殷美琴

?

基于極值的椒鹽噪聲濾波改進算法①

殷美琴

(三江學院計算機科學與技術(shù)學院, 南京 210019)

為了在有效濾除椒鹽噪聲的同時更好地保護圖像細節(jié), 提出一種基于極值的椒鹽噪聲濾波改進算法. 算法首先進行噪聲檢測, 將灰度值為0和255附近的像素點, 且不構(gòu)成5像素或以上直線的點作為噪聲點, 其余點作為信號點; 然后進行噪聲濾波, 為了保護圖像中的邊緣、細節(jié)或細線, 信號點不做任何處理, 而對噪聲點使用梯度法進行處理. Matlab仿真實驗結(jié)果表明, 新算法不僅能有效濾除椒鹽噪聲, 在保護細節(jié)方面也取得了優(yōu)于傳統(tǒng)中值濾波算法的效果.

椒鹽噪聲; 中值濾波; 極值濾波; 噪聲檢測; 梯度法

1 引言

數(shù)字圖像在生成、處理和傳輸過程中, 極易產(chǎn)生脈沖噪聲[1], 從而在圖像中產(chǎn)生黑白相間的亮暗點, 通常稱為椒鹽噪聲(Salt and Pepper Noise). 椒鹽噪聲對圖像視覺效果以及圖像處理結(jié)果產(chǎn)生了極大的影響, 因此保護信號與抑制噪聲具有重要意義. 去除噪聲的方法一般分為線性濾波和非線性濾波. 中值濾波是目前針對椒鹽噪聲去噪使用較為廣泛的一種非線性濾波方法. 標準中值濾波(SMF)算法主要基于排序統(tǒng)計算法, 對所有像素點進行統(tǒng)一處理, 用其濾波窗口中心像素點鄰域中值代替, 使得沒有被噪聲污染的像素點灰度值也發(fā)生變化, 且圖像中的輪廓、邊緣、細線, 濾波過程中都會被去掉, 從而造成圖像模糊. 同時該算法需要進行大量的排序工作, 去噪效果受濾波模板大小影響較大, 在抑制噪聲和保護細節(jié)方面存在一定的矛盾. 針對這些問題, 學者們對標準中值濾波算法進行了改進, 提出了加權(quán)中值濾波算法[2]、自適應中值濾波算法(RAMF)[3]、極值中值濾波算法[4]、基于極值的自適應中值濾波(AEM)算法[5]等. 然而這些算法在保護圖像細節(jié)方面均存在一定的缺陷, 無法兼顧到圖像細節(jié)的各個方面, 尤其是無法保護圖像中的黑線或白線.

本文針對中低噪聲率椒鹽噪聲圖像去噪時圖像細節(jié)(細線)保護的問題, 提出一種基于極值的椒鹽噪聲濾波改進算法. 算法首先進行噪聲檢測, 將灰度值為0和255附近的像素點, 且不構(gòu)成5像素或以上直線的點作為噪聲點, 其余點作為信號點. 然后進行噪聲濾波, 為了保護圖像中的邊緣、細節(jié)或細線, 信號點不做任何處理, 而對噪聲點使用梯度法進行處理. 實驗結(jié)果表明, 本文算法不僅能夠有效去除中低噪聲率的椒鹽噪聲, 而且較好地保留了圖像細節(jié). 特別是在含有黑色或白色細線的圖像中, 本文算法的峰值信噪比(PSNR)有明顯提高, 濾波效果優(yōu)于中值濾波和其他一些改進的算法.

2 基于極值的椒鹽噪聲濾波改進算法

2.1 噪聲檢測

椒鹽噪聲在圖像中一般表現(xiàn)為隨機分布的黑點(胡椒點)和白點(鹽點). 對于一個8位圖像, 其概率密度函數(shù)滿足:

如果圖像被椒鹽噪聲污染, 則被污染像素的灰度值將處于圖像灰度取值范圍內(nèi)的極值(最大值或最小值)附近. 但在噪聲圖像中, 灰度值為極值的像素點并不一定為噪聲點. 因此在進行濾波前, 應該首先進行疑似噪聲點的檢測. 極值中值()[6]濾波算法進行濾波時, 將圖像中的一些輪廓邊緣、細節(jié)或細線(細白線或細黑線)均作為噪聲點加以處理, 引起了一定的邊緣模糊, 誤檢率較高. 本文對極值中值算法的噪聲檢測進行改進, 提出一種新的噪聲檢測算法.

在灰度圖像中, 椒鹽噪聲點的灰度值均集中在極值點附近, 因此可以確定所需處理的圖像噪聲點, 從而將整幅圖像像素點分為可疑噪聲點與信號點, 即進行可疑噪聲點的初次檢測. 初次檢測噪聲點可以得到可疑鹽噪聲標記矩陣和可疑椒噪聲標記矩陣. 對于某一像素點, 如果標記矩陣值為1, 則認為該像素點可能受到噪聲污染; 如果標記矩陣值為0, 認為沒有受到污染.

一幅圖像中的紋理或邊界一般都大于5個像素, 因此將可疑噪聲點中構(gòu)成相鄰5個像素或以上直線的點作為信號點. 可得噪聲標記矩陣如下:

2.2 噪聲濾波算法實現(xiàn)

(1) 為了使用*窗口判斷噪聲點是否是連續(xù)5像素或以上直線, 將大小為*的圖像以及對應的二值矩陣均擴大為()*(). 設為原始圖像,為像素點的灰度值,為擴大后的圖像:

(2) 鏡像反射擴展. 由于在濾波過程中, 所選用的濾波窗口最大尺寸為5*5, 因此為了有效濾除噪聲圖像邊界上的噪聲點, 在濾波前對噪聲圖像和噪聲標記矩陣通過圍繞前后邊界進行兩像素鏡像反射來擴展.

(4) 梯度法濾波. 觀察一幅未受污染的圖像可以發(fā)現(xiàn), 圖像中每一像素灰度值都不會是孤立的, 它總是與其相鄰某一方向的灰度值相近. 如圖1所示, 取窗口尺寸為5*5, 定義像素八個方向鄰域像素的梯度[8]為、、、、、、、. 其中,

3 仿真實驗與分析

3.1 Matlab仿真實驗

在實驗中, 采用大小為256*256個像素、灰度級為256的Lena圖像和rice圖像進行仿真實驗. 為了突出文中濾波算法對圖像細節(jié)或細線的保護作用, 在原圖加一條白色直線和一條黑色直線, 并分別添加噪聲率為0.05和0.2的椒鹽噪聲, 濾波效果如圖2-圖5所示.

(a) lena原始圖片 (b)加0.05噪聲圖像

(c)標準中值濾波算法 (d)5*5中值濾波算法

(e)自適應濾波算法 (f)本文算法

(a) lena原始圖片 (b)加0.2噪聲圖像

(c)標準中值濾波算法(d)5*5中值濾波算法

(e)自適應濾波算法 (f)本文算法

(a)rice原始圖像 (b)加0.05噪聲圖像

(c)標準中值濾波算法 (d)5*5中值濾波算法

(e)自適應濾波算法 (f)本文算法

(a)rice原始圖像 (b)加0.2噪聲圖像

(c)標準中值濾波算法 (d)5*5中值濾波算法

(e)自適應濾波算法 (f)本文算法

由圖2-圖5可以看出:

1) 使用標準中值濾波算法處理后的圖像上殘留部分噪聲, 圖像較模糊, 且隨著噪聲率的增大, 殘留噪聲點增多, 此外原始圖像中的細直線丟失, 無法很好地保護圖像細節(jié);

2) 使用窗口為5的中值濾波算法處理后的圖像較清晰, 但原始圖像中的細直線也被濾除;

3) 使用自適應濾波算法處理后的圖像雖然很好的保護了原圖中的細直線, 但整體圖像比較模糊;

4) 使用本文算法進行處理后的圖像, 不僅比較清晰, 而且能夠很好地保存圖像中的細直線, 有效解決了去除噪聲點和保護細節(jié)的矛盾.

3.2 性能指標分析

對于椒鹽噪聲的濾除效果, 采用峰值信噪比()作為評價指標,值越大, 圖像去噪效果越好, 圖像質(zhì)量越高.值定義為:

為驗證本算法的效果, 在Matlab7上對Lena圖像分別添加不同噪聲率的椒鹽噪聲, 使用標準中值濾波器、5*5中值濾波算法、自適應濾波算法以及本文算法進行仿真實驗, 得出如圖6所示峰值信噪比曲線圖.

圖6 不同噪聲率下, 各種濾波算法PSNR值

從圖6可以看出, 采用本文算法進行濾波的效果明顯優(yōu)于其他三種算法, 隨著噪聲率的增加, 峰值信噪比的值減少. 實驗結(jié)果表明, 對于中低噪聲率噪聲圖像, 本文算法去噪和細節(jié)保護的綜合效果最佳.

4 結(jié)語

本文主要針對數(shù)字圖像濾波中去除椒鹽噪聲并保持圖像細節(jié)(細線)方面進行了研究, 文章分析椒鹽噪聲及圖像細節(jié)的不同特點, 提出一種噪聲檢測和濾波的有效方法. Matlab仿真結(jié)果表明, 新算法在濾除噪聲的同時很好地保護了圖像細節(jié), 特別是在圖像中含有黑、白細線時, 本文算法濾波效果明顯優(yōu)于其他典型濾波算法. 但算法也存在一定的局限性, 對嚴重椒鹽噪聲污染(噪聲率大于0.5)的圖像, 去噪效果有待提高.

1 Gonzalez RC, Wood RE. Digital Image Processing. Beijing: Publishing House of Electronics Industry, 2002.

2 Brownrigg D. The weighted median filter. Communications of the ACM, 1984, 27(8): 807–818.

3 Hwang H, Haddad RA. Adaptive median filters: New algorithms and results. IEEE Trans. on Image Processing, 1995, 4(4): 499–503.

4 邢藏菊,王守覺,鄧浩江,羅予晉.一種基于極值中值的新型濾波算法.中國圖象圖形學報,2001,6(6):533–536.

5 茍中魁,張少軍,李忠富,金劍.一種基于極值的自適應中值濾波算法.紅外與激光工程,2005,34(1):98–101.

6 Xing CJ, Wang SJ, Deng HJ. A new filtering algorithm based on extremum and median value. Journal of Image and Graphics, 2001, 6(6): 533–536.

7 羅玲,王修信.一種高效去除椒鹽噪聲的中值濾波方法.微電子學與計算機,2011,28(11):118–121.

8 郭紅偉.數(shù)字圖像中椒鹽噪聲的濾波算法研究[碩士學位論文].昆明:云南大學,2010.

9 陳健,鄭紹華,余輪,潘林.基于方向的多閾值自適應中值濾波改進算法.電子測量與儀器學報,2013,27(2):156–161.

10 陳健,鄭紹華.基于方向中值的圖像椒鹽噪聲檢測算法.計算機應用,2012,(10):114–116.

Improved Algorithm Based on the Extreme Value of Salt and Pepper Noise Filtering

YIN Mei-Qin

(School of Computer Science and Technology, Sanjiang University, Nanjing 210019, China)

In order to effectively remove salt and pepper noise and protect image details, this paper proposes an improved algorithm based on the extreme value of salt and pepper noise filtering. Firstly, the algorithm detects noise, each pixel is classified to be possible noise pixel and signal pixel, and the value of possible noise pixels is near 0 and 255, and does not constitute 5 pixels or more straight points, the remaining points is as the signal point. Then, the noise filtering is taken, in order to protect the image edge details, or thread, signal pixel without any treatment, and the noise pixels using the gradient method for processing. The experimental results show that the new algorithm not only can effectively remove salt and pepper noise, and effect made in detail preservation is superior to traditional median filtering algorithm.

salt and pepper noise; median filtering; extremum filtering; noise detection; gradient method

2016-06-27;

2016-08-31

[10.15888/j.cnki.csa.005707]