基于分层筛选方法的前景图像去噪-论文.pdf

《基于分层筛选方法的前景图像去噪-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第29卷第1期处理Vo1．29No．12O14年1月ProcessingJan．2014文章编号：1004—9037(2014)010076—07基于分层筛选方法的前景图像去噪高智林新棋吴鹏李海涛(1．福建师范大学数学与计算机科学学院，福州，350007；2．福建师范大学网络安全与密码技术福建省高校重点实验室，福州，350007)摘要：前景图像的后期美化和去噪处理一直是模式识别和计算机视觉等领域的一个重要研究环节。鉴于形态学『数r后期处理方法容易造成前景目标几何和尺寸的变形现象，本文根据真实前景目标和噪声在前景图像空间

2、分布和a像素值的统计特性提出了一种分层筛选独立分离块的前景图像后期去噪方法。该方法包括划分单元块，构造独据立分离块，计算独立分离块面积和去除噪声块四个步骤。实验结果表明，本文提出的方法能够有效地去除噪声，且与形态学图像后期处理方法相比有更好的去噪效果和更低的时间复杂度。采A关键词：图像去噪；前景提取；分层筛选集中图分类号：TN919．8文献标志码：AO与mForegroundImageDenoisingBasedonLayeredFilter耐GaoZhi，LinXinqi～，WuPeng，LiHaitao(1．Sch

3、oolofMathematicsandComputerScience，FujianNormalUniversity，Fuzhou，350007，China；2．KeyLaboratoryofNetworkSecurityandCryptograph，FujianNormalUniversity，Fuzhou，350007，China)Abstract：Thedenoisingandbeautificationforforegroundimageisanimportantsegmentinthefieldsofpatte

4、rnrecognitionandcomputervision．Giventhedistortionofforegroundingeome—tryanddimensioncausedbymorphol0gicalpost—processingmethod，anewdenoisingmethodispresentedbyusingthelayeredfilteraboutindependentseparationblockwhosepixelsspatialdistributionandvaluearedifferentf

5、ortheactualforegroundandnoiseinstatisticstofilternoise．Theexperimentalresultsshowthattheproposedmethodcaneffectivelywipeoffthenoiseontheforegroundimage，andperformbetterascomparedtothemorphologica【imageprocessing，andhasalowertimecomplexity．Keywords：imagedenoising

6、；foregroundextraction；layeredfilter处理则是模式识别的一个重要研究环节。引目前景提取就是将图像中的活动目标与背景分离的过程。帧间差分法、背景差分法、基于统计模模式识别一般属于人工智能的第一阶段，是人型的方法和光流法是目前广泛应用于前景提取的工智能的基础]。模式识别的基本步骤为：信息采方法。光流法由于计算复杂度较大，不易适用于实集、预处理、特征提取与选择、分类决策、分类器设时系统。帧间差分法、背景差分法和基于统计模型计。通常以图片的形式存在的视觉信息经过采集的方法已经有了较多成熟的发展l

7、2]，但在这些算后，往往需要预处理才能够用于后续特征提取与选法提取的前景图像中，经常会出现诸如图1(a)圆择等阶段，所以以前景提取和去噪为主要内容的预圈内部所示的大面积的误检像素区域(称之为噪基金项目：国家自然科学基金(61070062，N．11071041)资助项目；福建省教育厅基金(JA12075，JAloO64，JB11036)资助项目；福建省省科技厅高校产学合作科技重大(2012H6006)资助项目；福建省高等学校科技创新团队(IRTSTFJ，N．J1917)资助项目；网络与信息安全关键理论和技术(校创新团队，

8、JRTL1207)资助项目。收稿日期：2O13—10—25；修订日期：2013-12—1482数据采集与处理第29卷表1本文方法与原始前景图像和形态学处理后噪声减少Harwood，etaI．Real—timeforeground-background系数segmentationusingcodebookmodel[J]．ELSEV