基于邻域信息的自适应中值滤波算法

作者:张洁玉;王锋 刊名:计算机应用 上传者:李学强

【摘要】针对图像中普遍存在的脉冲噪声,提出了一种自适应中值滤波算法,该算法在有效去除噪声的前提下能够保留更多的图像细节。首先,根据脉冲噪声灰度值为0或1的特点初步区分图像中的噪声点和信号点;其次,在每一个可疑噪声点周围取一定大小的邻域,通过判断该可疑噪声点与邻域内其他像素点之间相关性的大小进一步判断该点是否为真正噪声点,若为真正噪声点则利用邻域内所有可靠像素点的中值代替,否则输出原信号点。利用可见光及红外图像将所提算法与几种算法(如传统中值滤波算法、极值中值滤波算法,等)进行比较,实验结果表明该方法能够获得最高的峰值信噪比,去噪效果最佳。

全文阅读

0引言图像在拍摄、采样、量化、传输及记录过程中,经常不可避免地受到各种噪声的干扰,图像质量因此受到严重影响。对降质图像去噪是图像预处理阶段的一项重要内容,是图像后续处理如边缘检测、特征提取、图像识别等步骤的关键所在。因此,图像去噪算法的研究显得尤为重要。图像去噪方法大致可分为空域和频域两类。其中空域去噪方法最为有效的为均值滤波和中值滤波[1],均值滤波适用于高斯噪声,而中值滤波针对脉冲噪声表现出了良好的去除能力[2]。中值滤波比均值滤波能够保留更多的图像边缘细节,因此该方法得到了广泛地应用。传统中值滤波(TraditionalMedian,TM)算法不区分噪声点及信号点而对所有像素均作统一处理,去噪的同时也滤除了有用像素点,使得图像边缘细节丢失,并且在噪声密度大于50%时该方法几乎失效。因而,近年来很多学者提出了若干改进策略,如开关中值(SwitchingMedian,SM)滤波[3-4]、最小最大(MinMax,MM)滤波[5]、极值中值(ExtremalMedian,EM)滤波[6-8]、自适应加权中值滤波[9-13]等。这些算法在噪声密度较低时,均可以得到较好的滤波效果,但在实际应用中都存在一定的局限。SM算法在噪声密度逐渐增大时,去噪能力接近TM算法。MM算法和EM算法将信号点误判为噪声点的概率较高,从而在去噪的同时将原始图像的有用信息也进行了滤除,造成图像细节的丢失。文献[6]在极值中值的基础上,进一步通过设定阈值判断邻域内极值点是否为真正噪声点。文献[7]首先设定阈值标记出可疑噪声点,再由相邻像素的相关性设定另外的阈值对可疑噪声点作进一步判断,从而精确确定噪声点。文献[9]在MM算法的基础上,通过实验设定的阈值来检测噪声点。文献[13]提出了基于局部均值和方差的中值滤波法,该方法先计算局部窗口内的均值和方差,再结合系数k1、k2进行阈值的设定,利用该阈值作为判断噪声点的依据。上述几种方法虽然显示出了一定的优势,但它们的滤波性能均取决于硬阈值的选择,因而应用范围有一定的局限性。另外,有些学者将模糊理论引入了去除脉冲噪声的方法中[14-15]。这类算法的核心是建立像素间的相似性度量函数,根据度量结果判断区域内各像素的有效性,再根据有效性将各像素赋予一定的权重系数,从而计算出新的灰度值来代替噪声点。此类方法原理复杂、运算量大,并且去噪效果完全依赖于相似性度量函数的选取。本文针对极值中值滤波,提出了一种基于邻域信息的自适应中值滤波算法(AdaptiveMedianalgorithmbasedonNeighborhoodCorrelation,AMNC)。首先,根据脉冲噪声的特点初步确定可疑噪声点,然后根据该可疑噪声点与其邻域窗口内其他像素相关性的大小进一步确定该点是否为真正噪声点,最后利用邻域内近距离的没有被污染的像素点灰度值的中值代替该噪声点进行输出,从而达到去噪的目的。1提出算法的原理1.1初步检测噪声点脉冲噪声是一种非常典型的图像噪声,它的取值通常明显偏离大多数像素的灰度值而位于灰度范围的两端,导致被污染的图像上随机散布着一些低灰度值的黑色暗点或高灰度值的白色亮点,因此可以认为受脉冲噪声污染的像素点的灰度值与相邻未收污染的像素灰度值相关性很低。在图像数字化的过程中,假设图像的灰度级为256,f(i,j)为被噪声污染的某个像素点。若f(i,j)=255,认为噪声以白色亮点出现在图像中;若f(i,j)=0,则认为噪声以黑色暗点出现在图像中。根据以上脉冲噪声的特点,可以初步判定图像中的可疑噪声点,然后再专门针对可疑噪声点作进一步判断,最后只对

参考文献

引证文献

问答

我要提问