双曲型偏微分方程具有保护隐私加密图像去噪方法

技术领域

本发明涉及图像处理技术领域，特别是涉及双曲型偏微分方程具有保护隐私加密图像去噪方法。

背景技术

图像去噪是指减少数字图像中噪声的过程，现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像；噪声是图象干扰的重要原因,一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生，根据噪声和信号的关系可将其分为三种形式:f(x,y)表示给定原始图象,g(x,y)表示图象信号,n(x,y)表示噪声；

双曲型偏微分方程是描述振动或波动现象的一类重要的偏微分方程，双曲型偏微分方程解可以分解为振动与振动相乘，或指数函数与指数函数相乘的形式，一般能量无穷,它主要用于描述振动、波动现象与相应的运动过程,它的一个典型特例是波动方程和n=1时的波动方程,可用来描述弦的微小横振动，称为弦振动方程,双曲型方程最重要的性质是其柯西问题的适定性。有时人们也用此来作为双曲型方程定义的基础,一个双曲型方程的特征多项式可以允许有多重实根出现，而且方程是否为双曲型与该方程的低阶项有关；

目前的图像去噪方法在实际操作应用中的便利度不足，方法运行复杂，与双曲型偏微分方程的算法结合度不高，影响操作效率，并且目前的图像去噪方法对图像的隐私保护效果不足，存在一定的局限性；为此，我们提出双曲型偏微分方程具有保护隐私加密图像去噪方法。

发明内容

本发明的目的在于提供双曲型偏微分方程具有保护隐私加密图像去噪方法，以解决上述背景中提出的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为双曲型偏微分方程具有保护隐私加密图像去噪方法，所述具有保护隐私加密图像去噪方法，包括以下步骤：

Step1：输入待处理的原始图像样本；

Step2：对上述输入的待处理原始图像样本进行噪声添加，得到含噪声图像；

Step3：由得到的含噪声图像建立去噪模型，判定图像特征；

Step4：选取阈值，对噪声图像边缘进行检测，并计算噪声图像的梯度幅值；

Step5：根据相关问题的背景和图像处理的数据建立双曲型偏微分方程；

Step6：对上述偏微分方程进行求解，得到去噪声图像；

Step7：再次利用双曲型偏微分方程算法进行图像的系数分解，建立验证模型，进行数值实验；

Step8：依据实验仿真结果，图像验证成功，则进入Step9，图像验证不成功，则重新进入Step4，直至图像完成验证；

Step9：对图像进行加密，形成隐私保护；

Step10：输出去噪后的图像。

优选地，所述Step2中对输入的待处理原始图像样本进行噪声添加，并在必要时进行灰度转换。

优选地，所述Step2中图像噪声的添加来源包括图像采集、图像传输和图像压缩，所述图像的噪声种类包括椒盐噪声和高斯噪声。

优选地，所述Step2中的噪声组成，包括加性噪声,加性噪声与输入图象信号无关,例如信道噪声及光导摄像管的摄像机扫描图象时产生的噪声，典型的加性噪声有高斯噪声；乘性噪声,乘性噪声与图象信号有关,飞点扫描器扫描图象时的噪声,电视图象中的相关噪声,胶片中的颗粒噪声就属于此类噪声；量化噪声,量化噪声与输入图象信号无关,是量化过程存在量化误差,再反映到接收端而产生。

优选地，所述Step4对噪声图像边缘进行检测，并计算噪声图像的梯度幅值时，需选择权重函数，并构建相适应的二阶微分算子。

优选地，所述Step6中对双曲型偏微分方程进行求解，双曲型方程按偏微分方程的系数特性来介定，分解为振动与振动相乘，或指数函数与指数函数相乘的形式。

优选地，所述Step9中对图像进行加密的技术，包括混淆和扩散，混淆是通过打乱二维矩阵中像素值原来所在的位置；扩散则是通过原始图像中一个像素值的微小改变，导致整幅图像中像素值的巨大变化，以此对矩阵进行处理，来达到最终的加密目的。

优选地，所述Step10中输出去噪后的图像，操作基于计算机和计算机存储器，所述计算机与计算机存储器电性连接。

本发明具有以下有益效果：

本发明双曲型偏微分方程具有保护隐私加密图像去噪方法通过结合双曲型偏微分方程及其算法对图像去噪进行技术支持，有效提升图像的去噪效率及精度。

本发明双曲型偏微分方程具有保护隐私加密图像去噪方法通过对去噪图像进行加密，能够形成隐私保护，加强安全性。

本发明双曲型偏微分方程具有保护隐私加密图像去噪方法对图像处理后的边缘状态保持更好，图像视觉效果得到提升。

本发明双曲型偏微分方程具有保护隐私加密图像去噪方法操作流程简便，操作效率高，运行成本低，维护便利，具备较高的推广价值。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的双曲型偏微分方程具有保护隐私加密图像去噪方法的操作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示：本发明为双曲型偏微分方程具有保护隐私加密图像去噪方法，该图像去噪方法包括以下步骤：

Step1：输入待处理的原始图像样本；

Step2：对上述输入的待处理原始图像样本进行噪声添加，得到含噪声图像；

Step3：由得到的含噪声图像建立去噪模型，判定图像特征；

Step4：选取阈值，对噪声图像边缘进行检测，并计算噪声图像的梯度幅值；

Step5：根据相关问题的背景和图像处理的数据建立双曲型偏微分方程；

Step6：对上述偏微分方程进行求解，得到去噪声图像；

Step7：再次利用双曲型偏微分方程算法进行图像的系数分解，建立验证模型，进行数值实验；

Step8：依据实验仿真结果，图像验证成功，则进入Step9，图像验证不成功，则重新进入Step4，直至图像完成验证；

Step9：对图像进行加密，形成隐私保护；

Step10：输出去噪后的图像。

其中，Step2中对输入的待处理原始图像样本进行噪声添加，并在必要时进行灰度转换。

其中，Step2中图像噪声的添加来源包括图像采集、图像传输和图像压缩，图像的噪声种类包括椒盐噪声和高斯噪声。

其中，Step2中的噪声组成，包括加性噪声,加性噪声与输入图象信号无关,例如信道噪声及光导摄像管的摄像机扫描图象时产生的噪声，典型的加性噪声有高斯噪声；乘性噪声,乘性噪声与图象信号有关,飞点扫描器扫描图象时的噪声,电视图象中的相关噪声,胶片中的颗粒噪声就属于此类噪声；量化噪声,量化噪声与输入图象信号无关,是量化过程存在量化误差,再反映到接收端而产生。

其中，Step4对噪声图像边缘进行检测，并计算噪声图像的梯度幅值时，需选择权重函数，并构建相适应的二阶微分算子。

其中，Step6中对双曲型偏微分方程进行求解，双曲型方程按偏微分方程的系数特性来介定，分解为振动与振动相乘，或指数函数与指数函数相乘的形式。

其中，Step9中对图像进行加密的技术，包括混淆和扩散，混淆是通过打乱二维矩阵中像素值原来所在的位置；扩散则是通过原始图像中一个像素值的微小改变，导致整幅图像中像素值的巨大变化，以此对矩阵进行处理，来达到最终的加密目的。

其中，Step10中输出去噪后的图像，操作基于计算机和计算机存储器，计算机与计算机存储器电性连接。

本发明中，噪声模型针对不同的噪声有不同的处理算法，对于输入的带有噪声的图像v(x)，其加性噪声可以用一个方程来表示：v(x)=u(x)+η(x)，x∈Ω，v(x)=u(x)+η(x)，x∈Ω，其中u(x)是原来没有噪声的图像，x是像素集合，η(x)是加项噪声项，代表噪声带来的影响，Ω是像素的集合，也就是整幅图像，从这个公式可以看出，噪声是直接叠加在原始图像上的，这个噪声可以是椒盐噪声、高斯噪声，理论上来说，如果能够精确地获得噪声，用输入图像减去噪声就可以恢复出原始图像，但现实往往很骨感，除非明确地知道噪声生成的方式，否则噪声很难单独求出来；工程上，图像中的噪声常常用高斯噪声N(μ,σ2)来近似表示，其中μ=0，σ2是噪声的方差，σ2越大，噪声越大，一个有效的去除高斯噪声的方式是图像求平均，对N幅相同的图像求平均的结果将使得高斯噪声的方差降低到原来的N分之一，现在效果比较好的去噪算法都是基于这一思想来进行算法设计；

本发明中，高斯低通滤波器是一类传递函数为高斯函数的线性平滑滤波器，又由于高斯函数是正态分布的密度函数，因此高斯低通滤波器对于去除服从正态分布的噪声非常有效，由于图像通常是二维信号，因此图像去噪通常使用二维高斯函数作为传递函数，而高斯函数具有可分离的特性，因此可以先对行进行高斯滤波，再对列进行高斯滤波，这样二维高斯函数就可以降为一维高斯滤波；

本方案中，图像去噪按照噪声密度分布，包括高斯噪声：指噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点个数越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以用线性滤波器滤除；椒盐噪声（脉冲噪声）：类似把椒盐撒在图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声，如电视里的雪花噪声等。椒盐噪声可以认为是一种逻辑噪声，用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果；均匀噪声：是指功率谱密度（信号功率在频域的分布状况）在整个频域内是常数的噪声。 所有频率具有相同能量密度的随机噪声称为白噪声；瑞利噪声：噪声分布为瑞利分布；指数噪声：噪声分布为指数分布；伽马噪声：噪声分布为瑞利分布；

本方案中，图像加密将肉眼可识别的图像信息重构成一张类噪声的图像，加密后的图像不包含原始图像的任何有用信息，常用的混淆方法有排序，循环移位，Arnold变换，幻方变换等，通过使用不同的原理来达到改变像素位置的目的，扩散常用的方法是异或运算，即将图像变成一个一维的数组，按照从左至右的顺序，依次对数组中的像素值进行异或操作。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。