申龍 張啟磊

摘 要：激光光斑圖像是用來評價激光光束質(zhì)量的重要依據(jù)，在光電信息轉(zhuǎn)換處理中有著較為重要的應(yīng)用。為進一步優(yōu)化激光光斑圖像的信噪比，提出了一種激光光斑圖像的去噪算法，通過雙向加權(quán)的維納濾波，改善了獲取的激光光斑圖像的信噪比。和加權(quán)中值濾波，維納濾波相比，在圖像峰值信噪比、信息熵值和結(jié)構(gòu)相似度都取得了一定程度的增益。算法可以進一步清晰光斑圖像，從而能夠使激光探測的后續(xù)分析更加準確。

關(guān)鍵詞：圖像去噪;光斑圖像;光電轉(zhuǎn)換;激光探測

中圖分類號：TB 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2019.27.100

1 引言

激光探測系統(tǒng)一般通過將激光信號變化成電信號，并通過不同的信息處理方法來獲取不同的信息來實現(xiàn)探測目的，在偵察、測距及湍流探測等方面都有著較為廣泛的應(yīng)用。在所屬光電轉(zhuǎn)換過程中，使用紅外相機對合適波長的激光光斑成像，由于光電探測器輸出的電信號幅度正比于接收的光功率，這樣就可以直觀分析激光光斑的能量分布情況。文獻[1]指出激光在通信過程中會不可避免地受到外在因素如大氣的影響，獲取的光斑圖像質(zhì)量會受到散粒噪聲和椒鹽噪聲的干擾，進而影響激光探測系統(tǒng)的分辨率，從而研究激光光斑圖像的清晰化處理就有著十分重要的現(xiàn)實意義和應(yīng)用價值。針對散?；蚪符}噪聲的濾波算法，通常采用傳統(tǒng)的中值濾波算法和小波域的維納濾波，傳統(tǒng)中值濾波算法能夠有效去除圖像中的椒鹽噪聲污染，但對于光斑圖像中整體信噪比的改善尚有不足，而小波域的維納濾波，通過將光斑圖像變換到頻域上，對其中的低頻部分進行維納濾波再重構(gòu)回時域，該方法計算較為復(fù)雜，且在進行時域與頻域的相互轉(zhuǎn)化時也會造成圖像質(zhì)量的損失。對于被高密度椒鹽噪聲污染的圖像，江提出了多方向搜索非噪聲像素，并以距離為約束來估算噪聲的輸出灰度值的方法，但考慮實際激光光斑圖像中椒鹽和散粒噪聲污染的密度一般不超過10%，該算法并不能完全普適。為了保持圖像中的細節(jié)特征，文獻[5]提出了自適應(yīng)反距離加權(quán)算法來濾除椒鹽噪聲，通過計算待處理圖像椒鹽噪聲密度，自適應(yīng)選擇反距離加權(quán)的權(quán)值系數(shù).最后將圖像噪聲點處的值替換成反距離加權(quán)的插值，能夠改善圖像視覺效果。對于散粒噪聲的研究多見于光譜圖像中，常視散粒噪聲為強光譜異常，通過異常檢測和光譜歸一化來去除，但該方法無法實時有效應(yīng)用于激光光斑圖像中。

本文針對激光光斑圖像中常見的隨機漲落的散粒噪聲，使用雙向加權(quán)的維納濾波算法，可以優(yōu)化對噪聲的估算，從而進一步提高去噪的性能。

2 算法設(shè)計分析

2.1 激光光斑圖像特性

分析激光光斑的圖像特性具有十分重要的現(xiàn)實意義和應(yīng)用價值，如激光光斑的聚焦直徑在一定程度上決定了激光的功率密度和加工范圍，激光光斑圖像的灰度分布情況也說明了激光功率在空間的強弱呈現(xiàn)。由于激光器件加工簡陋導(dǎo)致光斑發(fā)散進而難以準確聚焦，再考慮實際過程中噪聲的干擾，最終輸出的激光光束往往不能呈現(xiàn)規(guī)則的高斯分布。圖1反映了使用光場相機獲取532nm激光發(fā)射的激光光斑圖像效果圖，可以看出圖像中心的能量分布較大而四周的能量分布小，大體表現(xiàn)出類高斯分布的情況。

2.2 光斑圖像的噪聲矯正分析

光斑圖像的灰度矩陣與實際光強能量分布有著對應(yīng)關(guān)系。在無噪聲干擾的光斑圖像中，每點的灰度值都與其鄰域附近的灰度值較接近。對于圖像中混入的隨機漲落的散粒噪聲，采用傳統(tǒng)中值可以較好去除雙極或接近雙極部分的噪聲，但對于整體噪聲的去除效果往往不明顯，而加權(quán)中值濾波可以進一步優(yōu)化圖像的信噪比，增進灰度值的梯度分布。維納濾波是一種基于最小均方誤差準則的濾波方式，其核心是使得輸出與期望輸出之間的均方誤差為最小，在被平穩(wěn)噪聲污染的信號中較常使用，但考慮噪聲的隨機性，被污染的灰度值也具有隨機漲落的特性，通過雙向加權(quán)的維納濾波能夠進一步優(yōu)化對噪聲的估算，從而獲得更優(yōu)的去噪后的圖像。

2.3 算法描述

提出的雙向加權(quán)的維納濾波算法的操作步驟可以描述為：

（1）選取原始圖像I中5*5的待處理模板區(qū)域，遍歷圖像中可能的像素，對原始圖像進行維納濾波處理，記為J1;

（2）對原始圖像進行取反操作后，再次進行維納濾波處理，并對濾波后的結(jié)果再次取反，記為J2;

（3）對J1和J2進行平均加權(quán)，得到最終的濾波圖像J。

3 實驗仿真與結(jié)果分析

選取一幅紅外相機獲取的532nm激光光斑圖像，定義為原始含噪圖像，使用不同濾波算法進行處理：第一列為去噪前的激光光斑圖像。第二列為加權(quán)中值濾波處理后的效果，算法可以較好去除雙極脈沖噪聲，但卻無法很好地徹底去除所有散粒噪聲。第三列為傳統(tǒng)維納濾波處理后的效果，算法優(yōu)化了對噪聲的估算，能夠最小化與期望輸出之間的均方誤差，對混合噪聲的去除有著一定的優(yōu)勢。第四列為本文算法處理的效果，通過正反雙向的維納濾波算法，能夠更為準確的估算噪聲灰度值，結(jié)合效果圖可以看出濾波算法具有更為清晰的細節(jié)信息特征和更優(yōu)的對比度。

為了進一步對比本文算法的去噪效果，人為在原始含噪圖像中添加散粒噪聲，控制污染程度為全體像素的25%，可以從第一列中圖像的變化看出噪聲的污染情況。同時也可看出，隨著圖像被散粒噪聲污染程度的加深，本文算法雖然在濾波時保有較高的峰值信噪比，去噪優(yōu)勢也在降低。

再使用圖像峰值信噪比、信息熵值和結(jié)構(gòu)相似度來定量比較不同算法的去噪效果。峰值信噪比是常見的用來評價濾波效果的參數(shù)指標，表示的是信號最大可能幅值與影響它的表示精度的破壞性噪聲幅值的比值，一般由均方誤差來定義，用以10為底的對數(shù)分貝單位表示。信息熵值可由香公式給出，可以用來表達圖像清晰化處理后所含的信息量。圖像的結(jié)構(gòu)相似度可以反映濾波前后兩幅圖像的相似度指標，需要明確去噪后的圖像不能與原圖存在相似性上的較大差異。統(tǒng)計結(jié)果如表1所示，可以看出雙向維納濾波能夠使得噪聲的估算更為真實，具有較優(yōu)的去噪效果，但隨著噪聲污染程度的加大，去噪的效果也逐漸不明顯。

就實際算法復(fù)雜度而言，雙向維納濾波只是增加了一次濾波計算和加權(quán)操作，對于像素350×350的數(shù)字圖像的運算時間不超過200ms，改進的算法并未增加較多計算復(fù)雜度和計算耗時，能夠適用一般電子類消費產(chǎn)品的需求。

4 結(jié)束語

所提圖像去噪算法，通過雙向加權(quán)的維納濾波能夠進一步優(yōu)化圖像的信噪比，較好清晰激光光斑圖像，進而準確分析激光的能量分布和離焦情況，從而可以使激光探測的后續(xù)分析更為準確。算法主要強化了對噪聲像素輸出灰度值的估算，會不可避免地降低濾波后圖像與原始圖像間的相似程度，需要在后續(xù)研究中進一步精進。

參考文獻

[1]張紹堂，唐金文，杜衡吉.動態(tài)激光光斑污染圖像快速去噪系統(tǒng)設(shè)計[J].現(xiàn)代電子技術(shù)，2018，41（21）：63-66.

[2]Gonzalez Rafael C，Woods Richard E.數(shù)字圖像處理[M].阮秋琦，阮宇智，等譯.第三版.北京：電子工業(yè)出版社，2011：196-203.

[3]王振東，桂宇琛，孫威，等.基于多方向加權(quán)的小波域維納濾波改進算法[J].西華師范大學(xué)學(xué)報（自然科學(xué)版），2017，38（02）：222-226.

[4]江巨浪，章瀚，朱柱，等.高密度椒鹽噪聲的多方向加權(quán)均值濾波[J].計算機工程與應(yīng)用，2016，52（6）：204-208.

[5]周沖，張鵬程，劉歡，等.自適應(yīng)反距離加權(quán)法濾除椒鹽噪聲[J].中北大學(xué)學(xué)報（自然科學(xué)版），2019（04）：372-377.

[6]劉春國.Landsat-5 TM圖像散粒噪聲去除方法研究[J].河南理工大學(xué)學(xué)報（自然科學(xué)版），2018，37（01）：68-72.

[7]劉春國.Landsat MSS和TM多光譜圖像散粒噪聲的去除方法[J].測繪科學(xué)，2018，43（11）：97-102.