一種適用于椒鹽-高斯干擾信號(hào)的自適應(yīng)濾波改進(jìn)算法*

高東生,廖泓舟，王 侃，代 翔

(1.中國(guó)人民解放軍31434部隊(duì)，沈陽 110086；2.中國(guó)西南電子技術(shù)研究所，成都 610036)

0 引 言

現(xiàn)今，通過通信網(wǎng)絡(luò)傳送、存儲(chǔ)、檢索或廣播圖像與文字等視覺信息的業(yè)務(wù)層出不窮，多種多樣的圖像信號(hào)接連出現(xiàn)，但是由于拍攝裝備本身的特點(diǎn)和通信過程中的光-電轉(zhuǎn)換機(jī)制，圖像通信一般都摻雜著噪聲，導(dǎo)致了圖像信號(hào)質(zhì)量的下降[1]。當(dāng)干擾信號(hào)噪聲污染嚴(yán)重時(shí)，一些圖像信號(hào)甚至?xí)霈F(xiàn)失真，損失了信號(hào)的本質(zhì)特征和價(jià)值[2-3]。因此，在使用圖像信號(hào)之前需要先進(jìn)行預(yù)處理，最大程度地保留信號(hào)的本質(zhì)信息。圖像通信在平滑、采樣、量化、轉(zhuǎn)化的物理處理過程中，原始信號(hào)更多時(shí)候會(huì)被引入椒鹽-高斯干擾信號(hào)噪聲，而不是單一的椒鹽噪聲或高斯噪聲。均值濾波和中值濾波分別被認(rèn)為是濾除高斯噪聲和椒鹽噪聲最簡(jiǎn)單和實(shí)用的方法之一[4-5]，然而，當(dāng)噪聲是污染嚴(yán)重的混合噪聲時(shí)，單一干擾信號(hào)噪聲之間的交叉影響會(huì)導(dǎo)致單一的濾波方法不能有效去除混合噪聲，導(dǎo)致濾波失敗[6-7]。

一直以來，國(guó)內(nèi)外學(xué)者在圖像通信濾波上都有著深入的研究。文獻(xiàn)[8]研究了多種中值濾波的變體，在椒鹽噪聲上取得了優(yōu)異的效果，但是各種變體對(duì)椒鹽-高斯干擾信號(hào)噪聲濾波效果不理想。文獻(xiàn)[9]提出了自適應(yīng)加權(quán)均值濾波算法，對(duì)高斯噪聲產(chǎn)生了明顯的抑制作用，但是針對(duì)嚴(yán)重的椒鹽-高斯噪聲，該方法仍然效果不佳。文獻(xiàn)[10]最早提出了改進(jìn)的均值濾波算法，即MTM(Modified Trimmed Mean)算法，首次將中值濾波和均值濾波進(jìn)行了聯(lián)合，相比傳統(tǒng)單一濾波方法，在混合噪聲濾波效果上有著本質(zhì)的改觀，但是該算法對(duì)閾值的設(shè)定十分敏感。針對(duì)文獻(xiàn)[10]閾值敏感的問題，文獻(xiàn)[11]提出了基于MTM的自適應(yīng)閾值混合算法，即IMF(Improved Median Filtering)算法，克服了MTM算法的弊端，但是濾波效果受不同噪聲之間耦合關(guān)系和噪聲密度大小影響較大。因此，文獻(xiàn)[12]在文獻(xiàn)[11]的基礎(chǔ)上改善了自適應(yīng)均值濾波算法，提出平均閾值概念，稱為IAAF(Improved Adaptive Average Filtering)算法，通過設(shè)定平均閾值較好地降低了交叉噪聲對(duì)輸出的影響。IAAF算法相比MTM和IMF算法在閾值自適應(yīng)上有很大的創(chuàng)新，實(shí)用性強(qiáng)，存在許多IAAF思想衍生而來的新算法和應(yīng)用，如文獻(xiàn)[13]基于IAAF思想，增加了噪聲點(diǎn)預(yù)處理環(huán)節(jié)，濾波效果得到有效提升；文獻(xiàn)[14]則借鑒IAAF思想進(jìn)行隧道混合噪聲濾波，既降低了混合噪聲，又保護(hù)了信號(hào)邊緣信息。

本文首先對(duì)MTM、IMF、IAAF等演進(jìn)算法進(jìn)行分析，針對(duì)算法存在的不足進(jìn)行改進(jìn)，并通過實(shí)驗(yàn)進(jìn)行了算法對(duì)比驗(yàn)證。

1 MTM及其演進(jìn)算法分析

MTM算法是最早用于解決椒鹽-高斯干擾信號(hào)的聯(lián)合濾波方法，其主要思想是：針對(duì)一幅圖像，在處理圖像中第x(i,j)個(gè)點(diǎn)時(shí)，首先以當(dāng)前點(diǎn)為中心確定濾波窗口，并對(duì)濾波窗口進(jìn)行中值濾波，獲得當(dāng)前濾波窗口的中值，然后以當(dāng)前濾波窗口的中值為中心，以一定灰度步長(zhǎng)確定均值濾波區(qū)間，再進(jìn)行指定區(qū)間內(nèi)的像素均值濾波，并獲得最終濾波輸出。該方法首次將兩種方法進(jìn)行了聯(lián)合，可表示如下：

(1)

式中：y表示中值-均值聯(lián)合濾波輸出結(jié)果，Wij表示濾波窗口，median表示濾波窗口的中值，step表示灰度步長(zhǎng)值。

由式(1)可知，濾波窗口大小W和灰度步長(zhǎng)值step需要人為確定，MTM算法存在閾值選擇困難的問題。

針對(duì)MTM算法閾值選擇存在的不足，IMF算法被提出，其主要思想是：針對(duì)一幅圖像，在處理圖像中第x(i,j)個(gè)點(diǎn)時(shí)，首先以當(dāng)前點(diǎn)確定一個(gè)濾波窗口W，并計(jì)算出濾波窗口中的中值mi,j，然后計(jì)算濾波窗口內(nèi)各像素點(diǎn)與中值的方差d(m,n)，根據(jù)方差計(jì)算各像素點(diǎn)的歸一化加權(quán)系數(shù)Avei(m,n)，最終通過加權(quán)系數(shù)對(duì)窗口內(nèi)像素進(jìn)行加權(quán)平均，獲得最終濾波輸出。該方法可表示如下：

d(m,n)=(X(m,n)-mi,j)2，

(2)

Ii(m,n)=1/(1+di(m,n))，

(3)

sum=I1(m,n)+I2(m,n)+...+IM×M(m,n)，

(4)

Avei(m,n)=Ii(m,n)/sum。

(5)

式中：d(m,n)是濾波窗口中每個(gè)像素與中值的方差；Ii(m,n)是為均值濾波加權(quán)系數(shù);Avei(m,n)是均值濾波歸一化加權(quán)系數(shù)，其中i=1,2,…,M×M。

IMF算法成功解決了MTM算法閾值選擇困難的問題，但通過式(2)～(7)可以發(fā)現(xiàn)，IMF只考慮了濾波窗口中的中值與相鄰像素點(diǎn)的距離，而沒有考慮相鄰像素本身性質(zhì)的問題，如果與中值大小相近的像素點(diǎn)本身是噪聲點(diǎn)，那么它與中值的方差會(huì)很小，這就會(huì)導(dǎo)致噪聲點(diǎn)的加權(quán)權(quán)重很高，反而擴(kuò)大了干擾信號(hào)噪聲點(diǎn)對(duì)濾波輸出的影響。

針對(duì)IMF算法在相鄰噪聲點(diǎn)像素對(duì)均值加權(quán)濾波輸出的影響問題，IAAF被提出，其基本思想是，基于IMF算法求取濾波窗口內(nèi)每點(diǎn)像素與中值的方差Ei，然后求取所有方差的均值T(稱其為閾值)，若Ei大于閾值T，則權(quán)值由Ei決定，反之由T決定。閾值計(jì)算公式如下：

(6)

式中：Tmn為濾波窗口內(nèi)各像素與中值方差的均值。

IAAF算法直接避免了噪聲點(diǎn)對(duì)濾波輸出的影響，但是該算法存在兩點(diǎn)不足：一是忽略了濾波窗口的中值本身是噪聲點(diǎn)的情況，尤其在圖像污染嚴(yán)重時(shí)，中值濾波選擇的結(jié)果可能仍是噪聲，這種情況會(huì)使得T失去效能；二是以方差均值T作為閾值，在降低相似噪聲點(diǎn)影響的同時(shí)也直接降低了正常相似像素點(diǎn)對(duì)輸出結(jié)果的正向影響。

2 改進(jìn)的快速自適應(yīng)混合濾波(IFAHF)

2.1 算法思路與步驟

本文針對(duì)IAAF算法存在的不足進(jìn)行了改進(jìn)，提出了改進(jìn)的快速自適應(yīng)混合濾波(Improved Fast Adaptive Hybrid Filtering，IFAHF)算法，主要思想是：首選獲取圖像f，尺寸為X×Y(X為圖像的長(zhǎng)度，Y為圖像的寬度)，同時(shí)在圖像上任取一像素點(diǎn)x(i,j)并確定初始濾波窗口W，根據(jù)經(jīng)典圖像通信濾波經(jīng)驗(yàn)，初始窗口尺寸為3×3，然后針對(duì)當(dāng)前濾波窗口W中的元素點(diǎn)通過自適應(yīng)中值濾波方法進(jìn)行噪聲點(diǎn)辨識(shí)，先分辨出當(dāng)前濾波窗口W中存在的噪聲點(diǎn)，同時(shí)根據(jù)相同噪聲密度下濾波窗口越大中值為噪聲點(diǎn)的可能性越小的原則，將窗口大小的平方即W×W作為當(dāng)前窗口下濾波輸出的加權(quán)系數(shù)，在對(duì)噪聲辨識(shí)的過程中通過逐級(jí)擴(kuò)大的方式自適應(yīng)擴(kuò)展濾波窗口W的尺寸(本文借鑒貪婪思想，采取長(zhǎng)和寬分別加1的逐級(jí)擴(kuò)大方式，直到滿足濾波要求或規(guī)定閾值的窗口尺寸，則不再進(jìn)行擴(kuò)展)，并在自適應(yīng)擴(kuò)展過程中，計(jì)算當(dāng)前窗口下濾波輸出，最后對(duì)所有擴(kuò)展濾波窗口獲取的濾波輸出進(jìn)行加權(quán)平均，獲得最終濾波輸出。算法流程如圖1所示。

本文改進(jìn)算法步驟如下：

設(shè)受椒鹽-高斯干擾信號(hào)污染的圖像為f，濾波輸出圖像為F，尺寸為X×Y(X為長(zhǎng)，Y為寬),濾波窗口為W，整個(gè)濾波過程采取從左至右、從上到小的順序。

(1)干擾信號(hào)噪聲點(diǎn)辨識(shí)

中值濾波可以有效抑制椒鹽噪聲，但是在圖像受污染嚴(yán)重時(shí)，中值濾波效果會(huì)受到很大影響，濾波后的中值仍可能為噪聲點(diǎn)，若中值是噪聲點(diǎn)，后續(xù)加權(quán)均值濾波將會(huì)受到直接的影響，甚至?xí)U(kuò)大噪聲點(diǎn)的影響，因此首選需要對(duì)噪聲點(diǎn)進(jìn)行辨識(shí)。噪聲點(diǎn)辨識(shí)的主要步驟是：對(duì)于圖像中任意一個(gè)像素點(diǎn)x(i,j)(i是橫坐標(biāo)，j是縱坐標(biāo))，濾波窗口以x(i,j)為中心，計(jì)算濾波窗口中的像素點(diǎn)的最大值Smax、最小值Smin和中值Smed。如果Smed滿足

Smin

(7)

則當(dāng)前濾波窗口中獲得的中值不是噪聲點(diǎn)，當(dāng)前窗口滿足要求且可用；相反，如果濾波窗口不可用，則按w+1的原則(w是窗口尺寸)進(jìn)行窗口自適應(yīng)擴(kuò)展，直到滿足式(7)或

w≤T。

(8)

式中：w是窗口尺寸;T是濾波窗口最大尺寸，T=min(X，Y)。

(2)計(jì)算各濾波窗口歸一化系數(shù)及中間輸出

干擾信號(hào)噪聲點(diǎn)辨識(shí)是一個(gè)動(dòng)態(tài)的過程，噪聲污染嚴(yán)重時(shí)，一次辨識(shí)可能是無效的，需要不斷擴(kuò)展窗口進(jìn)行多次辨識(shí)，直至中值輸出為非噪聲點(diǎn)。因此，噪聲點(diǎn)辨識(shí)是一個(gè)窗口不斷自適應(yīng)擴(kuò)展的過程，每一次窗口擴(kuò)展都代表著當(dāng)前濾波窗口下當(dāng)前點(diǎn)x(i,j)附近噪聲點(diǎn)的密集程度，擴(kuò)展次數(shù)越多，代表當(dāng)前點(diǎn)x(i,j)附近噪聲越密集，中值濾波輸出為中值的概率越小。本文將中值獲取可能性即中值獲取概率量化為窗口大小的平方數(shù)(窗口越大，中值獲取概率越大，當(dāng)前窗口下加權(quán)均值濾波效果好的概率也越大)，從而量化不同窗口下均值濾波效果，最后通過多層級(jí)濾波窗口下濾波效果的加權(quán)平均獲得最終的均值濾波效果。因此，首先需要進(jìn)行不同窗口下的濾波效果量化，即計(jì)算各濾波窗口歸一化系數(shù)與當(dāng)前濾波窗口下的中間輸出。

噪聲辨識(shí)窗口自適應(yīng)擴(kuò)展過程中，計(jì)算各濾波窗口歸一化加權(quán)系數(shù)：

(9)

式中：kw(i,j)表示當(dāng)前窗口(w×w)的歸一化加權(quán)系數(shù)，窗口越大，歸一化加權(quán)系數(shù)越大。

同時(shí)，計(jì)算當(dāng)前點(diǎn)x(i,j)在各濾波窗口下的中間輸出值：

(10)

(11)

式中：mw(i,j)表示點(diǎn)x(i,j)在當(dāng)前窗口下(w×w)的中值。

(3)計(jì)算濾波輸出

經(jīng)過噪聲辨識(shí)及窗口自適應(yīng)擴(kuò)展，獲取各濾波窗口的歸一化系數(shù)和多層級(jí)濾波窗口下的濾波效果量化值，即濾波中間輸出tw(i,j);然后對(duì)量化的濾波效果進(jìn)行加權(quán)平均，計(jì)算得到最終的中值-均值聯(lián)合濾波輸出。改進(jìn)算法濾波輸出可表示為

(12)

式中：F(i,j)表示點(diǎn)x(i,j)的濾波輸出；w表示濾波窗口尺寸，w=1,2,3,…,T，T=min(X,Y)，X、Y分別代表圖像的長(zhǎng)與寬。

由式(12)可知，本文改進(jìn)算法計(jì)算濾波輸出分為兩個(gè)部分，一是計(jì)算kw(i,j)，另一個(gè)是計(jì)算tw(i,j)，而兩者皆通過噪聲點(diǎn)辨識(shí)的窗口自適應(yīng)過程進(jìn)行計(jì)算，無需人為確定參數(shù)，這也是本文改進(jìn)算法的自適應(yīng)體現(xiàn)。

本文算法通過量化多層級(jí)窗口濾波效果，并加權(quán)平均多層濾波效果獲取最終的濾波輸出，既考慮了IAAF算法中值本身是噪聲點(diǎn)的問題，也避免了方差閾值對(duì)正常像素點(diǎn)的濾波抑制作用。但是，本文算法通過噪聲點(diǎn)辨識(shí)增加了窗口濾波次數(shù)，在一定程度上增加了計(jì)算量，其中主要表現(xiàn)在濾波窗口擴(kuò)展過程中尋找中值的次數(shù)增加。為了易于實(shí)用，提高濾波實(shí)時(shí)性，本文同時(shí)提出了均值分割加速的方法，加速中值濾波速度，提高濾波速度，具體流程如圖2所示。

圖2 均值分割流程圖

2.2 均值分割加速獲取中值思路與步驟

均值分割的基本思路是將二維數(shù)組轉(zhuǎn)換成一維數(shù)組，然后計(jì)算一維數(shù)組均值，并以均值為基礎(chǔ)值將數(shù)組元素進(jìn)行分割，小于等于均值的元素分割到均值左側(cè)，大于均值的元素分割到均值右側(cè)，并記錄左右兩側(cè)元素個(gè)數(shù)，如N左和N右，通過如下關(guān)系進(jìn)行下一次分割判：

N左≥N/2 。

(13)

式中：N是元素總個(gè)數(shù)。

若式(13)滿足則進(jìn)行下一次分割直到滿足如下關(guān)系：

N左

(14)

滿足式(14)則分割結(jié)束。

若式(13)不滿足，則進(jìn)行N右判斷，判斷原則與N左一致。

本文通過均值分割方法和部分排序的思想改進(jìn)中值獲取過程，步驟主要如下：

首先，判斷均值分割是左側(cè)分割還是右側(cè)分割，如果是左側(cè)分割，則保存最后一次分割過程中的N左，并按從小到大的順序進(jìn)行排序，因此，過程中無需完全排序，最終排序次數(shù)滿足如下關(guān)系：

w=N/2-n。

(15)

式中：n是最后一次分割過程中的N左。

相反，如果是右側(cè)分割，則保存最后一次分割過程中的N右，并按照從大到小的順序進(jìn)行排序，最終排序次數(shù)滿足如下關(guān)系：

w=N/2-m。

(16)

式中：m是最后一次分割過程中的N右。

通過以上部分排序獲得的元素即是濾波窗口的中值。

3 算法驗(yàn)證

本文首先在基準(zhǔn)圖像——Lena圖像上進(jìn)行算法測(cè)試，與傳統(tǒng)均值、中值等單一算法和IMF、IAAF等演進(jìn)算法進(jìn)行對(duì)比分析，并嘗試在不同環(huán)境下進(jìn)行測(cè)試，算法測(cè)試效果通過主觀和客觀兩種方式進(jìn)行科學(xué)綜合評(píng)價(jià)。算法驗(yàn)證的主要軟硬件環(huán)境為2.6 GHz雙核CPU，內(nèi)存4 GB，NVIDIA GT650M 2 GB獨(dú)立顯卡，Window8操作系統(tǒng)與Matlab 2014b處理軟件。

3.1 基準(zhǔn)Lena圖像濾波效果比較

Lena圖像由于各個(gè)頻段的能量都很豐富(既有低頻信號(hào)，也有高頻信號(hào))，很適合驗(yàn)證各種算法，因此是新算法測(cè)試的基準(zhǔn)圖像之一。噪聲分為椒鹽噪聲和高斯噪聲，其中椒鹽噪聲通過噪聲密度進(jìn)行量化，計(jì)算公式為

(17)

高斯噪聲通過高斯分布進(jìn)行量化，具體分布可表示為

(18)

式中：μ和σ分別表示高斯分布的期望和方差。

本文采用分辨率為512 pixel×512 pixel的Lena灰度圖作為測(cè)試圖像，干擾信號(hào)噪聲從低噪聲向高噪聲逐漸轉(zhuǎn)變，椒鹽噪聲密度從0.05(低噪聲)增加到0.7(高噪聲)，高斯噪聲均值設(shè)置為0(便于統(tǒng)一變量)，方差從10(低噪聲)增加到70(高噪聲)，采用客觀指標(biāo)峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)進(jìn)行濾波效果定量比較與評(píng)價(jià)。PSNR可以通過如下公式表示：

(19)

(20)

式中：I和K分別為大小為m×n原始圖像和噪聲圖像。

實(shí)驗(yàn)結(jié)果如圖3所示。通過圖3(a)可知，本文改進(jìn)算法PSNR值在多種椒鹽噪聲下表現(xiàn)最好，單一均值濾波效果最差。圖3(b)表明本文算法在多種高斯噪聲下效果最優(yōu)，單一中值濾波效果最差，從客觀上來看本文改進(jìn)算法具有更好的混合濾波效果。通過圖3(c)可以發(fā)現(xiàn)，在高混合噪聲的情況下，PSNR值相差值較大，本文改進(jìn)算法濾波效果比較明顯。圖片受椒鹽-高斯干擾信號(hào)噪聲污染程度從主觀上有輕微與重度兩個(gè)視覺層次，客觀上則體現(xiàn)為噪聲密度大小。目前圖像通信領(lǐng)域還沒有一個(gè)統(tǒng)一客觀的界定來規(guī)范區(qū)分低噪聲與高噪聲之間的范疇[15-16]，因此本文設(shè)定椒鹽噪聲密度大于50%且高斯噪聲大于50即為高混和干擾信號(hào)噪聲，因?yàn)樵谶@種程度的噪聲污染下，信號(hào)質(zhì)量從客觀與主觀上都表現(xiàn)很差。因此本文選取椒鹽噪聲密度=0.1、高斯均值=0、高斯方差=10的低混合噪聲和椒鹽噪聲密度=0.6、高斯均值=0、高斯方差=60的高混合噪聲兩種不同含噪程度的圖像進(jìn)行可視化對(duì)比，結(jié)果分別如圖4和圖5所示。

(a)椒鹽噪聲PSNR曲線

(b)高斯噪聲PSNR曲線

(c)混合噪聲(椒鹽密度×高斯方差)PSNR曲線圖3 Lena圖像測(cè)試結(jié)果

圖4 低混合干擾信號(hào)噪聲下各種算法濾波效果對(duì)比

圖5 高混合干擾信號(hào)噪聲下各種算法濾波效果對(duì)比

通過圖4和圖5的對(duì)比分析可知，在低混合干擾信號(hào)噪聲情況下，單一的均值濾波、中值濾波和IMF濾波均能基本完成基本濾波任務(wù)，濾波效果主觀上都是令人滿意，同時(shí)IAAF和本文提出的IAAF下算法濾波效果相比前者濾波效果更優(yōu)，但差距不是很明顯，但是在高混合干擾信號(hào)噪聲情況下IFAHF濾波效果相比較其他四種濾波方法則更為明顯。實(shí)驗(yàn)證明本文算法在椒鹽-高斯高混合干擾信號(hào)上處理效果更好，相比其他傳統(tǒng)算法效果更為理想。

3.2 不同環(huán)境下濾波效果比較

Lena基準(zhǔn)圖像測(cè)試結(jié)果表明本文提出的改進(jìn)算法在椒鹽-高斯高混合干擾信號(hào)噪聲下相比其他均值、中值等單一濾波算法和IMF、IAAF等演進(jìn)算法具有明顯優(yōu)勢(shì)，本文同時(shí)嘗試驗(yàn)證了在不同環(huán)境下改進(jìn)算法的濾波效果，選擇中等程度的椒鹽-高斯干擾信號(hào)混合噪聲，同時(shí)水下圖像選擇典型的藍(lán)色背景，空中選擇典型的藍(lán)白背景。椒鹽噪聲密度=0.4，高斯均值=0，高斯方差=30，圖像中不含其他類型噪聲，驗(yàn)證結(jié)果如圖6和圖7所示。

通過對(duì)圖6和圖7的分析可知，在只考慮椒鹽-高斯干擾信號(hào)混合噪聲的情況下，本文改進(jìn)算法在水上、水下環(huán)境中濾波效果均優(yōu)于或者等同于其他四種濾波方法，表明該改進(jìn)算法在抑制椒鹽-高斯干擾信號(hào)混合噪聲時(shí)受其他環(huán)境影響和圖像色彩的約束比較小，處理算法在一定程度上可以遷移到其他環(huán)境下進(jìn)行處理，具有一定的普適性。

通過圖3～7的分析可知，本文改進(jìn)算法在客觀指標(biāo)上表現(xiàn)較好，結(jié)合主觀評(píng)價(jià)可以得出結(jié)論：本文提出改進(jìn)算法能有效抑制椒鹽-高斯干擾信號(hào)混合噪聲，尤其是高混合噪聲濾波效果明顯，客觀評(píng)價(jià)與主觀評(píng)價(jià)是一致的。

3.3 本文算法濾波實(shí)時(shí)性效果

濾波效果是很重要的一個(gè)方面，濾波時(shí)間即濾波實(shí)時(shí)性也是實(shí)際濾波一個(gè)非常重要且必須考慮的另一方面。在實(shí)際濾波過程中，大部分算法往往強(qiáng)調(diào)算法性能的優(yōu)與劣而忽略了算法處理效果的實(shí)時(shí)性問題，從而導(dǎo)致算法仿真效果非?？捎^，但是實(shí)用性并不強(qiáng)的問題。因此，本文專門針對(duì)所提算法通過增加復(fù)雜度提升濾波效果而犧牲濾波實(shí)時(shí)性的問題，再次提出了均值分割算法進(jìn)行彌補(bǔ)，通過兩者的結(jié)合本文算法最終從性能和實(shí)時(shí)性上達(dá)到一個(gè)折中的效果。對(duì)本文算法中使用均值分割和不使用均值分割情況下濾波時(shí)間的大小，以及與IAAF算法時(shí)間比較，經(jīng)過多次驗(yàn)證并取平均值，結(jié)果如表1所示。

表1 本文算法與IAAF算法濾波時(shí)間

通過表1可以得出兩點(diǎn)結(jié)論：一是隨著圖像尺寸的增加，本文均值分割方法消耗時(shí)間較傳統(tǒng)IAAF方法時(shí)間更低，增強(qiáng)了濾波實(shí)時(shí)性；二是隨著圖像尺寸的增加，本文提出的均值分割加速求取中值的方法相比不使用均值分割的情況，濾波時(shí)間顯著縮短，同時(shí)，當(dāng)圖像尺寸比較小時(shí)，如分辨率為60 pixel×60 pixel、120 pixel×120 pixel時(shí)，本文濾波時(shí)間反而略高于非均值分割的情況。其原因主要是使用均值分割加速計(jì)算中值相比傳統(tǒng)直接計(jì)算中值增加了分割操作和均值迭代等相關(guān)計(jì)算量，當(dāng)圖像尺寸比較小時(shí)，增加的這部分計(jì)算量所消耗的時(shí)間反而成為了最費(fèi)時(shí)的部分，因此濾波時(shí)間反而更長(zhǎng)。

由上述分析可以得出，本文提出的均值分割思想在大尺寸圖像上更占優(yōu)勢(shì)，在小尺寸圖像(如60 pixel×60 pixel)時(shí)，處理效率提升不明顯，甚至?xí)霈F(xiàn)比傳統(tǒng)方法處理時(shí)間更長(zhǎng)的情況。

4 結(jié) 論

本文在椒鹽-高斯干擾信號(hào)濾波演進(jìn)算法的分析基礎(chǔ)之上，針對(duì)多種演進(jìn)算法存在的不足，提出了一種改進(jìn)的快速自適應(yīng)混合濾波算法，有效避免了高混合噪聲點(diǎn)對(duì)濾波輸出的影響，同時(shí)提出了均值分割方法，較好地提高了濾波實(shí)時(shí)性，增加了該算法的實(shí)用性。通過實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)，本文改進(jìn)算法能有效抑制椒鹽-高斯干擾信號(hào)噪聲，尤其是高混合噪聲且在大尺寸圖像濾波上更占時(shí)間優(yōu)勢(shì)。相關(guān)實(shí)驗(yàn)結(jié)果表明本文IFAHF算法相比IMF、IAAF等演進(jìn)算法更為理想。此外，本文所提算法具有一定的普適性，后續(xù)可結(jié)合其他應(yīng)用領(lǐng)域進(jìn)行進(jìn)一步驗(yàn)證。