（宁夏大学 机械工程学院，银川 750021）
摘 要：
为了更好的消除真彩色图像噪声，提高图像的质量，本文提出了一种基于HSV空间状态下的图像降噪的方法。根据HSV各颜色分量相互独立的特性，将真彩色图像从RGB空间转换到HSV空间；通过真彩色图像的矢量值降噪技术与灰度图像的标量值降噪算法相结合的改进算法，分别对每一颜色分量进行处理。以峰值信噪比为判断依据进行对比实验，结果表明：相对于矢量中值滤波，改进后的算法对真彩色图像的降噪具有更好的效果。
关键词：
颜色空间转换；真彩色图像降噪；活立木
中图分类号：TP 391 文献标识码：A 文章编号：1001-005X（2016）06-0061-05
Study on the Method of Noise Reductionon Color Images of Standing Trees
Wang Yutan，Dai Yingpeng，Gao Yaoyao，Liu Bohan，Ma Chenghao
（School of Mechanical Engineering，Ningxia University，Ningxia Yinchuan 750021）
Abstract：
In order to effectively eliminate the noises of true color images and improve image quality，the method based on the HSV color space for noise reduction on color images of standing trees was proposed.According to the characteristics that the each color components of HSV was independent of each other，the true images can be transformed from RGB to HSI.The each color component was processed separately in our approach through the improved algorithm of combining noise reduction based on the vector magnitude and the de-noising algorithm based on scalar magnitude.Taking peak signal-to-noise ratio （PSNR） as the basis for comparison experiments.The results showed that our proposed algorithm has superior effects on noise reduction of color images compared to vector median filtering.
Keywords：
Color space transformation；noise reduction on color images；standing trees
0 引 言
从人的视觉角度来说，真彩色图像符合人眼对外界事物的感知理解，并且其包含大量的信息，所以真彩色图像的应用范围极其广泛。然而，在获取和传输图像的过程中，会有各种噪声污染图像，影响图像的显示效果[1]，也会影响了后续图像处理的正确性[2]，因此，研究图像降噪方法和处理技术具有重要的意义[3]。在灰度图像的降噪处理中，均值滤波是利用噪声点领域范围内的均值，来估测噪声点的灰度值[4]，而均值滤波时，脉冲噪声点与邻域点像素值的差距性，会导致滤波结果与真实值差别较大[5]；非局部均值滤波方法对高斯噪声的抑制效果明显，但是对降低脉冲噪声的效果并不明显[6-9]；吴一全等提出基于非局部均值和SUSAN算子的降噪方法，对混合噪声滤除有很好的效果[10]。
对于真彩色图像，每点的彩色信息含有多个分量，传统的灰度图像处理方法已满足不了彩色图像降噪的需求。在彩色图像处理领域，普遍采用分量处理法、模型转换法和矢量法等[11]。
王建卫[12]在分析彩色图像噪声的来源和滤波的一般方法的基础上，提出了一种基于矢量中值滤波算法的改进方法，该算法集中了线性均值滤波和非线性矢量中值滤波两种方法的优点，可有效降低密度大的椒盐噪声；刘松涛[13]提出一种基于噪声估计和双加权的滤波新算法，采用噪声二级估计策略以及双加权矢量中值滤波进行降噪处理，去的较好的效果；邓延权等[14]依据模糊综合评判原理提出一种保持彩色图像细节的模糊矢量中值滤波算法，提高运算速度以及保留较好的图像细节。以上算法都是基于RGB空间的彩色算法，而RGB空间颜色分量的关联性对图像降噪具有很大影响。本文提出基于HSV颜色空间变换的活立木真彩色图像降噪方法，该方法综合各种处理方法的优点，结合灰度图的标量值算法与矢量中值滤波技术，完成对真彩色图像的降噪处理。
1 颜色空间模型
1.1 HSV空间模型
RGB图像的三个分量是相互联系的，且各自表达的内容是相互平等的。从视觉角度，每个分量与整体的色彩没有直观的联系。所以，当图像被噪声污染时，噪声会同时存在于三个分量，要对图像进行降噪处理，就要同时对三个作出同样的处理方法，而不能单独进行处理。因此，找到一个颜色空间，在该颜色空间中分量是相互独立的，彼此之间互不影响。这样，就能够将较为成熟的灰度图像处理技术应用到彩色图像的降噪上。HSV模型中，H表示色调，是指颜色的波长；S表示饱和度，是指颜色的深浅程度；I表示明度。三者相互无关，而且每个变量都包含着R、G、B三基色信息。HSV模型不仅不会丢失颜色成分，也避免了三通道相互干扰的问题。具体方法如图1所示。
1.2 RGB-HSV数学模型关系
本文采用MATLAB自带的库函数rgb2hsv和hsv2rgb实现RGB颜色空间与HSV颜色空间相互转换。
2 真彩色图像滤波算法
本文提出基于图像从RGB颜色空间转换到HSV颜色空间，利用各颜色分量的相互独立性，提出了活力木彩色图像滤波的新算法。先将图像在RGB空间进行图像平滑的预处理，达到减少噪声的目的；后将灰度图的标量算法与矢量中值滤波技术相融合；最终综合利用两者的优势达到降噪的最佳效果。
2.1 图像预处理
本文所用到的图像预处理的方法是3×3均值滤波处理。
对图像采用3×3均值滤波，则在像素（i，j）处，其邻域Z像素分布如图2所示。
在RGB颜色空间，用3×3均值滤波对有噪声的图像进行滤波，由于其对R、G、B颜色通道使用相同的模板进行处理，所以对通道之间相互联系的影响较小，有效的避免了因忽略各通道之间的联系而使图像失真的后果。
2.2 矢量中值滤波器
中值滤波器的一个重要的特性是它不产生原来图像中没有的像素值。克服图像降噪的过程中产生其他颜色的一种有效方法是使用矢量中值滤波器。对矩形窗中的一组矢量 x1，x2，……xN，矢量中值滤波器VM可由下式定义：
逐点的乘法用表示。距离权重wi的作用是加重离中心位置近的像素在滤波中的作用，突出像素间的空间位序相关性因素。当使用加权的滤波器时，权重也影响结果。在选择权重时考虑到权重不仅能影响滤波结果，还会造成边缘特性消失。所以，必须小心的选择权重值。一般的取法是取像素到中心位置距离的倒数，也可以全部取1，即对窗口内的像素值不加区别。本文选择的距离权重值和分量权重值均为1，在每个步骤中，滤波都不会产生新增加的彩色矢量，这是它最大的优点[15]。
2.3 改进降噪算法
针对标量算法与矢量中值技术的优缺点，本文综合利用两者的优势，对活立木真彩色图像进行降噪处理：首先，进行活立木真彩色预处理，然后，将图像从RGB颜色空间转换为HSV颜色空间，根据HSV颜色空间H、S、V各分量相互独立的特点，应用灰度图像的降噪方法，对每一个颜色分量单独采用矢量中值滤波，再进行均值滤波以及自适应滤波——既结合了彩色图像的矢量值技术，又融合了灰度图像的标量值算法，最后再反变换回RGB颜色空间。
在本文的实验中，RGB归一化后每一分量的值介于0～1；目的在于验证矢量技术与标量滤波相结合的活立木真彩色图像的处理效果，并与单独采用矢量技术的图像处理进行效果的进行比较——通过最小均方根误差MSE值和峰值信噪比PSNR值作为评价。矢量中值滤波和标量滤波（均值滤波与自适应滤波）共同作用于转换到HSV颜色空间的每一颜色分量。
算法步骤：
步骤1：输入活立木真彩色初始图像。
步骤2：对原始图像加入噪声。
步骤3：使用3×3均值滤波技术对图像进行预处理。
步骤4：利用RGB颜色空间与HSV颜色空间的转换关系，将RGB颜色空间转换为HSV颜色空间。
步骤5：根据HSV颜色空间各颜色分量互不联系的特性，对H、S、V颜色分量分别单独采用矢量中值滤波和自适应滤波。
步骤6：颜色反变换，将图像降噪处理后的真彩色图像从HSV颜色空间转换到RGB颜色空间。
步骤7：在RGB颜色空间对加入高斯噪声的图像采用矢量中值滤波处理。
步骤8：输出处理后的图像。
步骤9：计算PSNR；结束。
3 实验与结果
实验环境：Lenovo P700手机，800万像素，晴天，HP Pavilion g series，Inter（R） Core（TM） i3-2310M CPU @ 2.10GHz 2.10GHz，2.00 安装内存，Windows 7 32位旗舰版操作系统。
实验过程中分别在原活立木彩色图像上分别加入不同成分的噪声。根据加入噪声成分的不同，分为以下4个实验与本文提出的算法进行对比，以峰值信噪比（PSNR）为判断依据进行对比实验，PSNR值越大，就代表失真越少。
实验一：对原始图像加入均值为0，方差为0.06的高斯噪声，预处理图像对比如图3所示。
以峰值信噪比（PSNR）为判断依据进行对比实验的数据见表1。
实验二：对原始图像加入均值为0，方差为0.06的均匀噪声，预处理图像对比如图4所示。
以峰值信噪比（PSNR）为判断依据进行对比实验的数据见表2。
实验三：对原始图像加入密度为0.06的椒盐噪声，预处理图像对比如图5所示。
以峰值信噪比（PSNR）为判断依据进行对比实验的数据见表3。
实验四：对原始图像加入均值为0，方差为0.02的均匀噪声、高斯噪声以及密度为0.03的椒盐噪声，预处理图像对比如图6所示。
以峰值信噪比（PSNR）为判断依据进行对比实验的数据见表4。
4 结论与讨论
在直观上，由图3～图6可以看出，经矢量中值滤波处理的图像要比采用本真彩色图像降噪滤波算法处理的图像效果差；由图像客观评价指标——峰值信噪比（PSNR）来判断，由表1～表4得到，采用本文降噪算法的图像峰值信噪比（PSNR）的值均较高，这说明本文算法相对于其它算法在改善污染图像的质量方面有所提高。通过对比还发现，本文算法对三种噪声的处理能力：均匀噪声>椒盐噪声>高斯噪声。
对于加入高斯噪声[16]、均匀噪声[17-18]以及混合噪声[10]的图像而言，矢量中值滤波可以将图像质量提高9～12 dB，而本文算法则能将图像质量普遍提高16～17 dB，较矢量中值滤波高出6～7 dB，图像降噪效果明显；对于加入椒盐噪声的图像，矢量中值滤波能将图像质量提高16.478 7 dB，本文算法能将图像质量提高15.321 8 dB，较矢量中值滤波低1.156 9 dB，图像降噪效果略低于矢量中值滤波。
根据HSV颜色空间各分量相互独立的特点，矢量中值滤波和标量滤波（均值滤波与自适应滤波）共同作用于转换到HSV颜色空间的每一颜色分量——既结合了彩色图像的矢量值技术，又融合了灰度图像的标量值算法。本文彩色图像降噪算法能够较好的处理图像噪声问题，降噪效果总体优于矢量中值滤波。
5 结束语
本文算法较矢量中值滤波技术，具有更好的降噪效果，其原因在于本文在真彩色矢量值降噪处理技术的基础上又增加了标量值降噪处理方法，使较为成熟的标量降噪技术应用到彩色图像中，与矢量降噪技术融合达到最佳的降噪效果。本算法在获得较好图像处理效果的同时，其运算量也随之增大，并使运算处理时间相对会稍显增加。
【参 考 文 献】
[1]刘丽娟，刘仲鹏，程 芳.玉米生长期叶部病害图像识别预处理研究[J].河南农业科学，2013，42（10）：91-94.
[2]Jiang J，Zhang L，Yang J.Mixed noise removal by weighted encoding with sparse nonlocal regularization[J].IEEE Transactions on Image Processing，2014，23（6）：2651-2662.
[3]Liu Jun，Tai Xuecheng，Huang Haiyang，et al.A Weighted dictionary learning model for denoising images corrupted by mixed noise[J].IEEE Transactions on Image Processing，2012，22（3）：1108-1120.
[4]Wang S，Zhou Z，Shi W.Adaptive minimum-maximum exclusive mean filter for impulse noise removal[EB/OL].Computer Science，2014，oai：arXiv.org：1405.6174.
[5]Shrivastava P，Singh U P，Richhariya V.Removal of impulse noise using first order neighborhood mean filter[J].International Journal of Computer Applications，2014，87（4）：34-39.
[6] 张 爽，周慧鑫，牛肖雪.基于非局部均值滤波与时域高通滤波的非均匀性校正算法[EB/OL].光子学报，2014，43（1）： 0110003.
[7]Meligy A，Ibrahem H M，Shoman S.A highly effective adaptive switching mean filter algorithm for salt and pepper noise removal[J].International Journal of Computer Applications，2013，61（19）：28-34.
[8]Zhang Peixuan，Li fang.A new adaptive weighted mean filter for removing salt-and-pepper noise[J].IEEE Signal Processing Letters，2014，21（10）：1280-1283.
[9]Yin X，Zhu J.Salt-and-pepper noise removal based on nonlocal mean filter[C].International Conference on Consumer Electronics，2013：577-580.
[10] 吴一全，王 凯，戴一冕.基于非局部均值和SUSAN算子的混合噪声滤除[EB/OL].光子学报，2015，44（9）：0910001.
[11] Koschan A，Abidi M.Digital Color Image Processing[M].John Wiley & Sons Inc，2009.
[12] 王建卫.彩色图像的中值滤波算法的改进与应用[J].哈尔滨商业大学学报（自然科学版），2006，22（4）：67-69.
[13] 刘松涛，马林坡，殷福亮.基于噪声估计和双加权的彩色图像矢量中值滤波[J].光电子·激光，2011，22（1）：131-135.
[14] 邓延权，王肖晨.新的模糊矢量中值滤波算法[J].计算机工程与应用，2009，45（1）：191-194.
[15] 王昱潭.基于机器视觉的灵武长枣定位与成熟度判别方法研究[D].北京：北京林业大学，2014.
[16] 杨先凤，樊 勇，彭 博，等.去除高斯噪声的快速分区域去噪算法[J].计算机工程与设计，2014，35（4）：1341-1346.
[17] 许圣雷.基于均匀空间色差度量的彩色图像椒盐噪声滤波算法研究[D].昆明：昆明理工大学，2015.
[18]任洪娥，刘 冕，沈雯雯，等.基于图像处理的木粉目数检测与分析[J].林业机械与木工设备，2014，42（6）：41-44.