强椒盐噪声下的模糊边缘自适应中值滤波算法

高密度椒盐噪声图像开关自适应滤波算法陈从平;王健;秦武【摘要】A switched adaptive filtering algorithm is proposed for removing the high density salt-pepper noise.At first,the algorithm performs noise detection based on the window’s signal pi’els and the probable noise pixel distribution,then the noise density is calculated.The filtering method to average adjacent signal pixels’ value is applied to low noise density image area.The filtering method of weighted iteration is applied to high noise density( 30％ )image area.Experimental results show that this algorithm can suppress noise effectively.Especially for high noise density (90％)cases,the PSNR is about 10 dB higher than other methods.%针对现有算法普遍对高密度椒盐噪声滤波不足的问题,提出一种自适应高密度椒盐噪声滤波算法.该算法首先在分析窗口中确定信号点与可能的信号点分布情况并据此进行噪声检测,然后计算出图像的噪声密度.对于低密度椒盐噪声图像采用邻域信号点均值滤波方法,对于高密度噪声图像(噪声密度大于30%),则根据窗口中信号点的分布情况采用加权迭代滤波方法.实验结果表明,本文算法比其他算法具备更好的去噪能力,尤其在较高密度(90%)噪声情况下与其他算法相比获得的峰值信噪比(PSNR)仍高出10 dB左右.【期刊名称】《激光与红外》【年(卷),期】2011(041)007【总页数】5页(P817-821)【关键词】图像;椒盐噪声;开关自适应滤波;高密度【作者】陈从平;王健;秦武【作者单位】三峡大学机械与材料学院,湖北,宜昌,443002;三峡大学机械与材料学院,湖北,宜昌,443002;三峡大学机械与材料学院,湖北,宜昌,443002【正文语种】中文【中图分类】TN911.731 引言椒盐噪声是数字图像在采集、传输、处理过程中经常产生的黑－白点子噪声，会严重影响图像质量，对后续图像分割和特征提取等处理结果会产生很大的影响。

一种去除椒盐噪声的自适应极值中值滤波算法曾宪佑;黄佐华;周进朝;张勇【期刊名称】《计算机与现代化》【年(卷),期】2012(0)11【摘要】针对椒盐噪声的特点,为了更好地滤除图像中的椒盐噪声同时又能较好地保护图像细节,提出一种自适应极值中值滤波算法.该算法通过对窗口内的非噪声点的检测自适应调整窗口大小,使用Max-Min算子作为噪声检测器,通过设置合理的阈值对灰度值等于极大值或者极小值的窗口中心的像素点进行噪声识别,减小将信号点误判为噪声点的概率,然后将检测出的噪声点用窗口内信号点的中值代替,而信号点保持不变直接输出.同时对超过设定的最大窗口的情况,窗口中心的像素点的灰度值用4个相邻的已处理的像素点灰度值的均值进行替换.实验仿真结果证明了该算法滤除椒盐噪声的有效性,在噪声较大时,去噪效果更明显.%In order to preserve more details in an image while removing salt and pepper noise, an adaptive extremum and median filtering algorithm is proposed, according to the feature of salt and pepper noise. The size of the filtering window is adjusted automatically by detecting the presence of signal points in the window. Max-Min operator is used as the noise detector and a suitable threshold is chosen to identify the noises from the pixels which are in the center of the window and the gray value is equal to the maximum gray value or the minimum gray value of the window. Then filter outs the detected noise with the median value of the gray value of all signal points in the window, and outputs the signal points directly withoutchanges. The gray value of the pixels in the center of window which exceeds the maximum window is replaced with the mean of the gray value of neighboring four pixels. Simulation results demonstrate the validity of the algorithm, especially when the density is high.【总页数】5页(P70-73,77)【作者】曾宪佑;黄佐华;周进朝;张勇【作者单位】华南师范大学物理与电信工程学院量子信息技术实验室,广东广州510006;华南师范大学物理与电信工程学院量子信息技术实验室,广东广州510006;华南师范大学物理与电信工程学院量子信息技术实验室,广东广州510006;华南师范大学物理与电信工程学院量子信息技术实验室,广东广州510006【正文语种】中文【中图分类】TP391.41【相关文献】1.一种消除椒盐噪声的迭代自适应中值滤波算法 [J], 王拓;王洪雁;裴炳南2.一种去除椒盐噪声的自适应模糊中值滤波算法 [J], 万丰丰; 周国民; 周晓3.一种去除椒盐噪声的自适应开关中值滤波算法 [J], 乔坤; 郭朝勇; 毛东4.一种去除椒盐噪声的自适应开关中值滤波算法 [J], 乔坤; 郭朝勇; 毛东5.一种针对椒盐噪声的高速自适应中值滤波算法 [J], 马炼;李林因版权原因，仅展示原文概要，查看原文内容请购买。

电光与控制Electronics Optics&Control Vol.26No.2 Feb.2019第26卷第2期2019年2月引用格式：E拓，I：•洪雁，裴炳南.-种消除椒盐噪声的迭代自适应中值滤波算法［J］•电光与控制,2019.26(2):23-27.WANG T,WANG H Y.PEI B N.An iterative adaptive median filtering algoritlim for salt and pepper noise removal J］.Electronics Optics&Control.2019.26(2)：23-27.一种消除椒盐噪声的迭代自适应中值滤波算法王拓"」'，王洪雁"丄，裴炳南"丄(大连大学,a.辽宇省北■'!-高精度位置服务技术1：程实验索；b.大连市环境感知与智能控制重点实验室.辽宁大连116622)摘要：针对传统中值滤波算法对高密度椒盐噪声图像滤波效果差的问题，基于循环迭代处理思想，提出一种消除椒盐噪声的迭代自适应中值滤波算法在传统基于决策滤波方法基础上，所提算法自适应调整滤波窗口尺寸并计算滤波窗口内非椒盐像素中值以替换噪声像素，进而根据噪声密度自适应决定算法迭代次数，以完全消除椒盐噪声并恢复原始图像仿真结果表明，对噪声密度为10%~99%的图像，与标准中值滤波及其4种改进算法相比，所提算法能较快消除椒盐噪声且可较好恢复原始图像细节关键词：图像处理；椒盐噪声；迭代自适应中值滤波；滤波窗口；运行时间中图分类号：TP391.41文献标志码：A doi：10.3969/j.issn.1671-637X.2019.02.005An Iterative Adaptive Median Filtering Algorithm forSalt and Pepper Noise RemovalWANG Tuo a i,,WANG Hong-yan"1',PEI Bing-nan,,b(Dalian I niversity,a.Liaoning Engineering Laboratory of BeiDou High-precision Location Service；I).Dalian Key Laboratory of Environmental Perception and Intelligent Control,Dalian116622.China)Abstract:The traditional median filtering algorithm has poor filtering effect on the images with high-densitv salt and pepper noise.Based on the theory of cyclic iterative processing,an iterative adaptive median filtering algorithm is proposed to remove the salt and pepper noise.Following the traditional filtering approach based on decision-making,the proposed algorithm adaptively adjusts the size of the filtering window and calculates the median of the non-salt and pepper pixels in the filtering window to replace the corrupted pixels.After that,the proposed algorithm adaptively determines the iteration number ticcording to the noise density,so as to completely remove the salt and pepper noise and retrieve the original image.Simulation results demonstrate that,compared with the standard median filtering algorithm and four other improved algorithms,the proposed algorithm can remove the salt anti pepper noise with less running time and can efficiently retrieve the details of the original image for the images with the noise density vaiying from10%to99%.Key words:image processing；salt and pepper noise；iterative adaptive median filtering；filtering window；门mning time0引言椒盐噪声是数字图像处理中的一种典型噪声，通常是因图像采集设备故障或信号传输过程错误而产生―"，椒盐噪声会导致图像受损像素取最小或最大收稿日期:2018-02-01修回日期:2018-03-30基金项目：国家fl然科学基金(61301258,61271379)；+国博上后科学基金(2016M590218)作者简介:王拓(1992—).男.河南南阳人，硕士.研究方向为数字图像处理、机器视觉灰度值(0和255),从而造成图像细节丢失和质量下降，进而极大影响后续图像处理效果o因此，利用高效的噪声消除算法对含有椒盐噪声的图像进行降噪预处理显得尤为重要近年来，许多有效的图像降噪算法被相继提出其中，文献［5］首先提出一种非线性中值滤波器(MF),该滤波器可有效滤除噪声密度低于20%的噪声，但噪声密度高于20%时，利用该算法所得去噪图像的细节信息丢失严重，算法去噪性能较差为改善高密度噪声下去噪效果，文献［6］提出一种自适应中值滤波器(AMF),24电光与控制第26卷该滤波器基于预定义窗门尺寸阈值动态调整滤波窗口尺寸,对高密度噪声有较好的滤波效果,但该算法使用固定窗M尺寸阈值,对不同噪声密度图像无法自适应调整阈值，而且逐次加大窗口尺寸不仅耗时，还会导致图像模糊此外，匕述算法均没有将噪声像素和非噪声像素区别处理，因而不可避免地损坏年噪声像素：文献［7］提出一种基于决策的中值滤波算法（I）BMF）,该算法首先识别噪声像素，即如果像素值位于0和255之间，则保持原值，否则，使用3x3窗口内中值像素进行替换，从而显著改善算法去噪性能。

数字图像处理作业系别：班级：姓名：学号：论文：影响系统图像清晰程度的因素很多，例如室外光照度不够均匀就会造成图像灰度过于集中；由CCD（摄像头）获得的图像经过A/D（数/模转换，该功能在图像系统中由数字采集卡来实现）转换、线路传送都会产生噪声污染等等。

因此图像质量不可避免的降低了，轻者表现为图像不干净，难于看清细节；重者表现为图像模糊不清，连概貌也看不出来。

因此，在对图像进行分析之前，必须要对图像质量进行改善，一般情况下改善的方法有两类：图像增强和图像复原。

图像增强( image enhancement ),定义是将原来不清晰的图像变得清晰或强调某些关注的特征，抑制非关注的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。

增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

图像增强可分成两大类：频率域法和空间域法。

前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。

采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。

具有代表性的空间域算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征，使图像与视觉响应特性相匹配。

在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。

图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。

一种去除椒盐噪声的自适应模糊中值滤波算法万丰丰; 周国民; 周晓【期刊名称】《《浙江大学学报（理学版）》》【年(卷),期】2019(046)004【总页数】9页(P445-453)【关键词】椒盐噪声; 图像降噪; 中值滤波; 自适应模糊中值滤波【作者】万丰丰; 周国民; 周晓【作者单位】浙江工业大学信息工程学院浙江杭州 310023; 浙江警察学院浙江杭州 310053【正文语种】中文【中图分类】TP391椒盐噪声通常来自图像的产生、传输、处理和存储过程［1］，主要由图像的极值组成，在视觉上表现为黑白相间的亮暗点，会严重影响图像质量，也给图像的后续分析和处理造成困难。

因此，如何有效去除椒盐噪声、保护图像细节具有十分重要的研究意义。

标准中值滤波（SMF）算法［2］是一种非线性滤波方法，对椒盐噪声具有良好的平滑效果，因此，在图像降噪领域得到了广泛的应用。

然而，SMF算法采用预设的固定窗口对每个像素点进行相同的处理，不区分噪声点和信号点，在去除噪声的同时容易导致图像细节模糊。

为此，提出了各种改进算法。

自适应中值滤波（AMF）算法［3-4］可自适应调整滤波窗口的大小，并采用非噪声的中值点代替窗口中心像素点，提高了噪声的去除能力，但中值点很可能取到离窗口中心较远位置的像素点，易导致图像细节丢失。

文献［5］提出了一种改进的AMF算法，计算滤波窗口在4个方向上各像素点与中心像素点的灰度差值的和，并利用其绝对值的最小值进行噪声检测，对受噪声污染程度较低的图像具有很好的噪声去除和边缘保持效果。

当滤波窗口的污染程度较高时，虽然滤波窗口增大，但仍采用标准中值方法去除噪声，易导致噪声在邻域的扩散。

文献［6］采用多级开关进行噪声检测，提出了一种自适应开关中值滤波（ASM）算法，能有效去除高密度噪声，但其图像边缘细节模糊问题尚未解决。

文献［7］提出了基于噪声估计的自适应开关型中值滤波算法，利用支持向量回归（SVR）分析估计图像中的噪声比例，并对不同噪声比例的图像启动不同的滤波策略，提高了对高密度噪声的去除能力，但对低密度噪声图像的滤波效果较为一般。

中值滤波与自适应中值滤波的比较和应用一、引言在图像处理领域，滤波是一种常用的技术，其主要目的是消除图像中的噪声。

其中，中值滤波和自适应中值滤波是两种重要的滤波方法。

二、中值滤波中值滤波是一种非线性滤波方法，它的基本思想是用一个像素邻域中所有像素值的中值来替代该像素的值。

这种方法可以有效地去除椒盐噪声，同时保持边缘信息不被破坏。

然而，中值滤波器的一个主要缺点是对高斯噪声的抑制效果较差。

三、自适应中值滤波自适应中值滤波是一种改进的中值滤波方法，它根据每个像素点周围像素的灰度分布特性自动调整滤波窗口大小。

这种方法既保留了中值滤波的优点，又克服了对高斯噪声抑制效果差的问题。

然而，由于需要计算每个像素周围的灰度分布特性，因此计算量较大。

四、中值滤波与自适应中值滤波的比较中值滤波和自适应中值滤波的主要区别在于滤波窗口的大小。

中值滤波使用固定大小的滤波窗口，而自适应中值滤波则根据每个像素点周围像素的灰度分布特性自动调整滤波窗口大小。

因此，自适应中值滤波在保持边缘信息的同时，能更好地去除噪声。

五、应用中值滤波和自适应中值滤波广泛应用于图像处理领域，如医学图像处理、遥感图像处理、视频监控等。

它们可以帮助我们提高图像的质量，提取有用的图像特征，从而进行更深入的图像分析和理解。

六、结论总的来说，中值滤波和自适应中值滤波都是有效的图像滤波方法。

选择哪种方法取决于具体的图像处理任务和需求。

如果图像中的噪声主要是椒盐噪声，并且对计算效率有较高的要求，那么中值滤波可能是一个更好的选择。

如果图像中的噪声包括高斯噪声，并且对图像质量有较高的要求，那么自适应中值滤波可能更适合。

一种去除高密度椒盐噪声的中值滤波算法作者：李强陈初侠黄涛黄振花锦鑫李亮亮来源：《电脑知识与技术》2021年第35期摘要：针对现有算法对高密度椒盐噪声滤波不足的问题，本文提出一种去除高密度椒盐噪声的中值滤波算法。

该算法首先对椒盐噪声图像进行噪声检测，把图像分为噪声点和信号点;然后只对噪声点利用噪声像素周围的信号点进行中值滤波处理。

实验结果表明，本算法比其他算法具备更好地去噪能力和细节保护能力，尤其在高密度（如90%）噪声情况下，本算法获得的峰值信噪比（PSNR）比其他算法要高最少5dB左右。

关键词：高密度椒盐噪声;中值滤波;噪声检测;峰值信噪比中图分类号：TP301.9 文献标识码：A文章编号：1009-3044（2021）35-0137-031 引言图像椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，它是由隨机产生的黑点（灰度值为0）和白点（灰度值为255）构成[1]。

椒盐噪声会严重影响图像的质量，对图像的后续处理如图像分割、特征提取等会产生不良影响，因此，有效去除图像中的椒盐噪声是数字图像处理的一个重要技术问题[2]。

目前在去除椒盐噪声方面有很多算法，最常见的有标准中值滤波（Standard Median Filtering，SMF）算法、极值中值滤波（Extremum Median Filter，EMF）算法[3]和自适应中值滤波（Adaptive Median Filtering，AMF）算法[4]。

SMF算法简单，速度快，但对于图像细节不能有效保护;EMF算法能较好保护图像细节，但对噪声密度敏感，随着噪声密度增大其滤波性能会明显变差;AMF算法在图像细节保护和较高密度椒盐噪声去除方面都比较理想，但随着窗口尺寸的增加，滤波后的图像明显变得模糊，不能有效保护图像细节[2][5]。

为了有效去除图像的高密度椒盐噪声，尽可能保护图像的细节和边缘，本文在借鉴SMF、EMF和AMF算法的基础上，提出一种新的基于中值滤波去除高密度椒盐噪声的算法（Signal Set Median Filtering，SSMF）。

自适应中值滤波器的实现与在图像降噪中的应用滤波器被广泛地用于图象的预处理,抑制图象噪声,增强对比度,以及强化图象的边沿特征.运用较为广泛的线性滤波器如平均值滤波器,能较好地抑制图象中的加性噪声. 但是,线性滤波器会引起图象的钝化或模糊,使得图象中物体边界产生位移. 特别是,在图象受到乘性噪声或脉冲噪声的干扰,如超声波及雷达成像中普遍存在的斑点噪声,线性滤波器就不能取得预期的效果.中值滤波器，就像其名字一样，是用该像素的相邻像素的灰度中值来代替该像素的值，是一种非线性滤波器。

例如滤波窗口由3×3 个象素组成,则其中5个象素的灰度值会小于等于该滤波器的输出灰度值,同时5 个象素的灰度值会大于等于滤波器的输出. 由此可见,对于离散的脉冲噪声,当其出现的次数小于窗口尺寸的一半时,将被抑制掉同时也能较好地保证图象的边沿特征,而且易于实现. 因此它被广泛地应用于图象处理,尤其是医学图象处理,如超声波图象.但由于其使用的滤窗大小是固定不变的,当窗中噪声像素数超过有用像素之半时（噪声密度较大时）,中值滤波滤波作用大大降低。

多次试验验证:在脉冲噪声强度大于0.2时,中值滤波效果就显得不是令人满意。

而本文介绍的自适应中值滤波器会根据一定的设定条件改变滤窗的大小,即当噪声面积较大时,通过增加滤窗的大小将噪声予以去除,同时当判断滤窗中心的像素不是噪声时,不改变其当前像素值,即不用中值代替。

这样,自适应中值滤波器可以处理噪声概率更大的脉冲噪声,同时在平滑非脉冲噪声图像时能够更好地保持图像细节,这是传统中值滤波器做不到的。

文中首先介绍了自适应中值滤波器的原理，随后分析了实现的关键技术，并给出了程序代码，最后与传统中值滤波进行了试验比较,试验结果验证了自适应中值滤波器的有效性和实用性。

2．自适应中值滤波器的原理介绍及实现技术2.1 算法原理介绍自适应中值滤波器的滤波方式和传统的中值滤波器一样,都使用一个矩形区域的窗口Sxy ,不同的是在滤波过程中,自适应滤波器会根据一定的设定条件改变,即增加滤窗的大小,同时当判断滤窗中心的像素是噪声时,该值用中值代替,否则不改变其当前像素值,这样用滤波器的输出来替代像素(x,y) 处(即目前滤窗中心的坐标的值。

文章标题：深度探讨：opencv 中值滤波去除椒盐噪声的代码实现在计算机视觉和图像处理领域，椒盐噪声是一种常见的问题，它会使图像出现黑白颗粒点，降低了图像质量，同时也影响了后续的图像处理和分析。

为了解决这一问题，opencv 中值滤波成为了一种常用的去噪方法之一。

本文将就opencv 中值滤波去除椒盐噪声的代码实现进行深度探讨，从概念到实现进行全面评估，以助您更深入地理解这一关键技术。

1. 椒盐噪声的影响在介绍opencv 中值滤波的代码实现之前，首先要了解椒盐噪声对图像的影响。

椒盐噪声是一种随机出现在图像中的噪声，表现为图像中出现黑色或白色的噪点。

这些噪点会对图像的细节和清晰度造成破坏，严重影响图像的质量和后续处理。

去除椒盐噪声成为了图像预处理中的重要步骤。

2. opencv 中值滤波的原理了解了椒盐噪声的影响，接下来我们来深入了解opencv 中值滤波的原理。

中值滤波是一种非线性滤波方法，它的原理是将像素点邻域内的像素灰度值进行排序，然后取中值作为该像素点的灰度值，从而达到去除噪声的目的。

与其他线性滤波方法相比，中值滤波在去除椒盐噪声方面具有更好的效果，能够有效保留图像的细节和边缘信息。

3. opencv 中值滤波的代码实现有了对中值滤波原理的深入理解，接下来就是实际的代码实现。

在opencv中，可以使用`medianBlur`函数来实现中值滤波。

该函数的原型为：```cppvoid cv::medianBlur(InputArray src,OutputArray dst,int ksize)```- `src`参数为输入图像，可以是单通道或多通道的图像。

- `dst`参数为输出图像，与输入图像有相同的尺寸和通道数。

- `ksize`参数为滤波模板的尺寸，必须为大于1的奇数。

通常取3、5、7等。

下面是一个简单的示例代码：```cpp#include <opencv2/opencv.hpp>int main(){cv::Mat img = cv::imread("input.jpg");cv::Mat dst;cv::medianBlur(img, dst, 5);cv::imshow("Original Image", img);cv::imshow("Filtered Image", dst);cv::waitKey(0);return 0;}```通过上述示例代码，我们可以轻松地实现对图像的中值滤波去除椒盐噪声。

一种自适应双阈值模糊中值滤波算法范文噪声对图像处理十分重要，其会影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。

其中，椒盐噪声一般是由于传输误差或比特丢失造成的。

椒盐噪声与其他的像素点有明显的区别，一般是邻域中的像素值的极值点。

但是极值点并不一定是噪声点。

椒盐噪声在图像上表现出黑白相间的亮暗点，会严重影响图像的质量。

传统中值滤波算法(smf)[1]能够减弱或消除傅里叶空间的高频分量，但是同时会影响低频分量。

由于高频分量对应图像中的边沿灰度值具有较大较快变化的部分，所以smf算法可将这些分量滤除，使图像平滑，破坏图像的边缘和细节。

文献[2]提出了模糊开关中值滤波算法(fsm)，fsm算法处理效果比smf算法要好一点。

提出了自适应模糊开关中值滤波(nafsm)算法。

文献提出了edpa算法。

文献[5]和文献[6]提出基于神经网络的模糊中值滤波算法，对于受密度噪声污染的图像取得了不错的效果，但是计算量很大。

文献[7]、文献[8]、文献[9]、文献[10]提出了一种自适应模糊中值滤波算法(afm)。

afm算法对傅里叶空间的低频分量具有较好的滤除效果，但对高频分量的处理效果不是很好，主要是没有考虑椒盐噪声对图像的污染程度。

所以本文在afm的基础上提出了一种双阈值模糊中值滤波算法，该算法能很好地保护图像的细节，具有高效地处理椒盐噪声的能力。

利用模糊系统，计算输入参数的模糊系数权值。

因为处理的是椒盐噪声，所以只需输入滤波窗口中原值与中值的差，最后通过去模函数去模糊化，滤波输出。

滤波窗口s由w×w(w默认值为3，一般为奇数)的方阵组成。

对s 里的像素点值进行快排序，可得滤波窗口中像素的最小值为smin，最大值为smax，中值为smed，均值为smean。

x(i，j)表示噪声图像在(i，j)的灰度值。

模糊系统首先是计算参数s1(i，j)=x(i，j)-smed。

在图像处理的时候一般对像素的污染程度进行阈值的设置。