《基于动态窗口的自适应中值滤波算法》由会员分享，可在线阅读，更多相关《基于动态窗口的自适应中值滤波算法（6页珍藏版）》请在金锄头文库上搜索。
1、基于动态窗口的自适应中值滤波算法基于动态窗口的自适应中值滤波算法周华(德州学院 计算机系 山东德州 253023)摘 要针对中值滤波算法对于高密度噪声图像以及纹理细腻图像的边缘处理能力欠佳的缺陷，提出一种基于动态窗口的自适应中值滤波算法。新算法根据噪声点与周围信息的关联程度将噪声点滤波值进行调整，从而更好的处理图像的细节部份。新算法中的自适应策略加强了滤波算法的去噪性能，使其对于含有任意噪声密度的图像也能很好的进行噪声滤除。通过仿真分析，新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好，有效的提高图像的峰值信噪比，其去噪效果相比其他方法更加优秀。关键词椒盐噪声 噪声检测 动态窗口DYN
2、AMIC WINDOW-BASED ADAPTIVE MEDIAN FILTER ALGORITHM Zhou Hua(Department of Computer Science, Dezhou University, Shandong De zhou 253023)Abstract In response to the flaw that the median filtering algorithm has a poor handling capacity to high-density and fine texture noise, a Dynamic window-based adap
3、tive median filter algorithm is proposed. According to the associated level between noise-point information and the surrounding , the new algorithm adjust the Noise point filter value, which can get a better deal with the details of the images. The adaptive strategies Strengthen the performance of t
4、he filtering de-noising algorithm, which is good at dealing the high-density noise. Through simulation analysis, the new algorithm is better than other algorithms.Keywordssalt-and-pepper noise adaptive median filter dynamic window0 引言图像的编码及传输中，经常经过含有噪声的线路或被电子感应噪声污染时，会使图像染上一定程度的椒盐噪声(即脉冲噪声)1。中值滤波因其与输入
5、信号序列的映射关系，在去除脉冲噪声上有比较好的效果，很多学者针对中值滤波技术进行研究，提出了很多改进算法。如加权中值滤波方法（WM）2，中心权值中值滤波器(CWM) 3，三态中值滤波器(TSM) 4，模糊多极中值滤波方法6等，以及基于上述若干方法的改进策略7。文献8介绍了一种改进的自适应中值滤波方法（AM），取得了不错的滤波效果，但其对于高密度噪声图像以及纹理细腻图像的边缘处理能力不佳。本文将基于该种方法（AM），并通过分析图像噪声信息，提出一种基于噪声检测的自适应中值滤波，以克服对于高密度噪声及多细节图像去噪不理想的问题。实验结果表明，新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好
6、，有效的提高图像的峰值信噪比，其去噪效果明显优于相比其他方法。1中值滤波法简介早在 1974 年，Tukey 提出了一维的中值滤波器，之后有学者针对将其发展至二维图像。标准中值滤波(SM)采用滑动窗口划分子图像，再对子图像进行二维中值滤波，当前窗口中心的像素点即为需要进行去噪处理的像素点。滤波过程中，窗口大小可以设定为不同的值，一般是采用 3*3的方形窗口进行滤波。对于该滑动窗口内的像素点进行灰度值的排序，取中值作为当前像素点的灰度值。由于缺乏判断像素点是否有被噪声影响的机制，采用该方法时需对所有像素点进行一次滤波操作，在一定程度上对图像的边缘、细节信息造成破坏。2噪声点的检测椒盐噪声在图像中
7、表现为极大值或者极小值。在去噪处山东省优秀中青年科学家科研奖励基金：BS2009SF014。周华，博士，副教授，主研领域：多媒体技术。理之前，针对图像灰度值受椒盐噪声影响分布情况的特殊性，先将像素点分成非噪声点、噪声点和图像细节点，一方面减少系统开销，另一方面避免破坏原图像中的非噪声点。噪声点的监测室通过全局检测和局部检测两个层次来判定。 2.1 全局检测在受椒盐噪声影响的图像中，噪声点的灰度值分布在图像灰度值的极大值端或者极小值端。若某点图像灰度值处在极值中间，则可以断定当前点未被噪声干扰，无需去噪处理。当然，对于处于极值的像素点，还不能确定其是否是噪声点。设图像灰度值中极大值为 Gmax，
8、极小值为 Gmin，对于当前像素点灰度值 G，若满足式（1），则可以说明当前像素点并未受到噪声污染，无须进行滤波操作，其中 T 为设定的阈值。（1）2.2 局部检测图 1 存在大量极值的 barb 图在图 1 中，大量分布条纹是黑白相间的，即原图中存在大量的极值。因此对于该幅图像而言，大部分中值滤波方法都所得到的结果都不是很理想。 如何保证非噪声极值点不被滤波，或者滤波后不至于与周围差异较大的像素点进行错位，这需要充分结合像素点周围的信息进行分析。如图 2 所示，以 3*3 窗口为例，对于(a)图，因为窗口中心点灰度值与相邻点差值较大，噪声点的可能性较大；而对于(b)图，由于差值较小（为 0）
9、，非噪声点的可能性较大。113113114114113113114114 113255255114113255255255 157255255114157255255255157156150150157156255255 (a)(b)图 2 图像灰度值 2.3 噪声点检测算法由上述分析，可归纳出完整的噪声点检测算法。算法 1：噪声点检测算法输入：图像的全局极大值为 Gmax，极小值为 Gmin，滤波窗口最大值为 Wmax，像素点 P(a,b)及其灰度值 G，阈值 T。输出：对像素点 P(a,b)的判定。1.若满足，则转 6；2.以 P 为中心，设置窗口大小 w 为 3 的滤波窗口；3.计算该窗
10、口内标准中值滤波结果，记为 SM；若满足GminWmax，则转到 5，否则转到 3；5.对于当前滤波窗口，计算像素点 P 与另外 w*w-1 个像素点灰度值差值的均值 Gmean；若 GmeanWmax，则转到 5，否则转到 3；5. 记当前 AM 为 VAM，做为像素点 P 的滤波结果，并将 VAM更新为像素点 P 滤波后的灰度值。4仿真结果以及分析采用 lena、barb 以及 text 进行仿真分析，以验证本文提出的新方法的有效性。其中，lena 的图像较为平缓，平坦区域多；而 barb 图则是细节信息非常丰富，难以处理；text 则为文本截图，使得图像中灰度值与椒盐噪声接近。 4.1
11、噪声检测机制性能分析对于 2.1 中提到的阈值 T1 取不同值，采用 VAM 滤波器对512*512 的 barb 图进行滤波去噪，计算信噪比（PSNR）,绘制曲如图 6 所示。可以发现，T1 的取值在 10 到 20 之间时，去噪效果最佳，当 T1 不断上升时，去噪效果随之递减。02040608010036.036.537.037.538.038.539.039.5PSNRT1图 6 T1 取不同值时 VAM 滤波所得的信噪比在 T1 取值为 15 的情况下，分别对 barb 图像和 lena 图像加入一定密度的噪声，再进行噪声检测操作，统计其发现的噪声点数量以及发现的噪声密度如表 1 所示
12、。可以看出，该噪声检测机制效果良好，检测结果与实际噪声密度误差较小。表 1 噪声检测机制所发现的噪声密度发现噪声点图像总像素点检测到噪声密度发现噪声点图像总像素点检测到噪声密度0.25234526214419.97%5239126214419.99%0.410499126214440.05%10470226214439.94%0.615743726214460.06%15712326214459.94%0.820980426214480.03%20963126214479.97%0.923599126214490.02%23615426214490.09%噪声密度barb (512*512)l
13、ena (512*512)4.2 VAM 滤波器去噪效果分析表 2 展示的是噪声密度为 0.2 和 0.4 时，lena，barb 和 boat 三幅图采用不同滤波算法的去噪结果。由图中可以看出，AM 滤波器相对于其他算法有较好的改进，但对于纹理复杂的 boat 图所得到的结果要比其它算法偏差。而本文提出的 VAM 算法则对于各种特点不同图像都有较好的去噪效果，这是由于 VAM 在保留了 AM 处理平缓图像的优越性的同时，克服了 AM 在细节丰富时的不足，加强了图像细节的保留能力以及图像的去噪能力。表 1 采用各类滤波方法，对不同噪声密度下的不同图像的滤波后的信噪比加噪图像SMCWMTSMAM
14、VAM3*337.413940.284341.707742.26015*536.039437.14439.620741.21639*934.728535.057437.554937.51033*333.482635.788636.275836.45395*532.635333.368734.561834.72529*932.091332.344134.003333.97313*336.090538.992140.206240.50045*534.843535.923138.259538.33949*933.655633.973936.521336.41223*335.075837.37637.
15、380337.365*535.247636.347737.434837.64849*934.361434.737836.242736.27363*332.478634.591934.391934.35385*532.346833.187533.738333.84419*931.938932.231533.287333.28173*334.108136.452836.351236.2655*534.169935.27436.210136.27899*933.441933.790735.285635.206噪声密度为 0.4lena31.06138.912barb31.027636.1053boa
16、t31.056837.6799图像名称滤波窗口PSNR噪声密度为 0.2lena34.058242.8497barb34.068939.4598boat34.096641.5691为了验证 VAM 中自适应调整窗口策略比之于固定窗口策略在处理高密度噪声图像上的优势，图 5 展示了对于含 80%噪声的lena 图像处理情况。其中图中(b)、(c)、(d)分别是WM、TSM、AM 以及 AVM 的滤波结果。可以明显看出，具有自适应调整窗口大小功能的 VAM 算法对于高密度噪声仍然有很强的处理能力，噪声可以准确滤除，并且图像细节及边缘信息保留良好。图 7 噪声密度为 0.8 的 lena 去噪结果5结论本文所提出了自适应中值滤波方法（AVM）。新算法采用合理的噪声检测机制可以有效的区分噪声点与非噪声点，从而保护图像的细节边缘信息。同时本文所设计的噪声滤除方案，由于加入窗口自适应以及模糊多极值策略，对于已检测出的噪声点，可以高效的滤除。经过实验分析，本文所介绍的噪声滤波算法相对于其他典型算法，在噪声处理及细节保护上有明显的改进，
