噪声检测自适应窗口滤波算法

作者:吴粉侠;段群;李红 刊名:航空计算技术 上传者:欧阳升

【摘要】脉冲噪声的存在,从视觉上影响图像的质量。为了去除图像中的脉冲噪声,提出了利用相似邻居数对图像中的噪声像素进行标记并建立相应矩阵,接着根据噪声的污染程度自适应的选择滤波窗口,最后对噪声像素进行自适应均值滤波去除图像中的脉冲噪声。实验结果表明,算法能有效降低图像中的脉冲噪声,对图像的边缘与细节保持较好。

全文阅读

引言图像在形成和传输过程中,不可避免受各种噪声干扰,其中脉冲噪声是主要噪声之一。这些噪声极大地降低了图像的质量,严重影响图像的视觉效果,此外,由于噪声点相对于邻近像素点在灰度值上的突变,这对图像的纹理提取、特征点检测等处理造成极大困难。因此,有效去除脉冲噪声具有重要理论和实际应用意义。针对脉冲噪声的去除问题,广泛应用的降噪方法有均值滤波、中值滤波、以及在此基础上演化出的线性加权滤波、梯度倒数加权滤波[1]、加权中值滤波[2]、自适应中值滤波[3]等。其中,线性加权滤波根据不同位置对中心像素点贡献的大小给定模板中不同位置的权值,距离中心像素远的权值小,距离中心像素近的权值大,当中心像素权值大时图像就清晰、去噪能力就弱;当中心像素权值小时,去噪能力就强、图像就模糊一些。梯度倒数加权滤波算法[4]是根据邻域像素之间的关系即灰度变化大小给定权值,对梯度取倒数,以梯度倒数作权重因子,区域中梯度小的权重大于区域中梯度大的权重,区域内部的相邻点权重大于外部像素点的权重,这种滤波方法对保持图像的细节及边缘较有效,但它的去噪效果受到窗口大小的影响。自适应中值滤波可以根据邻域中像素受污染的程度自适应地选择滤波窗口大小,对低密度噪声,可用小窗口作中值滤波,对高密度噪声,用大窗口作中值滤波,这样不仅可以降低噪声,还可以在一定程度上保护图像的边缘和细节。但是,以上算法都是对图像中的所有像素作滤波处理,不仅破坏了很多未被污染的点,造成图像的失真,而且误操作占用了大量的时间,对算法的实时处理也有影响。本文针对脉冲噪声的特性,提出了基于噪声检测的自适应窗口的脉冲噪声的去噪方法,该算法首先计算像素的相似邻居数,再根据相似邻居数把像素点分为噪声和信号两类,对于信号像素保留,对于噪声则根据含噪密度确定滤波窗口的大小,根据邻域像素的灰度相关性,用自适应均值滤波的方法确定噪声像素的灰度。实验结果表明,本文方法处理的图像具有较好的边缘和细节保持能力,且处理后的图像PSNR值均高于其他对比算法的去噪结果。1算法描述本文提出的基于噪声检测的自适应窗口的脉冲噪声的去噪算法包括四个过程:1)计算图像的相似邻居数,获得相似邻居数矩阵;2)根据相似邻居数,获取噪声密度,并根据不同密度对图像中的噪声像素进行标记;3)根据邻域中的噪声像素的数量,自适应地确定滤波窗口大小;4)对噪声像素的邻域进行自适应均值滤波处理。1.1相似邻居矩阵计算通过对含噪图像和不含图像的对比分析,发现不含噪声的像素之间相似度很高,灰度差很小,含噪图像的像素之间相似度低,灰度差大,进一步分析发现,对于一幅含噪图像而言,未受污染的像素相似度高,受污染的像素相似度低,所以对于噪声像素的标记可以根据中心像素与邻域像素的相似度来确定,相似性可以通过下式来确定:|f(i,j)-f(i+m,j+n)|T(1)其中f(i,j)为中心像素的灰度,为|f(i,j)-f(i+m,j+n)|为其邻域像素灰度差,T为给定的域值,如果中心像素与N个邻域像素的灰度值之差满足式(1),则其相似邻居数为N,通过对图像中除边界像素外的每个像素的33邻域内相似邻居数的计算即可获得该图像的相似邻居数矩阵[5]。1.2噪声点标记通过对多幅原图像数据及加噪图像数据的相似邻居数的分析总结得出,图像中的相似邻居数大于4的像素是信号的可能性高,相似邻居数小于等于3的像素是噪声的可能性高,所以本文依据该原则对噪声点进行噪声标记,也就是对相似邻居数矩阵中的每一个数据进行判断,如果其相似邻居数大于等于4,则标记为信号像素,否则认为该像素疑似噪声,暂且标记为噪声像素。通过对标记的噪声像素

参考文献

引证文献

问答

我要提问