陳天宇 張維忠

摘要： ?針對Realsense深度相機提取的深度圖像中背景噪聲和隨機噪聲對圖像分割及目標識別的影響，本文提出一種深度圖像分層結(jié)合小波閾值去噪的算法。根據(jù)深度圖像預估圖像的噪聲強度，確定層級間隔，將圖像進行分層，選擇需要去噪的圖層進行小波閾值去噪，將完成的分層圖像拼合成完整的深度圖像，最后選擇多幅深度圖像進行對比實驗。實驗結(jié)果表明，該算法可有效去除深度圖像中某一層級的背景噪聲及特定噪聲，保留了深度圖像的邊緣信息，具有良好的去噪效果。該研究在獲取深度圖像后的圖像分割、目標識別、圖像修復等方向具有一定的應用價值。

關(guān)鍵詞： ?深度圖像; 背景噪聲; 小波閾值去噪; 深度分層

中圖分類號： TP391.413; TN911.73 ?文獻標識碼： A

近年來，深度圖像在客流統(tǒng)計等許多領(lǐng)域廣泛應用，公交客流統(tǒng)計越來越成為智能公交系統(tǒng)不可或缺的重要組成部分。由于深度圖像可更好的觀察乘客的人體特征，因此客流統(tǒng)計大多采用深度相機采集信息。深度圖像是一種特殊的三維圖像，在人體特征檢測[13]、姿勢識別[46]、人臉識別[79]等領(lǐng)域應用較多，且在人體特征的動態(tài)跟蹤和捕捉方面表現(xiàn)優(yōu)良。但是目前大多數(shù)深度相機所得到的深度圖像受環(huán)境影響較大，其質(zhì)量不高，包含許多噪聲，容易影響目標檢測、目標點識別和目標跟蹤的準確率，所以現(xiàn)階段應對深度圖像進行去噪處理。劉繼忠等人[10]運用濾波器的方法進行深度圖像去噪，但在修復深度圖像的同時，也丟失許多圖像的邊緣信息;鄧文君等人[11]提出用濾波方法即用均值代替圖像中各個像素值以增強去燥的方法;吳倩等人[12]使用形態(tài)學提取出空洞部分，聯(lián)合彩色圖像填補空洞，指引濾波對圖像平滑去噪，但修復的同時會破壞一部分原來的深度值;王奎等人[1314]利用空域顏色匹配聯(lián)合背景修復，可以很好的填補圖像中的空洞，此方法在去除隨機噪聲方面效果并不理想;Wang X H等人[1516]利用深度學習提高深度質(zhì)量，以改進顯著性檢測;Chen F等人[17]借助圖像的稀疏特點，建立稀疏失真模型，通過此模型對深度圖像進行修復去噪，但此方法算法較復雜。為解決現(xiàn)階段深度圖像中一些噪聲去除不明顯，邊緣信息處理效果不好導致的深度圖像信息不清楚的問題，本文介紹了一種深度圖像分層結(jié)合小波閾值去噪的算法。根據(jù)噪聲強度確定深度圖像的層級間隔，并按照噪聲強度對深度圖像進行分層[18]。由于在實際問題中有的噪聲不影響目標識別和追蹤，因此需要處理的某一層級的深度圖像進行小波閾值[1923]去噪，最后將處理完的分層圖集組合成完整的深度圖像。該研究具有一定的實際應用價值。

1 深度圖像分層

1.1 預估深度圖像噪聲強度

3 實驗結(jié)果與分析

為檢測該算法的實際效果，本文選擇多幅深度圖像進行實驗，并通過實驗結(jié)果進行對比分析。去噪算法比較如圖2所示。

在本文提到的去噪算法中選擇2個參數(shù)，即奇異點歸一化參數(shù)δ和冗余深度值Hre，Hre=50 mm，δ取值以0.1為間隔從0.5到2.0，測試出效果較好的參數(shù)，然后再實驗Hre對去噪的影響，確定δ參數(shù)后，使Hre在0～500 mm范圍內(nèi)變化，選取合適的參數(shù)。通過比較3種算法的去噪結(jié)果可以看出，雙邊濾波算法去噪效果不明顯，圖像沒有得到明顯改善;分層去噪效果稍好一些，但目標內(nèi)部會存在一些空洞，且小塊噪聲去除不理想。本文提出的算法去噪結(jié)果較理想，大塊噪聲去除干凈，邊緣信息保留比較完整。

4 結(jié)束語

針對深度圖像背景噪聲和隨機噪聲等問題對目標識別及檢測產(chǎn)生的影響，本文介紹了一種深度分層結(jié)合小波閾值去噪算法，通過實驗對比，證明該算法能夠較好的去除深度圖像中的背景噪聲，去除效果明顯，邊緣信息保留完整，克服了在去噪過程中邊緣信息模糊及去噪空洞的問題。與其它去噪算法相比，本文提出的算法能更好的保留邊緣信息，針對性更強，對后續(xù)圖像分割、目標識別及目標檢測等研究起了關(guān)鍵作用。下一步的研究重點是結(jié)合彩色圖像得到特征來提高深度圖像的質(zhì)量。

參考文獻：

[1] Ren Z L， Zhang Q S， Qiao P Y， et al. Joint learning of convolution neural networks for RGBDbased human action recognition[J]. Electronics Letters， 2020， 56（21）.

[2] 全夏杰. 基于深度信息的人體運動識別算法研究[D]. 長沙： 湖南大學， 2018.

[3] 宋相法， 呂明. 融合三維骨架和深度圖像特征的人體行為識別[J]. 計算機技術(shù)與發(fā)展， 2019， 29（7）： 5559.

[4] Guo D D， Zhu X A. Research on action recognition of human body based on kinect sensor[J]. Applied Mechanics and Materials， 2014， 644： 41624166.

[5] 宋震. 面向多Kinect的三維人體骨架提取及動作識別研究與應用[D]. 濟南： 山東大學， 2020.

[6] Bangaru S S， Wang C， Zhou X， et al. Gesture recognitionbased smart training assistant system for construction worker earplugwearing training[J]. Journal of Construction Engineering and Management， 2020， 146（12）： 04020144.

[7] 陳振浚， 張小鳳， 方宇杰， 等. 基于深度傳感的人臉識別算法研究與實現(xiàn)[J]. 自動化應用， 2020（8）： 8082.

[8] Mehmet K， Semih E， Mehmet B G， et al. Use of gradient and normal vectors for face recognition[J]. IET Image Processing， 2020， 14（10）： 21212129.

[9] 高濤， 邵倩， 張亞南， 等. 基于深度殘差網(wǎng)絡(luò)的人臉表情識別研究[J]. 電子設(shè)計工程， 2020， 28（23）： 101104.

[10] 劉繼忠， 吳文虎， 程承， 等. 基于像素濾波和中值濾波的深度圖像修復方法[J]. 光電子·激光， 2018， 29（5）： 539544.

[11] 鄧文君， 葉景楊， 張鐵. 面向機器人磨拋的激光點云獲取及去噪算法[J]. 光學學報， 2016， 36（8）： 180188.

[12] 吳倩， 史晉芳， 王德嬌， 等. 結(jié)合彩色圖像局部分割的Kinect深度圖修復算法[J]. 計算機應用研究， 2017， 34（12）： 38523854， 3884.

[13] 王奎， 安平， 張艷， 等. 基于Kinect的實時深度提取與多視繪制算法[J]. 光電子·激光， 2012， 23（10）： 19491956.

[14] 王奎， 安平， 張兆楊， 等. Kinect深度圖像快速修復算法[J]. 上海大學學報： 自然科學版， 2012， 18（5）： 454458.

[15] Wang X H， Li S， Chen C L Z， et al. Datalevel recombination and lightweight fusion scheme for RGBD salient object detection[J]. ?IEEE Transactions on Image Processing， 2020， 30： 458471.

[16] Chen C L Z， Wei J P， Peng C， et al. Improved saliency detection in RGBD images using twophase depth estimation and selective deep fusion[J]. IEEE Transactions on Image Processing， 2020， 29： 42964307.

[17] Chen F， Hu T Y， Zuo L W， et al. Depth map inpainting via sparse distortion model[J]. Digital Signal Processing， 2016， 58.

[18] 譚志國， 歐建平， 張軍， 等. 一種層析深度圖像去噪算法[J]. 光學學報， 2017， 37（5）： 94100.

[19] 關(guān)雪梅. 幾種圖像小波去噪算法比較研究[J]. 許昌學院學報， 2018， 37（10）： 5759.

[20] 趙滿慶. 基于小波變換的圖像處理技術(shù)[J]. 電子技術(shù)與軟件工程， 2018（10）： 57.

[21] 管麗玲， 潘伶佼， 朱幼蓮. 小波閾值去噪與Sobel算子相結(jié)合的深度圖像邊緣檢測技術(shù)[J]. 江蘇理工學院學報， 2014， 20（6）： 5660， 76.

[22] 張弘， 周曉莉. 基于小波閾值和全變分模型的圖像去噪[J]. 計算機應用研究， 2019， 36（11）： 35043507， 3520.

[23] 翟進有， 代冀陽， 王嘉琦， 等. 改進閾值的小波圖像去噪[J]. 科學技術(shù)創(chuàng)新， 2018（31）： 1820.