引言

在计算机视觉、医学影像、工业检测等领域，图像质量直接影响后续分析的准确性。噪声污染、局部污损以及拍摄角度偏差是常见的图像质量问题。本文将系统阐述如何使用Java实现图像降噪、去污和角度校正三大核心功能，结合OpenCV Java库与纯Java实现方案，提供完整的代码示例与技术选型建议。

一、图像降噪技术实现

图像降噪是预处理的关键步骤，主要解决传感器噪声、传输干扰等问题。

1.1 噪声类型与评估

• 高斯噪声：服从正态分布，常见于电子元件热噪声
• 椒盐噪声：随机出现的黑白像素点，多由传输错误引起
• 评估指标：PSNR（峰值信噪比）、SSIM（结构相似性）

// 计算PSNR示例
public static double calculatePSNR(BufferedImage original, BufferedImage processed) {
    int width = original.getWidth();
    int height = original.getHeight();
    long mse = 0;
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            int origPixel = original.getRGB(x, y);
            int procPixel = processed.getRGB(x, y);
            int origR = (origPixel >> 16) & 0xFF;
            int origG = (origPixel >> 8) & 0xFF;
            int origB = origPixel & 0xFF;
            int procR = (procPixel >> 16) & 0xFF;
            int procG = (procPixel >> 8) & 0xFF;
            int procB = procPixel & 0xFF;
            mse += Math.pow(origR - procR, 2);
            mse += Math.pow(origG - procG, 2);
            mse += Math.pow(origB - procB, 2);
        }
    }
    mse /= (width * height * 3);
    if (mse == 0) return Double.POSITIVE_INFINITY;
    final double MAX_PIXEL = 255.0;
    return 20 * Math.log10(MAX_PIXEL / Math.sqrt(mse));
}

1.2 降噪算法实现

1.2.1 高斯滤波

// 使用OpenCV实现高斯滤波
public static BufferedImage gaussianBlur(BufferedImage input, int kernelSize, double sigma) {
    Mat src = bufferedImageToMat(input);
    Mat dst = new Mat();
    Imgproc.GaussianBlur(src, dst, new Size(kernelSize, kernelSize), sigma);
    return matToBufferedImage(dst);
}

1.2.2 中值滤波（去椒盐噪声）

// 纯Java实现中值滤波
public static BufferedImage medianFilter(BufferedImage input, int radius) {
    int width = input.getWidth();
    int height = input.getHeight();
    BufferedImage output = new BufferedImage(width, height, input.getType());
    for (int y = radius; y < height - radius; y++) {
        for (int x = radius; x < width - radius; x++) {
            int[] window = new int[9]; // 3x3窗口
            int index = 0;
            for (int dy = -radius; dy <= radius; dy++) {
                for (int dx = -radius; dx <= radius; dx++) {
                    window[index++] = (input.getRGB(x + dx, y + dy) >> 16) & 0xFF; // 仅处理R通道
                }
            }
            Arrays.sort(window);
            int median = window[4]; // 中值
            // 更新RGB通道（简化示例）
            int rgb = (median << 16) | (median << 8) | median;
            output.setRGB(x, y, rgb);
        }
    }
    return output;
}

二、图像去污技术实现

针对局部污损的修复，主要采用基于样本的修复算法。

2.1 基于样本的修复算法

// 使用OpenCV的inpaint函数
public static BufferedImage inpaintImage(BufferedImage input, BufferedImage mask) {
    Mat src = bufferedImageToMat(input);
    Mat maskMat = bufferedImageToMaskMat(mask); // 将mask转换为单通道Mat
    Mat dst = new Mat();
    Imgproc.inpaint(src, maskMat, dst, 3, Imgproc.INPAINT_TELEA);
    return matToBufferedImage(dst);
}

2.2 纯Java实现（简化版）

// 基于邻域像素的简单修复
public static BufferedImage simpleInpaint(BufferedImage input, int[][] damageMap) {
    int width = input.getWidth();
    int height = input.getHeight();
    BufferedImage output = deepCopy(input);
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            if (damageMap[y][x] == 1) { // 标记为损坏区域
                int[] neighbors = new int[8];
                int count = 0;
                // 收集8邻域像素
                for (int dy = -1; dy <= 1; dy++) {
                    for (int dx = -1; dx <= 1; dx++) {
                        if (dx == 0 && dy == 0) continue;
                        int nx = x + dx;
                        int ny = y + dy;
                        if (nx >= 0 && nx < width && ny >= 0 && ny < height) {
                            neighbors[count++] = (output.getRGB(nx, ny) >> 16) & 0xFF;
                        }
                    }
                }
                // 简单平均
                if (count > 0) {
                    int sum = 0;
                    for (int i = 0; i < count; i++) sum += neighbors[i];
                    int avg = sum / count;
                    int rgb = (avg << 16) | (avg << 8) | avg;
                    output.setRGB(x, y, rgb);
                }
            }
        }
    }
    return output;
}

三、图像角度校正技术

自动检测并校正倾斜图像是文档处理、OCR等场景的关键步骤。

3.1 基于霍夫变换的旋转角度检测

// 使用OpenCV检测文档倾斜角度
public static double detectDocumentSkew(BufferedImage input) {
    Mat src = bufferedImageToMat(input);
    Mat gray = new Mat();
    // 转换为灰度图
    Imgproc.cvtColor(src, gray, Imgproc.COLOR_BGR2GRAY);
    // 边缘检测
    Mat edges = new Mat();
    Imgproc.Canny(gray, edges, 50, 150);
    // 霍夫直线检测
    Mat lines = new Mat();
    Imgproc.HoughLinesP(edges, lines, 1, Math.PI/180, 100, 100, 10);
    // 计算主导角度
    double[] angles = new double[lines.rows()];
    for (int i = 0; i < lines.rows(); i++) {
        double[] line = lines.get(i, 0);
        double dx = line[2] - line[0];
        double dy = line[3] - line[1];
        angles[i] = Math.atan2(dy, dx) * 180 / Math.PI;
    }
    // 计算中值角度
    Arrays.sort(angles);
    return angles[angles.length / 2];
}

3.2 图像旋转实现

// 使用OpenCV旋转图像
public static BufferedImage rotateImage(BufferedImage input, double angle) {
    Mat src = bufferedImageToMat(input);
    Mat dst = new Mat();
    Point center = new Point(src.cols()/2, src.rows()/2);
    Mat rotMat = Imgproc.getRotationMatrix2D(center, angle, 1.0);
    // 计算旋转后的图像边界
    double borderValue = 0; // 黑色背景
    Imgproc.warpAffine(src, dst, rotMat, src.size(), Imgproc.INTER_LINEAR, Imgproc.BORDER_CONSTANT, new Scalar(borderValue, borderValue, borderValue));
    return matToBufferedImage(dst);
}

四、完整处理流程示例

public static BufferedImage processImage(BufferedImage input) {
    // 1. 降噪处理
    BufferedImage denoised = gaussianBlur(input, 5, 1.5);
    // 2. 污损检测与修复（简化示例）
    int[][] damageMap = detectDamage(denoised); // 假设的污损检测方法
    BufferedImage repaired = simpleInpaint(denoised, damageMap);
    // 3. 角度校正
    double angle = detectDocumentSkew(repaired);
    BufferedImage rotated = rotateImage(repaired, -angle); // 负角度表示逆时针旋转
    return rotated;
}

五、技术选型建议

1. 性能考量：OpenCV Java绑定比纯Java实现快5-10倍，推荐生产环境使用
2. 精度要求：中值滤波窗口建议3x3或5x5，过大会导致边缘模糊
3. 旋转补偿：旋转后图像尺寸会增大，需计算新边界或裁剪
4. 内存管理：处理大图像时建议分块处理，避免OutOfMemoryError

六、应用场景扩展

1. 医学影像：CT/MRI图像降噪去伪影
2. 工业检测：产品表面缺陷检测前的预处理
3. 文档处理：扫描文档的自动校正与增强
4. 遥感图像：卫星图像的去噪与几何校正

结论

Java通过OpenCV绑定或纯Java算法均可实现高质量的图像降噪、去污和角度校正。对于性能敏感的应用，推荐使用OpenCV Java库；对于轻量级需求或特殊环境，纯Java实现提供了更好的可控性。实际开发中，应根据具体场景选择合适的算法组合，并注意处理流程的顺序优化（通常降噪→去污→校正）。