基于噪声检测的自适应中值滤波.docx

基于噪声检测的自适应中值滤波.docx

《基于噪声检测的自适应中值滤波.docx》由会员分享，可在线阅读，更多相关《基于噪声检测的自适应中值滤波.docx（9页珍藏版）》请在冰豆网上搜索。

基于噪声检测的自适应中值滤波

基于噪声检测的自适应中值滤波

由于椒盐噪声是逻辑噪声，虽然采用中值滤波器滤波可以得到较好的结果，但是也有学者提出极值中值滤波方法[9]。

极值中值滤波方法对于那些拥有高密度噪声的图像可以达到非常好的的处理效果，但是对于处于较低密度的图像去噪处理效果不佳，并且会造成图像的模糊。

还有一些学者引入模糊多极值开关的方法，虽然在保留图像细节及边缘信息上这一方面有了很大的改进，但却对于图像的去噪处理并不理想。

在上文中我们介绍了一种改进的自适应中值滤波方法[11]，本章节将基于该种方法，并通过分析图像噪声信息，提出一种基于噪声检测原理的自适应中值滤波，用来解决那些高密度噪声和多细节图像去噪不理想的问题。

第一节噪声检测机制

在生活中，往往由于缺乏高精度相机传感器、设备出现意外或含有传输途径中的噪声污染。

使得接收到的图像会包含一些原图像没得噪声。

而这样的噪声主要为图像像素的灰度值突变超出常规的很大或者很小，也就是所谓的脉冲噪声（椒盐噪声）。

本文中对灰色椒盐噪声的图像的分析与处理，希望能得到一个理想的降噪方案，以提高图像质量。

椒盐噪声在图像中表现超出常规的很大或者很小。

当噪声点很大的时候，假定其灰度值为255，则该噪声点在图像中的表现形式为一个亮点，即盐点；当噪声点很小的时候，假定灰度值为0，这个时候图像上表示为一个暗点，也就是椒点。

在图3.1中，（a）和（b）分别是对于512*512大小的lena图加以5%和20%的椒盐噪声的图像，（c）和（d）则分别是（a）、（b）中像素点灰度值的柱形图。

从图（c）和（d）可以看出，柱形图的左边和右边分别有一段很突出的灰度值，通过分析不难发现，这两段即是受噪声影响突变产生的极值。

处于这两段极值中间的图形，则说明了当前图像原本信息的分布情况。

图3.1加噪的lena图及其像素点分布情况：

（a）密度为0.05的lena，（b）密度为0.2的lena

（c）为a图的像素点分布情况，（d）为b图的像素点分布情况

本文设定了一种具有针对受椒盐噪声影响的图像灰度值分布情况的特殊性的噪声检测机制。

如图3.2所示，这种设计方式的噪声点检测机制把像素点分成非噪声点、噪声点、图像细节点。

对于这三种常见的类点检测是根据图3.2所示的树形结构的层次来进行处理的。

图3.2噪声检测机制树形图

噪声检测的第一层次检测是区分像素点是否为可能被噪声污染。

在这一个阶段可以区分出绝大部份的非噪声点，从而就在图像去噪阶段中大大的减少了需要进行滤波操作的像素点，大幅度的降低了滤波算法执行的时间并提高了效率。

非噪声点检测

在本文中通过设一个阈值T，设图像灰度值中极大值为Gmax，极小值为Gmin，对于这个像素点当前灰度值G，若满足下式条件，就可以说这个像素点并未受到噪声的污染，就没有必要进行滤波操作。

（3.1）

我们在实验中更多的是对原始图像进行加噪处理，从而得到噪声图像。

对于灰度值为256色的图像，所采用的加噪函数所加入的噪声肯定是最大值255或者最小值0，所以我们在实验中采用的T值为0。

对于扫描等其他路径得到的噪声图像，可适当的加大T值从而更准确的判定非噪声点。

细节点与噪声点检测

由第一级可以区分大多数非噪声点的噪声非点检测。

但对于在图像像素的极端值，它不能确定它是否已被感染的噪声。

因为对于不同的图像，所述灰度值分布是不相同的，它不排除一定数目的像素的最大或细节的最小值的存在。

图3.3Barb原图像

以Barb图为例进行说明（Barb原图如图3.3所示），该图像中分布有大量的条纹细节信息。

因其条纹是黑白相间的，即像素值为极低和极高的，对于这幅图片来说，一般的中值滤波方法来滤波都不会很明显。

图3.4给出了AM滤波器对其进行滤波的结果。

对于噪声密度为0.2的lena图像，AM滤波方法还可以得到比较好的去噪结果，但对于同样噪声密度的barb图像，AM则去噪效果明显下降了很多，峰值信噪比也较低。

这是因为在对于细节点进行处理时，将其作为噪声点进去行去噪，同时采用的去噪方法使得极值像素点会进行一定的错位，这一点在图3.4（b）中表现的很明显。

（a）

图3.4（a）为原始图像，（b）采用3*3滤波窗口

（c）采用5*5滤波窗口，（b）和（c）均进行一次am滤波

图3.5对于该3*3滤波窗口，其中心点在（a）中为噪声点，而在（b）中则应当作边缘点

根据窗口内的像素的分析，看得出来该窗口可以在滤波器窗口中心的像素点与其它像素的联系越多，更可能是边缘或细节点。

所以本文提出了一种基于动态细节窗户判断的算法。

图3.6表示的是噪声图像中某局部区域灰度值矩阵。

以图3.6为例进行说明，当图像中噪声密度达到60%以上时（图例为60%），不保证较小的窗口Gmean会正确地显示在窗口的中心值和其他像素的侧面之间的关系。

如图（a）中，3×3窗口6含有噪音，但极值是最大值，因此平均值和其他8个像素的窗口的中心之间的差仍是20，这一次被确定为窗口中心的细节点；当在已展开的窗口中，虽然增加了噪声点，但最高值的和最小值的比率变化了，从而降低噪声极点所获得的Gmean极值点噪声的效果也正确反映窗口的中心是，可以看出噪声（b）点，当取5*5窗口，gmean计算大于T1，则窗口的中心可以被确定为一个噪声点。

图3.6噪声密度为0.6的图像局部信息

我们对于滤波窗口大小的选取条件，则是尽量使窗口内噪声点对Gmean的影响最小，此处我采用计算标准中值滤波SM的值进行比较。

若SM的值正好在极大值与极小值之间，则可以说明极大值和极小值在该滤波窗口中的分布较均匀[14]。

第二节椒盐噪声滤除方法

在上述中，我们介绍了基于一个动态过滤窗上噪声检测机制。

由该检测机制，它可以准确地确定区分噪声，噪声和非细节。

因此，根据像素的种类，使用用于处理相应的折扣过滤方法。

通过这种自适应的选择，你可以做出各种使用滤波去噪的更合适的方法像素，提高了过滤的图像质量。

在此噪声检测机制的基础上，人们提出了一种基于自适应动态窗口的自适应中值滤波器，结构如下面的图3.7就是一种中值滤波器。

图3.7基于噪声检测的自适应中值滤波器结构

一、噪声滤除策略

Chang等人通过实验证实了，SM中值及其左右邻近两个像素值对滤波器去噪效果有着重要的影响作用，设计了滤波方法可用式3.1表示这个自适应滤波算法（AM）：

（3.1）

假定有一个通过窗口大小为WS的滤波窗口可以得到序列X，这个窗口中心像素点P值为255，经过稳定排序后形成的序列X为

。

给定X的中值Xsm和其左值Xleft以及中值位置

，假设在序列

中，P处于第x个元素，则P经过AM滤波的输出值am与x就可以建立如下面所示的线性关系：

对于

，那么同样的在Xsm与Xright之间建立映射关系。

通过这个线性变换，可以既可以保证滤波器的输出值被限定在Xleft与Xright之间，并且当P越离中值位置越远时，滤波结果AM也就与相应的Xsm差距越大。

二、动态窗口策略

在上述中我们已经在应用程序窗口自适应策略噪声检测过程中。

通过引入这个窗口自适应策略，我们可以更准确的区分噪声和图像细节点的一些区别，可以更好地保护图像细节。

此外，该窗口还可以调整滤波器的自适应去噪性能，有效地补偿包含噪声的高密度的一般图像处理滤波器能力上的不足[15]。

例如在图3.8，可以看出，一个3*3窗口噪声滤波是无法完整的消除的，并且经过一个9*9的窗口，虽然噪音已被滤出，但相对于该原始图像具有更大的模糊。

从这里可以看出，窗口在去噪滤波器效应上面具有重要意义。

当过滤器窗口更小，图像细节更加丰富的保留，但去噪表现不佳;并且当增加窗口后，去噪性能已显著改善，但也将被模糊的图像细节代替。

当图像包含的噪声密度较高时，窗口大小对去噪效果影响更为明显。

以图3.9为例，如果噪声密度达到0.8时，3*3窗口中经过SM的中值及其左右邻值都会变为噪声点，此时进行任何滤波操作都不会改变其灰度值，滤波也失去了消除污染的意义了。

此时需要扩大窗口大小，以获取更多的图像信息来弥补噪声带来的影响。

当窗口中心值不再是噪声值时，说明此时采用AM滤波算法可以根据窗口内一些非噪声点进行计算，从而保证AM滤波算法可以有效的去除噪声。

图3.8噪声密度0.2的lena图采用AM滤波器的去噪情况：

（a）为原图，（b）采用3*3窗，（c）采用5*5窗口，（d）采用9*9窗口

图3.9噪声密度为0.8的图像局部灰度值

通过前文分析我们知道，在去除噪声的过程中，窗口变化策略和自适应窗口原理基本上差不多。

不一样的地方在于判断是否需要对窗口进行扩展时候会用AM进行判断。

因为AM输出值和窗口中的中值以及邻值有关。

经过实验验证发现，当AM值不少极值的时候，AM也肯定不少极值。

但当SM是极值的时候，由于AM是由AM的极值和邻值来进行判断的，所以AM也极有可能是不少极值。

所以我们采用这个方法可以得到更小的窗口来进行滤波操作[16]。

因为采用较小窗口的时候，在保留图像细节方面能力更强，所以在采用该策略的情况下会达到更好的效果。

在噪声去除处理工程中，自适应窗口更改策略与噪声检测机制所采用的原理是基本相同的，所不同的是所需要的时间，以确定该窗口是否会扩大使用调幅的判断。

由于调幅的输出值和中间值相邻的窗口相关，可以假设，当非极值调幅滤波的结果时候，则该窗口的大小可以被用作去噪窗口。

分析之后可以发现，该条件是比噪声检测机制中在窗口中的噪声检测条件更加严格的：

当非极端的AM，AM值也不是极端值的情况下该种条件比窗口变化条件更宽松;但是当AM是极端值，因为AM由AM更小的窗口进行滤波，AM值很可能不是极端值。

因此，在使用确定的这种方法来获取用于过滤[16]。

通过上述分析，我们知道，在较小的窗口，保持图像细节更强大，所以使用这种策略会取得更好的效果。

第三节本章小结

中值滤波方法作为一种非常典型的非线性滤波方法，在去除椒盐噪声上有着无与伦比的效果。

然后中值滤波方法仍存在一定的局限性，即该种方法仍会对图像造成一定的模糊，对于细节丰富的图像会形成较大的推失真，当噪声密度提升时，去噪效果也会出现明显的下降。

与本文中提及的其它滤波算法相比，本文所提出的VAM滤波算法在去除椒盐噪声的应用中，可以获得更佳的图像去噪效果，并更好的维护图像细节及边缘信息。