基于汽車輪輞的高密度椒鹽噪聲濾波算法研究

王娟 付盼麗

【摘 要】提出了一種局部相關(guān)規(guī)則與極值自適應(yīng)中值的濾波算法。該方法首先根據(jù)圖像特征自適應(yīng)加邊框，通過噪聲判別標(biāo)準(zhǔn)列出相關(guān)規(guī)則，通過與自適應(yīng)閾值比較將不符合規(guī)則的噪聲點用自適應(yīng)變窗口中值濾波算法濾除。該算法具有良好的濾波性能，可以有效地去除圖象中的椒鹽噪聲，并保留圖象的細(xì)節(jié)。

【關(guān)鍵詞】自適應(yīng)；加邊框；判別標(biāo)準(zhǔn)；中值濾波；椒鹽噪聲

中圖分類號： TP391 文獻標(biāo)識碼： A 文章編號： 2095-2457（2018）27-0154-002

DOI：10.19694/j.cnki.issn2095-2457.2018.27.068

0 引言

噪聲是圖像干擾的重要原因，去除圖像噪聲并保護圖像細(xì)節(jié)，一直是圖像處理中的熱點問題。Tukey提出了標(biāo)準(zhǔn)中值濾波算法（SMF），能夠很好的去除脈沖噪聲。但SMF算法存在固有缺陷：對于高噪聲圖像去噪能力不足，會殘留大量噪聲信號。為了提高算法效率，文獻[1]提出了快速并行中值濾波算法（FPMF），但該算法并沒有使圖像信噪比提高。文獻[2]提出了中值濾波的優(yōu)化算法（ISM），該算法能夠根據(jù)局部像素分布信息判斷噪聲信號，但對于高密度噪聲圖像容易產(chǎn)生漏檢和誤檢。K.Aiswarya等提出的DBUTM算法，能很好的去除噪聲，但該算法在大噪聲、窗口內(nèi)全部為噪聲點的情況下容易失效?；谝陨戏治隹偨Y(jié)，本文提出了一種基于極值鄰域的變窗口濾波算法，該算法在濾除高密度椒鹽噪聲的同時，還能保持良好的邊緣信息。

1 算法原理及實現(xiàn)

該算法根據(jù)圖像特征提出了自適應(yīng)添加邊框像素值，然后根據(jù)鄰域局部信息找出噪聲污染點，最后根據(jù)噪聲判別標(biāo)準(zhǔn)進行濾波，將檢測到的噪聲點進行鄰域相關(guān)規(guī)則提取，不符合規(guī)則的鄰域進行自適應(yīng)變窗口中值濾波，最終實現(xiàn)圖像噪聲濾除。

1.1 自適應(yīng)加邊和閾值選取

為了濾除圖像邊緣的噪聲，分析圖像起始像素值的特征選取合適的邊框像素值，具體步驟如下：

（1）設(shè)起始點為f（0，0），若f（0，0）為信號點則把該點添加為邊框值，否則執(zhí)行（2）。

（2）在2×2鄰域搜索非極大極小值點，將搜索到的像素值賦予邊框值，否則執(zhí)行（3）。

（3）擴大窗口至3×3，繼續(xù)掃描；否則擴大窗口至4×4，以此類推直到找到信號值點。

圖1為某區(qū)域添加50%椒鹽噪聲后像素值分布和添加邊框后的像素值分布。

初級檢測到的可疑噪聲點，判斷3×3窗口內(nèi)中心點像素值與鄰域像素值的關(guān)系，若窗口內(nèi)所有非極大極小像素灰度值與中心點像素值的絕對差值都小于閾值K則中心點為信號點，若大于K，認(rèn)為中心點是噪聲點，做濾波處理。判斷3×3濾波窗口內(nèi)中心點與其他像素值的絕對差值，選擇數(shù)目最多的作為閾值效果最佳[3]。

1.2 圖像濾波處理

由于濾波窗口在圖像上是自左至右、從上到下掃描并對噪聲點像素灰度值進行實時更正的，當(dāng)濾波窗口游走到圖像某一位置且目標(biāo)像素點p為噪聲點時，其右邊和上方的4個點已經(jīng)經(jīng)過濾波處理可以看作是無噪聲的信號點，是可信的，這4個點的灰度大小及分布特征對p的修正提供可靠參考。以p點為中心的3×3濾波窗口及窗口中的像素灰度值分布如圖2所示。

圖2 3×3濾波窗口

如果p點檢測為噪聲信號，可根據(jù)p點周圍特別是左邊和上邊像素間的相關(guān)性提取若干規(guī)則[9]，對p點進行修復(fù)。

（1）如果p點上方行、左邊列或斜邊的像素灰度值存在相等關(guān)系，則可提取規(guī)則1～3：

（2）如果p點上方行、左邊列或斜邊上的像素值間存在某種差值關(guān)系，則可提取規(guī)則4～6：

在噪聲密度較小選用3×3濾波窗口，噪聲密度較大時選用5×5濾波窗口。所有排序取中值操作都只在當(dāng)前窗口內(nèi)非噪聲點灰度值中進行，即在所有f（x，y）？綴S的灰度值中排序取中值，如圖3所示。

2 實驗結(jié)果與分析

將圖像加入不同程度的椒鹽噪聲，分別運用IMF算法及本文算法對噪聲圖像進行處理，并對還原后的圖像進行了比較。圖4為添加90%椒鹽噪聲[8]圖像各算法處理后的效果圖。

從圖4可以看出，添加90%噪聲后，本文算法濾波效果要好于IMF算法，IMF算法[7]產(chǎn)生的毛刺要比本文算法明顯。這說明：本文提出的改進算法在高噪聲密度環(huán)境下的濾波效果要好于其他算法，而且在保護圖像細(xì)節(jié)方面也比其他算法優(yōu)異。

本章采用峰值信噪比（PSNR）作為客觀評價的標(biāo)準(zhǔn)，分別比較在10%至90%的椒鹽噪聲條件下，SMF、ISM、IMF及本文算法的濾波性能[13]，并記錄數(shù)據(jù)于表1中。

無論是在低密度（10%）噪聲和高密度（90%）噪聲下比較，本文算法的濾波性能都要優(yōu)于其他幾種算法。在低噪聲密度條件下本文算法的PSNR值要比其他算法高、MSE值比其他算法低，但這種優(yōu)勢還不太明顯；但噪聲密度增大，達到50%以上時，本文算法的優(yōu)勢較為明顯。

3 結(jié)束語

本算法在有效的檢測噪聲策略的基礎(chǔ)上，區(qū)分圖像上的噪聲點和信號點，僅對噪聲點進行處理；充分考量噪聲點周圍像素分布特征信息，再對噪聲點像素值進行取代；然后，對周圍像素信息相關(guān)性不大的噪聲點進行自適應(yīng)變窗口濾波處理，根據(jù)噪聲密度選擇合適大小的濾波窗口，僅對窗口中信號點的像素值進行排序取中值操作，避免了噪聲信號的再次傳播，因而本算法具有優(yōu)異的去噪能力。

【參考文獻】

[1]辛月蘭.一種快速并行中值濾波算法的實現(xiàn)[J].微型電腦應(yīng)用，2011，27（8）：50-52.

[2]索俊祺.一種新的基于中值濾波的優(yōu)化濾波算法[D].北京郵電大學(xué)，2010.

[3]張麗新.數(shù)字圖像高密度脈沖噪聲的中值濾波算法研究 [D].上海交通大學(xué)，2009.

[4]彭良玉，楊輝，黃滿池.一種新的基于脈沖噪聲點檢測的自適應(yīng)中值濾波算法[J].蘭州理工大學(xué)學(xué)報，2009，35（1）：77-80.

[5]Yuan Xin-xing，Wen Peng，F(xiàn)an Xiu-xiang，F(xiàn)u Bo，et al. A Local Pixel Distribution Based Self-Adaptive Median Filter for Removal of Pepper and Salt Noise[C].International Conference on Intelligent Control and Automation Science，2013，3（1）：63-67.

[6]寧春玉，趙春華.自適應(yīng)中值濾波算法濾除醫(yī)學(xué)圖像脈沖噪聲[J].Computer Engineering and Applications，2012，48（24）.

[7]郭紅偉.數(shù)字圖像中椒鹽噪聲的濾波算法研究[D].云南大學(xué)，2010.