齊現(xiàn)英,劉伯強(qiáng),徐建偉
(1.山東大學(xué)控制科學(xué)與工程學(xué)院,山東濟(jì)南250061;2.泰山醫(yī)學(xué)院放射學(xué)院,山東泰安271000;3.泰安市腫瘤防治院影像科,山東泰安271000)
基于不確定性信息融合的高密度椒鹽噪聲降噪方法
齊現(xiàn)英1,2,劉伯強(qiáng)1,徐建偉3
(1.山東大學(xué)控制科學(xué)與工程學(xué)院,山東濟(jì)南250061;2.泰山醫(yī)學(xué)院放射學(xué)院,山東泰安271000;3.泰安市腫瘤防治院影像科,山東泰安271000)
為解決高密度椒鹽噪聲濾除與細(xì)節(jié)保護(hù)之間的矛盾,提出一種基于不確定性信息融合的中智灰濾波算法.該算法包括兩個(gè)階段:噪聲檢測(cè)和噪聲恢復(fù).在檢測(cè)階段,為提高噪聲檢測(cè)準(zhǔn)確率,首先利用Max-Min算法進(jìn)行初測(cè),然后利用極值壓縮灰色關(guān)聯(lián)度與順序不確定性的融合信息進(jìn)行二次判斷.在噪聲恢復(fù)階段,為充分利用像素本身的不確定性及鄰域像素的灰色關(guān)聯(lián)性,將中智不確定性和極值壓縮灰色關(guān)聯(lián)度的乘積作為相似性度量特征,設(shè)計(jì)了中智灰自適應(yīng)權(quán)重函數(shù).實(shí)驗(yàn)表明,針對(duì)不同圖像,二次噪聲檢測(cè)方案的噪聲剔除率可達(dá)0.1%~8.8%;該中智灰濾波算法在抑制椒鹽噪聲的同時(shí)能較好地保護(hù)圖像邊緣信息,特別是在高噪聲(70%~90%)情況下,算法的綜合性能優(yōu)于現(xiàn)有相關(guān)算法.
高密度椒鹽噪聲;二次噪聲檢測(cè);中智灰自適應(yīng)權(quán)重;極值壓縮灰色關(guān)聯(lián)度;順序不確定性;中智理論
圖像在形成、傳輸?shù)冗^(guò)程中產(chǎn)生的噪聲,會(huì)嚴(yán)重影響圖像的后續(xù)處理,如特征提取、圖像分割等[1,2].椒鹽噪聲是具有嚴(yán)重破壞力的噪聲之一,它類似于圖像的邊緣像素,灰度值存在較大突變,對(duì)邊緣檢測(cè)和細(xì)節(jié)保護(hù)造成極大困難.高密度椒鹽噪聲的有效濾除和細(xì)節(jié)保護(hù)一直是人們研究的難點(diǎn)和熱點(diǎn).
中值濾波MF(Median Filter)算法[3]是去除椒鹽噪聲最常用的方法.由于對(duì)所有像素進(jìn)行降噪處理,噪聲較低時(shí)MF濾波效果較好,但高噪聲情況下圖像模糊嚴(yán)重,為此學(xué)者們提出了大量改進(jìn)算法.其中,開(kāi)關(guān)濾波算法是備受關(guān)注的一種,它首先對(duì)噪聲進(jìn)行定位,然后僅對(duì)噪聲像素恢復(fù)處理,如AMF(Adaptive Median Filter)算法[4]、DBA(Decision-Based Algorithm)算法[5]、MDBUTM(Modified Decision Based Unsymmetric Trimmed Median Filter)算法[6]、FBDA(Fuzzy-Based Decision Algorithm)算法[7]和DBTMF(Decision-Based Trimmed Median Filter)算法[8]等.AMF、FDBA算法把濾波窗口內(nèi)的灰度極值判為噪聲,DBA和MDBUTM算法直接將灰度為0 或255的像素判為噪聲,它們可統(tǒng)稱為Max-Min算法.這類算法不會(huì)出現(xiàn)噪聲漏檢,但卻存在噪聲誤判.因?yàn)闃O值點(diǎn)不一定都是噪聲,圖像細(xì)節(jié)或邊緣區(qū)域也可能存在局部極值,所以研究一種魯棒的噪聲決策算法是非常關(guān)鍵的.DBTMF算法不是簡(jiǎn)單的把窗口極值判為噪聲,而是先對(duì)極值修剪后的窗口求中值,只有與中值相差較大的像素才判定為噪聲.另外,在噪聲恢復(fù)階段,多數(shù)開(kāi)關(guān)濾波器采用中值或其變體對(duì)噪聲進(jìn)行更新,忽略了像素間的內(nèi)在聯(lián)系,導(dǎo)致圖像細(xì)節(jié)受損.例如:AMF算法采用自適應(yīng)濾波窗口尋找未被污染的中值來(lái)修復(fù)噪聲.高噪聲時(shí),濾波窗口最大半徑達(dá)到39,嚴(yán)重模糊了圖像邊緣等信息.為克服此缺點(diǎn),DBA算法采用3×3固定濾波窗口,中值沒(méi)有被污染時(shí),直接用于替代噪聲像素,否則噪聲像素將被其前面的一個(gè)像素替代.在高噪聲情況下,DBA的這種重復(fù)替代會(huì)導(dǎo)致條狀偽影.基于此,MDBUTM、DBTMF和FBDA算法采用不同策略對(duì)DBA進(jìn)行改進(jìn).MDBUTM和DBTMF算法用極值修剪后的中值恢復(fù)噪聲.當(dāng)濾波窗內(nèi)均是噪聲時(shí),前者用窗口均值恢復(fù)中心像素,但由于這種均值根本無(wú)法反映真實(shí)信息,相當(dāng)于引入了新的噪聲;后者用噪聲點(diǎn)前面已恢復(fù)過(guò)的4個(gè)像素的中值修復(fù)該噪聲,因此濾波效果要好于前者.而FBDA算法計(jì)算中值時(shí),不是將窗口極值進(jìn)行修剪,而是利用模糊規(guī)則將可能為噪聲的像素全部剔除,然后再求中值.在高噪聲情況下,上述幾種算法均降低了中值被污染的可能性,但無(wú)論何種形式的中值或其變體,由于缺乏輪廓、邊緣等局部信息,對(duì)圖像細(xì)節(jié)的保護(hù)和恢復(fù)能力是有限的.
不確定性普遍存在于現(xiàn)實(shí)世界中,數(shù)字圖像中也充滿了模糊、不確定信息[9],例如:噪聲的產(chǎn)生是隨機(jī)的,噪聲與非噪聲有時(shí)很難確定一個(gè)明確的界線.現(xiàn)有濾波算法種類繁多,卻忽略了不確定性信息的價(jià)值.雖然文獻(xiàn)[7,10]提出用模糊隸屬度表征噪聲的不確定性,但模糊隸屬函數(shù)本身就充滿不確定性,是一種用精確解決不確定的方法,限制了對(duì)不確定性的表達(dá)能力.近年來(lái),國(guó)內(nèi)外學(xué)者逐步把信息的不確定性引入圖像處理領(lǐng)域.馬苗[11]證明基于灰色系統(tǒng)理論的B型關(guān)聯(lián)度降噪算法對(duì)椒鹽噪聲、高斯噪聲具有較好的濾波效果.美國(guó)F Smarandache教授于1995年提出了研究不確定性的新理論——中智理論,它明確量化了圖像的不確定性信息.郭延輝等率先將其應(yīng)用到圖像降噪[12,13]和圖像分割[14]領(lǐng)域,提出了NSEF(Neutrosophic Set Entropy Filter)濾波算法[12].該算法可以濾除不同類型的噪聲,但由于采用迭代運(yùn)算,輸出圖像過(guò)平滑現(xiàn)象非常明顯,嚴(yán)重?fù)p害了圖像細(xì)節(jié).
如何利用中智不確定性和灰色關(guān)聯(lián)度的融合信息來(lái)提高現(xiàn)有濾波算法的噪聲濾除和細(xì)節(jié)保護(hù)能力,目前尚未有相關(guān)報(bào)道.本文充分挖掘圖像不確定信息的潛在價(jià)值,并將其應(yīng)用到噪聲檢測(cè)和噪聲恢復(fù)過(guò)程中,提出了一種中智灰濾波算法.該算法首先將極值壓縮灰色關(guān)聯(lián)度ECGCD與順序不確定性O(shè)I相融合,設(shè)計(jì)了ECGCD-OI二次噪聲檢測(cè)方案;然后又將中智不確定性和ECGCD的乘積作為相似性度量特征,利用高斯核函數(shù)構(gòu)建了中智灰自適應(yīng)權(quán)重函數(shù).實(shí)驗(yàn)表明,該中智灰濾波算法在細(xì)節(jié)保護(hù)和噪聲濾除方面的性能優(yōu)于現(xiàn)有相關(guān)算法.
2.1中智不確定性的量化
中智理論是中智邏輯、中智集合論和中智概率論的統(tǒng)一,從對(duì)立統(tǒng)一的角度來(lái)研究自然科學(xué)和社會(huì)科學(xué)中的矛盾性和不確定性.在此理論中,一個(gè)命題或?qū)嶓w用〈A〉表示,〈A〉的否定為〈Anti-A〉,既不是〈A〉又不是〈Anti-A〉記為〈Neut-A〉,并用三個(gè)中智元素T、I和F分別表示.按照中智邏輯,如果一個(gè)命題為t%的真,它并不一定是(100-t)%的假,而是f%的假和i%的不確定,其中t∈T,i∈I,f∈F.這改變了傳統(tǒng)不真即假的邏輯思維方式,更符合人們對(duì)事物的認(rèn)知規(guī)律.
中智域圖像可用三個(gè)集合T、I、F來(lái)表示,其中T為圖像真實(shí)性表述,I為不確定性表述,F(xiàn)為非真實(shí)性表述.傳統(tǒng)域圖像P在中智域可表示為PNS={T,I,F(xiàn)}.像素p(i,j)在中智域可表示為PNS(i,j)={T(i,j),I(i,j),F(xiàn)(i,j)}.為充分利用圖像的不確定信息進(jìn)行濾波,有效的不確定性量化設(shè)計(jì)是算法的關(guān)鍵.受文獻(xiàn)[12,13]的啟發(fā),本文用區(qū)域中值、偏差以及極差來(lái)求T、I、F.
其中:p(i,j)是像素(i,j)的灰度值;m(i,j)是D×D窗口中值(D=2n+1(n≥1));δ(i,j)是p(i,j)與m(i,j)差的絕對(duì)值;mmin和mmax是整幅圖中所有中值的最小值和最大值.本文只利用了I(i,j)信息,T(i,j)和F(i,j)在此只是為了說(shuō)明中智圖像完整的轉(zhuǎn)換過(guò)程.
為研究中智不確定性的特點(diǎn),首先按式(2)、(3)計(jì)算圖像的不確定性,并轉(zhuǎn)換為灰度圖像.圖1為在5×5窗口下,Barbara原圖及5%和10%椒鹽噪聲情況下的不確定性灰度圖.由圖1(a)可見(jiàn),Barbara面部、胳膊等平坦區(qū)域顯示為黑色,說(shuō)明平坦區(qū)域或灰度變化緩慢區(qū)域具有較低的不確定性;頭巾、衣服等細(xì)節(jié)區(qū)域顯示為灰白色,說(shuō)明邊緣及紋理區(qū)域較平坦區(qū)域的不確定性稍有增加.這是因?yàn)槠教箙^(qū)域灰度變化小,δ(i,j)較小,所以對(duì)應(yīng)的I(i,j)值?。欢吘壪袼氐幕叶茸兓^平坦區(qū)域有所增加,所以不確定性有所提高.但由圖1 (b)和圖1(c)可見(jiàn),圖像被椒鹽噪聲污染后,不確定性灰度圖中布滿了亮度更高的斑點(diǎn),由此說(shuō)明椒鹽噪聲比邊緣及紋理區(qū)域像素具有更高的不確定性.這是因?yàn)榧词乖谶吘墔^(qū)域,局部范圍像素之間仍存在一定程度的相似性和灰度變化連續(xù)性,然而椒鹽噪聲是一些孤立的、隨機(jī)的點(diǎn),其灰度與鄰域像素?zé)o關(guān),導(dǎo)致其不確定性非常高.
綜上所述,像素不確定性的大小,在一定程度上可以反映該像素屬于平坦區(qū)域、邊緣區(qū)域還是噪聲區(qū)域;同時(shí),高不確定性像素?cái)?shù)量的變化體現(xiàn)了噪聲密度的變化.
2.2極值壓縮灰色關(guān)聯(lián)度
灰色系統(tǒng)理論是我國(guó)著名學(xué)者鄧聚龍于1982年創(chuàng)立的一門(mén)新學(xué)科,它用“灰數(shù)”概念來(lái)描述信息的不確定性.馮冬竹在文獻(xiàn)[15]中指出,像素的灰色關(guān)聯(lián)度越大,比較序列與參考序列相似性越高.在灰色關(guān)聯(lián)分析中,應(yīng)用最多的是鄧氏關(guān)聯(lián)度.假設(shè)采用3×3濾波窗口,窗口各像素如下:
灰色關(guān)聯(lián)度的基本計(jì)算步驟如下:(1)參考序列和比較序列的選取本文將窗口中值作為參考序列X,則X只有一個(gè)元素,即
比較序列Y為窗口內(nèi)各像素,即
(2)差序列計(jì)算
將Y中各數(shù)據(jù)減去X,得到差絕對(duì)值序列:
(3)灰色關(guān)聯(lián)度計(jì)算
像素灰色關(guān)聯(lián)度γ(k),(k∈1,…,9)的計(jì)算如式(5)所示:
其中:ρ是分辨系數(shù),在鄧氏灰色關(guān)聯(lián)度中,ρ取 0.5;Max和Min分別為差序列ΔY的最大值和最小值.
由上述可知,比較序列中各像素的灰色關(guān)聯(lián)度越大,說(shuō)明其與鄰域像素的相似性越高;灰色關(guān)聯(lián)度越小,像素為噪聲的可能性越大.從灰色關(guān)聯(lián)度的計(jì)算過(guò)程可見(jiàn),參考序列的準(zhǔn)確性至關(guān)重要.噪聲較低時(shí)中值作為參考序列可以保證關(guān)聯(lián)度的準(zhǔn)確性,但在高密度噪聲下,如果中值已被污染,將會(huì)導(dǎo)致噪聲像素的關(guān)聯(lián)度提高而正常像素的關(guān)聯(lián)度反而降低,從而無(wú)法正確衡量像素間的關(guān)聯(lián)性.為克服此缺點(diǎn),本文提出極值壓縮灰色關(guān)聯(lián)度ECGCD,具體過(guò)程如下:
①極值壓縮.首先將濾波窗口內(nèi)灰度值為Gmin和Gmax的像素(Gmin和Gmax為圖像灰度范圍內(nèi)的兩個(gè)極值,這兩個(gè)極值可以通過(guò)噪聲圖像直方圖得到)剔除,剩余像素作為種子像素.
②求種子中值.種子像素的中值稱為種子中值.
③求ECGCD.利用種子中值,按上述步驟(1)、(2)、(3)計(jì)算比較序列中各元素的ECGCD.
極值壓縮后的種子中值可以確保參考序列的純凈性,所以ECGCD的大小可準(zhǔn)確反映局部范圍內(nèi)像素的關(guān)聯(lián)性.如果中心極值像素具有較低的ECGCD值,說(shuō)明它與種子中值差別大,是噪聲的可能性大;如果雖為極值卻具有高的ECGCD值,則說(shuō)明它與鄰域像素的關(guān)聯(lián)性較強(qiáng),為正常像素的可能性大.
3.1ECGCD-OI二次噪聲檢測(cè)
針對(duì)Max-Min算法存在噪聲誤檢情況,為提高檢測(cè)準(zhǔn)確率,本文融合ECGCD和OI兩種信息對(duì)Max-Min的初檢結(jié)果進(jìn)行再次檢測(cè),即,ECGCD-OI二次噪聲檢測(cè)方案,具體過(guò)程如下:
(1)一次檢測(cè).將灰度值為Gmin和Gmax的像素判為準(zhǔn)噪聲像素.
(2)二次檢測(cè).以準(zhǔn)噪聲像素為中心,在3×3窗口內(nèi)計(jì)算所有像素的ECGCD:γ(k),(k∈1,…,9).設(shè)種子像素的ECGCD集合為:
γ0=[γ0(1),γ0(2),…,γ0(n)](n≤8)γ0的中值用MEDγ表示,像素 ECGCD與 MEDγ的比值用λ表示,即:
測(cè)試發(fā)現(xiàn):在平坦區(qū)域,如果當(dāng)前像素為噪聲,其ECGCD一般要明顯小于MEDγ,對(duì)應(yīng)λ值較大;反之,λ則較小.但在邊緣區(qū)域,部分中心像素雖然為極值,卻與種子像素具有相似的λ值,難以判定是否為真實(shí)噪聲.
假如噪聲點(diǎn)的位置是已知的,現(xiàn)從Lena圖像肩部平坦區(qū)域選一個(gè)3×3濾波窗口,對(duì)應(yīng)的灰度矩陣、ECGCD矩陣和λ矩陣分別用G1、E1、λ1表示;然后從Lena帽子邊緣區(qū)域再選兩個(gè)3×3濾波窗口,對(duì)應(yīng)的三矩陣分別為G2、E2、λ2和G3、E3、λ3.由λ1可見(jiàn),G1中心“0”像素的λ值為21.15,可以輕松判斷其為噪聲點(diǎn).G2和G3中心“0”像素的λ分別區(qū)別為1.6和1.17,與種子像素的λ無(wú)明顯區(qū)別.在初次檢測(cè)中,它們已被判為準(zhǔn)噪聲,但根據(jù)已知的噪聲圖像,G3中心像素并非噪聲.為進(jìn)一步確定此類像素為真實(shí)噪聲的可能性,現(xiàn)利用中智不確定性作進(jìn)一步判斷.
上述G1、G2、G3三窗口的不確定性矩陣分別為U1、U2、U3.首先將U1、U2、U3中各像素的不確定性按降序排列,形成順序不確定性.假設(shè)窗口中含有 m個(gè)極值像素,如果中心極值像素的不確定性又處在降序序列的前m位,說(shuō)明該極值點(diǎn)不確定性很高,可將其認(rèn)定為真實(shí)噪聲;如果中心極值像素的不確定性排在m位之后,說(shuō)明它的不確定性較低,為正常像素的可能性較大,可將其從準(zhǔn)噪聲集合中刪除.為減小計(jì)算量,對(duì)λ值很大的中心像素,不必考慮其順序不確定性,可直接確認(rèn)為噪聲,僅對(duì)λ小于某閥值的像素,結(jié)合順序不確定性的位置作進(jìn)一步判斷.為避免噪聲漏判,λ閥值不能過(guò)大.經(jīng)大量實(shí)驗(yàn)證明,λ閥值選為3時(shí)噪聲檢測(cè)效果最理想.
根據(jù)ECGCD-OI規(guī)則,G1、G2的中心“0”像素為真實(shí)噪聲,G3的“0”像素是偽噪聲像素.其實(shí),從G3、λ3和U3可見(jiàn),灰度值為177和149兩像素的不確定性很高,比“0”像素更像噪聲,這間接說(shuō)明 ECGCD-OI二級(jí)噪聲檢測(cè)方案是有效的.
3.2相似性度量設(shè)計(jì)
加權(quán)濾波的原理可用式(8)來(lái)表示:
其中:g(i,j)是中心像素(i,j)濾波后的灰度值;D×D是以(i,j)為中心的濾波窗口,且(D=2n+1(n≥1));g (p,q)為濾波窗口內(nèi)各像素灰度值;w(p,q)是對(duì)應(yīng)像素的濾波權(quán)重.
權(quán)重函數(shù)是濾波算法的關(guān)鍵,本文采用如式(9)所示的高斯核函數(shù),其中h為濾波平滑參數(shù),s為相似性度量特征.有效的相似性度量特征是影響權(quán)重準(zhǔn)確性的重要因素.
由上文可知,當(dāng)像素(p,q)的不確定性I(p,q)很大時(shí),該點(diǎn)為噪聲的可能性大,對(duì)目標(biāo)點(diǎn)的權(quán)重應(yīng)被削弱;反之,該點(diǎn)為噪聲的可能性小,濾波權(quán)重應(yīng)被加強(qiáng).另一方面,當(dāng)(p,q)的ECGCD較大時(shí),該點(diǎn)與鄰域像素的相似性高,濾波權(quán)重也應(yīng)該被加強(qiáng),反之亦然.由此可見(jiàn),中智不確定性和ECGCD的大小均可決定像素的濾波權(quán)重,本文將兩者的乘性融合作為相似性度量特征,對(duì)應(yīng)的相似性度量函數(shù)如下:
其中I(p,q)為像素(p,q)的中智不確定性,γ0(p,q)為像素的ECGCD.將式(10)帶入式(9),基于不確定性信息融合的中智灰自適應(yīng)權(quán)重函數(shù)如式(11)所示
由式(11)可見(jiàn),當(dāng)I(p,q)較大時(shí),對(duì)應(yīng)的w(p,q)小,當(dāng)γ0(p,q)大時(shí),對(duì)應(yīng)的w(p,q)較大.
h是一個(gè)非常重要的參數(shù),它控制著濾波權(quán)重的衰減程度.通過(guò)對(duì)近50幅標(biāo)準(zhǔn)圖像測(cè)試,發(fā)現(xiàn)噪聲密度σ 在10%~80%范圍內(nèi),h取5.5可獲得較高信噪比;當(dāng)σ高于80%,h取0.8916可獲得較高信噪比.但對(duì)污染圖像來(lái)說(shuō),σ是不可預(yù)知的,為了給h合理賦值,需要對(duì)σ進(jìn)行粗略估計(jì).設(shè)圖像像素總數(shù)為Mall,噪聲像素?cái)?shù)量為Mnoise,則噪聲水平σ可粗略估計(jì)為:
3.3算法具體實(shí)現(xiàn)
本文中智灰濾波算法的具體步驟如下:
第一步 按式(2)、(3)計(jì)算像素的中智不確定性.
第二步 利用Max-Min算法進(jìn)行噪聲初步檢測(cè).用Mexp表示準(zhǔn)噪聲矩陣,被判為準(zhǔn)噪聲的像素在Mexp中標(biāo)記為“1”,否則為“0”.
第三步 以Mexp中第一個(gè)準(zhǔn)噪聲像素為中心,計(jì)算3×3窗口內(nèi)各像素的ECGCD以及MEDγ,然后按式(7)計(jì)算中心像素的λ值.
第四步 對(duì)λ>3的準(zhǔn)噪聲像素,在噪聲矩陣Mreal中標(biāo)記為“1”;對(duì)λ≤3的準(zhǔn)噪聲像素,利用ECGCD-OI規(guī)則進(jìn)行二次判斷,確認(rèn)為真實(shí)噪聲的像素標(biāo)記為“1”.
第五步 重復(fù)第三、四步,直到所有準(zhǔn)噪聲像素二次檢測(cè)完畢.
第六步 對(duì)Mreal中標(biāo)記為“1”的像素,利用式(8)、(11)進(jìn)行加權(quán)濾波,且規(guī)定噪聲像素不參與加權(quán).當(dāng)濾波窗內(nèi)所有像素被污染時(shí),噪聲像素被其前面已處理過(guò)的4個(gè)像素的均值代替.
為驗(yàn)證本文算法的有效性,對(duì)圖2所示圖像進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)環(huán)境為 MATLAB R2013a,CPU主頻為2.4GHz,內(nèi)存為8GB DDR3L RAM.
4.1ECGCD-OI噪聲檢測(cè)結(jié)果
用 ECGCD-OI方案對(duì)Mexp的準(zhǔn)噪聲像素進(jìn)行二次篩選,確認(rèn)的偽噪聲將被剔除.偽噪聲個(gè)數(shù)與準(zhǔn)噪聲總數(shù)之比稱為剔除率,表1為圖2代表圖像的剔除率.由表1可見(jiàn),不同圖像在不同噪聲情況下其剔除率是不同的.Lena等較平坦圖像的剔除率較低,而House等紋理豐富圖像的剔除率較高.
表1 ECGCD-OI算法剔除率
4.2去噪性能比較
為驗(yàn)證本文算法的有效性,將其與MF[3]、NSEF[12]、DBA[5]、FBDA[7]、DBTMF[8]等算法進(jìn)行比較.本文算法、DBA算法、FBDA算法和DBTMF算法的濾波窗口保持3 ×3不變;MF算法根據(jù)噪聲密度不同,最佳濾波窗口在3 ×3到9×9之間變化;噪聲低于0.4時(shí),NSEF算法的最佳濾波窗口為3×3,其它情況為5×5.圖3、圖4為噪聲密度在90%時(shí)六種算法對(duì)Lena和Man兩幅圖像的濾波輸出.為比較DBTMF算法和本文算法對(duì)邊緣等細(xì)節(jié)的保護(hù)性能,分別從圖3中Lena帽子邊緣和圖4中Man帽子羽毛部分取局部區(qū)域進(jìn)行放大,圖5為對(duì)應(yīng)的局部放大圖.
由圖3、圖4可見(jiàn),在90%噪聲密度下,MF、NSEF兩種算法均出現(xiàn)較大的噪聲塊,導(dǎo)致圖像難以辨認(rèn);DBA算法由于噪聲像素的重復(fù)代替而出現(xiàn)了條狀偽影;FBDA較前三種算法的濾波效果有明顯改善,但仍有部分噪聲未被濾除干凈;DBTMF算法和本文算法均可徹底濾除噪聲,但從圖5(a)和圖5(c)局部放大圖可見(jiàn),在圖像邊緣部分,DBTMF算法存在較尖銳的鋸齒狀細(xì)節(jié),而本文算法的圖像邊緣則相對(duì)平滑.這是由于本文算法在噪聲檢測(cè)時(shí)剔除了部分偽噪聲,計(jì)算像素權(quán)重時(shí)又充分考慮了像素的局部信息,這些措施對(duì)邊緣等細(xì)節(jié)信息的恢復(fù)都起到一定的保護(hù)作用.盡管本文算法沒(méi)有徹底消除鋸齒狀邊緣,但相對(duì)DBTMF算法,其鋸齒狀尖銳程度已得到有效降低.
用輸出圖像的PSNR作為算法性能客觀評(píng)價(jià)標(biāo)準(zhǔn),表2、表3給出了六種算法對(duì)Lena等圖像的測(cè)試結(jié)果.由表中數(shù)據(jù)可見(jiàn),在10%~90%噪聲范圍內(nèi),本文算法的PSNR都保持在20dB以上.噪聲水平在10% ~30%左右時(shí),DBA算法的PSNR較本文算法有所提高,但在40%~90%噪聲范圍內(nèi),本文算法的PSNR明顯高于其它幾種算法.
總之,由上文對(duì)不同圖像在不同噪聲環(huán)境下的主觀圖像和客觀指標(biāo)可見(jiàn),本文算法降噪能力和細(xì)節(jié)保護(hù)的綜合性能優(yōu)于其它同類算法.
表2 不同算法對(duì)Lena圖像的測(cè)試結(jié)果
表3 不同算法對(duì)Man圖像的測(cè)試結(jié)果
本文將中智不確定性和灰色關(guān)聯(lián)度的融合信息引入高密度椒鹽噪聲的檢測(cè)和降噪領(lǐng)域.提出了ECGCDOI二次噪聲檢測(cè)方案,在一定程度上提高了噪聲檢測(cè)的準(zhǔn)確率;構(gòu)建了以ECGCD和不確性為相似性度量特征的自適應(yīng)權(quán)重函數(shù),充分利用了像素局部信息的不確定性和灰色性,在抑制噪聲的同時(shí)有效地保護(hù)了邊緣等細(xì)節(jié)信息.特別在高密度椒鹽噪聲下,本文中智灰算法的噪聲濾除和細(xì)節(jié)保護(hù)性能優(yōu)于傳統(tǒng)算法.
[1]肖泉,丁興號(hào),王守覺(jué),等.有效保持細(xì)節(jié)特征的圖像椒鹽噪聲濾除方法[J].電子學(xué)報(bào),2010,38(10):2273 -2278. Xiao Quan,Ding Xing-hao,Wang Shou-jue,et al.A novel detail-preserving algorithm for removing salt-and-pepper noise[J].Acta Electronica Sinica,2010,38(10):2273-2278.(in Chinese)
[2]呂宗偉,唐治德,周林.一種高效快速的高密度椒鹽噪聲消除算法[J].電子學(xué)報(bào),2011,39(8):1903-1908. Lü Zong-wei,Tang Zhi-de,Zhou Lin.One efficient and fast method for the removal of high-density salt and pepper noise[J].Acta Electronica Sinica,2011,39(8):1903-1908.(in Chinese)
[3]Pitas I,Venetsanopoulos A N.Order statistics in digital image processing[J].Proceedings of the IEEE,1992,80 (12):1893-1921.
[4]Chan RH,Ho CW,Nikolova M.Salt-and-pepper noise removal by media-type noise detectors and detail-preserving regularization[J].IEEE Transactions on Image Processing,2005,14(10):1479-1485.
[5]Srinivasan K S,Ebenezer D.A new fast and efficient decision-based algorithm for removal of high-density impulse noises[J].IEEE Signal Processing Letters,2007,14(3):189-193.
[6]Esakkirajan S,Veerakumar T,et al.Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter[J].IEEE Signal Processing Letters,2011,18(5):287-290.
[7]Nair Madhu S,Raju G.A new fuzzy-based decision algorithm for high-density impulse noise removal[J].Signal Image and Video Processing,2012,6(4):579-595.
[8]Vijaykumar VR,Santhanamari G.New decision-based trimmed median filter for high-density salt-and-pepper noise removal in images[J].Journal of Electronic Imaging,2014,23(3):033011-033014.
[9]張玲.基于模糊理論及其擴(kuò)展的圖像分割研究及其應(yīng)用[D].濟(jì)南:山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,2012. Zhang Ling.Research and Application of Image Segmentation Based on Fuzzy Theory and Its Extension[D].Jinan:School of Computer Science and Technology of Shandong University,2012.(in Chinese)
[10]王貴君,楊永強(qiáng).基于高概率椒鹽噪聲的模糊濾波器在圖像恢復(fù)中的算法設(shè)計(jì)[J].電子學(xué)報(bào),2015,43(1):24 -29. Wang Gui-jun,Yang Yong-qiang.Algorithm design for fuzzy filter based on salt-and-pepper noise with high probability in image restoration[J].Acta Electronica Sinica,2015,43(1):24-29.(in Chinese)
[11]Miao Ma,Hongpeng Tian,Chongyang Hao.Image denoising using grey relational analysis in spatial domain[A]. Proceedings of SPIE the International Society for Optical Engineering[C].USA:SPIE,2005,5960:335-343.
[12]Guo Yanhui,Cheng H D.A new neutrosophic approach to image denoising[J].New Mathematics and Natural Computation,2009,5(3):653-662.
[13]Mohan J,Krishnaveni V,Guo Yan-hui.MRI denoising using nonlocal neutrosophic set approach of Wiener filtering[J].Biomedical Signal Processing and Control,2013,8(6):779-791.
[14]Guo Yanhui,Cheng H D.New neutrosophic approach to image segmentation[J].Pattern Recognition,2009,42 (5):587-595.
[15]馮冬竹,閻杰.一種基于灰關(guān)聯(lián)分析的紅外圖像濾波算法[J].西北工業(yè)大學(xué)學(xué)報(bào),2006,24(6):709-712. Feng Dong-zhu,Yan Jie.Infrared image filtering algorithm based on grey relational analysis[J].Journal of Northwestern Polytechnical University,2006,24(6):709 -712.(in Chinese)
齊現(xiàn)英 女,1974年7月出生,山東泰安人. 2003年于山東科技大學(xué)信息科學(xué)與工程學(xué)院獲碩士學(xué)位.現(xiàn)為山東大學(xué)博士研究生,研究方向?yàn)獒t(yī)學(xué)圖像處理及醫(yī)學(xué)儀器.
E-mail:xyqi@tsmc.edu.cn
劉伯強(qiáng)(通訊作者) 男,1956年11月出生,山東濟(jì)南人.山東大學(xué)控制科學(xué)與工程學(xué)院教授、博士生導(dǎo)師,研究方向?yàn)獒t(yī)學(xué)圖像處理、新型生物醫(yī)學(xué)儀器.
E-mail:bqliu@sdu.edu.cn
A Novel Algorithm for Removing High-Density Salt-and-Pepper Noise Based on Fusion of Indeterminacy Information
QI Xian-ying1,2,LIU Bo-qiang1,XU Jian-wei3
(1.School of Control Science and Engineering,Shandong University,Jinan,Shandong 250061,China;2.Department of Radiology,Taishan Medical University,Taian,Shandong 271000,China;3.Taian Cancer Prevention and Treatment Hospital,Taian,Shandong 271000,China)
To solve the contradiction of image denoising and detail-preserving under high-density salt-and-pepper noise,this paper proposes a Neutrosophy-Gray filter by using the fusion of indeterminacy information.It has a two-stage scheme:noise detecting and noise removing.In detecting stage,to improve the accuracy of noise detection,Max-Min algorithm is employed firstly,then noise candidates are judged again by the dual criteria of Extreme-Compression-Grey-Correlation-Degree (ECGCD)and Ordered-Indeterminacy(OI).In filtering stage,the algorithm applies the multiplicative fusion of ECGCD and indeterminacy to measure the similarity of pixels,and a Neutrosophy-Gray adaptive weighted function is presented.Experiments show,for different images,the rates of noise eliminating change between 0.1%and 8.8%,and performances of denoising and detail-preserving of the proposed algorithm are superior to current filters even at high level noise(70%~90%).
salt-and-pepper noise with high-density;double noise detection;neutrosophy-gray adaptive weight;extreme-compression-grey-correlation-degree;ordered-indeterminacy;neutrosophy
TP391.41
A
0372-2112(2016)04-0878-08
電子學(xué)報(bào)URL:http://www.ejournal.org.cn 10.3969/j.issn.0372-2112.2016.04.018
2015-04-17;
2015-06-29;責(zé)任編輯:孫瑤
國(guó)家自然科學(xué)基金(No.61203330)