【图像去噪】基于1D引导滤波低纹理红外图像的有效条带噪声去除附Matlab代码

原创于 2025-10-11 18:51:44 发布 · 631 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在红外成像领域，低纹理红外图像（如均匀天空背景、低温恒温场景成像）因纹理信息稀疏、灰度变化平缓，成为条带噪声去除的难点场景。条带噪声作为红外探测器非均匀性（如像素响应不一致、读出电路漂移）导致的典型噪声，常以水平或垂直方向的周期性灰度偏差形式存在，不仅严重破坏图像视觉质量，还会干扰后续目标检测、温度反演等任务的精度。传统去噪算法（如中值滤波、小波阈值去噪）在处理低纹理图像时，易出现 “噪声残留” 或 “纹理模糊” 的矛盾 —— 要么无法彻底消除条带噪声的周期性偏差，要么过度平滑导致图像细节（如微弱目标边缘）丢失。而 1D 引导滤波（1D Guided Filter）凭借其 “基于引导信息的局部线性平滑” 特性，能在保留低纹理图像微弱细节的同时，精准抑制条带噪声，为低纹理红外图像去噪提供了创新解决方案。本文将从噪声特性、算法原理、实现流程到性能验证，全面解析 1D 引导滤波在低纹理红外图像条带噪声去除中的应用价值。

核心背景：低纹理红外图像条带噪声的特性与去噪挑战

要理解 1D 引导滤波的应用优势，首先需明确低纹理红外图像的成像特点与条带噪声的独特属性，以及传统去噪方案面临的核心挑战。

（一）低纹理红外图像与条带噪声的特性解析

低纹理红外图像的核心特征是 “灰度变化平缓、纹理信息稀缺”，其成像场景多集中于：

均匀环境成像：如夜间无云天空、大面积低温地面（雪地、冰面），图像中 80% 以上区域的灰度梯度小于 5（8 位灰度图像），缺乏明显的边缘、纹理等结构信息；

弱目标场景成像：如远距离小目标（无人机、低空飞行器）成像，目标占比不足图像总面积的 5%，背景以低纹理均匀区域为主；

器件限制成像：如低分辨率红外探测器成像，像素尺寸较大（≥15μm），进一步压缩了图像的纹理细节维度。

而条带噪声作为低纹理红外图像中的主要噪声类型，其特性可概括为 “周期性、方向性、关联性”：

周期性：噪声灰度偏差随像素列（或行）呈周期性波动，周期通常与探测器读出电路的扫描频率一致（如每 32 列或 64 列重复一次），在低纹理区域表现为 “明暗交替的条纹带”，视觉辨识度极高；

方向性：受探测器扫描方式影响，条带噪声多呈水平方向（面阵探测器逐行读出）或垂直方向（线阵探测器逐列拼接），且噪声方向与图像纹理方向无关联（低纹理图像无明显主导纹理方向）；

关联性：同一条纹带内的像素噪声具有强相关性 —— 相邻像素的灰度偏差差值小于 2，而不同条纹带间的偏差差值可达 10-20（8 位灰度图像），这种 “带内相关、带间差异” 的特性是区分噪声与信号的关键标志。

（二）传统去噪算法的局限性与核心挑战

针对低纹理红外图像的条带噪声去除，传统算法因未能适配 “低纹理 + 强周期性噪声” 的组合特性，普遍存在三大局限：

空间域滤波：噪声残留与细节丢失并存

中值滤波、均值滤波等空间域算法通过局部邻域统计实现平滑，但低纹理图像的局部邻域内灰度差异小，算法难以区分 “噪声偏差” 与 “信号变化”—— 若增大邻域尺寸以增强去噪效果，会导致微弱目标边缘（如目标与背景的灰度差仅 3-5）被模糊；若减小邻域尺寸，又无法消除条带噪声的周期性偏差，最终残留 “明暗条纹”。

频域滤波：纹理信息破坏严重

傅里叶变换、小波变换等频域算法通过抑制噪声对应的频域峰值实现去噪，但低纹理图像的信号能量集中于低频区域，而条带噪声的周期性使其频域峰值也位于低频（与信号频带重叠）。若增强频域抑制强度，会同时削弱图像的低频信号，导致图像整体灰度失真（如均匀背景出现 “块效应”）；若减弱抑制强度，则无法彻底滤除噪声峰值，去噪效果有限。

非均匀性校正算法：适应性差

基于定标（如两点定标、多点定标）的非均匀性校正算法，需依赖标准黑体等定标源获取探测器响应模型，但低纹理红外图像的成像场景多为动态变化（如空中侦察、野外监测），无法实时进行定标；而基于场景的非均匀性校正算法（如神经网络校正），需依赖丰富的图像纹理信息训练模型，在低纹理场景下因样本信息不足，校正精度大幅下降，甚至引入新的伪影。

这些局限的本质，是传统算法未能实现 “噪声针对性抑制” 与 “信号精细保留” 的平衡 —— 而 1D 引导滤波通过 “1D 维度适配噪声方向” 与 “引导信息约束平滑过程”，恰好能破解这一核心矛盾。

算法原理：1D 引导滤波的核心机制与去噪优势

1D 引导滤波是 2D 引导滤波在单维度（行或列）上的优化延伸，其核心思想是 “以图像自身（或其平滑版本）为引导信号，在局部窗口内建立引导信号与待滤波信号的线性关系，通过线性系数实现自适应平滑”。相较于 2D 引导滤波，1D 引导滤波在处理条带噪声时，具有 “计算效率高、噪声方向适配性强” 的优势，更贴合低纹理红外图像的去噪需求。

⛳️ 运行结果

📣 部分代码

im_input = rgb2gray(im_input);

end

% figure,imshow(im_input);

im_input=double(im_input)/255;

tic;

[row, column]=size(im_input);

% 1D row guided filtering

for i=1:row

smooth(i,:)=rowguidedfilter(im_input(i,:),im_input(i,:),4,0.4^2);

end

% In our implementation we set r=4 for a 384*288 resolution image. r=4 means

% w=9=2*r+1;

highpart = im_input - smooth;

% 1D column guided filtering

for j=1:column

strip(:,j)=columnguidedfilter(smooth(:,j),highpart(:,j),round(0.5*(row*0.25-1)),0.2^2);

end

🔗 参考文献

Code for paper: Y. Cao, M. Y. Yang, and C. Tisse, “Effective Strip Noise Removal for Low-textured Infrared Images Based on 1D Guided Filtering,” IEEE Trans. Circuits Syst. Video Technol., vol. 26, no. 12, pp. 2176–2188, 2016.