基于噪聲檢測(cè)和動(dòng)態(tài)窗口的圖像去噪算法

王文豪，嚴(yán)云洋，姜明新，高尚兵，于永濤

?

基于噪聲檢測(cè)和動(dòng)態(tài)窗口的圖像去噪算法

王文豪，嚴(yán)云洋，姜明新，高尚兵，于永濤

(淮陰工學(xué)院計(jì)算機(jī)與軟件工程學(xué)院，江蘇 淮安 223003)

針對(duì)中值濾波算法在去除脈沖噪聲時(shí)易造成圖像細(xì)節(jié)丟失的問(wèn)題，提出了一種基于噪聲檢測(cè)和動(dòng)態(tài)窗口的自適應(yīng)濾波方法。首先借鑒BDND方法，將圖像的像素初分成信號(hào)點(diǎn)和疑似噪聲點(diǎn)，以減少需要處理的像素點(diǎn)；然后設(shè)計(jì)一種窗口自適應(yīng)的噪聲檢測(cè)方法對(duì)疑似噪聲點(diǎn)進(jìn)一步檢測(cè)，判斷其是真噪聲點(diǎn)還是細(xì)節(jié)點(diǎn)，以加強(qiáng)圖像細(xì)節(jié)信息的保護(hù)；最后通過(guò)改進(jìn)的自適應(yīng)中值濾波器濾除檢測(cè)出的噪聲，并融入窗口自適應(yīng)控制，窗口的大小可以根據(jù)噪聲情況自適應(yīng)地調(diào)整，在去除噪聲的同時(shí)盡可能地保護(hù)圖像細(xì)節(jié)。實(shí)驗(yàn)表明，該算法在噪聲處理和細(xì)節(jié)保護(hù)上要優(yōu)于其他典型算法，能有效地提高圖像的峰值信噪比，對(duì)于高密度噪聲的圖像，也可以獲得較好的去噪效果。

脈沖噪聲；噪聲檢測(cè)；自適應(yīng)窗口；噪聲去除

在當(dāng)今信息化社會(huì)里，圖像在信息傳播中所發(fā)揮的作用越來(lái)越大，而圖像在獲取、處理和傳播過(guò)程中，不可避免地會(huì)遭到噪聲的干擾。如果噪聲太大，則會(huì)嚴(yán)重影響圖像的質(zhì)量，使圖像細(xì)節(jié)模糊，丟失需要的信息，因此有必要對(duì)圖像進(jìn)行去噪，減少或者消除圖像中混雜的噪聲，保護(hù)圖像的細(xì)節(jié)。

研究表明，脈沖噪聲在可能出現(xiàn)的噪聲中尤為突出，因此在圖像去噪研究中，消除脈沖噪聲具有重要的意義。為消除脈沖噪聲，人們提出了多種濾波方法，其中標(biāo)準(zhǔn)中值濾波(standard median filter，SM)對(duì)脈沖去噪效果良好，其將窗口內(nèi)的像素點(diǎn)灰度值從小到大排列，取中間值作為窗口中心像素點(diǎn)的灰度值，具有簡(jiǎn)單、高效的優(yōu)點(diǎn)，但該方法在抑制噪聲的同時(shí)也丟失了圖像部分細(xì)節(jié)信息[1]；于是許多學(xué)者對(duì)其進(jìn)行了研究，提出了一些改進(jìn)的算法，如加權(quán)中值濾波(weighted median filter，WM)、中心權(quán)中值濾波(center-weighted median filter，CWM)和三態(tài)中值濾波(tri-state median filter，TSM)等算法。WM通過(guò)對(duì)窗口內(nèi)各像素加權(quán)以改變其重要程度，使噪聲點(diǎn)更易被去除，圖像的細(xì)節(jié)更好地保留[2]；CWM只給窗口中心像素點(diǎn)指定權(quán)值，其他像素點(diǎn)權(quán)值為1，便可達(dá)到與WM同樣去噪效果[3]。TSM在SM和CWM基礎(chǔ)上引入噪聲檢測(cè)機(jī)制，判斷當(dāng)前像素點(diǎn)是否被噪聲污染，若未被污染，則像素點(diǎn)的灰度值保持不變，若被污染，則采用SM或者CWM進(jìn)行去噪[4]。隨著自適應(yīng)控制技術(shù)的發(fā)展，有學(xué)者提出了一種自適應(yīng)中值濾波(adaptive median filter，AM)，該方法通過(guò)中值的前后兩個(gè)灰度值進(jìn)行自適應(yīng)調(diào)整，具有較好的噪聲去除和細(xì)節(jié)保護(hù)的性能[5]。

傳統(tǒng)的中值濾波方法需要對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行處理，因此不可避免地會(huì)破壞未遭到噪聲污染的像素點(diǎn)，從而使得濾波后的圖像質(zhì)量下降。為了有效地去除脈沖噪聲和避免改變圖像中的真實(shí)像素點(diǎn)，在濾波前可進(jìn)行噪聲檢測(cè)，于是學(xué)者們又提出了有關(guān)開(kāi)關(guān)中值濾波方法[6-10]。這些方法在各自的領(lǐng)域都較好地解決了去除噪聲與細(xì)節(jié)保護(hù)之間的矛盾，但面對(duì)高密度噪聲圖像時(shí)，去噪效果不佳。針對(duì)以上不足，本文提出了一種基于噪聲檢測(cè)和窗口動(dòng)態(tài)變化的中值濾波算法。在噪聲檢測(cè)階段，設(shè)計(jì)了一種窗口自適應(yīng)策略，將圖像中每個(gè)像素劃分為噪聲點(diǎn)或信號(hào)點(diǎn)，從而保護(hù)圖像中的真實(shí)像素點(diǎn)，以減少需要濾波處理的像素點(diǎn)數(shù)目，提高算法運(yùn)行效率。在濾波處理階段，設(shè)計(jì)了一種窗口自適應(yīng)的中值濾波算法，對(duì)檢測(cè)出的噪聲點(diǎn)進(jìn)行濾除。該方法對(duì)于高密度噪聲能有效地進(jìn)行處理，實(shí)驗(yàn)表明該方法有效。

1 脈沖噪聲模型

脈沖噪聲是指持續(xù)時(shí)間較短而間隔時(shí)間較長(zhǎng)的一種噪聲，類(lèi)似于在圖像上隨機(jī)分布的胡椒和鹽粉顆粒，對(duì)圖像的質(zhì)量造成極大的影響，其概率密度函數(shù)表達(dá)式為[11]

2 脈沖噪聲檢測(cè)

針對(duì)脈沖噪聲對(duì)圖像灰度值分布的影響，本文設(shè)計(jì)了一種脈沖噪聲檢測(cè)方法，首先，借鑒文獻(xiàn)[12]中的BDND方法，將圖像的像素初步劃分為信號(hào)點(diǎn)和疑似噪聲點(diǎn)；然后對(duì)疑似噪聲點(diǎn)通過(guò)其自身與鄰域像素灰度差值進(jìn)一步劃分為噪聲點(diǎn)和細(xì)節(jié)點(diǎn)。這種二次判別方法不僅使得圖像的邊緣細(xì)節(jié)得到了進(jìn)一步加強(qiáng)，而且對(duì)高密度噪聲圖像也可以取得較好的濾波效果。

2.1 定義噪聲標(biāo)識(shí)矩陣F。

其中，，為待檢測(cè)噪聲圖像的大小。(,)取值為0或1，0表示對(duì)應(yīng)的像素點(diǎn)為信號(hào)點(diǎn)，1表示對(duì)應(yīng)的像素點(diǎn)為脈沖噪聲點(diǎn)，初始時(shí)矩陣中各元素均為1。

2.2 疑似噪聲點(diǎn)檢測(cè)

2.3 噪聲點(diǎn)的檢測(cè)

窗口的大小對(duì)噪聲的檢測(cè)也有著很大的影響，對(duì)于高密度噪聲圖像，應(yīng)選用較大的窗口，對(duì)于低密度的噪聲圖像，應(yīng)選用較小的窗口[10]。圖1是噪聲密度為0.6圖像某局部區(qū)域的灰度值矩陣，在3×3窗口內(nèi)有6個(gè)噪聲點(diǎn)，窗口中心像素與其他8個(gè)像素差值的均值較小，則窗口中心像素被判定為未受噪聲污染；如果將窗口擴(kuò)大，變成5×5，此時(shí)窗口中心像素與其他24個(gè)像素差值的均值較大，則窗口中心像素就被判定為受噪聲污染，由此可見(jiàn)窗口大小應(yīng)隨噪聲密度的變化而變化。

圖1 噪聲密度為0.6的圖像局部信息

基于此，本文設(shè)計(jì)了一種基于鄰域信息和窗口自適應(yīng)的噪聲檢測(cè)算法。通過(guò)窗口中心像素點(diǎn)與其鄰域像素點(diǎn)灰度差值的均值mean來(lái)反應(yīng)窗口中心像素點(diǎn)與其他像素點(diǎn)的關(guān)聯(lián)程度；通過(guò)窗口SM值是否處于圖像的極大和極小值之間來(lái)調(diào)整窗口的大小，具體算法流程如圖2所示。

圖2 基于動(dòng)態(tài)窗口的噪聲點(diǎn)判別算法流程

3 脈沖噪聲的濾除

濾波窗口大小對(duì)濾波器的去噪性能有著重大影響，如果濾波窗口較小，則圖像邊緣細(xì)節(jié)可以得到較好的保護(hù)，但噪聲去除能力就受到影響；反之，如果濾波窗口較大，則可以較好地去除噪聲，但圖像的細(xì)節(jié)保護(hù)就受到影響[13]。此矛盾在高密度噪聲圖像中表現(xiàn)得尤為明顯，為了提高濾波后的圖像質(zhì)量，本文在自適應(yīng)中值濾波器的基礎(chǔ)上引入窗口動(dòng)態(tài)變化策略，通過(guò)自適應(yīng)策略調(diào)整濾波窗口大小，獲得更多的信息以彌補(bǔ)噪聲帶來(lái)的影響，提高AM對(duì)高密度噪聲和細(xì)節(jié)豐富圖像處理的性能，窗口自適應(yīng)原理與前面噪聲檢測(cè)基本一致。具體方法如下：

通過(guò)噪聲檢測(cè)，圖像中的像素點(diǎn)被分成噪聲點(diǎn)和信號(hào)點(diǎn)，因此可依據(jù)像素點(diǎn)的類(lèi)型，采用不同的方法進(jìn)行處理。若是信號(hào)點(diǎn)則保留原值不變，若是噪聲點(diǎn)，則使用本文方法進(jìn)行濾波。

4 實(shí)驗(yàn)與分析

在MatlabR2010a平臺(tái)上編程實(shí)現(xiàn)本文算法，選取標(biāo)準(zhǔn)灰度圖像“Lena”、“Peppers”和“Barb”進(jìn)行測(cè)試，實(shí)驗(yàn)中的噪聲圖像是通過(guò)對(duì)原始圖像施加噪聲獲得，加入的噪聲強(qiáng)度始終為0或255，加入的噪聲密度分別為0.1，0.2，0.3，···，0.8，使用SM、CWM、AM和本文方法對(duì)噪聲圖像分別進(jìn)行處理。

4.1 去除噪聲能力

圖3~5分別是噪聲密度為0.2、0.4和0.8時(shí)4種方法的濾波結(jié)果。從圖中不難看出，4種方法在噪聲密度較低時(shí)均可獲得較好效果，但隨著噪聲密度的增加，SM、CWM、AM去噪效果明顯下降。在噪聲密度達(dá)到0.4時(shí)，噪聲就不能被完全去除，而本文方法仍可以去除，其原因在于本文的濾波窗口大小能隨著噪聲密度的大小自動(dòng)調(diào)整，噪聲密度高時(shí)，使用大窗口進(jìn)行噪聲點(diǎn)檢測(cè)與濾波，以獲得更多的信息來(lái)彌補(bǔ)噪聲帶來(lái)的影響，提高去噪性能。

圖3 噪聲密度0.2的Lena圖像和4種算法處理結(jié)果

圖4 噪聲密度0.4的Lena圖像和4種算法處理結(jié)果

圖5 噪聲密度0.6的Lena圖像和4種算法處理結(jié)果

4.2 細(xì)節(jié)保護(hù)能力

Barbara圖像含有大量的條紋細(xì)節(jié)信息，對(duì)其施加40%的噪聲強(qiáng)度，分別使用SM、CWM、AM和本文方法對(duì)其進(jìn)行處理，結(jié)果如圖6所示。SM和CWM濾波后已無(wú)法看清條紋，而且在SM中含有大量的黑白斑點(diǎn)；AM處理后雖然能看清條紋，但變得模糊了；由于本文方法在處理噪聲時(shí)，窗口大小不僅隨著噪聲強(qiáng)度的變化而變化，而且還與圖像的局部信息的分布有關(guān)，本文方法處理后條紋細(xì)節(jié)信息明顯要豐富的多。一旦窗口的SM值在圖像的極大和極小值之間，窗口大小就確定了，因此優(yōu)選較小的窗口，使得圖像的細(xì)節(jié)得到更好地保護(hù)。

圖6 噪聲密度0.4的Barbara圖像和4種算法處理結(jié)果

4.3 PSNR分析

圖像去噪聲評(píng)價(jià)的方法很多，其中峰值信噪比(peak signal to noise ratio，PSNR)是最常用的評(píng)價(jià)方法。其計(jì)算公式為

對(duì)Peppers圖像分別加入0.1，0.2，···，0.8的噪聲密度，使用SM、CWM、AM和本文方法進(jìn)行測(cè)試，其結(jié)果見(jiàn)表1。從表中的數(shù)據(jù)可以看出本文方法在不同噪聲密度條件下PSNR值均高于其他3種方法，特別是在噪聲密度比較高時(shí)，PSNR值仍然較高，顯示了本文算法的有效性。

4.4 噪聲檢測(cè)分析

表1 對(duì)Peppers圖像4種濾波方法的PSNR值

圖7 不同T值下的濾波結(jié)果

圖8 T取不同值時(shí)PNSR值

5 結(jié)束語(yǔ)

在分析經(jīng)典中值濾波和脈沖噪聲模型的基礎(chǔ)上，提出了一種新的脈沖噪聲去除方法。在此方法中，設(shè)計(jì)了一種窗口自適應(yīng)的噪聲檢測(cè)機(jī)制，能有效地區(qū)分圖像中噪聲點(diǎn)和信號(hào)點(diǎn)，從而更好地保護(hù)了圖像細(xì)節(jié)信息，減少需要進(jìn)一步處理的像素點(diǎn)，同時(shí)對(duì)于檢測(cè)出的噪聲點(diǎn)，采用改進(jìn)的自適性中值濾波算法進(jìn)行濾除，在該濾波算法中融入了窗口自適應(yīng)控制，對(duì)于高密度噪聲圖像能獲得較好的處理效果。

[1] GOYAL P, CHAURASIA V. Application of median filter in removal of random valued impulse noise from natural images [C]//Proceeding of the International Conference on Electronics, Communication and Aerospace Technology (ICECA). New York: IEEE Press, 2017: 125-128.

[2] CHITHIRALA N, NATASHA B, RUBINI N, et al. Weighted mean filter for removal of high density salt and pepper noise [C]//Proceeding of the 3rd International Conference on Advanced Computing and Communication Systems (ICACCS). New York: IEEE Press, 2016, 1: 1-4.

[3] LOKHANDE A R, DAS M, SALUNKE D. Efficient removal of impulse noise and analyze performance of median filter and center weighted median filter [J]. International Journal of Engineering Science, 2016, 6(3): 2883-2889.

[4] ZHAN L, ZUO Z, ZHU S. An improved three states filter algorithm for impulse noise removal [C]// Proceeding of the 11th International Conference on Signal Processing (ICSP). New York: IEEE Press, 2012: 162-165.

[5] VERMA K, SINGH B K, THOKE A S. An enhancement in adaptive median filter for edge preservation [J]. Procedia Computer Science, 2015, 48: 29-36.

[6] 余應(yīng)淮, 謝仕義. 濾除椒鹽噪聲的開(kāi)關(guān)核回歸擬合算法[J]. 計(jì)算機(jī)應(yīng)用, 2017, 37(10): 2921-2925.

[7] 齊現(xiàn)英, 劉伯強(qiáng), 徐建偉, 等. 融合方向特性與不確定性的脈沖噪聲濾波[J]. 中國(guó)圖象圖形學(xué)報(bào), 2017, 22(6): 0754-0766.

[8] 張才, 陳優(yōu)廣. 基于噪聲自檢測(cè)的分段非線性組合Adaboost改進(jìn)算法[J]. 計(jì)算機(jī)工程, 2017, 43(5): 163-168.

[9] 王義, 王江云, 宋曉, 等. 基于模糊轉(zhuǎn)換的圖像椒鹽噪聲檢測(cè)和去除[J]. 電子測(cè)量與儀器學(xué)報(bào), 2017, 31(4): 537-542.

[10] 江巨浪, 章瀚, 朱柱, 等. 高密度椒鹽噪聲的多方向加權(quán)均值濾波[J]. 計(jì)算機(jī)工程與應(yīng)用, 2016, 52(6): 204-208.

[11] 劉鵬宇, 哈睿, 賈克斌. 改進(jìn)的自適應(yīng)中值濾波算法及其應(yīng)用[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2017, 43(4): 581-586.

[12] THANAKUMAR G, MURUGAPPRIYA S, SURESH G R. High density impulse noise removal using BDND filtering algorithm [C]//Proceeding of the International Conference on Communications and Signal Processing (ICCSP). New York: IEEE Press, 2014: 1958-1962.

[13] 劉玉蘭, 劉小平, 鄒艷妮. 改進(jìn)的自適應(yīng)權(quán)值核范數(shù)最小化去噪算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2018, 39(1): 212-217.

Image Denoising Algorithm Based on Noise Detection and Dynamic Window

WANG Wen-hao, YAN Yun-yang, JIANG Ming-xin, GAO Shang-bing, YU Yong-tao

(Faculty of Computer & Software Engineering, Huaiyin Institute of Technology, Huai’an Jiangsu 223003, China)

Aimed at the loss of image details caused by median filtering when removing the impulse noise, this study proposes an adaptive filtering method based on noise detection and dynamic window. Firstly, using BDND method, the image pixel is divided into signal points and suspected noise points to reduce the number of pixels that need to be processed. Then a method of the window adaptive noise detection is designed to further distinguish the suspected noise points into the noise points and the fine points, which strengthen the protection of the details of the image. Finally the detected noise is removed by an improved adaptive median filter. The window adaptive control is integrated into this filter algorithm. The size of the window can be adaptively adjusted according to the noise condition. The image details are protected as much as possible while removing the noise. The experiments show that the algorithm in this paper is superior to other conventional algorithms in noise removal and detail protection, and can effectively improve the peak signal to noise ratio of the image. This method can also obtain better denoising effect for images with high density noise.

impulse noise; noise detection; adaptive window; noise removal

TP 391

10.11996/JG.j.2095-302X.2019010111

A

2095-302X(2019)01-0111-06

2018-07-04；

2018-07-18

國(guó)家自然科學(xué)基金項(xiàng)目(61603146)；江蘇省六大人才高峰項(xiàng)目(XYDXXJS-012)；江蘇省高等學(xué)校自然科學(xué)研究重大項(xiàng)目(18KJA520002)；江蘇省自然科學(xué)基金項(xiàng)目(BK20171267)；淮安市科技計(jì)劃項(xiàng)目(HAP201605，HAA201738)；江蘇省第五期333高層次人才培訓(xùn)項(xiàng)目(BRA2018333)

王文豪(1973-)，男，江蘇淮安人，副教授，碩士。主要研究方向?yàn)閳D形圖像處理、模式識(shí)別。E-mail：wangwenhao1407@163.com