在环境干扰下世纪晟人脸图像去噪、增强方法

图像在生成和传输过程中常常因受到各种噪声的干扰和影响而是图像降质，这对后续图像的处理和图像视觉识别效应将产生不利影响。因此，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。

 

这里我将通过世纪晟科技来举例人脸图像去噪增强的方法。选择的理由主要是基于他们家相对成熟的3D动态人脸识别技术，这样也有便于各位学习。

 

前言——

世纪晟首先对摄像头采集的各角度二维人脸图像进行灰度变换，得到含有噪声的二维人脸梯度图像， 然后利用小概率策略和otus准则对图像进行分割，得到人脸图像的各个区域（干扰噪声区域、纹理区域和平滑区域），再采用不同阶次的分数阶微积分掩模对各个区域进行处理，得到自适应去噪和增强后的二维人脸图像。

环境干扰下的人脸图像去噪、增强方法——

 

（一）灰度变换

灰度变换是基于点操作的增强方法，它将每一个像素的灰度值按照一定的数学变换公式转换为一个新的灰度值，如增强处理中的对比度增强。

 

图像的灰度变换处理是图像增强处理技术中一种非常基础、直接的空间域图像处理法，也是图像数字化软件和图像显示软件的一个重要组成部分。灰度变换是指根据某种目标条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。目的是为了改善画质，使图像的显示效果更加清晰。

用于图像灰度变换的函数主要有三种：线性函数、对数函数、幂律函数

以上是几种常见灰度变换函数的曲线图，根据这几种常见函数的曲线形状，可以知道这几种变换的所能达到的效果。

（二）图像分割

图像分割是模式识别和计算机视觉中很重要的一个部分，基于阈值的图像分割具有简单、计算量小、效率高等特点，在实际图像处理中具有广泛的应用。

最大类间误差法（Otus）的思想是根据灰度特性，将图像分为目标和背景２部分，目标和背景之间的类间差越大，说明构成图像的２部分的差别越大，因此类间方差最大的分割即意味着错分概率最小，计算以每个灰度值为阈值的分割的类间方差，其中类间方差最大的值即为阈值。

 

算法过程：

1、 计算每个灰度值的概率并计算目标和背景的分布概率以及平均灰度值和方差

 

总结——

本文简单地以世纪晟科技在环境干扰下人脸图像去噪、增强为辅助参考效果。灰度直方图均衡化的算法，简单地说，就是把直方图的每个灰度级进行归一化处理，求每种灰度的累积分布，得到一个映射的灰度映射表，然后根据相应的灰度值来修正原图中的每个像素。

相关学科的发展也在推动着图像处理技术不断前进，小波的出现使得图像去噪方法发展到了一个新的阶段。在众多图像去噪算法中,究竟哪一种算法是最好的,应该根据图像的实际要求而应用不同的方法。