一种基于改进NLM算法的RFID标签图像去噪方法

一种基于改进nlm算法的rfid标签图像去噪方法
技术领域
1.本发明涉及一种基于改进nlm算法的rfid标签图像去噪方法，属于光电检测与图像处理领域。


背景技术：

2.图像去噪作为最古老的图像处理技术之一一直以来都备受重视。随着人们生活水平的不断提高，对图像清晰度的要求也水涨船高，各种去噪算法相接出现，算法效果也是飞速提升。
3.目前，rfid技术作为应用于自动化和物联网感知层领域的核心技术，rfid标签的使用频段已经达到超高频，加之rfid标签使用数目也不断提高，标签之间的干扰日益严重。所以，如何避免干扰以提高多rfid标签系统性能成为了这项技术的核心课题。研究表明，一般rfid多标签系统的性能与其几何分布有很大的关系，而图像识别是获取rfid多标签几何分布的有效手段。因此，rfid图像去噪算法的改进对于rfid技术的进一步发展具有非常深刻的意义。
4.nlm算法的主要原理是，充分利用一幅图像上有着很多相似的纹理，在有噪声的区域，将相似的纹理区域来替换噪声区域，从而达到较好的去噪效果，并且不太多的损失细节。
5.改进的nlm算法主要是在原始nlm算法中引入基于黄金分割法的系数寻优过程。具体来说是利用黄金分割点作为缩短理论最优值所在区间的试探点，逐步缩小最值搜索区间，最后得到一定精度要求下的最优值。通过黄金分割法加速的参数寻优得到最优nlm核函数系数后，进行nlm算法处理图像，就可完成rfid标签图像的去噪过程。
6.基于改进nlm算法的rfid标签图像去噪方法主要由黄金分割加速、系数优化和nlm算法处理三个部分组成，本发明利用其对rfid标签图像进行处理，证明了算法对rfid标签去噪的有效性。
7.发明目的
8.目前，rfid技术作为应用于自动化和物联网感知层领域的核心技术，rfid标签的使用频段已经达到超高频，加之rfid标签使用数目也不断提高，标签之间的干扰日益严重。一般rfid多标签系统的性能与其几何分布有很大的关系，而图像识别是获取rfid多标签几何分布的有效手段。因此，针对rfid标签图像去噪算法的改进对于rfid技术进一步发展具有非常深刻的意义。
9.技术方案
10.本发明提出一种基于改进nlm算法的rfid标签图像去噪方法，包括以下步骤：
11.步骤1)：使用黄金分割法得到最优nlm核函数系数；
12.步骤2)：将最优nlm核函数系数代入nlm核函数；
13.步骤3)：输入rfid标签含噪图，并对rfid标签含噪图进行高斯卷积；
14.步骤4)：对高斯卷积后的rfid标签含噪图像进行nlm算法处理，完成rfid标签图像
去噪过程。
15.进一步的，步骤1)所述nlm核函数为：
[0016][0017]
其中ω(i,j)为某个像素点的权重；z(i)为归一化系数，v
x
表示rfid标签含噪图像素矩阵中以x为中心、边长为d的领域窗口；vy表示rfid标签含噪图像素矩阵中以y为中心、边长为d的领域窗口；‖.‖2为欧式距离，即2范数；q为核函数系数。
[0018]
进一步的，步骤1)所述黄金分割法步骤如下：
[0019]
步骤11)：设置搜索区间[a,b]和搜索宽度g；
[0020]
步骤12)：(1)若|b-a|》g，令a’＝0.382*a，b’＝0.618*b；若f(a’)》f(b’)，b＝b’,更新搜索区间[a，b]；否则，a＝a’,更新搜索区间[a，b]；
[0021]
(2)若|b-a|《g；若f(a)》f(b)，q＝a；否则，q＝b；
[0022]
步骤13)：输出最优核函数系数q。
[0023]
进一步的，步骤3)所述高斯卷积步骤如下：
[0024]
步骤31)：设定一个3
×
3的模板；
[0025]
步骤32)：以高斯核来决定模板中各个元素的取值，高斯核为：
[0026][0027]
其中n，m是以模板中心元素为原点下其他元素所在位置坐标的通用符号，n为横坐标，m为纵坐标；
[0028]
步骤33)：让模板中心依次从rfid标签含噪图像素矩阵左上角开始从左往右、总上往下滑动，每次滑动前，进行如下运算：
[0029]
模板中心对应的图像像素值＝∑(周围元素的像素值
×
相同位置的模板值)。
[0030]
进一步的，步骤4)所述nlm算法处理步骤如下：
[0031]
步骤41)：设定一个边长为d的模板作为搜索窗口，设定两个边长为d的模板作为领域窗口，以x为中心的领域窗口不动，以y为中心的领域窗口在搜索窗口内移动；
[0032]
步骤42)：以y为中心的领域窗口在搜索窗口从左往右、从上往下滑动，利用步骤1)所述的nlm核函数计算以y为中心的领域窗口相对于以x为中心的领域窗口的权重；最后进行如下运算：
[0033]
dn(i,j)＝∑
(i,j∈i)
v(i,j)
·
ω(i,j)
[0034]
其中dn(i,j)为rfid标签去噪图某点的像素值，v(i,j)为含有噪声的标签图像某点的像素值；i代表rfid标签去噪图中各个像素点的集合,i、j表示点在rfid标签去噪图像素矩阵中的位置；
[0035]
步骤43)：搜索窗口从rfid标签含噪图像素矩阵左上角开始从左往右、从上往下滑动，重复步骤41)、步骤42)。
[0036]
相比于现有技术，本发明的有益效果在于：
[0037]
本发明通过运行时间对rfid标签图像的去噪算法的实时性进行评价和分析。此外，对rfid标签图像添加标准差为0.02的高斯白噪声图像，用基于函数图法寻优的nlm算法和本发明分别去噪，两种方法q参数的搜索区间均为[0,140]。基于函数图法的nlm算法运行时间为668s，利用本发明算法运行时间为115s。
[0038]
本发明采用峰值信噪比(psnr)和结构相似性(ssim)进行rfid标签图像去噪质量的评价。psnr是目前最广泛的评价图像画质的参数，但是它与图像的视觉效果会有不成正比的情况，而ssim是度量两幅图相似性的评价参数，因此本发明用psnr和ssim相结合来评价去噪效果。对rfid标签图像加入归一化后标准差为0.02的高斯白噪声，用原始nlm算法和本发明分别去噪，原始nlm算法的psnr为29.8db，ssim为0.9259；本发明的psnr为31.6db，ssim为0.9415。说明本发明的算法提高了rfid标签噪声图的质量，有力地说明了算法的有效性。
附图说明
[0039]
图1：本发明算法流程图；
[0040]
图2：基于改进nlm算法的rfid标签图像去噪方法原理图；
[0041]
图3：本发明实施例的rfid标签含噪图；
[0042]
图4：本发明实施例的最终去噪图。
具体实施方式
[0043]
本发明提出一种基于改进nlm算法的rfid标签图像去噪方法，包括以下步骤：
[0044]
步骤1)：使用黄金分割法得到最优nlm核函数系数；
[0045]
步骤1)所述nlm核函数为：
[0046][0047]
其中ω(i,j)为某个像素点的权重；z(i)为归一化系数，v
x
表示rfid标签含噪图像素矩阵中以x为中心、边长为d的领域窗口；vy表示rfid标签含噪图像素矩阵中以y为中心、边长为d的领域窗口；‖.‖2为欧式距离，即2范数；q为核函数系数。
[0048]
步骤1)所述黄金分割法步骤如下：
[0049]
步骤11)：设置搜索区间[a,b]和搜索宽度g；
[0050]
步骤12)：(1)若|b-a|》g，令a’＝0.382*a，b’＝0.618*b；若f(a’)》f(b’)，b＝b’,更新搜索区间[a，b]；否则，a＝a’,更新搜索区间[a，b]；
[0051]
(2)若|b-a|《g；若f(a)》f(b)，q＝a；否则，q＝b；
[0052]
步骤13)：输出最优核函数系数q。
[0053]
步骤2)：将最优nlm核函数系数代入nlm核函数；
[0054]
步骤3)：输入rfid标签含噪图，并对rfid标签含噪图进行高斯卷积；
[0055]
步骤3)所述高斯卷积步骤如下：
[0056]
步骤31)：设定一个3
×
3的模板；
[0057]
步骤32)：以高斯核来决定模板中各个元素的取值，高斯核为：
[0058][0059]
其中n，m是以模板中心元素为原点下其他元素所在位置坐标的通用符号，n为横坐标，m为纵坐标；
[0060]
步骤33)：让模板中心依次从rfid标签含噪图像素矩阵左上角开始从左往右、总上往下滑动，每次滑动前，进行如下运算：
[0061]
模板中心对应的图像像素值＝∑(周围元素的像素值
×
相同位置的模板值)。
[0062]
步骤4)：对高斯卷积后的rfid标签含噪图像进行nlm算法处理，完成rfid标签图像去噪过程。
[0063]
步骤4)所述nlm算法处理步骤如下：
[0064]
步骤41)：设定一个边长为d的模板作为搜索窗口，设定两个边长为d的模板作为领域窗口如图2所示，以x为中心的领域窗口不动，以y为中心的领域窗口在搜索窗口内移动；
[0065]
步骤42)：以y为中心的领域窗口在搜索窗口从左往右、从上往下滑动，利用步骤1)所述的nlm核函数计算以y为中心的领域窗口相对于以x为中心的领域窗口的权重；最后进行如下运算：
[0066]
dn(i,j)＝∑
(i,j∈i)
v(i,j)
·
ω(i,j)
[0067]
其中dn(i,j)为rfid标签去噪图某点的像素值，v(i,j)为含有噪声的标签图像某点的像素值；i代表rfid标签去噪图中各个像素点的集合,i、j表示点在rfid标签去噪图像素矩阵中的位置；
[0068]
步骤43)：搜索窗口从rfid标签含噪图像素矩阵左上角开始从左往右、从上往下滑动，重复步骤41)、步骤42)。
[0069]
具体实验验证如下：
[0070]
本实例利用编写的matlab程序实现，程序流程如图1所示。
[0071]
本实例所用的软件版本为matlab r2018a，操作系统为microsolf windows 10专业版64位系统，中央处理器型号为11th gen intel(r)core(tm)i5-1135g7@2.40ghz，内存16gb。
[0072]
本实例的rfid标签含噪图由对rfid标签图像加入归一化后标准差为0.02的高斯白噪声得到，如图3所示。
[0073]
黄金分割法a＝0，b＝140，g＝0.5；nlm算法搜索窗口d＝11，领域窗口d＝5；优化得到的q＝11；
[0074]
最终去噪图如图4所示。
[0075]
采用时间来进行去噪算法运行速度的评价，q参数搜索区间为[0,140]，利用函数图法步长为1进行遍历寻优运行时间为668s，利用黄金分割法运行时间为115s。
[0076]
采用psnr和ssim相结合来评价去噪效果。对rfid标签图像加入归一化后标准差为0.02的高斯白噪声，用原始nlm算法和本发明分别去噪，原始nlm算法的psnr为29.8db，ssim
为0.9259；本发明的psnr为31.6db，ssim为0.9415。