脉冲噪声检测器（共7篇）
脉冲噪声检测器 篇1
1、概述
数字图像在采集和传输的过程中会受噪声影响, 数字图像中存在脉冲噪声是很普遍的现象。到目前为止, 已经产生了很多消除图像噪声滤波器的结构和算法, 其中最频繁的是中值滤波器。中值滤波器具有良好的降噪能力和很高的计算效率, 它是消除脉冲噪声最受欢迎的一种非线性滤波器。中值滤波器虽然在一定程度上保护图像边缘细节, 但对有用信号有时也能产生抑制, 因此又提出基于原始图像的各种修补方法。本文提出用中值控制运算的适应性窗口递归加权中值滤波法, 它既实现了更高程度的噪声抑制, 又保证了图像的清晰度。
2、加权中值滤波器
中值滤波器在图像处理中的成功取决于两个内在特性:脉冲噪声的边缘保护和对脉冲噪声的有效衰减, 这是传统滤波器所不具有的。
当一个中值型滤波器过滤某种信号时, 一些特征就会发生改变。脉冲噪声则被大大地减弱。一般来说, 越靠近边缘的地方比其他同类区域的变化更大。因此, 中值滤波器可以被认为是一种简单的脉冲和边缘探测器。它是一个高度依赖数据的滤波器, 根据低通滤波器带来的变化, 加权便附加到了采样上。递归加权中值滤波器探测和消除图像中的脉冲。线性IIR滤波器的总体结构用公式表示如下:
输出不光是来自输入, 而且还包括以前的计算结果。过滤器加权由两部分组成:反馈系统{Al}和前馈系统{Bk}。N、M1、M2、l系数表示为递归差分等式。对于加权中值滤波器, 总数运算是用中值运算来代替的。
(1) 递归加权中值滤波器:假定N系列现实价值反馈系统Ai|Ni=1, M+1系列现实价值前馈系数Bi|Ni=0, M+N+1递归加权中值滤波器输出如下所示:
递归加权中值滤波器如下所示:< (AN, ….A1, B0, B1, …..BM) >
(2) 递归加权中值滤波器的稳定性:递归加权中值滤波器与线性IIR滤波器不同, 必须保证它的稳定性。递归加权中值滤波器在有界输入有界输出标准下很稳定, 而与反馈系数{Al}所表示的数值无关。
(3) 适应窗口尺寸选择:通常在固定小窗口尺寸滤波器中, 被过滤的噪声密度的数量是很少的, 因为过滤高密度噪声, 滤波器的窗口尺寸可能会增加。这可能会导致输出图像变得模糊。为了克服这一点, 就设计了适应性窗口长度滤波器来过滤高密度噪声。
3、中值控制运算法
递归加权中值滤波器的加权计算是通过阀值分解法技术来完成的, 最佳的加权则由平均绝对误差技术完成, 以达到现实加权计算、综合加权计算和否定加权计算。以上方法更为复杂, 需要更多计算。如果是中值控制运算法, 加权选择就更简单, 而且滤波器为脉冲给出最小的加权。比如, 对于每个窗口, 这些输入采样更接近于第一轮滤波操作的结果, 可以在指数上加权更多。让样品Xi和处同一位置的低通滤波器Xi’差别为|Xi-Xi’|。加权值可以通过公式得到:
其中α>0。中值控制滤波器第一次重复产生的结果为滤波器活动窗口内采样的加权总量。这个活动窗口不能是用来计算加权的同一窗口。普通加权中值滤波器结构加权为a= (a1, a2, a3…….ai) 和输入x= (X1, X2, X3……..Xi) , 假定权重Med (X1, X2, X3……..Xi) =MED{ (a1◇X1, a2◇X2, a3◇X3…….ai◇Xi) , 其中◇为复制操作, 如下:ai◇Xi= (ai, ai……..ai) Xi次数
选定第一次重复的输出为参考信号, 通过比较新参考信号和原始信号计算新的加权值, 再次运用新的加权值计算输出可以继续该程序, 重复进行, 直到重复次数达到要求。这样就获得了中值控制递归加权中值滤波器。这让设计者有更多的自由。例如当滤波信号和原始信号的差异超过一定标准时, 可以使加权为0。中值控制运算法所需步骤:1.用窗口W获得中值滤波图像, 将结果存于参考图像。2.计算加权:weight (i, j) =exp{-|原始 (i, j) –参考 (i, j) |}。3.用以上加权, 完成递归加权中值操作, 并将结果存为参考图像。4.反复进行这一过程, 所以结果将产生最小均方误差。
4、滤波器结构
递归加权中值滤波器总体结构为
5、结果
如 (图1) 所示, 莉娜彩色图像被40%噪音密度污染。a、b、c、d是原始图像、噪声图像、标准中值滤波器输出、运用中值控制运算法的适应性窗口尺寸递归加权中值滤波器输出的结果。
实验证明通过中值控制运算法计算的加权能非常有效的去除脉冲噪声, 并保留图像的细节、边缘和提高清晰度。与其他中值型运算法相比, 均方误差也更少。
参考文献
[1]王志刚, 王伟.一种改进型自适应加权模糊均值滤波算法[期刊论文].电子信息学, 2003.
[2]吕俊白, 蔡灿辉一种有效保留图像细节的自适应图像消噪方法[期刊论文].计算机应用, 2010 (8) .
[3]Arce G R, Roster R E.Multilevel median filter:properties andefficacy[A].ICASSP[C].New York, 1988.
[4]Arakawa K.Median filter based on fuzzy rules and its applicationto image restoration[J].Fuzzy Sets and Systems, 1996, 77 (1) :3-13.
脉冲噪声检测器 篇2
传统的信号处理理论和技术基本上是基于高斯分布和二阶统计量的,其重要原因之一是当时缺乏对更复杂信号噪声模型进行分析和处理的工具。随着计算机技术和信号处理理论的迅速发展,人们已有能力对更复杂的模型进行分析和处理,非高斯信号处理的理论和技术得到了迅速的发展和广泛的应用。本文将以α稳定分布和信道编码理论为基础,采用α稳定分布噪声模型,对脉冲噪声环境下编码信道的抗噪声性能进行研究。
1 信道编码
信道编码[1]是在信息码中增加一定数量的可控制冗余码元(称为监督码元),使信息码元和冗余码元之间满足一定的约束关系,当传输过程中出现差错时约束关系被破坏,在接收端按照既定的规则校验,恢复出正确的数据序列,从而达到纠错的目的。
分组码[2]是一组固定长度的码组,可表示为(n , k)。在编码时,k个信息位被编为n位码组长度,而n-k个监督位的作用就是实现检错与纠错。信息码元与监督码元成线性关系时的分组码称为线性分组码。循环码就是一类重要的线性分组码,因其代数构造和线性反馈移位寄存器的数学构造相同,使其编译码器可以由线性反馈移位寄存器实现,常将码长为n的码组表示为代数形式
T(x)=an-1xn-1+an-2xn-2+……+a1x+a0. (1)
卷积码[3]是由连续输入的信息序列得到连续输出的已编码序列。卷积码至今尚未找到严密的数学手段,把纠错性能与码的结构十分有规律地联系起来,目前大多采用计算机来进行编码。卷积码编码后的n个码元不仅与当前段的k个信息有关,而且还与前面N段的信息有关。卷积码编码器一般由N个1位的移位寄存器及n个模2和加法器组成。
2 α稳定分布
α稳定分布的概念最先是由利维(Levy)于1925年给出的。近年来,α稳定分布和相应分数低阶统计量理论研究和应用为不同领域的许多现象提供了非常有用的模型。
2.1 α稳定分布的定义
如果对于任何正数A和B,存在正数C和一个实数D,满足
undefined. (2)
则随机变量X是稳定分布的。式中,X1和X2为X的独立样本,符号“undefined”表示分布相同。α稳定分布[4]没有统一的封闭的概率密度函数,通常用其特征函数式(3)来描述
ϕ(μ)=exp{jaμ-γ|μ|α[1+jsgn(μ)ω(μ,α)]}. (3)
式中:(1) α∈(0, 2]为特征指数,表示α稳定分布概率密度函数拖尾的厚度;(2) γ>0为分散系数,表示分布的分散程度;(3) β∈[-1,1]为对称参数,当β=0时称为对称α稳定分布,记为SαS;(4) a∈(-∞,∞)为位置参数,对于SαS,a表示分布的均值或中值。
α稳定分布随机变量的概率密度存在且连续,但除了少数例外之外,它们没有封闭的形式。这种例外包括高斯分布N(μ,2σ2)(其中μ=α,σ2=γ/2),其密度函数为:
undefined. (6)
由式(3)可知,当α=2时,α稳定分布与高斯分布的特征函数完全相同,因此认为α稳定分布是广义的高斯分布,并定义0 <α<2的α稳定分布为分数低阶α稳定分布。
α稳定分布作为建模工具非常灵活,主要原因在于它的特征指数α可以用于控制概率密度函数拖尾的厚度。α值越小,表明所对应的信号噪声中有越显著的尖峰脉冲;α越接近2,则更接近高斯特性;当α=2时,则为高斯分布。
2.2 α稳定分布随机变量的算法
假定我们要产生阶数为α(0 <α≤2)的α稳定分布序列x(n),满足a = 0和-1<β<1。定义:
βA=β(α=1). (7)
k(α)=1-|1-α|(α≠1). (8)
βA=2tan-1(β/cot(πα/2))/(πk(α)). (9)
Φ0=-0.5πβA(k(α)/α). (10)
分别产生两个独立的随机变量V和W,其中,V满足在undefined范围内均匀分布,W满足均值为0的指数分布。定义以下变量:
ε=1-α. (11)
τ=-εtan(αΦ0). (12)
μ=tan(0.5V). (13)
b=tan(0.5εV). (14)
B=b/(0.5εV). (15)
undefined. (16)
undefined. (17)
这样,满足给定α值的分数低阶α稳定分布的随机变量X[5]由式(18)给出
undefined. (18)
2.3 分数低阶α稳定分布噪声条件下混合信噪比的设定
在分数低阶α稳定分布噪声条件下,由于不存在有限的二阶矩,致使噪声的方差变得没有意义,因此需要采用混合信噪比。混合信噪比定义为:
MSNRdB=10log10(σundefined/γv). (19)
式中,σundefined和γv分别表示高斯信号s′(n)的方差和分数低阶α稳定分布噪声v(n)的分散系数。假定混合信噪比为MSNRdB=mdB,由式(19)有:
undefined. (20)
undefined. (21)
式中,s(n)为按照给定信噪比调整幅度后的信号,Var[s′(n)]表示信噪比设定之前信号的方差。按照式(21)调整给定信号s′(n)的幅度,就可以实现设定信噪比的目的。
3 α稳定分布噪声下编码信道抗噪声性能分析
3.1 α稳定分布噪声的产生
在使用分数低阶α稳定分布作脉冲噪声模型时,不失一般性的,常设参数μ=0,α=1,β=0。由式(18)可获得一个包含参数α、β、γ、μ的随机变量X,循环便得到x(n)序列。当给定混合信噪比m时,若已知信号方差σundefined,根据式(19)即可求得γ,
undefined. (22)
将以上各参数代入式(18),即可获得脉冲噪声。以下是β=0、γ=1、μ=0的不同α下的噪声波形。
3.2 信道编码与译码的实现
MATLAB中进行信道编译码非常方便,循环编码时可以应用函数encode,译码则应用decode,并根据需要设置为“cyclic”编码方式。卷积编码时先应用函数poly2trellis定义一个trellis矩阵,再用convenc进行编码,译码时使用维特比译码方法,可应用函数vitdec。译码后可以直接应用函数symerr计算出误码率,并进行抗噪声性能的比较。
3.3 抗噪声性能分析
当信息码元一致时,在循环码编码信道条件下,分别加入α稳定分布噪声和高斯噪声,译码后对误码率进行比较。由图4可知:当0
同样的,当信息码元一致时,在卷积码编码信道条件下,分别加入α稳定分布噪声和高斯噪声,译码后对误码率进行比较。由图5可知:当0
4 结论
本文分析总结了编码信道及α稳定分布的基础理论,并以α稳定分布噪声为脉冲噪声模型,研究了脉冲噪声环境下编码信道的抗噪声性能,并同高斯噪声下的编码信道性能相比较。仿真结果表明,相同条件下,高斯噪声所造成的误码影响比脉冲噪声所造成的误码影响小得多;且当脉冲噪声的参数β、γ、μ相同,α越小时,拖尾越长,脉冲噪声所造成的误码率越大;高斯噪声所造成的误码率在信噪比较小的情况下即可达到零,远小于脉冲噪声所要求的信噪比。
摘要：针对现实中多数信道为脉冲噪声环境的特点,以α稳定分布和信道编码理论为基础,并以α稳定分布噪声为脉冲噪声模型,运用M atlab软件研究了脉冲噪声环境下编码信道的抗噪声性能。研究结果表明,SNR较大时脉冲噪声对编码信道所造成的误码影响远大于高斯噪声所造成的误码影响。
关键词：α稳定分布,编码信道,Matlab,抗噪声性能
参考文献
[1]赵晓群.现代编码理论[M].武汉:华中科技大学出版社,2008.
[2]樊昌信,曹丽娜.通信原理[M].第6版.北京:国防工业出版社,2008.
[3]王育民,李晖,梁传甲.信息论与编码理论[M].北京:高等教育出版社,2005.
[4]罗鹏飞.统计信号处理[M].北京:电子工业出版社,2009.
基于简化PCNN的脉冲噪声滤波 篇3
数字图像在生成和传输过程中有可能会受到多种噪声污染,其中典型的噪声是脉冲噪声。脉冲噪声主要表现为极端的点状污染,噪声点与 周边像素 的灰度值 区别很大,对图像的特征破坏也很大。常用的降噪方法包括中值滤波[1]和均值滤波。但这两种处理方法不区分噪声点,只是对所有像素进行同样的操作,整体图像都被平滑化,因此图像的细节破坏很大。如何利用噪声与周围像素的灰度区别进行准确识别,有目的地进行降噪,保护图像细节,提高图像识别效果,一直是图像处理的研究热点[2]。
经过长期研究,图像处理技术日趋成熟,传统处理方法难以进一步提高处理效果,而模拟人的认知过程是一种新的发展方向,神经网络就是其中的代表。长期以来,经典的神经网络结构,如BP神经网络、RBF神经网络等,在这一过程中得到广泛应用,但其处理信息是依赖于阈值和连接权值,这与人的认知方式截然不同,效果并不理想。脉冲耦合神经网络(PCNN)是1990年Eckhorn提出的一种基于猫的视觉原理构建的简化神经网络模型,与其它神经网络相比,PCNN能从复杂背景下提取有效信息,不需要提前学习或者训练,同时具有同步脉冲发放和全局耦合等特性,其信号形式和处理机制更符合人类视觉神经系统的生理学基础[3]。
1算法思想
1.1PCNN模型
脉冲耦合神经网络通过对猫、猴等哺乳动物视觉神经细胞的模拟,利用单个神经元线性相加,激励可以传播的、其周围的神经元,经过与阈 值的比较 以确定是 否产生点火,一旦条件成立,可以形成神经元集群同步振荡脉冲。同时由于PCNN模型在进行图像处理时与图像的像素一一对应,图像中相 似的区域 更容易产 生集群点 火,因而PCNN在处理过程中无需考虑神经元的数量,对二维图像的处理非常方便。图像通过PCNN处理时,空间相似、灰度相似的像素被分组,有利于识别被污染的像素位置,利于下一步处理。
通常的PCNN模型可以用数学方程表达如下[4]:
其中:Fij(n)是神经元的输入;Lij(n)是窗口神经元的连接输入;Uij(n)是神经元的内部活动项;θij(n)是神经元的动态阈值;Yij(n)是神经元的对外脉冲;VF是反馈域的放大系数;αF是反馈域的衰减时间常数;Sij是神经元受到的外部激励,可以反映图像中对应位置的灰度;VL和αL 是耦合连接域的放大系数和误差时间常数;β为内部活动项连接系数;θij是动态阈值,Vθ和αθ是其放大系数和衰减时间常数;Uij是内部活动信号。
PCNN在上述各式中的参数表明,PCNN在处理过程中,具有可变阈值、非线性调制、同步脉冲激发、邻接捕获、等特性,可用于多个方面。但传统模型在实际使用时,需要合理设定各种门限参数、衰减参数、运行次数才能得到满意结果。这种人工干预降低了模型的实用性,同时模型使用了指数衰减常数,这严重降低了系统的运行速度,因此必须将模型进行简化。通过分析,PCNN在此处理过程中,主要是识别噪声污染,Fij仅需获取对应像素的灰度值,Lij也可仅通过处理窗口的情况确定,θij的放大系数与误差时间常数直接参与工作。因此,可以将其进一步简化为式(6)-式(10)。
在简化后,消除了指数衰减常数,同时保留了神经网络的放大系数、误差时间常数、活动连接系数等参数,保留了PCNN的基本特性使其能够捕获相关激励信号,并提高了运行效率。
在用PCNN进行降噪处理时,由于PCNN的神经元分别与图像的像素点一一对应,则PCNN获得对应 像素点的灰度值,并成为神经元的对应外部激励Sij,当满足参数条件时,此神经元自然点火,产生脉冲并激励周围神经元。同时,此神经元的阈值θij会根据上述 公式首先 急剧增大,然后随着时间衰减。在此过程中,自然点火的神经元会对邻接神经元进行激励,诱导邻接神经元点火。但只有与自然点火神经元的对应像素具有相似强度的神经元才会被捕获产生点火,反之则不会被捕获。则根据神经元点火时间的不同,图像像素形成若干个不同的集群,从而区分出自然图像中灰度不同的区域。
在激励过程中,不同的像 素集群的 阈值衰减 周期不同,其集群的对外脉冲周期也不同,这样图像的点火集群类似于波进行传播,通过这种传播可以区分出图像中与此集群类似的其它集群。通过这种方式,PCNN能够自发识别出图像的噪声点,这种识别是通过像素的自然属性———灰度完成的,而非通过预处理或训练完成。这对于处理不同类型的图像非常有帮助,尤其是处理实时图像。
1.2噪声滤波算法
根据PCNN的工作原理,相似的神 经元可同 步发出脉冲,同时,由于噪声像素与周边像素的灰度区别,污染像素与周边像素将异步发出脉冲。通过在3×3的窗口中设定阈值N =6,如果像素点(i,j)点火且周边点火像素数量小于N,则此像素是被污染的,确定了像素点位置就可以用MF算法进行滤波。
2实验测试与分析
为了测试改进PCNN算法的有效性,采用Matlab编程进行了计算机仿真实验,测试采用256×256的8位灰度Lena图。通过对比测 试噪声强 度分别为10%、20%、40%的污染图像(见图1),分别采用中值滤波、均值滤波和PCNN滤波(见图2-图4)。PCNN的连接权重Mijkl由
算法步骤如 下:1根据上述 内容,初始化PCNN参数;2在每个神经元的3×3窗口,采用式(6)、式(7)计算F、L,式(9)计算阈值;3根据式(8)计算神经元内部信号U;4根据式(10)是确定是否点火;4根据PCNN识别结果进行中值滤波;5输出图像处理结果。
3结语
一种有效的脉冲噪声去除算法研究 篇4
图像在采集和传输过程中易受到多种噪声的干扰, 其中脉冲噪声非常常见。一般情况下脉冲噪声分为两类, 包括固定值脉冲噪声和随机值脉冲噪声。这种噪声的特点是仅仅干扰数字图像中的部分像素, 且受到干扰的像素不含图像中的任何有用信息, 噪声点的灰度值与其领域像素存在明显不同, 所以在视觉上给人感觉过亮或者过暗, 这些都会严重影响图像的质量, 如图1所示。在8-bit的数字图像中, 固定值脉冲噪声的亮度值往往是0或者255, 随机值脉冲噪声的取值可以是[0, 255]之间的任何值, 因此, 随机值脉冲噪声往往更难去除。基于此, 本研究的重点是数字图像中随机值脉冲噪声的去除。
此外, 由于随机值脉冲噪声点相对于其领域像素点来说在灰度值上有比较大的突变, 这对图像的分析、理解及识别等都存在极大的影响, 因而有效地去除图像中的固定值脉冲噪声具有非常大的意义。、
目前, 脉冲噪声的去除算法主要分为线性算法和非线性算法, 其中线性滤波是以均值滤波及其改进的方式为代表。这一类方法虽然可以有效地去除椒盐噪声, 但同时也破坏了图像中大量的有用信息。
相比线性的均值滤波算法, 标准中值滤波算法作为一种传统非线性滤波算法因为其良好的滤波效果、快速的运算速度一度非常流行[1]。但由于这种方法对图像中的噪声像素和非噪声像素采取统一处理的方式, 会导致图像原始信息遭到破环, 造成图像中一些细节出现模糊现象。
为解决这种弊端, 人们在标准中值滤波算法的基础上提出了很多相应的改进算法, 对图像中的不同像素使用不同的加权因子加权, 例如:加权中值滤波算法, 中心像素加权中值滤波算法。这些算法与标准中值滤波算法相比, 其滤波效果有了明显的改善, 计算复杂度上也没有明显的增加, 计算相对还是比较简单的。然而使用这些方法处理噪声图像时, 往往将噪声像素和非噪声像素都一起处理了, 而忽略了非噪声像素不需要处理的事实, 所以其结果是:很多非噪声像素经过处理后丢失了原有的数据信息, 导致图像质量下降, 部分细节出现模糊甚至丢失等现象。
对于此类问题的解决方案是仅仅处理那些受噪声干扰的噪声像素, 忽略那些非噪声像素。基于此, 人们利用噪声点检测技术首先判断出噪声点的位置, 然后利用标准中值滤波算法或者加权中值滤波算法处理噪声点。在这种思路的引导下, 提出了很多该类算法, 被统一称为开关中值滤波算法[2,3,4,5,6,7,8,9,10]。应用开关中值滤波算法的关键是如何设计噪声点检测算法, 如何合理地设定阈值将噪声像素和非噪声像素准确地分类。
2 研究思路
综上所述, 滤除图像中固定值脉冲噪声并有效地保护好图像的细节是设计此类滤波算法的核心理念。基于此, 本研究结合开关中值滤波算法和保边正则化算法, 设计了一种结合开关中值和保边正则化方法的中值滤波算法, 利用开关中值设计检测算子, 检测数字图像中的脉冲噪声像素, 对于被检测出的噪声像素采用边缘保护正则化算法对其赋值修复, 从而做到了在去除噪声的同时, 有效地保护了图像的细节信息。最后利用大量实验对本算法和相关算法进行比较, 验证了本算法的有效性。
3 噪声模型
当图像被固定值脉冲噪声污染后, 图像中的一部分像素被噪声所替代, 另一部分像素保持不变, 噪声像素中不含任何有用信息。若用Oi, j和Yi, j分别表示原始图像和噪声污染图像在位置 (i, j) 处的灰度值, 则当图像被密度为p的脉冲噪声污染时, 其模型可以用公式 (1) 表达:
从图1中可以看出, 大部分噪声的亮度值与周围像素对比都显得很突出, 这些噪声的存在对图像有较大的干扰。
4 噪声像素检测算子
对于噪声像素的检测, 本研究采用一个以目标像素Oi, j为中心的滑动滤波窗口Wi, j, 在该滤波窗口中选取最优方向, 然后对该窗口中的所有像素进行加权, 对最优方向上的像素赋予较大的权重, 其余像素赋予较小的权重, 然后根据这些权重, 取该窗口的中值, 设计阈值, 比较Oi, j与加权中值, 判断Oi, j是否为噪声像素, 从而检测图像中的噪声像素。具体步骤如下。
Step1:以噪声图像N为待处理图像, uK=u, K=0;
Step2:计算以uKi, j为中心的滤波窗口的各个方向像素值的标准差, 确定最优方向 (噪声密度小于30%时取3×3的窗口, 否则取5×5的窗口) ;
上式中Tk是用来检测噪声像素的阈值, k是迭代次数。
5 保边正则化算法
6 实验与仿真
本研究将从主观视觉和客观数据 (PSNR值和MAE值) 两个方面评价算法的性能, 作为对比算法, 选取SM算法、DWM算法、ASWM算法和ROLD-EPR算法, 具体实验结果如图2所示:
通过上述实验可以看出, 无论是主观视觉效果还是客观的PSNR值和MAE值, 本研究算法与同类算法相比具有比较明显的优越性。
7 结语
本研究设计了一种有效的脉冲噪声滤出算法, 结合加权开关滤波算法和保边正则化算法对数字图像中的脉冲噪声进行检测和修复。并通过仿真实验将本算法与同类的其他算法进行比较, 验证了本算法的优越性。
参考文献
[1]冈萨雷斯, 数字图像处理, 北京:电子工业出版社, 2003.
[2]S.Akkoul等, “一种新的自适应开关中值滤波算法, ”信号处理快报, 17 (6) , 587-590, 2010.
[3]陈涛, 吴宏仁, “自适应加权中心值中值滤波算法, ”信号处理快报, 8 (1) , 1-3, 2001.
[4]A.S.Awad, “基于标准差的最优方向脉冲噪声去除算法研究, ”信号处理快报, 18 (7) , 407–410, 2011.
[5]U.Ghanekar等“基于图像增强的随机值脉冲噪声滤波算法, ”信号处理快报, 17 (1) , 47–50, 2010.
[6]C.S.Lee等, “基于图像处理的模糊加权均值滤波算法, ”模糊集与系统, 9 (2) , 157–180, 1997.
[7]余汉成, 赵力.“一种有效的图像随机值脉冲噪声去除算法, ”信号处理快报, 15 (1) , 922–925, 2008.
[8]R.Garnett等, “基于脉冲噪声检测算子的图像噪声去除算法, ”图像处理汇刊, 14 (11) , 1747–1754, 2005.
脉冲噪声检测器 篇5
为了在提高脉冲去噪能力的同时更好地保护图像边缘等细节纹理信息, 克服传统中值滤波算法的不足, 大量学者进行了深入研究, 并提出了许多改进的中值滤波算法, 如多级中值滤除算法[1]、自适应中值滤波方法[2,3,4,5,6]、开关中值滤波算法[7,8]、加权中值滤波算法[9,10]等。这些改进的中值滤波算法在改进标准中值滤波算法滤波性能方面进行了大量有益的探索, 但在实际应用中都存在各自的局限性。为此, 本文提出了一种新的改进中值滤波算法。
1 改进中值滤波算法
针对传统中值滤波算法中缺乏噪声点的判断, 易造成非噪声点图像细节纹理模糊的缺陷, 本文在中值滤波前首先根据噪声图像的极值和像素点滤波窗口的局部信息对滤波窗口内像素点 (含待处理像素点) 是否为噪声点进行判断, 剔除滤波窗口内的噪声点, 然后根据新的滤波窗口以及待滤波的中心像素点灰度值进行滤波操作。为充分利用滤波结果对后继像素点进行滤波处理, 本文采用迭代的方法以滤波后的像素点灰度值不断更新图像中的像素点值。具体的滤波算法如下。
1.1 滤波窗口构造
在大小为M×N噪声图像I中:Ii, j (1≤i≤M;1≤j≤N) 表示图像中一像素点的灰度值;Si, j表示以Ii, j为中心像素的滤波窗口, 滤波窗口可取多种类型, 本文采用3×3的方形滤波窗口。对于图像的边界点, 为保证滤波窗口构造的一致性, 以中心像素为中心的对称点像素代替不存在的像素, 例如边界点Ii, j的滤波窗口Si, j可表示为
则滤波窗口中像素点灰度值的极大值αi, j和极小值βi, j可表示为
式中:Imax和Imin分别表示图像I的最大和最小灰度值;μi, j和σi, j是滤波窗口Si, j中像素点灰度值的均值和标准差。
定义滤波窗口Si, j中灰度值大于极大值αi, j或小于极小值βi, j的像素点为噪声点。剔除滤波窗口Si, j中的噪声点, 得到新的滤波窗口S'i, j。
1.2 改进中值滤波算法
定义滤波窗口S'i, j中的像素点总数为λi, j, φi, j表示中心像素点Ii, j是否为极值点, 当, 即Ii, j为噪声点, 则φi, j=0;否则φi, j=1。μ'i, j和σ'i, j表示滤波窗口S'i, j中像素点灰度值的均值和标准差。
1) 当λi, j=0时, 即滤波窗口Si, j中像素点全部为噪声点, 这可能是中心像素Ii, j是图像中的极值点, 因此取滤波窗口Si, j的中值为像素Ii, j滤波后的灰度值I'i, j, 即I'i, j=median (Si, j) 。
2) 当λi, j>0且φi, j=0时, 中心像素Ii, j是噪声点, 因此取滤波窗口S'i, j的中值为像素Ii, j的滤波值I'i, j, 即I'i, j=median (Si, j) 。
3) 当0<λi, j<5且φi, j=1时, 中心像素Ii, j为非噪声点, 像素Ii, j滤波后的灰度值I'i, j=Ii, j。
4) 当λi, j>4且φi, j=1时, 通过滤波窗口Si, j中的像素判断中心像素Ii, j是否为噪声点。当中心像素Ii, j满足|Ii, j-μ'i, j|>3·σ'i, j, 则中心像素Ii, j为噪声点, 则其滤波后的灰度值为:I'i, j=median (S'i, j) ;否则中心像素Ii, j为图像真实像素点, 灰度值保持不变, 即I'i, j=Ii, j。
5) 以滤波后像素点的灰度值更新噪声图像, 以迭代的方式处理图像中的每个像素点, 得到最终的滤波结果。
1.3 算法流程图
本文改进中值滤波算法流程图如图1所示。
2 实验分析
为验证本文提出的改进中值滤波算法在处理图像脉冲噪声中的有效性, 采用512×512标准灰度测试图像Lena, Barbara, House和Boat, 通过添加不同比例的脉冲噪声, 以3×3的滤波窗口利用标准中值滤波、多级中值滤波、加权中值滤波以及本文提出的改进中值滤波对图像噪声进行处理, 从而对比不同中值滤波算法在处理脉冲噪声中的有效性。图2是采用对添加10%脉冲噪声的Lena图像进行滤波处理的部分细节。图2a是在不含噪声的原始Lena图像, 图2b是添加10%脉冲噪声后的噪声图像, 图2c~图2e分别是标准中值滤波算法、多级中值滤波算法以及本文提出的改进中值滤波算法的处理结果。
从图2可以看出, 噪声图像通过传统中值滤波和多级中值滤波、加权中值滤波算法处理后, 仍有部分脉冲噪声点存在, 同时图像细节纹理也存在一定的模糊。本文提出的改进中值滤波算法不仅能够较好地滤除图像中含有的脉冲噪声, 同时还保留了图像的大部分细节纹理。为客观评价不同滤波算法在处理图像脉冲噪声中的效果, 本文采用峰值信噪比对去噪效果进行评价, 即
式中:Ii, j表示原始图像像素点的灰度值;是含噪图像经滤波处理后得到的原始图像像素点Ii, j灰度值的估计;图像尺寸为M×N。PSNR越高, 去噪图像与原始图像越相似, 去噪效果越好。表1是不同噪声比例下Boat噪声图像通过不同中值滤波算法得到的峰值信噪比。
由表1可知, 在脉冲噪声比例较小时, 相对于传统中值滤波和多级中值滤波算法, 加权中值滤波算法有较高的峰值信噪比, 去噪效果较好。但是当脉冲噪声比例较高时, 传统中值滤波具有较高的峰值信噪比, 去噪效果较好。本文提出的改进中值滤波算法在不同脉冲噪声比例下相对传统中值滤波、多级中值滤波和加权中值滤波算法都有较高的PSNR, 能够有效滤除图像中混杂的脉冲噪声, 较好地恢复原始图像信息。
为进一步说明本文滤波算法在处理不同图像脉冲噪声中的有效性, 本文通过对512×512标准灰度测试图像Lena, Barbara, House和Boat添加比例为10%的脉冲噪声, 采用以3×3的滤波窗口利用标准中值滤波、多级中值滤波、加权中值滤波以及本文的提出的改进中值滤波对图像噪声进行处理。表2是去噪后图像的峰值信噪比。
由表2可知, 与其他中值滤波算法相比, 本文提出的改进中值滤波算法对于不同的灰度图像都有较高的峰值信噪比, 体现了良好的去噪能力。
3 结论
针对传统中值滤波算法及其改进算法在图像脉冲噪声处理中存在的不足, 提出一种新的改进中值滤波算法。该方法针对传统中值滤波算法中缺乏噪声点的判断, 易造成非噪声点图像细节纹理模糊的缺陷, 在中值滤波前首先根据噪声图像的极值和像素点滤波窗口的局部信息对滤波窗口内像素点 (含待处理像素点) 是否为噪声点进行判断, 然后剔除滤波窗口内的噪声点, 再根据新的滤波窗口及待滤波的中心像素点灰度值信息进行滤波操作。为充分利用滤波结果对后继像素点进行滤波处理, 采用迭代的方法以滤波后的像素点灰度值不断更新图像中的像素点值。最后, 为验证本文算法在脉冲噪声滤波中的有效性, 通过对添加不同脉冲噪声比例的图像进行滤波处理, 并与传统中值滤波和多级中值滤波、加权中值滤波算法进行对比。实验结果表明, 与传统中值和多级中值滤波方法相比, 该方法能有效去除图像中的脉冲噪声, 并保持图像细节特征完整。
参考文献
[1]万洪林, 彭玉华, 郭锐.基于方向的自适应多级中值滤波[J].通信学报, 2006, 27 (4) :119-123.
[2]周华.基于动态窗口的自适应中值滤波算法[J].计算机应用与软件, 2011, 28 (7) :141-143.
[3]CHANG C C, HSIAO J Y, HSIEH C P.An adaptive median filter for image denoising[C]//Proc.Second International Symposium on Intelligent Information Technology Application.Shanghai:IEEE Press, 2008, 346-350.
[4]ZHANG Jianjun.An efficient median filter based method for removing random-valued impulse noise[J].Digital Signal Processing, 2010 (20) :1010-1018.
[5]孙海英, 李锋, 商慧亮.改进的变分自适应中值滤波算法[J].电子与信息学报, 2011, 33 (7) :1743-1747.
[6]钟灵, 章云.双阈值开关型矢量中值滤波[J].计算机应用研究, 2010, 27 (6) :2367-2369.
[7]SOON T, IBRAHIM H, TOH K.An improved progressive switching median filter[C]//Proc.ICFCC 2009.Kuala Lumpar, Malaysia:IEEE Press, 2009:136-139.
[8]TOH K.Noise adaptive fuzzy switching median filter for salt-and-pepper noise reduction[J].IEEE Signal Processing Letters, 2010, 17 (3) :281-284.
[9]BROWNRIGG D.The weighted median filter[J].Image Processing and Computer Vision, 1984, 27 (8) :808-817.
脉冲噪声检测器 篇6
在多媒体图像传输过程中虽然采用了纠错编码技术来增强数据传输的可靠性和准确性,但是无线通信的衰落信道环境恶劣,而信道编码的纠错能力总是有限的,可能导致部分出错的图像数据难以纠正,其原因是引入了一种脉冲噪声。脉冲噪声一般由随机值脉冲噪声和椒盐脉冲噪声构成。
图像去噪是寻找一种向原始的真实信号最优逼近的算法,最大可能地分离真实信号和噪声信号,进而保留真实信号和去除噪声信号。在空间域一般采用非线性滤波技术如中值滤波来去除脉冲噪声。由于人的视觉具有主观性,在本质上是一个模糊系统,用模糊模型对图像进行去噪,能更好地保护图像边缘和细节,提高信噪比[1,2]。
在图像去噪时,首先要建立合理的噪声模型,然后选择和设计合适的去噪算法。文献[3]的噪声模型为椒盐噪声,而真实场景的脉冲噪声值一般由多个随机值构成。文献[4]中的梯形隶属函数模型的分界点不易确定,设定分界点的值势必增加运算的复杂度,实时性和可行性较差。文献[5,6]建立了较为切合实际的脉冲噪声模型。本文提出的两种算法主要与文献[6]进行了比较和分析。
本文结合无线通信中引入噪声的特点建立含脉冲噪声的图像模型如下
g(i,j)=f(i,j)+n(i,j) (1)
式中:g(i,j)表示含脉冲噪声的图像;f(i,j)表示原始图像;n(i,j)表示脉冲噪声。n(i,j)是由幅度增量在[-Am,Am]范围内的随机值脉冲噪声和一定密度的椒盐噪声的组合。本文采用的模糊聚类去噪算法在运算复杂度和去噪性能上进行了较好的权衡,具有较好的去噪效果和实时性,同时算法实现简单易行。
1 基于聚类算法的去噪方法
在含脉冲噪声的图像中,图像信号和噪声是相互独立的,像素的灰度值不满足齐次性和叠加性,一幅图像可以看作为非线性系统。本文采用聚类算法对非线性系统进行噪声消除的思想对含脉冲噪声的图像进行去噪。聚类算法的核心问题是寻找聚类中心来代替子窗中心像素的灰度值,用以向真实信号的逼近。设聚类中心Omn,中心像素Imn。Iij∈Ω5×5,Ω5×5为5×5滑动子窗,则由聚类算法得到表达式为
undefined
由于隶属函数wij既与像素间的灰度差分有关,也与像素间的位置有关,而且这两个因素相互独立[1],所以可构造一个二维隶属函数wij=uij·vij,uij为灰度域的隶属函数,vij为空间域的隶属函数。距离中心像素越远的像素对中心像素的作用越小,选用隶属函数undefined其中dij是中心像素Imn与相邻像素Iij的欧氏空间距离,即dij=||(i,j)-(m,n)||22;σ2r为距离方差,即undefined。为了便于算法性能的比较分析,文中所有算法的滑动子窗大小均设为5×5;矩阵[vij]为固定值,预先存储,再通过查表调用数据以节约运行时间。
1.1 基于硬聚类模型的去噪算法(算法1)
硬聚类将集合进行非此即彼的绝对化二值逻辑划分,这种分类把具体的元素通过严格的界限区分开来,每个具体元素都只属于一个聚类;并且明确地定义共同属性,使集合中的所有元素平等享有共同属性。基于硬聚类模型的去噪算法步骤如下:
1) 将聚类模型的参数进行初始化,Oundefined=Imn;设定迭代停止的阈值ε,迭代计数器k=0。
2) 用式(3)计算和更新隶属函数uij(k)
undefined
式中:p=τ·σε,本文算法1取τ=1。undefined,即为噪声方差。
3) 计算wij(k)=uij(k)·vij,并将wij(k)代入式(4)更新聚类中心Omn(k+1)
undefined
4) 如果|Omn(k+1)-Omn(k)|<ε,或迭代次数满足k≥N,则算法停止,将Omn(k+1)赋给中心像素Imn;否则转向第2步。
通过以上4步即可得到去噪后的图像。硬聚类的隶属函数uA的取值集合为{0,1},它只能表示确定性概念。虽然硬聚类去噪算法运算量较小,实时性较好;但是如果子窗的噪声点与信号的灰度差分远大于噪声方差时,硬聚类算法中的隶属度只能取0或1,可能使得真实的信号的权值系数置0,从而聚类中心的迭代调整只能在噪声点中进行,以致不能去除个别的噪声点。所以下面采用基于模糊模型的去噪算法进行图像去噪,能够更好地进行迭代调整聚类中心来逼近原始信号,提高信噪比。
1.2 基于模糊模型的去噪算法(算法2)
在实数域R中,模糊聚类通过隶属函数uA(x)将模糊集A中的任意元素映射到区间[0,1]中,即uA(x)∶A→[0,1]。确定隶属函数uA是模糊模型去噪算法的基础,常用的模糊聚类的隶属函数模型如图1所示。
模糊聚类能够更加客观地反映细节信息。隶属函数在精确量向模糊量进行转化过程中起着非常重要的作用,不同的隶属函数对模糊模型的性能产生很大的影响,决定着系统的性能;同时,隶属函数是对客观事物的不分明性的定量描述,带有一定的主观性。所以需要根据实际情况选择隶属函数,并在实践中不断地学习和修正。
不同的隶属函数曲线形状产生不同的滤波去噪效果。通过模糊聚类算法使得聚类中心邻域范围内的像素在灰度域享有共同的属性,在此范围之外的像素对聚类中心的像素灰度值的作用减弱。图1a和b的隶属函数模型的分界点不易确定,基于模糊模型的去噪算法选择图1d曲腰梯形隶属函数模型,其函数表达式为
undefined
式中:p=λ·σε,本文算法中取λ=0.5。
p值的选取很大程度上决定了模糊模型去噪的性能,同时它的选择也增强了去噪模型设计的灵活性。算法2的步骤和硬聚类模型去噪算法相同,只是替换uij。充分考虑到耗费的运算时间,将算法1和算法2的迭代次数设定为10次。
2 实验结果分析
用平均绝对误差MAE、平均均方误差MSE和峰值信噪比PSNR对以上各方案的去噪性能进行评价。其定义分别为
undefined
对于M×N的图像,MAE值越小表示图像细节处理效果越好,PSNR越大代表图像质量越好,该去噪算法的性能越好。
表1详细地给出了含脉冲噪声(30%)的图像去噪算法的客观评价数据,通过比较得出各算法的处理效果,即中值滤波<算法1
注:Model[6]指利用文献[6]的模型去噪。
从图2和图3中可以得到:在上述去噪算法中,均值滤波去噪效果最差,其次是中值滤波。本文的算法1、 算法2和利用文献[6]的模型(Model[6])去噪效果较好,图像更加清晰。算法1、算法2和Model[6]的去噪能力与噪声密度紧密相关。随着噪声密度增加到一点的程度(图3中大约在48%),真实信号与噪声信号各占一半,算法1对信号分类调整时出现错误的几率较大,使得去噪能力比中值滤波差,这也符合1.1节对硬聚类算法的去噪能力的理论分析。
注:mean为均值滤波;median为中值滤波;Algorithm1为硬聚类模型去噪;Model[6]为利用文献[6]的模型去噪;Algorithm2为模糊模型去噪。
同时,算法1和2去噪后的图像对比度比Model[6]要好;在其他条件相同的条件下,算法2处理后的图像MAE和MSE最小,PSNR最大。因此,基于模糊模型的去噪算法是一种较好的去除脉冲噪声的方法。
3 结论
本文采用硬聚类模型和模糊模型两种去噪算法对含脉冲噪声的图像进行去噪。当噪声密度越小时,即信噪比越大,聚类算法去除脉冲噪声的能力越强。基于模糊模型的去噪算法能够较好地去除脉冲噪声,提高信噪比和保护图像细节;同时,在实现上简单易行,能够保持较好的实时性,适用于移动显示终端的辅助功能。
摘要：在传统均值滤波和中值滤波的基础上,结合聚类算法理论,采用硬聚类算法和模糊模型两种算法消除图像中的脉冲噪声。与传统的滤波算法和硬聚类模型去噪算法相比,基于模糊模型的去噪算法更好地提高了图像的清晰度和信噪比。
关键词：中值滤波,硬聚类模型,模糊模型
参考文献
[1]CELIKYILMAZ A,TURKSEN I B.Enhanced fuzzy system models withimproved fuzzy clustering algorithm[J].IEEE Trans.Fuzzy Systems,20081,6(3):779-794.
[2]BUADES T,LOU Y,MOREL J M,et al.A note on multi-image denoising[C]//International Workshop on Local and Non-Local Approximation inImage Processing,2009.Tuusula,Finland:IEEE Press,2009:1-15.
[3]CHEN P,LIEN C.An efficient edge-preserving algorithm for removal ofsalt-and-pepper noise[J].IEEE Signal Processing Letters,2008,15:833-836.
[4]JANAH N Z,BAHARUDIN B.Mixed impulse fuzzy filter based on MAD,ROADa,nd genetic algorithms[C]//2009 International Conference of SoftComputing and Pattern Recognition.[S.l].:IEEE Press,2009:82-87.
[5]DONG Yiqiu,XU Shufang.A new directional weighted median filter forremoval of random-valued impulse noise[J].IEEE Signal Processing Let-ters,2007,14(3):193-196.
[6]HORIUCHI T,WATANABE K,TOMINAGA S.Adaptive filtering for col-or image sharpening and denoising[C]//Proc.14th International Conferenceof Image Analysis and Processing.[S.l].:IEEE Press,2007:196-201.
脉冲噪声检测器 篇7
1 对象与方法
1.1 对象
选择某企业铆工、锻工212名工人为脉冲噪声作业观察对象。均为男性, 年龄22～54岁, 工龄3～35a, 平均工龄19.5a。选择另一企业接触稳态噪声的男性工作人员202人做对照组, 其工龄、年龄与对照组相比, 差异无统计学意义 (P>0.05) 。
1.2 方法
使用HS 6288D噪声分析仪测定各工位的噪声水平。现场噪声水平的测定按照GBZ/T 189.8-2007《工作场所物理因素测量噪声》的要求进行布点监测。听力测定使用丹麦产AS 72型听力计, 在本底噪声<30dB (A) 的隔间室内对工人进行纯间测听检查, 工人脱离噪声环境24h后作为听力检查时间。
心电图做常规9个导联心电图, 分析以黄宛著的《临床心电图学》为准。血压测定:根据目前我国修订的血压测量方法和高血压诊断标准。
2 结果
2.1 两组听力损失情况
见表1。该车间除去工人患耳病 (在工龄20～30a中) 外, 脉冲噪声接触组听力损失检出率达64.6%, 一般高频听力损失为30.7%, 观察对象达27.8%, 疑似噪声聋6.1%。稳态噪声接触组分别为13.9%、10.4%、3.0%和0.5%。两组差异均有统计学意义 (P<0.01) 。
注:观察组—接触脉冲噪声, 对照组—接触稳态噪声。一般高频听力损失指只有高频听力损失未达观察对象。
2.2 作业环境噪声测定结果
共测定49个作业点, 其中脉冲噪声作业点18个, 噪声暴露水平[LAeq: (A) 105-112]为 (92.7±1.0) dB (A) ;稳态噪声作业点16个, 噪声暴露水平[LAeq: (A) 105-112]为 (93.4±1.5) dB (A) 。
2.3 两组心电图及血压测定结果见表2。
注:观察组—接触脉冲噪声, 对照组—接触稳态噪声。与对照组比较*P<0.05, **P<0.01。
3 讨论
以上结果显示, 脉冲和稳态噪声接触对工人听力损失的检出率差异有统计学意义, 而两组间等效声级相比, 无显著性差异。本次分析显示, 在等效声级几乎相等的情况下, 脉冲噪声对工人高频、语频听力损伤的患病率均高于稳态噪声, 差异有统计学性意义 (P<0.01) 。
本次分析显示, 两组间心电图异常改变有显著性差异, 分别为窦性心律不齐、ST-T改变、房室传导阻滞、左心室高电压。高血压发生率差异也有统计学意义。其改变的过程和机制主要认为有两方面: (1) 长期在噪声环境中, 机体的交感神经处于高度的兴奋状态, 从而引起植物神经功能紊乱和失调, 使心脏发生功能性改变。 (2) 在长期噪声刺激下心脏发生器质性改变[2]。而脉冲噪声为复杂的噪声, 更加重了上述变化的进程。
以上分析反映出脉冲噪声对作业工人的听觉系统及心血管系统有更为明显的损害, 希望能引起企业及相关部门的高度重视。
参考文献
[1]成小如, 赵一鸣.工业脉冲噪声对听力危害的研究进展.中华劳动卫生职业病杂志, 2001, 19 (3) :234-236.