基于窗口的自适应中值滤波算法

作者:周萌萌;任子晖;周旋旋 刊名:电视技术 上传者:方晓亮

【摘要】滤波窗口是影响椒盐噪声滤除效果的重要因素。针对自适应中值滤波算法(RAMF)的不足,提出了一种基于窗口的自适应中值滤波算法。该算法分为噪声的检测和滤除两部分。在噪声检测部分,主要通过混合窗口检测出准噪声点,将其用窗口中值代替,而其余信号点保持不变。重复此方法,直至所有的准噪声点处理完毕。然后,在噪声滤除部分,主要根据噪声密度选择合适的最大滤波窗口半径,进而实现噪声滤除。最后,为验证算法的有效性开展了仿真研究,仿真结果表明本算法对椒盐噪声的滤除具有很好的效果,增强了图像的清晰度。

全文阅读

图像在传输和形成过程中不可避免地会产生各种噪声,这就降低了图像的清晰度。因此,图像去噪是图像处理过程的重要部分。去除噪声的滤波器分为线性和非线性,根据噪声的不同特点选择合适的滤波器。而椒盐噪声的特点是:一种是盐噪声(salt noise),另一种是胡椒噪声(pepper noise)。盐=白色,椒=黑色。前者是高灰度噪声,后者属于低灰度噪声。一般两种噪声同时出现,呈现在图像上就是黑白杂点。所以针对椒盐噪声的常采用的是中值滤波算法[1]。传统的中值滤波是采用n×n的模板对当前像素进行滤波,当前像素点的灰度值用选用的模板内的像素点的灰度值的中值替代,此方法虽然能滤去部分噪声,但是却改变了图像像素的灰度值,模糊了图像的细节。因此近年来许多学者提出了诸多的改进方法,如开关中值(Switching Median,SM)滤波[2-4]改进的自适应的中值滤波[5-12]等,这些算法虽然取得了一定的滤波效果,但是还存在许多的局限性和不足。 图像去噪一方面是选择合适的滤波器,另一方面是要合理地检测出噪声,从而更好地保护图像的细节。文献[7]利用窗口3×3,判断是否是疑似噪声点,然后判断疑似噪声点是否是7×7窗口的噪声点,最后确定准噪声点。文献[8]是通过人为设定的阈值,当窗口的像素点的灰度值与当前像素点的灰度值的差值超过设定的阈值,并计算出超出的像素点的个数,根据超出个数的大小来调节滤波窗口,从而达到滤波效果。文献[9]是首先采用3×3的模板判断是否是疑似噪声点,再利用像素灰度值序列中两段子序列斜率的差值及模板区域内像素灰度值的均值自适应地判断疑似噪声点是否是真的噪声点。文献[10]采用0°,45°,90°,135°方向的模板进行噪声的检测,降低图像的失真度。文献[11]首先是采用椒盐噪声的0或1的特点判断噪声点,再利用可疑噪声点与邻域内其他像素点之间相关性的大小确定准噪声点。这些方法在噪声的检测方面取得了一定的效果,从而达到更好地滤波效果。 本文针对自适应的中值滤波(RAMF),提出了一种基于窗口的自适应的中值滤波算法。首先,根据椒盐噪声的特点在窗口3×3中判断是否为极值点,即疑似噪声点,再在窗口5×5和窗口7×7判断是否是准噪声点,若是准噪声点,根据噪声的大小,选择合适的最大滤波窗口半径进行中值滤除。若不是,则原值输出。1自适应的中值滤方法1.1噪声点检测1.1.1噪声点的初级检测椒盐噪声是图像噪声中的一类,它是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声的表现形式一般是像素点灰度值的最大值或者最小值。如图1所示,根据椒盐噪声的特点可以通过窗口3×3来判断当前像素点是否是疑似噪声点。118 119 120118 119 120117 0 120117 125 120120 122 125120 122 125a中心点为疑似噪声点b中心点为疑似噪声点118 119 120117 120 120120 122 125c中心点为信号点图1窗口3×3邻域像素值设W3min和W3max是窗口3×3的像素点灰度值的最小值和最大值,fi,j为窗口3×3的中心像素的灰度值,若fi,j等于窗口3×3像素点的最大值和最小值,则fi,j为疑似噪声点,否则,fi,j为信号点。{疑似噪声点,fi,j=W3min或fi,j=W3maxFlag(x,y)=(1)信号点,fi,j≠W3min或fi,j≠W3max1.1.2噪声点的二级检测窗口3×3检测出的噪声点不一定就是真正的噪声点,如果把检测出的疑似噪声点都用中值替代,势必会使图像的细节丢失。因此,为了保留图

参考文献

引证文献

问答

我要提问