下载文档原格式
改进自适应中值滤波的低照度烟雾图像去噪黄梦涛;胡永才【摘要】To improve the reliability of computer vision detection technology for low-light indoor smoke,a denoising algorithm for low-light smoke images was put forward.According to the fact that low-light smoke images have disadvantages of large noise density,poor visual effects and less target information,based on the adaptive median filtering algorithm,a denoising algorithm was designed by changing the window mode of the filter,increasing the noise detection and enhancing the image.The size of the filter window was adjusted based on the density of the image noise to achieve the denoising of low-light smoke image and the pixel values of the low-light smoke image were stretched to achieve the enhancement of the smoke target.Based on the example,the denoising algorithm was simulated and analyzed.It is verified that the improved algorithm can not only realize the removal of the larger density noise in the image and keep more details of the image,but also make the smoke target more clear.%为提高低照度室内烟雾的计算机视觉检测技术的可靠性,研究低照度烟雾图像的去噪算法.根据低照度烟雾图像的噪声密度大、视觉效果差和目标信息少等缺点,利用改变滤波窗口变化模式、增加噪声点检测和图像灰度变化增强,在自适应中值滤波算法基础上设计一种去噪算法.通过噪声点密度大小自适应调节滤波窗口大小,对低照度烟雾图像的像素值进行拉伸,实现低照度烟雾图像的去噪和烟雾目标的增强.综合实例,对去噪算法进行仿真分析,验证了该算法可以实现低照度烟雾图像的较大密度噪声去除,保留更多的图像细节,使处理后的烟雾目标更清晰.【期刊名称】《计算机工程与设计》【年(卷),期】2018(039)006【总页数】5页(P1659-1663)【关键词】低照度;烟雾图像;自适应;去噪;增强【作者】黄梦涛;胡永才【作者单位】西安科技大学电气与控制工程学院,陕西西安710054;西安科技大学电气与控制工程学院,陕西西安710054【正文语种】中文【中图分类】TP3910 引言在基于室内低照度视频图像的烟雾检测方法中，烟雾图像质量以及烟雾目标关系着烟雾检测方法的精确性与稳定性,并且在低照度环境下获取的视频图像通常存在脉冲噪声多、对比度不足以及目标信息少等缺点。
![一种自适应中值滤波的CT图像去噪方法[发明专利]](https://img.taocdn.com/s1/m/04747c6fe418964bcf84b9d528ea81c758f52ee9.png)
专利名称：一种自适应中值滤波的CT图像去噪方法专利类型：发明专利
发明人：郭树理,王国威,韩丽娜,宋晓伟,杨文涛
申请号：CN202110489156.0
申请日：20210428
公开号：CN113313641B
公开日：
20220503
专利内容由知识产权出版社提供
摘要：本发明公开了一种自适应中值滤波的CT图像去噪方法，属于医学图像处理技术领域，特别适合于新冠肺炎的CT图像去噪。
选取尺寸为n×n的方形滤波窗口，比较窗口内灰度值的自适应最大值自适应最小值与当前像素点灰度值f(i,j)，依据第一阈值T0判断当前像素点是否为疑似噪声点，若是，再根据第二阈值T1进一步精确判断是否为噪声点；若当前像素点不为疑似噪声点或噪声点，则遍历窗口内的下一像素点；通过中心加权中值滤波的方法处理噪声点；最后输出中值滤波去噪后的CT图像。
在保持图像去噪的同时更好地保护了图像细节；通过改进熵权法修正传统熵权法传递信息存在偏差的问题，通过各项评价指标对去噪效果的贡献值确定中心加权滤波的最优权重，从而达到最优去噪效果。
申请人：北京理工大学,中国人民解放军总医院第二医学中心,海南软件职业技术学院
地址：100081 北京市海淀区中关村南大街5号
国籍：CN
代理机构：北京正阳理工知识产权代理事务所(普通合伙)
代理人：张利萍
更多信息请下载全文后查看。
基于中值滤波和小波变换的改进型图像去噪研究的
开题报告
1. 研究背景：
随着数字图像处理技术的不断发展，在各种领域的应用中，图像去噪一直是一个十分重要的问题。
在实际应用中，由于多种原因，图像可能会产生噪声，这会影响到图像的质量和处理结果的可靠性。
因此，图像去噪技术一直是数字图像处理领域一个重要的研究方向。
2. 研究内容：
本研究旨在探讨一种基于中值滤波和小波变换的改进型图像去噪方法。
本方法将中值滤波和小波变换相结合，利用中值滤波对图像进行预处理，然后通过小波变换对图像进行分解与重构，从而达到去除噪声的目的。
同时，本方法还将尝试引入一些新的算法，如局部像素分析等，以进一步提高去噪效果。
3. 研究方法：
该研究将采用以下步骤：
（1）对图像进行中值滤波和小波变换预处理；
（2）利用小波变换对图像进行分解，提取高频成分；
（3）通过局部像素分析等方法对高频成分进行处理；
（4）重构图像，得到去噪后的图像。
4. 预期结果：
本方法将通过图像去噪实验，与传统的中值滤波和小波变换方法进行对比，验证其去噪效果的优越性。
5. 研究意义：
本研究将对图像去噪技术的发展与应用，以及数字图像处理领域的研究具有重要的意义。
同时，该方法将在实际应用中为图像去噪提供一种新的解决方案。
中值滤波图像去噪方法的改进摘要：为了有效的去除图像中的脉冲噪声，本文提出了一种新的噪声检测与噪声去除的方法，它在充分分析了噪声的分布特性的基础上，对图像中的噪声及图像的细节进行多方向检测，进而有效地分辨出噪声像素点与非噪声像素点。
同时在传统的中值滤波的基础上结合邻域均值加权的思想对检测到的图像噪声点进行处理．在Matlab 上的实验结果表明，该方法能有 效地检测出噪声点，同时也在一定程度上较好的保存了图像的边缘信息．0引 言在图像的生成、传输和记录过程中，经常受到各种噪声的干扰，这不仅仅影响了图像的视觉效果，同时对后续的图像处理过程会产生很重要的直接影响。
根据图像中的噪声特性及概率分布，采取适当的方法去除图像中的噪声是一个很重要的图像预处理过程。
脉冲噪声是众多噪声中最常见的一种，中值滤波作为非线性滤波的代表是去除脉冲噪声的有效手段在实际处理过程中得到了广泛的应用。
然而传统的中值滤波对图像中的所有点进行滤波，改变了图像中未被脉冲噪声污染的像素点。
本文正是在对现有的中值滤波方法研究的基础上进行了改进。
l 中值滤波算法1.1中值滤波原理中值滤波的基本原理是把数字序列中一点值用该点的一个邻域中各点值的中值来代替。
即：一组数X 1、X 2...X n ，把n 个数按照值的大小顺序如下X l1≦X l2≦...≦X ln (1)⎪⎩⎪⎨⎧+==++][2/1},...,,{)12/()2/(2/)1(21n l n l n l n X X X X X X Med Y (2) 式中Y ——序列的中值。
例如：有一个序列为(0，3，5，9，6，8，2)，按照大小重新排序后为{0，2，3，5，6，8，9)，则Med{0，3，5，9，6，8，2}=5即为中值输出以此中值5代替原序列的中间值9。
则滤波后的序列为{0，3，5，5，6，8，2}。
二维中值滤波类似于上述定义：在方格上的数集(X ij )表示，这里(I ，j)取遍I 2或I 2的某子集。
一种改进的自适应分数阶积分图像去噪算法
马瑜;余婷;赵九龙;李晓辉;张宁宁
【期刊名称】《电视技术》
【年(卷),期】2014(38)19
【摘要】为了改善图像去噪的效果,提出一种基于分数阶积分和中值滤波的改进自适应图像去噪算法,首先利用自适应中值滤波算法(Ranked-order Based Adaptive Median Filter,RAMF)中的噪声判别条件来检测噪声点,然后利用“噪声边缘”判别函数对其中的可疑噪声点进行二次检测,同时根据图像的局部统计信息和结构特征构造自适应的分数阶阶次,最后将检测出的噪声点进行自适应的分数阶积分滤波去噪.与传统的分数阶积分去噪算法相比,该自适应算法有效地保留了被错误误去除的图像边缘点,并且实现了分数阶积分的阶次自适应化,在去除噪声的同时很好地保留了图像的边缘及纹理细节信息.
【总页数】6页(P36-40,46)
【作者】马瑜;余婷;赵九龙;李晓辉;张宁宁
【作者单位】宁夏大学研究生院,宁夏银川 750021;宁夏大学研究生院,宁夏银川750021;宁夏大学研究生院,宁夏银川 750021;宁夏大学研究生院,宁夏银川750021;宁夏大学研究生院,宁夏银川 750021
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于分数阶积分的数字图像去噪算法 [J], 刘彦;蒲亦非;周激流
2.一种改进的自适应图像去噪算法实现 [J], 陈婷;张东
3.一种改进的遥感图像去噪自适应中值滤波算法 [J], 张燎;周小军;谭薇
4.基于自适应三维分数阶积分的医学图像去噪算法 [J], 赵九龙;马瑜;李爽
5.一种改进全变差正则化的Shearlet自适应带钢图像去噪算法 [J], 韩英莉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于噪点检测的中值滤波图像去噪方法唐宁;吕洋【摘要】图像去噪是图像处理中一个非常重要的环节.针对传统中值滤波方法存在的不足,提出一种新的基于噪点检测的自适应中值滤波图像去噪方法.该方法通过自适应地改变滤波窗口的大小,局部检测并判断极值点是否为噪声点,有效地降低了非噪声点误判为噪声点的概率.实验结果表明,该方法能够更有效地去除图像中的噪声,并较好地保持图像细节和边缘.【期刊名称】《微型机与应用》【年(卷),期】2015(034)005【总页数】4页(P35-38)【关键词】图像去噪;中值滤波;噪点检测方法【作者】唐宁;吕洋【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TP317.4图像是对外界信息识别的重要途径，图像的清晰度直接影响到人们对外界的识别以及进一步分析。
在图像采集传输过程中由于外界噪声的干扰，会削弱或消除一些图像基本信息，进一步导致图像质量的降低。
对加入噪声的图像可以通过平滑、滤波等一系列预处理来改善图像质量。
中值滤波被广泛应用于图像去噪中。
它不同于一般的模板，中值滤波采用周围邻域像素的中间值来代替，能够较高地保留高频信号，使图像能更好地保持边缘清晰［1］。
本文通过对中值滤波及其改进的算法进行研究，提出了一种基于噪点检测的中值滤波图像去噪方法，通过实验对比进一步体现改进方法的优势，使其能够更好地保留原始图像的细节及边缘。
1.1 图像噪声图像噪声主要是源于图像的获取和传输，在此过程中受到了外界随机信号的干扰，从而影响人们对其信息的接收。
因而描述噪声的方法完全可以借用随机过程的描述，即使用概率分布函数和概率密度分布函数［2］。
图像中的噪声，可以根据概率密度函数分为高斯噪声、瑞利噪声、脉冲噪声等；依据噪声频谱分类可将其分为：白噪声、1/f噪声、三角噪声等［2］。
本文中将主要对椒盐噪声进行去噪分析。
自适应滤波技术在图像去噪中的应用研究自适应滤波是一种在图像处理领域中广泛使用的技术。
其主要应用是对图像中的噪音进行去除，从而使图像更加清晰。
本文将探讨自适应滤波技术在图像去噪中的应用研究。
一、自适应滤波技术的基本原理自适应滤波技术是一种基于局部均值的滤波方法，其基本原理是通过考虑每一个像素周围的图像特征来决定滤波器的权重系数。
具体来说，该技术通过计算局部均值和局部方差来确定每个像素点的权重系数，以此得到图像的滤波结果。
二、常见的自适应滤波算法在实际应用中，常见的自适应滤波算法包括中值滤波、高斯滤波、双边滤波等。
这些算法基于不同的原理，各自有其适用的场景和特点。
1. 中值滤波中值滤波是一种简单有效的自适应滤波算法。
其原理是将每一个像素点的像素值替换为邻域内像素值的中位数。
该算法适用于对椒盐噪声和脉冲噪声的去除，但在去除高斯噪声时效果不太理想。
2. 高斯滤波高斯滤波是一种基于高斯函数的自适应滤波算法。
该算法的基本思想是将像素点的像素值替换为邻域内像素值的加权平均值，其中权重系数由高斯函数决定。
该算法适用于平滑图像的同时保留图像细节。
3. 双边滤波双边滤波是一种能够同时平滑图像和保留图像边缘信息的自适应滤波算法。
其基本原理是将每个像素点的像素值替换为邻域内像素值的加权平均值，其中权重系数不仅考虑像素之间的距离，还考虑像素之间的灰度差异。
该算法适用于去除高斯噪声和椒盐噪声。
三、自适应滤波技术在图像去噪中的应用研究自适应滤波技术是一种实用的图像去噪方法。
从早期的中值滤波到现在的双边滤波，该技术在不断地发展和完善。
下面将简要介绍其在图像去噪中的应用研究。
1. 图像去噪领域的研究在图像处理领域，图像去噪一直是一个重要的研究方向。
自适应滤波技术已经成为了一种最为实用的图像去噪方法之一。
众多学者对该技术进行了不同的研究，从算法原理上进行了深入探讨，进一步提高了该技术的效果和应用范围。
2. 实际应用案例自适应滤波技术在实际应用中也得到了广泛运用。
改进的快速中值滤波算法在图像去噪中的应用杨明;宋丽华【摘要】In the image processing, the traditional median filtering algorithm is based on sorting algotithm, the correlation of datas are not considered. In the paper, we will list an improved fast algorithm of median filter; the correlation of datas are full used in this algorithm; we don’t need comparing many datas. First window's median value can be computed by divide-and-conquer method, then use the correlation of datas to compute the left windows's median values. This method can greatly improve the speed of median filtering. At last, we will use traditional median filtering algorithm and fast algorithm of median filter to deal with the same image with salt-and-pepper noise. It can conclude that the fast algortihtm of median filter can remove image noise quickly by the trial.%在图像处理中,传统的中值滤波算法都是建立在排序理论上,并没有充分考虑到各数据之间的相关性.提出一种改进的快速中值滤波算法,充分利用数据的相关性,避免传统算法因排序所需大量数据比较.先用分治法计算第一个窗口的中值,然后利用数据的相关性计算余下窗口的中值,大大提高了效率.最后分别用传统的中值滤波算法和改进的快速中值滤波算法对同一幅有椒盐噪声的图像做去噪实验.实验表明,该算法能快速实现图像去噪.【期刊名称】《测绘工程》【年(卷),期】2011(020)003【总页数】5页(P65-69)【关键词】快速中值滤波算法;椒盐噪声;图像去噪【作者】杨明;宋丽华【作者单位】信息工程大学测绘学院,河南郑州,450052;信息工程大学测绘学院,河南郑州,450052;军事经济学院襄樊学院,湖北襄樊,441118【正文语种】中文【中图分类】TP391在把获取的图像转换成可用计算机处理的数字图像的整个过程中,由于种种原因图像的质量会出现不尽人意的退化,输入的图像中会包含各种噪声。
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。
基于改进中值滤波的图像噪声去除算法的研究赵君爱;魏艳春【摘要】为了有效且快速滤除高密度椒盐噪声,同时又能很好地保护图像的细节,提出了一种基于中值滤波和均值滤波的改进滤波算法.该算法首先通过噪声检测过程确定图像中的噪声点和非噪声点,然后利用小窗口进行迭代滤波,根据窗口内非噪声点及噪声点数目的不同,采用相应的算法对窗口内噪声点进行适时的更新.试验结果表明,该算法能有效滤除密度从5％至80％的分布范围内的椒盐噪声,在图像的主观质量和客观质量方面均取得了较好的效果,有利于图像进一步的分析、判读.【期刊名称】《浙江农业学报》【年(卷),期】2015(027)006【总页数】5页(P1078-1082)【关键词】中值滤波;椒盐噪声;图像处理【作者】赵君爱;魏艳春【作者单位】江苏农林职业技术学院机电工程系,江苏镇江212400;东南大学机械工程学院,江苏南京211189;南京交通职业技术学院,江苏南京211189【正文语种】中文【中图分类】TP317.4图像在形成和传输的过程中往往会受到各种噪声的影响，从而使得图像的质量下降。
基于此，提出了很多噪声消除的方法。
其中，中值滤波(median filter，MF)由于算法简单和一定的细节保护能力而引起了广泛的重视[1]。
但是传统的中值滤波算法存在一些问题，一是处理速度太慢，这是由于它需要对邻域中的所有像素按灰度级排序，无法满足实时性的要求；二是去除脉冲噪声的性能受滤波窗口尺寸的影响较大，在抑制图像噪声和保护细节两方面存在一定的矛盾[2]；三是中值滤波会修改图像中的每一个像素，包括噪声像素和非噪声像素，从而使得恢复图像的能力有所下降[3]；四是中值滤波可以平滑脉冲噪声，但噪声密度过大时，平滑效果不好[4]。
基于此，很多文献提出改进算法，文献[2]中利用自适应中值滤波算法对图像中的噪声进行去除，此算法速度比中值滤波快，对低密度的噪声平滑效果好。
但是随着噪声密度的增大，自适应中值滤波去除噪声的效果变差。
基于自适应滤波技术的图像去噪研究图像去噪是数字图像处理领域的重要研究方向之一。
在图像的获取和传输过程中，常常会受到各种噪声的干扰，导致图像质量下降，影响图像的可视化效果和后续的图像分析处理。
因此，图像去噪技术的研究对于提高图像质量和应用价值具有重要意义。
自适应滤波技术是一种常用的图像去噪方法，它根据图像自身的特点和噪声的分布情况，动态调整滤波参数，以实现对图像的有效去噪。
自适应滤波技术可以通过对图像局部区域进行分析和比较，选择合适的滤波方式和参数，从而达到去除噪声的目的。
自适应滤波技术的基本原理是根据图像的局部统计特性来选择合适的滤波操作。
常见的自适应滤波方法包括均值滤波、中值滤波、高斯滤波等。
其中，均值滤波是一种简单的自适应滤波方法，它通过计算邻域像素的平均灰度值来替代当前像素的值，从而减少噪声的影响。
中值滤波是一种非线性的自适应滤波方法，它通过选择邻域像素的中值来替代当前像素的值，从而有效抑制噪声。
高斯滤波是一种基于高斯函数的线性滤波方法，它通过权重与像素值的加权平均来实现去噪效果。
在进行自适应滤波之前，需要对图像进行预处理，包括图像去均值和图像分块。
去均值是指将图像的平均灰度值减去，以便更好地反映图像的细节信息。
图像分块是指将图像划分为多个小块，在每个小块中进行自适应滤波处理，以避免在整幅图像上进行滤波时可能引入的边缘模糊和细节丢失问题。
自适应滤波技术的优点是能够根据图像的特性自动调整滤波参数，从而更好地适应不同场景和噪声类型的图像去噪需求。
此外，自适应滤波技术对图像细节的保护较好，可以在去噪的同时尽可能地保留图像的细节信息。
然而，自适应滤波技术也存在一些问题和挑战。
首先，自适应滤波技术在去噪过程中容易出现过滤失真和平滑效果不佳的问题。
其次，自适应滤波技术的计算复杂度较高，需要大量的计算资源和时间，对实时图像处理和大规模图像数据处理可能存在一定的限制。
针对以上问题和挑战，研究者们提出了一系列基于自适应滤波技术的改进方法。
改进自适应中值滤波的图像去噪杨卓东;张欣;张涛;李阳;杨臣君【摘要】针对传统自适应中值滤波算法的不足,提出了一种改进的自适应中值滤波算法,该算法引入了角度和相关性,第一,根据角度α的大小,判断当前像素点是否为可疑噪声点,再由其像素间的相关性判断此可疑噪声点是否为噪声点.第二,把排序得到的中值与窗口中所有像素点的均值加权得到新的灰度中值,再将噪声点用新的灰度中值替代,从而达到滤除噪声的效果.实验结果表明,该算法滤波,既能有效地平滑噪声,又能保存细节,效果远优于传统自适应中值滤波算法.【期刊名称】《通信技术》【年(卷),期】2015(048)011【总页数】4页(P1257-1260)【关键词】自适应;中值滤波;加权;相关性【作者】杨卓东;张欣;张涛;李阳;杨臣君【作者单位】贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025【正文语种】中文【中图分类】TP751.1图像在生成和传输的过程中，常会受到外界的干扰，容易产生脉冲噪声，脉冲噪声又分为椒盐噪声和随机噪声，消除噪声的方法有线性滤波和非线性滤波[1]，而中值滤波(SM)[2]便属于非线性滤波中的一种，自中值滤波提出以来，在消除椒盐噪声这一问题上取得了一定的成果，在图像处理中，常用来保护边缘信息，是经典的平滑噪声方法，但传统中值滤波的窗口是预先设定的，因而滤波效果会受到窗口尺寸的影响，故研究者们提出了一种新的算法—自适应中值滤波(AMF)[3]，然而自适应中值滤波仍存在容易将高频信号点误判为噪声点、难以选定合适的灰度中值等问题，为此研究者们提出了许多改进的算法，如文献[4]引入了MSD(最小几何距离测度)通过MSD的大小来判断当前像素点是否为噪声点，文献[5]利用相邻像素点的差分信息进行更准确的判别，并将噪声点分为边缘区域和平滑区域噪声点，对二者进行不同处理，文献[6]利用不同斜率之间的差值来判定噪声点，文献[7]通过对可疑噪声点实行二次检测来提高去除噪声的能力，文献[8]利用极值的个数来判断该点是否为噪声点，若窗口中极大值个数远多于极小值个数，则极小值为噪声点，反之，极大值为噪声点，若二者个数相差不大，则再利用中心像素和周边像素的信息来判断是否为噪声点。
·光全息与信息处理·改进自适应中值滤波的图像去噪肖 蕾,何 坤,周激流,吴 笛(四川大学计算机学院,成都 610065)提要:传统自适应中值滤波的最大最小窗口尺寸固定,并且其最大最小窗口相差较大时,运算时间较长,去噪效果并不一定最佳。
本文针对传统自适应中值滤波算法的不足,提出了改进自适应中值滤波算法,首先根据椒盐噪声的分布特点,从单幅含椒盐噪声图像中估算出椒盐噪声的浓度,并分析噪声浓度与自适应中值滤波窗口尺寸之间的关系,建立它们之间的函数关系。
其次根据噪声浓度确定自适应中值滤波的最大最小窗口尺寸,最后对图像进行自适应中值滤波。
实验结果表明本文算法运算时间随着噪声浓度的变化而变化,而且从PSNR 角度来看本文去噪效果比传统自适应中值滤波效果较好。
关键词:去噪;自适应中值滤波;最佳窗口尺寸;椒盐噪声中图分类号:TP .391 文献标识码:A 文章编号:0253-2743(2009)02-0044-03Image noise removal on improvement adaptive medium filterXIA O Lei ,HE Kun ,ZHOU Ji -liu ,WU Di(Computer College ,Sichuan University ,Chengdu 610065,China )Abs tract :Traditional adaptive median filtering performs badly on re moving nois e and takes a long run time especially when there 's a big difference between the stabl e maximum and mini mum window s ize .The algorithm that we have proposed ,first esti mates the thickness of as ingle image 's s alt -and -pepper noise based on the nois e 's distribution ,and it found a functional rel ation between thickness and window s ize .After the two window sizes are confirmed by the noise thicknes s ,the algorithm does median filtering on the image .Our experiment s hows that the algorithm changes run time according to the change in the noise thick -ness .With c hanges in PSNR ,we can s ee that the algorithm performs well to remove the nois e .K ey words :noise removal ;adaptive medium filter ;window siz e ;salt -and -peppers nois e收稿日期:2009-01-05 图像在形成、传翰、接收和处理过程中,不可避免地受到噪声的影响,如光电转换过程中灵敏元件的灵敏度不均匀性、数字化过程的量化噪声、传输过程中均会存在不同程度的噪声干扰(如高斯、椒盐噪声等)。
噪声恶化了图像质量,淹没图像特征,给图像分析带来困难。
因此,去除噪声是图像处理中的一个重要内容。
它旨在去除噪声的同时,尽可能保留图像细节(边缘和纹理)信息。
含椒盐噪声〔1〕图像中噪声与图像的内容是相互独立的,线性滤波对椒盐噪声处理效果较差,传统消除椒盐噪声的方法是标准中值滤波(SM )〔2〕,利用邻域中值代替图像像素灰度值。
SM 滤波虽能在一定程度上抑制椒盐噪声,但它具有以下三点不足:(1)不能完全消除图像中的椒盐噪声;(2)不能较好地保留图像边缘和纹理等信息;(3)去噪效果与滤波尺寸大小有关。
为了克服上述缺点人们提出了加权中值滤波和中心加权中值滤波等算法。
但是它们最大缺点是对所有像素点采用统一的处理方法,因此在滤除噪声的同时也改变了那些非噪声像素的灰度值,造成了图像模糊。
理想的滤波算法应该只对噪声点进行处理,而保留信号灰度值不变。
Sun and Neuvo 〔3〕和Florencio and Schafer 〔4〕分别提出了开关中值滤波的方法,更好地保留了图像细节,但噪声点判断方法是通过假定噪声水平上的硬阈值方法,使得其推广能力受到了限制。
H .L .Eng 和K .K .Ma 〔5〕提出噪声自适应软开关中值滤波(NASM )算法,它是一种软阈值的判断方法,这种算法自适应性虽然比其它的开关中值滤波算法强,但其计算时间随噪声密度的增大而增加,如当噪声密度为70%时,NAS M 算法所用的时间大约为中值滤波算法的17倍,因此不能满足实时图像处理。
传统自适应中值滤波的窗口尺寸与噪声浓度无关。
在自适应中值滤波算法中,低于窗口尺寸的一半的图像细节和噪声均被滤除。
为了弥补这一缺陷,Wang 提出了利用保边势函数保持图像中的细节部分〔6〕,M .Nikolova 使用保边势函数来消除椒盐噪声〔7,8〕。
Chan 结合了自适应中值滤波和保边势函数(AM -EPR )对椒盐噪声图像进行恢复〔9〕,能较好地恢复椒盐噪声浓度高达80%的图像,但它是以象素点为单位去除图像中的椒盐噪声,因此其计算效率很低。
还有Dong Yiqiu 将所有可能的噪声点形成向量,且使用GBB 算法解决最小化问题(AM -IE PR )〔10〕,从而极大的改进了AM -E PR 方法的计算效率,但是该方法并没有考虑到图像像素邻域之间的相关性,从图像整体上而言,去噪效果较好,但图像的一些局部信息损失较多,对信息主要分布在高频的图像去噪效果不理想。
运用中值滤波去噪处理小于窗口尺寸一半的图像,细节和噪声均被虑除。
为了去除图像中椒盐噪声,传统自适应中值滤波的最大窗口尺寸一般选择较大。
本文针对传统自适应中值滤波算法的不足,提出了改进的自适应中值滤波算法,首先根据椒盐噪声的分布特点,估算出图像含椒盐噪声的浓度,其次分析噪声浓度与自适应中值滤波的最大最小窗口尺寸之间的关系,建立它们之间的函数关系。
根据噪声浓度确定最佳的最大最小窗口尺寸,最后对图像进行中值滤波。
实验结果表明本文提出的算法运算时间随着噪声浓度的变化而变化,而且从PSNR 的效果来看去噪效果最好,从PSNR 角度来看本文去噪效果比传统自适应中值滤波效果较好。
1 椒盐噪声的特点椒盐噪声是一种由摄像系统的物理缺陷或传输中的解码错误而生成的黑白相间的点噪声,其噪声特征是噪声点亮度与其邻域的亮度明显不同。
图像中椒盐噪声的概率密度函数可由下式给出:44 肖 蕾等:改进自适应中值滤波的图像去噪 《激光杂志》2009年第30卷第2期 LASER J OURNAL (Vol .30.No .2.2009)P (z )=P a z =aP b z =b 0 other(1) 椒盐噪声值可以看作将胡椒和盐粉微粒随机地分布在图像上。
如图1所示的256×256的灰度图像加上噪声浓度为32.69%的椒盐噪声所得到的含噪图像如图2所示。
图1 原始图像 图2 噪声图像椒盐噪声在图像中产生的一些灰度值很小(接近黑色)或灰度值很大(接近白色)的污染点,本文根据椒盐噪声这一特点,仅仅从含噪图像中估计出图像中含椒盐噪声的浓度。
首先逐个像素点扫描计算出噪声图像中最大最小像素值,利用最大最小值判断各个像素点是否受到椒盐噪声影响: 噪声点 I i ,j =max or I i ,j =min非噪声点 other(2)椒盐噪声点。
图像中含椒盐噪声点的个数为Number niose 。
width ×height 的图像椒盐噪声的浓度为Ratio :R atio =Number n oisewidth ×height(3) 运用(3)式计算出图(1)的噪声浓度为32.7%。
本文估计噪声浓度比实际略大,主要是原始图像存在接近黑色或接近白色的像素点,本文方法把这些像素点误作为椒盐噪声。
所以估计出的椒盐噪声比实际较大。
同时运用本文方法对二值图像的椒盐噪声浓度估计,不论该图是否受到噪声影响,估计的结果均为100%。
2 自适应中值滤波器传统自适应中值滤波器能够去除噪声的同时在一定程度上保持图像边缘及纹理细节。
设S i ,j ,表示中心像素点(i ,j )在滤波时所对应的窗口(窗口的最小值为ωmin ,最大值为ωmax )。
令:z min 为S i ,j 窗口图像灰度最小值;z max 为S i ,j 窗口图像灰度最大值;z med 为S i ,j 窗口图像灰度中值;z i ,j 为图像像素点(i ,j )的灰度。
自适应中值滤波器算法工作在两个层次,可定义为A 层和B 层。
具体算法如下:A 层:Z A 1=z med -z min ,Z A 2=z max -z med ,如果ZA 1>0,且ZA 2>0,则转到B 层。
否则,增大窗口尺寸。
如果窗口尺寸小于ωmax ,则重复A 层。
否则,输出z i ,j 。
B 层:ZB 1=z i ,j -z min ,ZB 2=z max -z i ,j ,如果ZB 1>0,且ZB 2>0,则输出z i ,j 。
否则,输出z med 。
对含椒盐噪声如图2所示的图像,运用自适应中值滤波算法进行去噪处理。
不同窗口尺寸与去噪后图像的PSNR 之间的关系如表1所示。
由表1可知,从PSNR 的角度来看,传统自适应中值滤波去噪效果并不是随着最大窗口尺寸的增大而得到改善。
当最小窗口尺寸一定,增加最大窗口尺寸对去噪效果影响不大。
当图像噪声浓度一定时,增加自适应中值滤波的最小窗口尺寸,去噪后图像的PSNR 值并不会增加,这是因为小于最小窗口尺寸一半的图像细节被滤出。
表1 不同窗口去噪的PSNR最小窗口最大窗口PSNR (db )3528.371728.368928.3661128.3651328.3675729.30929.2791129.2681329.2597928.5021128.6021328.55091127.6101327.510111326.7983 改进的自适应中值滤波对图(1)所示的图像,添加不同浓度的椒盐噪声运用自适应中值滤波算法,以图像的PSNR 作为去噪效果的评价准则。
