基于自适应窗口的裁剪中值滤波方法

作者:黄燕;雷涛;樊养余;卢西盼 刊名:计算机科学 上传者:刘岚秋

【摘要】基于决策的非对称裁剪中值滤波方法(MDBUTMF)能有效复原被高密度椒盐噪声污染的彩色图像,然而该方法采用固定大小的滤波窗口并利用均值替代中心像素,因此导致算法鲁棒性较低,对部分图像滤波失效。针对该问题,提出了一种基于自适应窗口的裁剪中值滤波方法,通过增加对单色区域的判断,有效解决了已有算法对单色区域滤波失效的问题,使得新方法具有较高的鲁棒性和实用性;并采用自适应窗口解决了MDBUTMF采用单一3×3窗口易导致滤波效果差的问题。实验数据表明,与经典的多种矢量以及标量的中值滤波方法相比,提出的裁剪中值滤波方法不仅具有较高的PSNR,而且具有较低的MAE和NCD,在抑制椒盐噪声的同时能有效保护图像的色调和细节。

全文阅读

1引言成像技术的飞速发展对图像处理提出了更高的要求,彩色图像处理也逐渐成为了当前信息领域的研究热点。图像在传输阶段都会不同程度地受到噪声的污染,不利于感兴趣信息的提取以及后续的处理。因此,图像滤波是图像处理领域最基本也最为重要的一个问题。彩色图像滤波的最终目标是降低噪声的同时有效保护图像的细节信息[1],为此学者们提出了大量的彩色图像滤波方法。其中,最为经典的方法有矢量中值滤波器(VMF)[2]及其改进方法,例如矢量方向滤波(BVDF)[3]、方向距离滤波(DDF)[4]以及混合方向滤波器(HDF)[5]。虽然各类改进的矢量中值滤波器相较于VMF性能有所提高,但由于在滤波时引入了最大程度的平滑,它们在边缘和细节保持方面的性能仍需要进一步的提高。学者们致力于这一方面的研究,提出了大量的改进算法,这些算法大致可以分为两类:加权的矢量中值滤波器和开关型矢量中值滤波器。加权的矢量中值滤波器根据邻域像素对待处理像素的影响的大小,对其赋予不同的权值,从而使算法的性能得到提升,其中最为经典的为Lukac等人提出的选择加权的矢量中值滤波器(SWVF)[6]。Smolk提出的改进的中心加权矢量中值滤波方法(CWVMF)[7],在计算滑动窗口中心像素与其邻域像素差距时进行加权,能更好地保持中心像素,应用十分广泛。将模糊理论应用到图像滤波中能提升算法区分噪声和图像细节的能力,Hore等通过使用模糊理论估计噪声,提出了一种改进的模糊矢量中值滤波器[8]。Joan-Gerard等人提出统计(ROD)对矢量进行排序,最后进行VMF滤波。基于加权的矢量中值滤波方法对图像的所有像素进行无差别滤波,易导致图像的过平滑现象,即图像细节容易被损坏。而开关理论在处理噪声之前,首先估计待处理像素是否为噪声,从而能有效保护图像细节,并在一定程度上降低算法的计算复杂度。矢量开关滤波中较为常用的方法有向量LUM滤波(VLUM)[10]、自适应矢量中值滤波(AVMF)[11]和快速对等体组滤波(FPGF)[12]。金良海等提出了基于CIELAB颜色空间的开关中值滤波方法(LABSVMF)[13],该方法首先将彩色图像从RGB空间变换到CIELAB空间,然后根据laplacian算子的基本原理,构建了改进的开关型矢量中值滤波方法。Geng等人提出了四元数开关中值滤波方法(QSF)[14],该方法以四元数的形式表示两个彩色像素之间的差值,计算中心像素与其邻域像素的四元数差,利用差值大小判断噪声。更多关于矢量中值滤波的研究可参见文献[15-17]。此外,还有很多其他类型的滤波方法不断地涌现。金良海等人设计了一种改进的双边滤波器[18],并结合VMF对彩色图像进行滤波,不仅可以移除混合噪声,而且能够同时移除脉冲噪声和加性噪声。Gallegos-Funes等人使用向量排序M类L滤波器(VRML)[19]来抑制彩色图像中的脉冲噪声,通过不同的影响函数将中值M类(MM)和AM(Ansari-Bradley-Siegel-TukeyM-type)估计量应用到L-滤波器中,提升了滤波方法的鲁棒性。尽管上述方法能不同程度地改进VMF的性能,但当噪声密度较高时,所有改进方法的性能迅速降低,甚至低于VMF。开关滤波的优势在于在滤波之前对像素进行判断,在噪声较高的情况下,其优势并不明显,反而降低了算法的执行效率。为了解决各类矢量中值滤波器在高密度噪声情况下性能较低的问题,Srinivasan等人提出了基于决策的滤波算法(DBA)[20],该算法虽然克服了开关滤波的缺陷,但重复使用邻域像素作为输出导致了严重的拖尾效应。由E

参考文献

引证文献

问答

我要提问