一种基于噪声点检测的自适应中值滤波方法

作者:高克芳;郭建钢 刊名:福建农林大学学报(自然科学版) 上传者:魏海群

【摘要】针对中值滤波在图像去噪时会造成图像细节丢失的问题,提出了一种新的基于噪声点检测的自适应中值滤波法.该方法对噪声点采用两级判断的方法:首先根据椒盐噪声的特点将图像像素点分为可疑噪声和信号两类;对于可疑噪声点,根据噪声与细节在图像中的表现,将可疑噪声分为噪声和边缘细节;然后采用不同的中值滤波窗口对噪声点进行滤波,对于两次判断得到的信号和边缘细节不进行处理以保持图像的细节.测试结果表明,与常用的中值滤波法相比,该方法不仅具有较好的去噪特性,还具有较强的细节保护能力.

全文阅读

图像在形成、传输、接收和处理过程中受到外界干扰产生一些脉冲噪声,而在图像中产生黑色、白色的点,称为椒盐噪声[1].椒盐噪声会进一步影响边缘检测、图像分割和特征提取的效果.因此,提高信噪比是图像处理的重要任务之一,为此提出了两类方法.一类是线性方法.线性方法提出得较早,且具有较完备的理论基础,但在去噪声的同时,也会破坏图像细节[2].另一类方法是非线性的中值滤波方法.由于中值滤波方法在去除椒盐噪声的同时能很好地保护图像细节,在图像处理领域得到了较为广泛的应用[3-7].然而中值滤波的去噪效果又受到滤波窗口大小的影响,窗口小可以较好地保留图像的细节,但不能有效地去除噪声,窗口较大能更好地抑制噪声,但又会损失过多的图像细节,造成图像模糊.显然,理想的滤波算法应只对噪声点进行处理,而保留信号点的灰度值不变.因此,在进行噪声滤除操作之前,需要有一个噪声点检测过程将噪声点和信号点分开.为了解决以上问题,最近几年里出现了多种基于中值的改进算法[6].这些算法采用了噪声检测算法,根据检测结果确定像素点是否需要修正.当图像中的噪声比较稀少时,与统一处理所有像素的方法相比,这些算法很有效.但当大量的噪声点汇聚成块时,该算法滤波效果不再有效.因此,邢藏菊等[8]提出了极值中值滤波算法,即在一幅图像中,如果某点灰度值为其领域最大或最小值,那么该点为噪声,反之则为信号.由于在一个任意大小的区域中,像素点灰度值总有最大和最小值,因此,不可避免地将很多非噪声点误判为噪声点,同时图像中的细节或边缘的灰度值也极大或极小[9].因此,采用这种方法可能将边缘或细节像素点误判为噪声点,在去噪的同时,可能会去掉细节或模糊图像的边缘.基于以上分析,本文提出了一种新的椒盐噪声去除方法,该算法首先采用两级判断的方法将图像分为噪声点和信号点,然后对噪声点进行自适应中值滤波,对信号点不进行处理,以保留图像的细节.1基于噪声检测的自适应中值滤波方法由于一般的灰度图像中大部分像素灰度远离0和255,而大部分椒盐噪声点的灰度值集中在255或0附近.基于此,可以将图像像素点分为可疑噪声点和信号点,即设椒盐噪声点的灰度范围为[0,]和[255-,255],若图像某一像素点灰度值在这两个范围内,则该像素为可疑的噪声点,反之为信号点.可图133窗口Fig.133window疑噪声点可能为噪声,也可能为图像的细节或边缘,因此,还必须对可疑噪声点再次进行判别.由经验可知,对于自然图像,相邻点之间存在很大的相关性,某一点灰度值与其周围点灰度值非常接近,除了孤立点(一般认为是噪声)外,即使在边缘部分也这样.基于此,本文采用如下方法对可疑噪声进行判别.(1)对于可疑的噪声点ni,j,以ni,j为中心的33窗口的8领域像素点标记为{x1,x2…x8,ni,j},如图1所示.(2)统计ni,j周围8个像素点的灰度值,计算灰度值不在噪声灰度范围内的点的个数(cnt1).(3)cnt16,即周围存在1-2个可疑噪声点,那么当前中心像素点为噪声点.利用中值滤波对该中心像素点进行滤波,即用{x1,x2…x8,ni,j}的中值代替当前中心像素点的值.S=sort(x1,x2…x8,ni,j)(1)ni,j=S(5)(2)(4)cnt1<6,当前中心像素点可能为信号点,也可能为块噪声点中一个噪声点.为避免这样的噪声被误判为信号点,增大滤波窗口为55,进行第2次判断.(5)统计ni,j周围24个像素点的灰度值,计算灰度值不在噪声灰度范围内的点的个数(cnt2).(6)cnt218,那么当前中心像素点为噪声点,利用sort(x1,x2…x2

参考文献

引证文献

问答

我要提问