一种激光光斑图像的去噪算法研究

董璇 王婷婷 贾梦华 马宏亮 查申龙 张启磊

摘 要：激光光斑图像是用来评价激光光束质量的重要依据，在光电信息转换处理中有着较为重要的应用。为进一步优化激光光斑图像的信噪比，提出了一种激光光斑图像的去噪算法，通过双向加权的维纳滤波，改善了获取的激光光斑图像的信噪比。和加权中值滤波，维纳滤波相比，在图像峰值信噪比、信息熵值和结构相似度都取得了一定程度的增益。算法可以进一步清晰光斑图像，从而能够使激光探测的后续分析更加准确。

关键词：图像去噪;光斑图像;光电转换;激光探测

中图分类号：TB 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2019.27.100

1 引言

激光探测系统一般通过将激光信号变化成电信号，并通过不同的信息处理方法来获取不同的信息来实现探测目的，在侦察、测距及湍流探测等方面都有着较为广泛的应用。在所属光电转换过程中，使用红外相机对合适波长的激光光斑成像，由于光电探测器输出的电信号幅度正比于接收的光功率，这样就可以直观分析激光光斑的能量分布情况。文献[1]指出激光在通信过程中会不可避免地受到外在因素如大气的影响，获取的光斑图像质量会受到散粒噪声和椒盐噪声的干扰，进而影响激光探测系统的分辨率，从而研究激光光斑图像的清晰化处理就有着十分重要的现实意义和应用价值。针对散粒或椒盐噪声的滤波算法，通常采用传统的中值滤波算法和小波域的维纳滤波，传统中值滤波算法能够有效去除图像中的椒盐噪声污染，但对于光斑图像中整体信噪比的改善尚有不足，而小波域的维纳滤波，通过将光斑图像变换到频域上，对其中的低频部分进行维纳滤波再重构回时域，该方法计算较为复杂，且在进行时域与频域的相互转化时也会造成图像质量的损失。对于被高密度椒盐噪声污染的图像，江提出了多方向搜索非噪声像素，并以距离为约束来估算噪声的输出灰度值的方法，但考虑实际激光光斑图像中椒盐和散粒噪声污染的密度一般不超过10%，该算法并不能完全普适。为了保持图像中的细节特征，文献[5]提出了自适应反距离加权算法来滤除椒盐噪声，通过计算待处理图像椒盐噪声密度，自适应选择反距离加权的权值系数.最后将图像噪声点处的值替换成反距离加权的插值，能够改善图像视觉效果。对于散粒噪声的研究多见于光谱图像中，常视散粒噪声为强光谱异常，通过异常检测和光谱归一化来去除，但该方法无法实时有效应用于激光光斑图像中。

本文针对激光光斑图像中常见的随机涨落的散粒噪声，使用双向加权的维纳滤波算法，可以优化对噪声的估算，从而进一步提高去噪的性能。

2 算法设计分析

2.1 激光光斑图像特性

分析激光光斑的图像特性具有十分重要的现实意义和应用价值，如激光光斑的聚焦直径在一定程度上决定了激光的功率密度和加工范围，激光光斑图像的灰度分布情况也说明了激光功率在空间的强弱呈现。由于激光器件加工简陋导致光斑发散进而难以准确聚焦，再考虑实际过程中噪声的干扰，最终输出的激光光束往往不能呈现规则的高斯分布。图1反映了使用光场相机获取532nm激光发射的激光光斑图像效果图，可以看出图像中心的能量分布较大而四周的能量分布小，大体表现出类高斯分布的情况。

2.2 光斑图像的噪声矫正分析

光斑图像的灰度矩阵与实际光强能量分布有着对应关系。在无噪声干扰的光斑图像中，每点的灰度值都与其邻域附近的灰度值较接近。对于图像中混入的随机涨落的散粒噪声，采用传统中值可以较好去除双极或接近双极部分的噪声，但对于整体噪声的去除效果往往不明显，而加权中值滤波可以进一步优化图像的信噪比，增进灰度值的梯度分布。维纳滤波是一种基于最小均方误差准则的滤波方式，其核心是使得输出与期望输出之间的均方误差为最小，在被平稳噪声污染的信号中较常使用，但考虑噪声的随机性，被污染的灰度值也具有随机涨落的特性，通过双向加权的维纳滤波能够进一步优化对噪声的估算，从而获得更优的去噪后的图像。

2.3 算法描述

提出的双向加权的维纳滤波算法的操作步骤可以描述为：

（1）选取原始图像I中5*5的待处理模板区域，遍历图像中可能的像素，对原始图像进行维纳滤波处理，记为J1;

（2）对原始图像进行取反操作后，再次进行维纳滤波处理，并对滤波后的结果再次取反，记为J2;

（3）对J1和J2进行平均加权，得到最终的滤波图像J。

3 实验仿真与结果分析

选取一幅红外相机获取的532nm激光光斑图像，定义为原始含噪图像，使用不同滤波算法进行处理：第一列为去噪前的激光光斑图像。第二列为加权中值滤波处理后的效果，算法可以较好去除双极脉冲噪声，但却无法很好地彻底去除所有散粒噪声。第三列为传统维纳滤波处理后的效果，算法优化了对噪声的估算，能够最小化与期望输出之间的均方误差，对混合噪声的去除有着一定的优势。第四列为本文算法处理的效果，通过正反双向的维纳滤波算法，能够更为准确的估算噪声灰度值，结合效果图可以看出滤波算法具有更为清晰的细节信息特征和更优的对比度。

为了进一步对比本文算法的去噪效果，人为在原始含噪图像中添加散粒噪声，控制污染程度为全体像素的25%，可以从第一列中图像的变化看出噪声的污染情况。同时也可看出，随着图像被散粒噪声污染程度的加深，本文算法虽然在滤波时保有较高的峰值信噪比，去噪优势也在降低。

再使用图像峰值信噪比、信息熵值和结构相似度来定量比较不同算法的去噪效果。峰值信噪比是常见的用来评价滤波效果的参数指标，表示的是信号最大可能幅值与影响它的表示精度的破坏性噪声幅值的比值，一般由均方误差来定义，用以10为底的对数分贝单位表示。信息熵值可由香公式给出，可以用来表达图像清晰化处理后所含的信息量。图像的结构相似度可以反映滤波前后两幅图像的相似度指标，需要明确去噪后的图像不能与原图存在相似性上的较大差异。统计结果如表1所示，可以看出双向维纳滤波能够使得噪声的估算更为真实，具有较优的去噪效果，但随着噪声污染程度的加大，去噪的效果也逐渐不明显。

就实际算法复杂度而言，双向维纳滤波只是增加了一次滤波计算和加权操作，对于像素350×350的数字图像的运算时间不超过200ms，改进的算法并未增加较多计算复杂度和计算耗时，能够适用一般电子类消费产品的需求。

4 结束语

所提图像去噪算法，通过双向加权的维纳滤波能够进一步优化图像的信噪比，较好清晰激光光斑图像，进而准确分析激光的能量分布和离焦情况，从而可以使激光探测的后续分析更为准确。算法主要强化了对噪声像素输出灰度值的估算，会不可避免地降低滤波后圖像与原始图像间的相似程度，需要在后续研究中进一步精进。

参考文献

[1]张绍堂，唐金文，杜衡吉.动态激光光斑污染图像快速去噪系统设计[J].现代电子技术，2018，41（21）：63-66.

[2]Gonzalez Rafael C，Woods Richard E.数字图像处理[M].阮秋琦，阮宇智，等译.第三版.北京：电子工业出版社，2011：196-203.

[3]王振东，桂宇琛，孙威，等.基于多方向加权的小波域维纳滤波改进算法[J].西华师范大学学报（自然科学版），2017，38（02）：222-226.

[4]江巨浪，章瀚，朱柱，等.高密度椒盐噪声的多方向加权均值滤波[J].计算机工程与应用，2016，52（6）：204-208.

[5]周冲，张鹏程，刘欢，等.自适应反距离加权法滤除椒盐噪声[J].中北大学学报（自然科学版），2019（04）：372-377.

[6]刘春国.Landsat-5 TM图像散粒噪声去除方法研究[J].河南理工大学学报（自然科学版），2018，37（01）：68-72.

[7]刘春国.Landsat MSS和TM多光谱图像散粒噪声的去除方法[J].测绘科学，2018，43（11）：97-102.