基于神经网络噪声检测的自适应中值滤波器

作者:宋寅卯;李晓娟;刘磊 刊名:电视技术 上传者:王广大

【摘要】针对椒盐噪声污染图像的滤波问题,提出了一种基于前馈神经网络的噪声检测器。基于这种噪声检测方法,采用自适应中值滤波算法,依据像素点的不同属性采用不同的滤波策略。实验结果表明,该算法在有效去除椒盐噪声的同时更好地保留了图像的边缘和细节,是一种有效的图像去噪方法。

全文阅读

0引言椒盐噪声是一种存在于图像中的常见加性噪声,对于它的滤波,已经有许多有效的方法,如中值滤波[1]、加权中值滤波[2]等。这些算法对所有像素采用统一处理方法,在滤除噪声的同时也改变了那些非噪声像素的灰度值,造成图像一定程度的模糊。近年来,出现了多种基于中值滤波的开关中值滤波算法,如开关中值滤波[3-4](SM)算法,递进开关滤波(PSM)算法[5]等。它们采取噪声检测和滤波两步策略来消除椒盐噪声,仅对噪声点进行滤波,在滤波性能和保护图像细节方面有了明显提高,但存在一定的局限性。如SM算法在高噪声密度下降噪能力有限;PSM算法是循环操作,执行时间较长,而且要预先估计参数,使实时应用受到限制。尽管上述提到的滤波算法做了很大改进,但是在图像滤波质量和细节保护方面仍不能令人满意,因此,笔者提出了一种基于前馈神经网络(FeedForwardNeuralNetwork,FFNN)噪声检测的自适应中值滤波算法。1滤波器的构成在一幅被椒盐噪声污染的图像中,对任意像素点(i,j),其灰度值为xij。假定噪声污染前的图像是以边缘为界、局部平滑变化的自然灰度图像,sij是原始图像在位置(i,j)的灰度值。本文所有图像都取灰度级为256的图像,已知p为噪声概率,设胡椒噪声和盐噪声(灰度值分别为0和255)按相同概率分布,则xij的概率密度函数[5]定义为f(xij)=p/2,xij=01-p,xij=sijp/2,xij=25!#"#$5(1)针对椒盐噪声的特性,提出了一种基于FFNN噪声加噪声检测自适应中值滤波滤波后的图像原始图像噪声入10图1算法整体框图检测的自适应中值滤波算法。其整体框架如图1所示。由图1可以看出,笔者算法采取噪声检测和滤波两步相分离的策略来消除图像中的椒盐噪声。首先由噪声检测部分将图像像素分为信号像素或噪声像素两个类别,对于噪声像素,采用滤波算法进行滤波,而对于信号像素则不做处理;在滤波部分,采用自适应中值滤波算法,即根据检测部分得到的二进制映射图来统计滤波窗口内信号像素的个数,依次自适应地调整滤波窗口大小,根据统计结果对不同属性的像素点采用不同的滤波策略,2011年第35卷第05期(总第355期)在滤除噪声的同时很好地保护了图像的边缘和细节。2基于FFNN的噪声检测器噪声检测器在图像滤波中起着至关重要的作用,滤波效果的好坏取决于能否准确地检测出噪声像素。笔者所述的噪声检测器如图2所示,主要由一个FFNN和一个决策器构成。FFNN将其输出结果给决策器,通过决策中值滤波xijROAD向量FFNNyF器策决y(n)图2基于FFNN的噪声检测器器将其转换为0或1来判别当前像素是否为噪声像素。2.1FFNN的输入向量该FFNN有3个输入向量,分别为中值滤波的结果、基于绝对差有序排列的值(Rank-OrderedAbsoluteDifferences)和当前像素值,其各个输入向量定义如下:2.1.1中值滤波中值滤波采用窗口大小为33的标准中值滤波器,窗口通过光栅扫描方式扫描整幅图像。设xij是像素点(i,j)的灰度值,W3[xij]表示以像素点(i,j)为中心,窗口尺寸为33区域上的灰度分布,med(W3[xij])表示对窗口W3[xij]内的所有点排序然后取中值,若mij为像素点xij经过中值滤波后的输出值,则mij=med(W3[xij])(2)取mij作为FFNN的第一个输入向量。2.1.2ROAD向量近年来,Garnett[6]提出了一种通用的噪声滤波算法,文中指出ROAD值在区分噪声像素和非噪声像素时是一个很重要的因素。其中ROAD定义如下:设

参考文献

引证文献

问答

我要提问