基于視覺(jué)感受野特性的自適應(yīng)圖像去噪算法

劉玉紅，張艷山，李永杰，楊開(kāi)富，顏紅梅

?

基于視覺(jué)感受野特性的自適應(yīng)圖像去噪算法

劉玉紅1, 2，張艷山1，李永杰1，楊開(kāi)富1，顏紅梅1

(1. 電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院 成都 610054；2. 成都醫(yī)學(xué)院物理教研室 成都 610500)

針對(duì)圖像去噪中邊緣細(xì)節(jié)信息丟失的問(wèn)題，提出一種基于視覺(jué)感受野特性的圖像去噪算法。該方法基于視覺(jué)神經(jīng)電生理研究結(jié)果，模擬視覺(jué)初級(jí)視皮層自適應(yīng)機(jī)制和感受野的響應(yīng)特性來(lái)實(shí)現(xiàn)對(duì)圖像的去噪。使用小尺度模板對(duì)噪聲進(jìn)行檢測(cè)；根據(jù)噪聲的大小采用ON/OFF感受野模板去噪處理，對(duì)圖像進(jìn)行亮度調(diào)整。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的流行算法比較，該算法去噪效果較為有效，并能更好地保留圖像紋理和邊緣細(xì)節(jié)信息，在峰值信噪比和均方誤差等客觀定量評(píng)價(jià)指標(biāo)上優(yōu)于其他算法。

自適應(yīng); 圖像去噪; 感受野; 視覺(jué)機(jī)制

人類獲取信息最直觀的來(lái)源是圖像，但圖像在獲取、采集、傳輸、處理過(guò)程中難免會(huì)受到噪聲污染，從而導(dǎo)致圖像質(zhì)量下降，并會(huì)對(duì)圖像后續(xù)的處理比如特征提取、模式識(shí)別、圖像分割等帶來(lái)不便[1]。因此，圖像去噪算法是一種重要的預(yù)處理方法，對(duì)提高圖像的質(zhì)量和性能具有重要意義。

圖像去噪方法要解決的主要矛盾是如何在降低圖像噪聲的同時(shí)，盡可能地保留圖像的細(xì)節(jié)信息，因此，設(shè)計(jì)合適的、匹配的濾波器去除噪聲是圖像處理領(lǐng)域的研究課題。目前常用的方法有均值濾波、中值濾波[2]、高斯濾波等，這些方法能夠有效去除噪聲，但同時(shí)也會(huì)導(dǎo)致圖像結(jié)構(gòu)信息的模糊，尤其是圖像的邊緣和細(xì)節(jié)信息。圖像的細(xì)節(jié)和邊緣信息屬于高頻信息，而噪聲一般也是高頻信息[3]，如果用上述的去噪方法，雖然能去除某些附加的隨機(jī)噪聲，但圖像的邊緣和細(xì)節(jié)部分容易產(chǎn)生較為嚴(yán)重的模糊，造成圖像質(zhì)量的下降[4]。為了更好地抑制圖像中的噪聲，恢復(fù)因噪聲污染引起的圖像質(zhì)量的退化，有必要尋找更好的去噪方法。研究人員也提出對(duì)應(yīng)的去噪算法，通過(guò)建立一種高斯混合模型進(jìn)行圖像去噪[5]；利用隱馬爾科夫模型進(jìn)行圖像去噪[6]。但由于這些算法很大程度上依賴于圖像的抽象數(shù)學(xué)特性，不是一種自適應(yīng)的方法，限制了其使用的范圍。小波域?yàn)V波[7-8]、偏微分方程[9-10]、雙邊濾波器(bilateral filter)算法[11-13]，雖然這些方法能在一定程度上保存高頻信息，但由于過(guò)多保存了高頻信息，對(duì)于彩色圖像來(lái)說(shuō)，會(huì)導(dǎo)致高頻噪聲濾除得不夠干凈。非局部均值濾波方法[14-15]是近年來(lái)一種新型的去噪技術(shù)，此方法主要是基于圖像結(jié)構(gòu)信息，在去噪的同時(shí)可以最大程度地保持圖像的細(xì)節(jié)特征，但平滑區(qū)的單向擴(kuò)散會(huì)造成圖像結(jié)構(gòu)信息一定程度的模糊，并且運(yùn)算量大。

近年來(lái)，許多學(xué)者模擬視覺(jué)神經(jīng)機(jī)制并應(yīng)用于圖像處理領(lǐng)域，使圖像處理的發(fā)展進(jìn)入一個(gè)全新的階段。模擬視覺(jué)信息處理機(jī)制一方面幫助人們理解視覺(jué)機(jī)制，另一方面幫助建立新的計(jì)算方法用于圖像處理。如基于視網(wǎng)膜和LGN神經(jīng)元的感受野機(jī)理的模型可用于顏色校正[16]等視覺(jué)任務(wù)，基于初級(jí)視皮層感受野特性的計(jì)算模型被應(yīng)用于圖像輪廓檢測(cè)[17]、紋理分析[18]等。這些方法的出現(xiàn)激發(fā)研究人員考慮如何利用視覺(jué)感受野的拮抗作用，對(duì)圖像中的噪聲信息進(jìn)行處理。因此，本文主要根據(jù)視覺(jué)感受野的響應(yīng)特性，提出一種基于視覺(jué)感受野的自適應(yīng)圖像去噪模型，并應(yīng)用于灰度/彩色圖像中。實(shí)驗(yàn)結(jié)果表明該方法的去噪效果明顯，計(jì)算量小，并且能動(dòng)態(tài)改變模型的參數(shù)，更有效地達(dá)到去除噪聲的目的，解決了圖像去噪中的一些實(shí)際問(wèn)題，所獲得的結(jié)果可進(jìn)一步為高級(jí)圖像處理提供應(yīng)用基礎(chǔ)。

1 圖像去噪的生物視覺(jué)基礎(chǔ)

視覺(jué)信號(hào)的初級(jí)處理發(fā)生在視網(wǎng)膜上，而視網(wǎng)膜復(fù)雜網(wǎng)絡(luò)的處理結(jié)果和反應(yīng)特性主要體現(xiàn)在視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的感受野上。所以，感受野是視覺(jué)系統(tǒng)信息處理的基本結(jié)構(gòu)和功能單元。神經(jīng)節(jié)細(xì)胞的作用主要是匯聚比它低層的信息，并進(jìn)一步為比它高層的信息加工環(huán)節(jié)提供基礎(chǔ)。因此對(duì)神經(jīng)節(jié)細(xì)胞感受野的加工機(jī)制進(jìn)行模擬對(duì)視覺(jué)算法具有顯著性的啟示意義。

在視覺(jué)系統(tǒng)中，每個(gè)神經(jīng)元對(duì)落在視網(wǎng)膜上圖像的特定范圍內(nèi)的刺激會(huì)產(chǎn)生相應(yīng)的反應(yīng)，而這個(gè)特定的范圍就被稱為該神經(jīng)元的感受野[19]。感受野模型主要有ON-中心型和OFF-中心型兩類，模型如圖1所示。在圖1a中，“+”代表興奮區(qū)，“-”代表抑制區(qū)；在圖1b中，實(shí)線為感受野相應(yīng)曲線，虛線和點(diǎn)線分別為興奮區(qū)和抑制區(qū)的響應(yīng)曲線。給光型“ON”中心感受野，它主要由中心興奮區(qū)及外周抑制區(qū)構(gòu)成，功能上為中心-外周拮抗作用，空間分布為同心圓結(jié)構(gòu)[20]。這一類細(xì)胞的特點(diǎn)表現(xiàn)為當(dāng)光刺激照射到視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野中心時(shí)，細(xì)胞放電是最為強(qiáng)烈的，而照射到感受野一定范圍的外周時(shí)，細(xì)胞放電卻逐步減弱。而撤光型“OFF”中心感受野，它主要由中心抑制區(qū)及外周興奮區(qū)構(gòu)成，空間分布與“ON”型感受野細(xì)胞類似。主要特點(diǎn)表現(xiàn)為當(dāng)照射到感受野中心外周時(shí)，細(xì)胞放電反而增強(qiáng)。在均勻光照下，這種興奮性作用和抑制性作用總是趨向于抵消。通過(guò)感受野對(duì)信息的分級(jí)提取，視覺(jué)系統(tǒng)可實(shí)現(xiàn)提取關(guān)鍵信息的視覺(jué)任務(wù)。對(duì)生物而言，這種對(duì)光學(xué)信息的處理能力能對(duì)外界介質(zhì)所引起的光線退化起著補(bǔ)償作用，提高物體的清晰度，因此，視覺(jué)感受野的“中心-外周”拮抗作用對(duì)圖像中的噪聲抑制具有借鑒作用。

on-中心型 off-中心型a. 感受野示意圖on-中心型 off-中心型b. DOG模型描述的感受野

文獻(xiàn)[21]提出了高斯差模型(difference of Gaussian, DOG)，對(duì)視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的輸入和輸出特性進(jìn)行客觀定量的描述。高斯差模型很好地模擬了視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的同心圓結(jié)構(gòu)以及其空間特性。其表達(dá)式為：

2 基于視覺(jué)感受野的計(jì)算模型

圖2 算法處理流程

本文的關(guān)鍵技術(shù)在于首先采用視覺(jué)感受野的DOG模型判斷出噪聲信息，再根據(jù)判斷出的噪聲信息利用相應(yīng)的感受野神經(jīng)機(jī)制進(jìn)行處理，最終達(dá)到圖像去噪的目的。該算法分為兩個(gè)步驟：1) 利用小尺度的感受野模板判斷出噪聲的大小和位置；2) 根據(jù)判斷出來(lái)的噪聲大小利用不同的ON/OFF感受野模板進(jìn)行自適應(yīng)噪聲處理，同時(shí)為了保證圖像的亮度，需要對(duì)結(jié)果圖進(jìn)行亮度修正。算法流程如圖2所示。

2.1 噪聲判斷計(jì)算模型

如果一幅圖像混入噪聲，其主要變現(xiàn)為灰度值大于或小于原來(lái)無(wú)噪聲混入時(shí)的灰度值。這些噪聲主要為高頻信息，并滿足灰度分布的平穩(wěn)性，從而會(huì)引起目標(biāo)圖像模糊和失真。本文采用視覺(jué)感受野的DOG模型作為檢測(cè)噪聲的濾波器。DOG模型主要通過(guò)高斯函數(shù)來(lái)描述視覺(jué)感受野對(duì)光刺激的響應(yīng)特性量。對(duì)于二維圖像信號(hào)，利用卷積運(yùn)算的分離性質(zhì)，將式子(1)分解為：

2.2 噪聲處理算法描述

被噪聲污染的圖像經(jīng)過(guò)小尺度的DOG模板濾波后，可得到圖像的噪聲信息。通過(guò)所計(jì)算的噪聲圖可得，如果圖像信息被噪聲所污染，那么原像素值可能會(huì)存在變小或變大的情況。因此，本文采用“中心-外周”生理機(jī)制的視網(wǎng)膜神經(jīng)節(jié)感受野模型，把被噪聲污染后變大的像素值變小，使之接近甚至恢復(fù)到原值。同理，把被噪聲污染后變小的像素值變大，使之接近甚至恢復(fù)到原值。同時(shí)電生理實(shí)驗(yàn)的結(jié)果表明，感受野對(duì)外界刺激的響應(yīng)隨時(shí)間是動(dòng)態(tài)變化的。因此，把感受野靜態(tài)模型設(shè)計(jì)為動(dòng)態(tài)模型，可對(duì)不同噪聲來(lái)進(jìn)行處理，更加符合視網(wǎng)膜生理特性。

根據(jù)前面的討論，本文基于視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野模型來(lái)建立噪聲處理模型。

1) 用“內(nèi)正-外負(fù)”的“ON”型感受野模型來(lái)處理使原始像素變大的噪聲點(diǎn)。

2) 用“內(nèi)負(fù)-外正”的“OFF”型感受野模型處理使原始像素變小的噪聲點(diǎn)。

3) 根據(jù)噪聲點(diǎn)的絕對(duì)值大小，自適應(yīng)調(diào)節(jié)視覺(jué)感受野模板的尺度參數(shù)。如果該點(diǎn)的值為正，且值較大，本文采用ON型感受野模板自適應(yīng)調(diào)節(jié)外周抑制半徑，使外周的半徑增大，這樣對(duì)噪聲點(diǎn)的抑制強(qiáng)度就會(huì)更大，使該點(diǎn)的像素值接近原值。如果該點(diǎn)的值比較小，同樣可自適應(yīng)調(diào)節(jié)外周的抑制半徑，使外周抑制半徑減小，這樣對(duì)噪聲點(diǎn)抑制的強(qiáng)度相對(duì)減弱，使該點(diǎn)像素值接近原值。如果噪聲點(diǎn)的值為負(fù)，采用OFF型的感受野來(lái)處理，自適應(yīng)調(diào)節(jié)外周半徑的尺寸，對(duì)該點(diǎn)進(jìn)行處理，使該點(diǎn)的像素值恢復(fù)或接近原值。另外，如果噪聲值為零，則不需要做任何處理。

4) 迭代處理。具體的迭代次數(shù)可根據(jù)每次處理后對(duì)結(jié)果圖的主觀圖像質(zhì)量評(píng)價(jià)和客觀圖像質(zhì)量評(píng)價(jià)相結(jié)合的方式來(lái)判定，是可選擇的參數(shù)，從測(cè)試中發(fā)現(xiàn)，并不是迭代次數(shù)越多越好，一般迭代2~3次能夠獲得較好的結(jié)果。

2.3 模型參數(shù)的確定

噪聲處理表達(dá)式為：

根據(jù)噪聲值的大小自適應(yīng)調(diào)節(jié)感受野模板尺寸的特性，使原為靜態(tài)的去噪模型變?yōu)閯?dòng)態(tài)模型，更加符合調(diào)制強(qiáng)度隨外界刺激變化的生理特性，并提高了圖像的信噪比。

2.4 修正

與原圖相比，經(jīng)處理后的圖像亮度值可能會(huì)發(fā)生改變[19]。因此，需要對(duì)上述處理后的結(jié)果圖進(jìn)行亮度校正，使其亮度值保持在原亮度的范圍內(nèi)。亮度校正函數(shù)為：

3 實(shí)驗(yàn)結(jié)果和分析

在本文的實(shí)驗(yàn)中，首先表明了ON/OFF通道在去噪中的貢獻(xiàn)，然后展示了本文模型的去噪效果，并與經(jīng)典的去噪算法進(jìn)行性能對(duì)比。

3.1 ON/OFF去噪效果的貢獻(xiàn)

本文以Star圖像為例，ON型感受野和OFF型感受野通過(guò)對(duì)正負(fù)噪聲點(diǎn)的響應(yīng)，使該點(diǎn)的像素點(diǎn)接近原值。圖3展示了ON/OFF通路對(duì)噪聲圖像的影響。圖3a是輸入的噪聲圖像，圖3b是ON型感受野單獨(dú)處理后的結(jié)果，主要根據(jù)“估計(jì)噪聲”找出使原圖像素值變大的噪聲點(diǎn)，利用ON型感受野去抑制噪聲圖，使變大像素值抑制到接近原值。圖3c是OFF型感受野單獨(dú)處理后的結(jié)果，使變小的像素值提升，接近于原像素值，噪聲也得到了部分抑制。圖3d是ON/OFF感受野聯(lián)合處理結(jié)果。通過(guò)對(duì)比可看出，ON/OFF聯(lián)合處理噪聲得到了很大的抑制，圖像的內(nèi)容保留得很好，畫(huà)質(zhì)更為細(xì)膩。

a. 噪聲圖像 b. ON型感受野處理結(jié)果 c. OFF型感受野處理結(jié)果 d. ON和OFF感受野合并結(jié)果

3.2 本文模型去噪效果

本文以Carrier圖像為例對(duì)圖像去噪前后的結(jié)果進(jìn)行對(duì)比，如圖4所示。從處理結(jié)果可看出，結(jié)果圖中噪聲基本被抑制，并且圖像的邊緣和細(xì)節(jié)特征也得到保留。圖像結(jié)果圖對(duì)比可近一步說(shuō)明，本文的算法有效地將噪聲圖像基本恢復(fù)到接近于原圖。具體細(xì)節(jié)保留情況如圖5所示。噪聲圖像中的Carrier細(xì)節(jié)部分基本上被噪聲所淹沒(méi)，經(jīng)去噪后，細(xì)節(jié)部分可以很好地呈現(xiàn)出來(lái)。

根據(jù)以上的實(shí)驗(yàn)分析可知，本文提出的基于感受野特性所構(gòu)建的圖像去噪算法，去噪效果明顯，并能很好地保留圖像紋理和細(xì)節(jié)信息。

a. 原圖 b. 噪聲圖 c. 本文去噪結(jié)果圖d. 原圖對(duì)應(yīng)的直方圖 e. 噪聲圖對(duì)應(yīng)的直方圖 f. 本文去噪結(jié)果圖對(duì)應(yīng)的直方圖g. 原圖對(duì)應(yīng)圖像的第512行圖像曲線 h. 噪聲圖對(duì)應(yīng)圖像的第512行圖像曲線 i. 本文去噪結(jié)果圖對(duì)應(yīng)圖像的第512行圖像曲線

a. 原圖 b. 噪聲圖 c. 去噪圖

3.3 本文模型與現(xiàn)有去噪算法比較

本文實(shí)現(xiàn)了灰度圖像去噪處理，進(jìn)一步將該算法引入到彩色圖像去噪中，并選擇Gorilla彩色圖像作為示例圖，處理結(jié)果如圖6所示。分別把彩色圖像分解為R、G、B三個(gè)分量，然后對(duì)R、G、B分量按照上述去噪流程進(jìn)行處理，最后將各分量圖像組合得到去噪后的彩色圖像。為了驗(yàn)證該算法的有效性，從標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)中選取了灰度圖像以及彩色圖像共16幅。分別用高斯濾波器去噪算法和應(yīng)用比較廣泛的雙邊濾波器、非局部均值濾波器與本文方法進(jìn)行比較。同樣以Gorilla圖像(圖6)為示例圖。圖6a～圖6e表示的是各算法整體圖像的去噪效果比較，圖6f～圖6j截取的是各算法結(jié)果圖的局部塊放大去噪效果的對(duì)比。本文算法對(duì)圖像的邊緣保護(hù)較好，而高斯算法和非均值去噪算法會(huì)使圖像結(jié)構(gòu)有一定程度的模糊。雙邊濾波器圖像邊緣保護(hù)較好，但是平滑去殘余的噪聲使得圖像PSNR降低。而本文算法能夠在去噪的同時(shí)，很好地保留低頻成分以及高頻成分。圖6的去噪方法均在RGB顏色空間中進(jìn)行處理的，在RGB顏色空間下，高斯去噪和非局部均值去噪的圖像細(xì)節(jié)表示不夠清晰，出現(xiàn)平滑現(xiàn)象。雙邊濾波方法視覺(jué)效果已有所改善，但是去噪后的圖像仍然存在一些斑點(diǎn)?？傮w來(lái)看，各算法處理后的圖像對(duì)顏色影響不大。采用客觀圖像質(zhì)量評(píng)價(jià)來(lái)衡量去噪的效果，目前較為常用的方法有峰值信噪比(PSNR)、均方誤差(MSE)、平均絕對(duì)值差(mean absolute error, MAE)等。本文采用PSNR以及MSE圖像客觀評(píng)價(jià)質(zhì)量指標(biāo)對(duì)各種圖像處理結(jié)果進(jìn)行評(píng)價(jià)如表1所示。評(píng)價(jià)去噪效果時(shí)，PSNR的值越大，MSE的值越小，去噪的效果越好。從PSNR的角度來(lái)看，本文算法比高斯平滑去噪好，比目前流行的非局部均值去噪方法質(zhì)量略高。從MSE的結(jié)果來(lái)看，本文算法比高斯算法、非局部均值濾波和雙邊濾波算法的效果都好。因此，圖像及表中數(shù)據(jù)表明，本文算法與目前常用的去噪方法相比，去噪效果更好，保留的細(xì)節(jié)比較多，對(duì)顏色空間的影響并不大。

a. Gorilla噪聲圖片 b.高斯去噪效果 c. 雙邊濾波效果 d. 非局部均勻去噪效果 e. 本文去噪效果f. 噪聲圖 g. 高斯去噪效果 h. 雙邊濾波去噪效果 i. 非局部均值去噪效果 j. 本文去噪效果

表1 不同去噪算法的質(zhì)量評(píng)價(jià)

4 結(jié)束語(yǔ)

圖像去噪是圖像處理領(lǐng)域中的重要組成部分，對(duì)改善圖像質(zhì)量具有重要的作用。本文主要根據(jù)視網(wǎng)膜感受野的神經(jīng)機(jī)制及其模型，構(gòu)建了一種新的圖像去噪方法，把神經(jīng)信息的處理機(jī)制應(yīng)用于圖像去噪的研究領(lǐng)域中。由實(shí)驗(yàn)結(jié)果分析可知，本文算法不僅能有效地抑制噪聲，并且能保留圖像細(xì)節(jié)和邊緣信息，對(duì)進(jìn)一步的高級(jí)圖像處理有重要的作用。本文還將該算法與具有代表性的現(xiàn)有去噪算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果也表明本文算法能更好去除圖像噪聲點(diǎn)，并且圖像的細(xì)節(jié)和邊緣信息都得以很好的，取得較好的視覺(jué)效果。為圖像去噪領(lǐng)域提供新的思路和研究基礎(chǔ)。為了更好地研究彩色圖像的去噪效果，下一步將會(huì)研究在不同顏色空間下，該方法的彩色圖像去噪效果；與不同顏色空間下的其他方法的去噪效果進(jìn)行對(duì)比。

[1] ALAMRI S S, KALYANKAR N V, KHAMITKAR S. A comparative study of removal noise from remote sensing image[J]. International Journal of Computer Science Issues, 2010, 7(1): 32-36.

[2] HWANG H, HADDAD R A. Adaptive median filters: New algorithms and results[J]. IEEE Transactions on Image Processing, A Publication of the IEEE Signal Processing Society, 1995, 4(4): 499-502.

[3] GAO L, LI C. An adaptive TV model for image denoising[C]//International Conference on Natural Computation. [S.l.]: IEEE, 2013:766-770.

[4] CHEN T, MA K K, CHEN L H. Tri-state median filter for image denoising[J]. IEEE Transactions on Image Processing, A Publication of the IEEE Signal Processing Society, 1999, 8(12): 1834-1838.

[5] HU Xiao-dong, PENG Xin, YAO Lan, et al. Study of wavelet domain gaussian mixture model with median filtering mixed image denoising[J]. Acta Photonica Sinica, 2007, 36(12): 2381-2385.

[6] 楊燕, 黃彥麗, 曹金蓮. 基于小波域隱馬可夫數(shù)模型的SAR圖像去噪[J]. 測(cè)繪與空間地理信息, 2012, 33(5): 64-69.

YANG Yan, HUANG Yan-li, CAO Jin-lian. SAR image denoising based on wavelet domain hidden markov tree model[J]. Geomatics and Spatial Information Technology, 2012, 33(5): 64-69.

[7] DAVIDSON G, GRIFFITHS H D. Wavelet detection scheme for small targets in sea clutter[J]. Electronics Letters, 2002, 38(19): 1128-1130.

[8] 曾敬楓. 基于matlab不同小波基的小波閾值圖像去噪算法[J]. 智能計(jì)算機(jī)與應(yīng)用, 2016, 6(4): 75-77.

ZENG Jing-feng. Wavelet threshold image denoising algorithm based on MATLAB different wavelet bases[J]. Intelligent Computer and Applications, 2016, 6(4): 75-77.

[9] ZHANG B. Fast new small-target detection algorithm based on a modified partial differential equation in infrared clutter [J]. Optical Engineering, 2007, 46(10): 106401.

[10] MICHEL J, JEAN C P. A model for logarithmic image processing[J]. Journal of Microscopy, 2011, 149(1): 21-35.

[11] FLEISHMAN S, DRORI I, COHEN D. Bilateral mesh denoising[J]. Acm Transactions on Graphics, 2003, 22(3): 950-953.

[12] ZHANG M, GUNTURK B K. Multiresolution bilateral filtering for image denoising[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2008, 17(12): 2324-2333.

[13] SHI J L, LIU Z Y, JING T. Bilateral signal variance estimation for wavelet-domain image denoising[J]. Science China Information Sciences, 2013, 56(6): 1-6.

[14] BUADES A, COLL B, MOREL J M. A review of image denoising algorithms, with a new one[J]. Siam Journal on Multiscale Modeling & Simulation, 2005, 4(2): 490-530.

[15] 羅學(xué)剛, 呂俊瑞, 王華軍, 等. 選擇性計(jì)算的快速非局部均值圖像去噪[J]. 電子科技大學(xué)學(xué)報(bào), 2015, 44(1): 84-90.

LUO Xue-gang, Lü Jun-rui, WANG Hua-jun, et al. Fast nonlocal means image denoising algotithm using selective calculation[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(1): 84-90.

[16] ZHANG X S, GAO S B, LI R X, et al. A retinal mechanism inspired color constancy model[J]. IEEE Transactions on Image Processing, 2016, 25(3): 1219-1232.

[17] PETKOV N, WESTENBERG M A. Suppression of contour perception by band-limited noise and its relation to nonclassical receptive field inhibition[J]. Biological Cybernetics, 2003, 88(3): 236-246.

[18] MALIK J, PERONA P. Preattentive texture discrimination with early vision mechanisms[J]. Journal of the Optical Society of America, A Optics & Image Science, 1990, 7(5): 923-932.

[19] 楊開(kāi)富. 前端視覺(jué)通路信息加工的計(jì)算模型及應(yīng)用研究[D]. 成都: 電子科技大學(xué), 2016.

YANG Kai-fu. Computational models and applications of the early stages of biological visual system[D]. Chengdu: Unicersity of Electronic Science and Technology of China, 2016.

[20] RODIECK R W. Quantitative analysis of cat retinal ganglion cell response to visual stimuli[J]. Vision Research, 1965, 5(12): 583-601.

[21] RODIECK R W, STONE J. Analysis of receptive fields of cat retinal ganglion cells[J]. Journal of Neurophysiology, 1965, 28(5): 832-849.

編 輯 黃 莘

Adaptive Image Denoising Algorithm Based on Visual Receptive Fields Properties

LIU Yu-hong1, 2, ZHANG Yan-shan1, LI Yong-jie1, YANG Kai-fu1, and YAN Hong-mei1

(1. School of Life Science and Technology, University of Electronic Science and Technology of China Chengdu 610054; 2. Department of Physics, Chengdu Medical College Chengdu 610500)

In order to eliminate noise and preserve details in image, an algorithm of image denoising based on visual receptive fields properties is proposed. Based on neuron electrophysiology research result, an image denoising processing has been realized by simulating adaptive mechanism in primary visual cortex and response characteristics of visual receptive fields. First, noise is detected by a small scale template. Then, according to the size and the location of the noise, an ON/OFF receptive field model is applied to adaptively deal with the noise. Finally, the brightness of the image is adjusted. Compared with some current denoising methods, experimental results show that textures and edges information in images processed by this proposed algorithm are better preserved. It is superior to other methods in objective image quality indexes, such as peak signal to noise ratio (PSNR) and mean squared error (MSE). It can not only remove noise in image process, but has ability to strengthen image edge details as well.

adaptive; image denoising; receptive fields; visual mechanism

TP394.1

A

10.3969/j.issn.1001-0548.2017.06.024

2017-04-28；

2017-06-08

國(guó)家自然科學(xué)基金(61573080，61375115)；國(guó)家973計(jì)劃( 2013CB329401)

劉玉紅(1982-)，女，博士生，副教授，主要從事圖像處理方面的研究.