摘 要： 為了有效地去除圖像中的椒鹽噪聲，提出一種窗口自適應(yīng)的濾波算法。算法先采用3×3窗口進(jìn)行噪聲檢測，如果中心點為噪聲點，則統(tǒng)計窗口內(nèi)為非噪聲點的數(shù)量。當(dāng)非噪聲點的數(shù)量大于2時，采用中值均值濾波算法；當(dāng)非噪聲點的數(shù)量小于等于2時，將窗口尺寸擴(kuò)大至5×5，采用中值均值濾波算法。如果中心點為信號點，則保持原值不變直接輸出。仿真實驗結(jié)果證明，這種算法對不同程度椒鹽噪聲污染的圖像具有較強的去噪能力，同時較好地保持了圖像的細(xì)節(jié)。

關(guān)鍵詞： 椒鹽噪聲； 窗口自適應(yīng)； 中值均值； 峰值信噪比

中圖分類號： TN911.7?34； TP 391.41 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）07?0089?03

0 引 言

椒鹽噪聲是圖像在成像、信道傳輸、解碼等處理過程中產(chǎn)生的黑白相間的亮點或暗點噪聲，也稱為雙極脈沖噪聲[1]，嚴(yán)重地影響了圖像質(zhì)量，對圖像的邊緣提取、圖像分割及識別等后續(xù)處理也會產(chǎn)生較大的影響。非線性濾波算法是一類有效地去除椒鹽噪聲的濾波算法，其中標(biāo)準(zhǔn)中值濾波（SMF）算法是一種典型的非線性濾波方法，能夠?qū)符}噪聲起到良好的平滑效果，同時還對圖像中的一些細(xì)節(jié)起到保護(hù)作用，得到較為廣泛的應(yīng)用。然而，SMF算法對圖像中所有像素點采取統(tǒng)一的處理方式，對噪聲點起到平滑作用的同時，也改變了非噪聲點的原像素值，使邊緣和細(xì)節(jié)信息弱化或丟失，圖像變得模糊[2]。當(dāng)圖像噪聲密度達(dá)到50%以上時，濾波算法便會失效，濾波性能急劇下降。

針對標(biāo)準(zhǔn)中值濾波算法的局限性，一些改進(jìn)的算法紛紛被提出，如自適應(yīng)濾波算法[3]、開關(guān)中值濾波算法[4]、Min?max濾波算法[5]、改進(jìn)的極值中值濾波算法[6]、遞進(jìn)開關(guān)中值濾波算法[7]、方向加權(quán)中值濾波算法[8]、灰色關(guān)聯(lián)度的中值濾波算法[9]、模糊中值濾波算法[10]等。這些算法在去噪的過程中較好地保持了圖像的邊緣和細(xì)節(jié)，但也相應(yīng)地存在著不足，如計算量大、高密度噪聲去噪效果差、通用性差等。為此，提出一種新的去除椒鹽噪聲的濾波算法，該算法簡單高效、去噪聲能力強，具有較好地細(xì)節(jié)保持性能。

1 算法原理及實現(xiàn)

通常，受椒鹽噪聲污染的圖像具有如下特征：

（1） 圖像中僅部分像素受椒鹽噪聲污染，且噪聲點位置分布是隨機的。

（2） 受椒鹽噪聲污染的像素灰度值與鄰域內(nèi)未受污染的像素灰度值沒有任何聯(lián)系，正噪聲點顯示為白色，負(fù)噪聲點顯示為黑色。

（3） 圖像中正、負(fù)噪聲點出現(xiàn)的概率相等。

針對椒鹽噪聲的特性，算法采用開關(guān)及窗口自適應(yīng)策略。開關(guān)策略，即在去除椒鹽噪聲之前，對圖像進(jìn)行噪聲點檢測與標(biāo)記，將圖像像素點劃分噪聲點和信號點，濾波過程中只對噪聲點進(jìn)行處理，信號點保持原值不變，減少了系統(tǒng)開銷且保護(hù)了圖像邊緣及細(xì)節(jié)；自適應(yīng)策略，即在噪聲濾除過程中，如果3×3窗口內(nèi)噪聲像素點數(shù)量較少時，采用窗口內(nèi)信號點平滑被污染點的像素值，如果窗口內(nèi)噪聲點的數(shù)量較多時，則擴(kuò)大窗口的尺寸至5×5，增加可用信號點的數(shù)量，以便更好地平滑噪聲點，使得算法在較低密度噪聲污染下及較高噪聲密度污染下均取得較好的去噪性能?；谝陨显瓌t，本文算法分為兩個步驟：噪聲檢測及噪聲濾除。

1.1 噪聲檢測

數(shù)字圖像受椒鹽噪聲污染后，被污染的像素點表現(xiàn)為黑、白亮點，對于8位的灰度圖像而言，其灰度值為0或255。設(shè)矩陣[[f（i，j）]]表示噪聲圖像，[f（i，j）]表示噪聲圖像在點[（i，j）]處的灰度值。本文首先對圖像進(jìn)行噪聲點檢測，如果[f（i，j）]的值為0或255，則判斷該點可能為椒鹽噪聲點，并對該點進(jìn)行標(biāo)記，將[f（i，j）]的值置為0，對于非噪聲點不做標(biāo)記，方便后續(xù)的統(tǒng)計和處理，設(shè)處理后的圖像為[[f（i，j）]。]

1.2 噪聲濾除

采用小窗口濾波，圖像細(xì)節(jié)信息保持較好，但當(dāng)噪聲密度較大時，濾波性能較差；采用較大窗口進(jìn)行濾波，去噪性能較好，但細(xì)節(jié)容易模糊，結(jié)合二者的優(yōu)點，本文采用窗口自適應(yīng)策略進(jìn)行濾波。

噪聲濾除階段，采用自適應(yīng)策略，噪聲密度小，即可利用的信號點充分，則采用3×3窗口中值均值濾波。當(dāng)噪聲密度較大時，窗口內(nèi)可利用的信號點較少，則窗口擴(kuò)大至5×5，增加可利用信號點，進(jìn)行中值均值濾波，增強了噪聲去除能力，且較好地保持了圖像的邊緣和細(xì)節(jié)。設(shè)輸出圖像為[[g（i，j）]，]算法如下：

（1） 對圖像[[f（i，j）]，]以（i，j）為中心采用3×3濾波窗口，按照從左至右，從上至下的順序移動窗口。如果窗口中心點像素值為0，即為標(biāo)記的噪聲點，然后執(zhí)行步驟（2），否則，保持原值不變，輸出[g（i，j）=f（i，j），]然后移至下一點。

（2）統(tǒng)計窗口內(nèi)像素值不為0的點的數(shù)量[S，]即非噪聲點的數(shù)量，同時存入數(shù)組[N[x]，]如果[S]小于等于2，則執(zhí)行步驟（3），否則執(zhí)行步驟（4）。

（3） 中心點位置不變，擴(kuò)大窗口尺寸至5×5，轉(zhuǎn)至步驟（2）。

（4） 判斷[S]的值，如果[S]為奇數(shù)，則采用當(dāng)前窗口內(nèi)非噪聲點[f（i，j）]像素值的中值替換中心點像素值；如果S為偶數(shù)，則采用當(dāng)前窗口內(nèi)非噪聲點像素值的均值替換中心點[f（i，j）]像素值。輸出[g（i，j），]如式（1），然后轉(zhuǎn)至步驟（1）。

[g（i，j）=Median（N[x]），Mean（N[x]）， S為奇數(shù)S為偶數(shù)] （1）

2 實驗結(jié)果與分析

本文采用標(biāo)準(zhǔn)256×256的8位灰度圖像Lena作為仿真對象，在Matlab 2010 仿真平臺上進(jìn)行編程實驗，并與標(biāo)準(zhǔn)中值濾波（SFM）算法和Min?max算法進(jìn)行比較。實驗中分別加入10%～90%的椒鹽噪聲，并使用峰值信噪比（PSNR）對圖像質(zhì)量進(jìn)行客觀評價。圖1～圖3分別為加入10%，50%和90%的椒鹽噪聲圖像濾波效果對比圖。表1為幾種算法的PSNR值對照表。

圖1 10%椒鹽噪聲濾波效果對比圖

圖2 50%椒鹽噪聲濾波效果對比圖

圖3 90%椒鹽噪聲濾波效果對比圖

從圖1可以看出，在椒鹽噪聲密度較低的情況下，標(biāo)準(zhǔn)中值濾波算法、Min?max濾波算法和本文算法的去噪效果均較好，輸出圖像較為清晰，沒有噪聲點遺留。

從圖2可以看出，當(dāng)椒鹽噪聲密度增大至50%時，標(biāo)準(zhǔn)中值濾波算法的濾波性能急劇下降，出現(xiàn)大量的噪聲斑塊，圖像質(zhì)量較差；而Min?max算法雖然濾除了大部分椒鹽噪聲，但性能也開始下降，圖像中出現(xiàn)少許的噪聲斑塊；本文算法濾除了全部噪聲，圖像依然清晰，而且邊緣和細(xì)節(jié)保持較好。

從圖3可以看出，當(dāng)椒鹽噪聲密度達(dá)到90%時，標(biāo)準(zhǔn)中值濾波算法完全失效，圖像一片模糊，原有信息皆無；Min?max算法性能急劇下降，圖像中出現(xiàn)大量的噪聲斑塊，變得模糊不清，相比之下，本文算法的輸出圖像雖然在邊緣和細(xì)節(jié)產(chǎn)生了一定的模糊，但仍然較為清晰，證明了本文算法在高密度椒鹽噪聲下具有良好的去噪性能。

PSNR值是對圖像質(zhì)量評價的一種常用的標(biāo)準(zhǔn)，一般來說，處理后的圖像PSNR值越大，說明該圖像質(zhì)量越好，更接近原始圖像，其定義如式（2）：

[PSNR=10lg 25521M×Ni=1Mj=1Nf（i，j）-f0（i，j）2] （2）

式中：[M，][N]為數(shù)字圖像的尺寸；[f（i， j）]為被測圖像；[f0（i， j）]為原始圖像。

表1顯示的是幾種算法的PSNR值?？梢钥闯?，在相同密度的椒鹽噪聲情況下，本文算法輸出圖像的PSNR值最高，Min?max算法次之，標(biāo)準(zhǔn)中值濾波算法最低。更為重要的是，隨著噪聲密度的增大，本文算法的PSNR值下降較慢，而其他兩種算法下降較快，顯示出了本文算法具有穩(wěn)定高效的去噪性能及較好的細(xì)節(jié)保持能力。

3 結(jié) 語

本文提出一種窗口自適應(yīng)的去椒鹽噪聲濾波算法，根據(jù)圖像受椒鹽噪聲污染的程度，自適應(yīng)調(diào)整濾波窗口，對于噪聲點采用中值均值濾波算法，實驗證明，算法在去除噪聲的同時較好地保持了圖像的邊緣及細(xì)節(jié)，且在高密度椒鹽噪聲污染的情況下，仍然具有較強的濾波性能，具有一定的實用價值。

參考文獻(xiàn)

[1] 王際朝，李奎平，喬田田.高密度椒鹽噪聲圖像的二次去噪方法[J].微電子學(xué)與計算機，2014，31（6）：53?56.

[2] 曾憲佑，黃佐華，周進(jìn)朝，等.一種去除椒鹽噪聲的自適應(yīng)極值中值濾波算法[J].計算機與現(xiàn)代化，2012（11）：70?73.

[3] HWANG H， HADDAD R A. Adaptive median filters： New algorithms and results [J]. IEEE Transactions on Image processing， 1995， 4（4）： 499?502.

[4] SUN T， NEUVO Y. Detail?preserving median based filters in image processing [J]. Pattern Recognition Letters， 1994， 15（4）： 341?347.

[5] WANG Jun?hua， LIN Lian?da. Improved median filter using Min?max algorithm for image processing [J]. ElectronicsLetters， 1997， 33（16）： 1362?1363.

[6] 孫樹亮，王守覺.一種基于改進(jìn)的極值中值濾波算法[J].計算機科學(xué)，2009，36（6）：165?166.

[7] WANG Zhou， ZHANG David. Progressive switching median filter for the removal of impulse noise from highly corrupted images [J]. IEEE Transactions on Circuits and Systems II： Analog and Digital Signal Processing， 1999， 46（1）： 78?80.

[8] DONG Yi?qiu， XU Shu?fang. A new directional weighted median filter for removal of random?valued impulse noise [J]. IEEE Signal Processing Letters， 2007， 14（3）： 193?196.

[9] 楊芳芳，張有會，王志巍，等.基于灰色絕對關(guān)聯(lián)度的圖像中值濾波算法[J].計算機應(yīng)用，2011，31（12）：3357?3359.

[10] 王芳，滿益云.基于模糊中值濾波的椒鹽噪聲去除方法[J].模糊系統(tǒng)與數(shù)學(xué)，2012，26（1）：165?174.