《自适应中值滤波器在图像降噪处理中的应用研究》由会员分享，可在线阅读，更多相关《自适应中值滤波器在图像降噪处理中的应用研究（12页珍藏版）》请在金锄头文库上搜索。
1、本科学生毕业论文（设计）自适应中值滤波器在图像降噪处理中的应用研究姓名 学号 院、系 物理与电子信息学院 专业 用电子技术教育 指导教师（职称/学历） 自适应中值滤波器在图像降噪处理中的应用研究 摘要：在图像降噪处理过程中，为了弥补传统中值滤波器在进行图像降噪处理中的不足，在图像降噪技术中应用了自适应中值滤波器。本文介绍了自适应中值滤波器的原理与算法，阐述了图像降噪处理的改进技术与平台，重点分析了自适应中值滤波器在图像降噪中的实际应用中的关键技术，并与传统中值滤波器进行了比较，结果表明在图像降噪处理中的应用，自适应中值滤波较传统中值滤波具有很大的优越性。 关键词：中值滤波；自适应中值滤波；图像
2、降噪；Matlab软件1引言现实生活中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响。为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理1。根据噪声频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器，中值滤波器,低通滤波器,维纳滤波器,最小失真法等2-5。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。滤波器被广泛地用于图象的预处理,抑制图象噪声，增强对比度，以及强化图象的边沿特征6-7。运用较为广泛的线性滤波器如平均值滤波器
3、，能较好地抑制图象中的加性噪声。但是，线性滤波器会引起图象的钝化或模糊，使得图象中物体边界产生位移。特别是，在图象受到乘性噪声或脉冲噪声的干扰，如超声波及雷达成像中普遍存在的斑点噪声，线性滤波器就不能取得预期的效果，中值滤波器，就像其名字一样，是用该像素的相邻像素的灰度中值来代替该像素的值，是一种非线性滤波器8-11。对于离散的脉冲噪声，当其出现的次数小于窗口尺寸的一半时,将被抑制掉同时也能较好地保证图象的边沿特征，而且易于实现。 因此它被广泛地应用于图象处理，尤其是医学图象处理，如超声波图象。但由于其使用的滤窗大小是固定不变的，当窗中噪声像素数超过有用像素之半时（噪声密度较大时）,中值滤波滤
4、波作用大大降低12-13。此时中值滤波效果就显得不是令人满意。本文介绍的自适应中值滤波器会根据一定的设定条件改变滤窗的大小，即当噪声面积较大时，通过增加滤窗的大小将噪声予以去除，同时当判断滤窗中心的像素不是噪声时，不改变其当前像素值，即不用中值代替。这样，自适应中值滤波器可以处理噪声概率更大的脉冲噪声，同时在平滑非脉冲噪声图像时能够更好地保持图像细节，这是传统中值滤波器做不到的。文中首先介绍了中值滤波的原理，随后介绍自适应中值滤波的原理与算法，重点分析了实现的关键技术，并给出了程序代码，最后与传统中值滤波在图像降噪处理应用中进行了实验比较，实验结果验证了自适应中值滤波器的有效性和实用性。2中值
5、滤波基本原理中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。这种滤波器的优点是运算简单而且速度快，在滤除叠加白噪声和长尾叠加噪声方面显示了极好的性能。中值滤波器在滤除噪声的同时能很好地保护图像边缘，使图像较好地复原。中值滤波在处理数字图像时，首先确定一个以某像素为中心点的邻域，然后将该邻域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值。这里的邻域称为窗口，当窗口在图像中上下左右进行移动后，利用中值滤波算法就可以很好地对图像进行平滑处理。在一维下的中值滤波算法定义为：当n
6、为奇数时，n 个数1 ,2 , .,n 的中值就是按数值大小顺序处于中间位置的数；当n 为偶数时，定义两个中间数的平均值为中值。用符号med (1 ,2 , .,n ) 来表示中值。例如：Med (1 ,3 ,4 ,0 ,6) = 3 。在二维下的中值滤波算法定义为： 设xij 表示数字图像各点的灰度值，这里(i ,j) 取遍Z2 或Z2 的某子集。滤波器窗口为A ，其尺寸为N = (2 K + 1)(2 K+ 1) ，yij是窗口A 在xij的中值，则:yij = med xi + r , j + s , ( r ,s) A中值滤波器是一种邻域运算，是把邻域中的像素按灰度级进行排序，然后选择
7、该组中的中间值作为输出像素值。具体步骤是: 将模板在图像中漫游，并将模板中心与图像中某个像素的位置重合；读取模板下个对应像素的灰度值； 将这些灰度值从小到大排成一列；找出这些值里排在中间的一个；将这个中间值赋给对应模板中心位置的像素。中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。3 自适应中值滤波器的原理介绍及实现技术 3.1自适应中值滤波器算法原理介绍 自适应中值滤波器的滤波方式和传统的中值滤波器一样，都使用一个矩形区域的窗口Sxy ，不同的是在滤波过程中，自适应滤波器会根据一定的
8、设定条件改变，即增加滤窗的大小，同时当判断滤窗中心的像素是噪声时，该值用中值代替，否则不改变其当前像素值，这样用滤波器的输出来替代像素(x,y) 处(即目前滤窗中心的坐标的值。做如下定义Zmin是在Sxy滤窗内灰度的最小值； Zmax是在Sxy滤窗内灰度的最大值；Zmed是在Sxy滤窗内灰度的中值； Zxy是坐标（x,y）处的灰度值； Smax指定Sxy所允许的最大值。 自适应中值滤波算法由两个部分组成，称为第一层(Level A) 和第二层(Level B) 。 主要算法如下： Level A ：A1 = Zmed Zmin A2 = Zmed - Zmax 如果A1 0 并且A20 并且B
9、2 0 且A 2 0 ，即窗内噪声的像素数超过有用像素之半，则需要增加滤窗Sxy的尺寸，增加的方法是使dimension + 2 ，例如原来的滤窗尺寸为3 3 ，那么经过增加dimension 的值之后，滤窗尺寸变为5 5 ，如果这时Sxy Smax ，则按照图1 所示的流程图继续对该像素点进行滤波运算，否则保持该像素点的灰度值不变。以此类推，就构成了滤窗大小的自适应控制。滤窗的最大值Smax要随着噪声的空间密度大小的变化而进行调整，一般来说，噪声的空间密度大，选择Smax也要适当地大一些，噪声的空间密度小，Smax也要适当地小一些。 对于一些特殊点滤窗大小的自适应控制，比如： i = 1 ，
10、 j = 1(图像坐标原点处为(0 ，0) ) 的情况(即以像素点(1 ,1) 为中心进行滤波运算) ，由于此时以(1 ，1) 为中心正方形区域内的像素数被限制在固定的范围内，所以这时Smax只能为3 3 ，即dimen2sionMax 只能等于3 。可见只要i = 1 或j = 1 的情况下，dimen2sionMax = 3。那么当i = Iheight - 2 ( Iheight 为图像的高度) 或j = Iwidth - 2 时，同样dimensionMax = 3。当i = 2 或j = 2 或i= Iheight - 3 或j = Iwidth - 3 时，dimensionMax
11、 只能等于5 ；当i = 3 或j = 3 或i = Iheight - 4 或j = Iwidth - 4 时，dimension2Max 只能等于7 ；以此类推,来确定其他类似特殊点dimen2sionMax。一般情况下，按照特殊点而确定的dimensionMax 不应超过对这些非特殊点所确定的最大值。4试验结果与分析 为了验证自适应滤波器的性能，把图像人为地加上椒盐噪声与高斯白噪声，分别采用传统中值滤波器和自适应中值滤波器在Matlab仿真平台上进行了仿真试验，比较传统中值滤波器对受污染图像滤波的结果与自适应中值滤波器对受污染图像滤波的结果。 图1 原始图像 Fig1 original image 图2 加椒盐噪声图像 图3 加高斯噪声图像 Fig 2 add salt &pepper noise image Fig3 plus gaussian noise image 图4传统中值滤波器对椒盐噪声 图5传统中值滤波器对高斯白噪滤波效果 声滤波效果Fig4 traditional median filter for salt Fig5 traditional median filter on and the pepper noise filtering effect Gauss white no
