加权中值滤波器（精选7篇）
加权中值滤波器 篇1
1 概述
在图像的采集和传输过程中,由于传感器和通信系统固有的缺陷,不可避免的会引入噪声。噪声使图像模糊,有时甚至淹没和改变了整个图像的特征,让图像的理解和分析变得很难,因此在对图像进行处理以前我们一般要对图像做一些预处理。针对不同的噪声我们一般有不同的滤波方法,总结起来一般有线性滤波和非线性滤波。线性滤波对于高斯噪声效果较好,但对于脉冲噪声、椒盐噪声的去噪效果不好,而非线性滤波对这些噪声的处理能力比线性滤波要好。中值滤波是最常见的非线性滤波,它避免线性滤波对图像模糊的同时又保留边缘细节,被广泛的应用在数字图像处理中。中值滤波是Tukey于20世纪70年代提出[1],中值滤波被广泛的应用在消除图像中的脉冲噪声。
2 自适应中值滤波
2.1 椒盐噪声
图像在生成、传输过程中,容易产生脉冲噪声[2]。产生脉冲噪声的原因多种多样,其中包括传感器的局限性以及通信系统的故障和缺陷,噪声也可能在通信系统的电气开关和继电器改变状态时产生[3]。脉冲噪声的概率密度函数如下:
若Pa或者Pb为零,则脉冲噪声称为单极脉冲。如果Pa和Pb都不为零,切近似相等时,则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒,因此双极脉冲噪声也称为椒盐噪声。
2.2 自适应中值滤波
对于噪声比较弱的时候(Pa<0.2,Pb<0.2),中值滤波的效果就会很好,随着噪声的密度增大中值滤波的性能会大大降低,自适应中值滤波器可以处理具有更大概率的冲击噪声[4]。自适应中值滤波器的另一个优点是,平滑非冲击噪声时可以保留细节,这是传统中值滤波器所不能做到的。自适应中值滤波器也能工作于矩形窗口区Sxy,在进行滤波处理时依赖一定条件而改变Sxy大小。
采用如下符号:
Zmin——Wxy中灰度级的最小值
Zmax——Wxy中灰度级的最大值
Zmed——Wxy中灰度级的中值
Zxy——在坐标(x,y)上的灰度级
Wmax——在Wxy上允许的最大尺寸
自适应中值滤波器算法工作在两个层次,定义为A层和B层。
A层:
如果A1>0且A2<0,则转到B层,否则增大窗口尺寸
如果窗口尺寸小于等于Wmax,则重复A层否则输出Zmed。
B层:
如果B1>0且B2<0,则输出Zxy否则输出Zmed
该算法的主要目的有三个:(1)除去脉冲噪声(2)平滑其他非冲激噪声(3)减少物体边界细化或粗化等失真。
3 改进的自适应中值滤波
传统的中值滤波就是以某一点为中心选定一窗口,并将其窗口内的所有像素点进行排序,找出最中间的像素点,用该像素点代替该像素的值。中值滤波器对于单极或双极脉冲噪声非常有效,但由于中值滤波中只考虑图像的灰度值而没有像素点的空间位置关系,所以当图像的噪声大于信号点的时候,中值滤波对于图像的去噪能力会大大降低。自适应中值滤波在去噪和保留细节方面效果要好于其他中值滤波[5,6],但由于没有考虑各像素点的空间分布,故其在噪声大于信号本身的时候对图像的滤波效果会随着噪声的增加而减弱,针对传统中值滤波和自适应中值滤波算法的缺点,本文主要从窗口尺寸和像素点的空间分布来改进自适应中值滤波算法。
3.1 噪声点的判定
图像中像素点灰度值有一定连续性,邻点之间存在很大的相关性,某一点的灰度值与周围点的灰度值非常接近,除了孤立点外(一般认为是噪声点),即使在边缘部分也是这样,基于这样的思想我们将噪声的判定方法如下:
(1)在一幅图像中,当某点的灰度值为其领域的最大或者最小值,判定该点为噪声点.
(2)当某点的灰度值与中值差值的绝对值大于某一范围时,也判定该点为噪声点。如果以上两点都不满足,则判定该点为信号点。判定噪声点和信号点的方法用公式表示如下:
该判定噪声点的算法比较容易实现,只需要按照如下步骤操作即可(以3*3的窗口为例):
(1)sort(W),然后剔除Wij中包括W[0]和W[9]在内的,灰度值等于W[0]和W[9]的所有点。
(2)将剩下的像素点逐一和Zij求差的绝对值,若绝对值大于预先设定的阈值M,则判定为噪声点,反之则为信号点。
3.2 窗口大小的确定
初始的时候我们将滤波窗口大小设定size=3,window大小等于size的平方,统计出噪声点的总数,若像素点的总数大于等于窗口内总像素点的一半,如果窗口小于设定的最大计算窗口,则将窗口size扩大为(size+1)重复以上步骤,否则窗口大小就为当前的size。
3.3 隶属度的计算
当窗口内噪声点数小于窗口内总像素点一半时,将判定为噪声的像素点将剔除,接着求出剩下的像素点的中值,然后进行基于中值的隶属度分析。根据像素值的连续性分布,我们采用梯形模型来进行隶属度分析。
a,b,c,d为参数,a
3.4 权重的设定
由Ownership的计算过程我们可以知道各像素点的灰度值越是接近信号点的中值时它的归属度就越大,而中值是非常接近像素点的真实灰度值,根据这一原则我们将Ownership数组中归属度值为1的加权值设定为Wgt,其余像素点加权值为1,算出加权平均。根据反复的实验得出Wgt值设定为5时,滤波效果比较好。Ownership分别乘以其权重得到Weight数组。
最后将各像素点的灰度值乘以其对应的Weight(i,j),累加求和,即可得到输出结果。
4 实验结果分析
仿真实验及结果分析以1024*1024的elaine的灰度图像来检测椒盐噪声点算法的优劣。
首先,对原始图像分别加3种不同程度的噪声,用以比较在加噪声程度不同的情况下,标准中值滤波、自适应中值滤波和本文的改进的自适应加权中值滤波的效果。
对原始图像分别加入的椒盐噪声为0.9、0.8、0.7时,各种算法得到的输出结果如下:
从视觉只管效果来看,改进的自适应加权中值滤波比标准中值滤波和自适应中值滤波滤波效果都好,但是滤波效果的评价除了主观的视觉效果之外,还需要客观的评价方法,故本文使用平均绝对值差(Mean Absolute Error)、峰值信噪比(Peak Signal Noise Ratio’PSNR)来量化滤波效果。
由(8)(9)可知,当MAE越小和PSNR越大时对图像的滤波效果越好。当椒盐噪声浓度分别为0.9、0.8、0.7时,各种算法对应的MAE和PSNR如表所示:
5 结论
改进的自适应中值相对于标准中值滤波和自适应滤波加入了噪声点的判断,也考虑了滤波窗口尺寸及像素点空间位置,视觉效果上来说改进的自适应中值滤波在噪声浓度很高的时候具有较好的滤波效,从客观评价标准来看改进的自适应中值滤波具有较低的平均绝对值差和较高的信噪比。
参考文献
[1]Tukey J W.Nonlinear methods for smoothing data[C]//Proc of EASON,74,1974:673-681.
[2]Gonzalez R C.Woods R E.Digital image processing[M].2nd ed.Newersy:Prentice-Hall’2001.NewJersy:Prentice-Hall’,2001.
[3]王晓凯,李锋.改进的自适应中值滤波[J].计算机工程与应用,2010,46(3):2-4.
[4]Rafael C.Gonzalez Richard E.Woods.数字图像处理:192[M].2版.北京:电子工业出版社,2007:189-190.
[5]Szirányi T,Zerubia J,Czúni L,et al.Image Segmentation using Markov random field model in fully parallel cellular network archi tecture-s[J].Real-Time Imaging,2000,6(3):195-211.
[6]Aksoy S.Haralick R M.Feature normalization and likehoodbased similarity measure for image retrival[J].PR,2001,22(5):563-582.
加权中值滤波器 篇2
传统的PCA虽然是一种相对较成熟的数据降维方法，但是它有一个完全依赖于每一类样本均值的弱点，在某些特殊情况下(当输入数据中含有噪声、强光、离群值等)，每一类样本的均值不能准确地估计整体样本的实际情况。因此，本文提出了一种新的模型———基于中值的主成分分析(MPCA)，这一模型能够有效地克服这一弱点。科研人员在线性判别分析中已有相关的研究[2,3,4]。文献[5,6,7,8]主要讨论了权函数对数据分类的影响，但是没有研究测度对于分类的影响。所以，本文不仅讨论了权函数对高维数据分类的影响，还研究了测度在数据处理中的作用。
本文通过两组多类问题数据集进行试验，实验结果表明，处理高维数据分类问题时，MPCA比传统PCA模型好。在考虑测度作用的情况下，WPAC比传统PCA有更好的分类效果。
1 PCA和KNN分类器
PCA是一种线性非监督降维技术，它是通过一种线性转化，将原始数据由原来的高维空间投影到一个低维空间中，在这个低维空间里得到一组新的数据。这组新的数据不仅保留了原始数据的主要信息，而且彼此之间相关性为零，避免了信息的重叠，减少了信息的冗余，使研究更加简单。PCA主要的计算步骤如下。
(1)计算样本的协方差矩阵:
其中，为总体样本均值。
(2)根据协方差矩阵求它的特征向量u1,u2，…，un和对应的特征值λ1，λ2，…，λn。
(3)对上述特征值进行降序排列并选择主成分。最终选择主成分的个数，是通过信息(方差)累计贡献率G(m)来确定的。
对于一个多类问题，通常用下面的公式代替公式(1)进行计算:
其中，mi为样本每一类的均值。
KNN(K-Nearest Neighbor)方法[9,10]，也称为K近邻法。对于一个待分类样本x，找出与它最近的k个训练样本，如果这k个最近邻中多数样本属于某一类，那么就把待分样本判决给那个类别。此方法在分类决策上仅依据最近邻的一个或几个样本的类别来最终决定待分样本所属的类别。最近邻法是在已知类别的训练样本条件下，按最近距离原则对待分样本进行分类。
2 MPCA和WPCA
在这一节中，首先介绍中值的相关概念，然后再具体介绍MPCA模型;在第二部分中，先简单介绍测度以及权函数的相关知识，然后再具体介绍WPCA。
2.1 中值的概念[2,3,4]
中值就是在一个有限的数据表中的中间值，在这个数的上面和下面分布的数据的个数是相等的。也就是说在这个列表中有1/2的数据小于或等于中值，1/2的数据大于或等于中值。对于一个有限的数据表，获得它的中值的第一步是将列表中的数据按降序排列，当列表中数据的个数为奇数时，取中间位置的数据作为它的中值，当数据的个数为偶数时，取中间的两个数的平均值作为它的中值。本文给出两个简单的关于中值选择的例子。
例1(Gao et al.[2])当输入的数据个数为奇数时:
输入数据A1={4.3,4.0,12,4.1,2.0,4.2,4.4,4.6,4.5}
排序后数据A1={2.0,4.0,4.1,4.2,4.3,4.4,4.5,4.6,12}
中值A1=4.3，平均值A1=4.9
例2(Gao et al.[2])当输入的数据个数为偶数时:
输入数据A2={4.3,4.0,12,4.1,2.0,4.2,4.4,4.6,4.5,4.7}
排序后数据A2={2.0,4.0,4.1,4.2,4.3,4.4,4.5,4.6,4.7,12}
中值A2=(4.3+4.4)/2=4.35，平均值A2=4.88
像样本均值那样，中值也可以作为数据集的集中趋势的估计量，并且，当数据集中含有异常值时，作为估计量的集中趋势，中值比均值更可靠。从上面的例子看出，当数据集中含有“2”和“12”时，中值优于均值。
2.2 MPCA
对于一个多类问题，本文提出了一种新的模型MPCA，它是用数据样本的每一类的中值代替数据样本的每一类的均值来对数据进行处理，即:
其中，m'i为每一类的中值，m为总体样本均值。
2.3 WPCA
WPCA是对PCA进行加权处理，即在传统的PCA中引入权函数w(dij)，其中dij为测度。在数学中测度是一个函数，它对于一个给定的集合的某些子集指定一个数，这个数可以是大小、体积、概率等(http://zh.wikipedia.org/wiki/);它一般满足非负性、规范性、完全可加性。在不同的应用中，测度的定义是不同的，在进行数据的降维处理中通常使用的测度有马氏距离和绝对距离[5,6]。本文使用的测度是dij=max(mi-mj)。而权函数通常是一个递减函数，对类间距较近的样本进行分类时，会产生一个困扰，影响分类准确率。因此，这就需要一个更大的权重来对它们进行区分。
因此对PCA进行加权，得:
其中，m为样本总均值，w(dij)为权函数(dij=max(mi-mj))。本文称基于式(5)的PCA为加权主成分分析(WPCA)。
本文主要考虑以下几种形式的权函数:
其中，W1和W2分别取自参考文献[5,6]。
3 实验结果及数据分析
本文所有实验均是在Matlab(7.1版本)的环境下进行。为了验证MPCA的分类效果以及WPCA中权函数的作用，本文使用了来自UCI数据库的两组数据集。在验证MPCA模型的分类效果时仅记录了MPCA模型中分类效果较好的k值。在研究权函数的作用时，首先利用WPCA将原始数据降到两维，然后再利用KNN分类器对降维后的数据进行分类。实验结果表明，MPCA的分类效果较好，另外权函数对于数据的分类结果有明显的影响。下列所有表中的数据均表示数据的错分率(%)。
3.1 数据集Ⅰ
数据集Ⅰ是取自UCI中的Dermatology Data Set，总样本数为366个，每个样本含有35个属性，其中最后一个属性为类标识，实验时去掉了8个缺损的样本。
表1是数据集Ⅰ在PCA和MPCA两种模型下的错分结果。图1(a)是数据集Ⅰ在MPCA模型下的分类结果，图1(b)为数据集Ⅰ在不同维数下的错分结果(PCA和MPCA模型)。
从表1可以看出，对于数据集Ⅰ而言，当k=1,3,4,8,10时，采用MPCA模型得到的数据错分率要比PCA低，同时还可以得到更深层次的信息，在获取Dermatology数据集的时候受到了外界的干扰，但是这种干扰比较小。
从图1(a)可以看出，1,3,4三类数据重叠的较多，2,5,6三类的分离性较好。通过这一信息可知，在处理原始数据问题上应该对1,3,4这三类加上较大的权值，而对2,5,6三类加上较小的权值。从图1(b)可以得出，随着数据维数的增大，在使用PCA和MPCA模型对数据进行分类时，错分率都在下降。在实际应用中，更多地需要将原始的高维数据尽可能地降到低维空间中进行处理，因此MPCA模型占有较好的优势。
表2是数据集Ⅰ在WPCA模型下的数据分类结果，从表2可以看出，不同的权函数对分类的效果有明显的不同，对于权函数W1,W2,W3，不论k(k=2∶2∶10)取何值，数据的分类效果都比传统的PCA好;对于权函数W4，只有在k=4,8时WPCA模型的分类效果比PCA略差。得到以上结果的原因是由四种权函数的收敛速度不同造成的，该收敛速度又由测度引起。总之，对于数据集Ⅰ来说W2是最好的权函数，W4是最差的一个。
图2(a)是数据集Ⅰ在不同维数下的错分结果图2(b)在不同维数下的运行时间。从图2(a)可以看出，WPCA模型下的数据分类效果明显优于传统k的PCA。这说明，权函数扩大了原始样本中较近的类间距，有效地解决了分类中类间信息重叠时造成的困惑，提高了数据分类的准确性。在图2(b)中，为了使图像看起来更加清晰，在此，对WPCA模型而言，本文取了四个权函数运行时间的平均值。从图2中可以看出WPAC模型下的运行时间相对较长，这主要是因为权函数的计算占用了大量的时间。
3.2 数据集Ⅱ
数据集Ⅱ取自UCI中Libras Movement Data Set，该数据集共有360个样本，91个属性，最后一个属性为类标识，本文取前120个样本作为实验数据。
表3是数据集Ⅱ在PCA和MPCA下的数据分类结果，图3(a)是数据集Ⅱ在MPCA模型下的分类结果，图3(b)它在不同维数下的错分结果(PCA和MPCA模型)。
从表3看出，对于数据集Ⅱ而言，当k=1,2,3,4,5,6,8时，采用MPCA模型得到的数据错分率要比PCA低，从而可以得知，在获取该数据集的时候受到了外界的干扰(如拍摄时的噪声、强光干扰，大气中的尘埃等)，且干扰比较大。
从图3(a)看出2,3,4,5四类数据重叠的较多，因此，本文在处理原始数据问题上应该对2,3,4,5这四类加上较大的权值。从图3(b)可以得出，MP-CA模型下的数据分类效果比PCA模型好，在实际应用中，当处理降维后的数据时，MPCA模型占有较大的优势。
表4是数据集Ⅱ在WPCA模型下的数据分类结果，从表4看出，只有W4在k=6时的错分率高于PCA，而其他三个权函数，它们的错分率都比PCA低。四个权函数的分类效果不同，同样是由于测度引起权函数的收敛速度不同而造成的。总之，对于数据集Ⅱ来说，四个权函数对于分类效果都有好的影响，相对来说，W4最差。
图4(a)是数据集Ⅱ在不同维数下的数据分类结果，从图中可以看出，维数较小时，WPCA模型的数据分类效果要比PCA模型好，这在处理降维后的数据时是很占优势的。图4(b)是数据集Ⅱ在不同维数下的运行时间，从图中可以看出，由于权函数的原因，WPCA模型的运行时间比PCA模型长，这与实际理论相符。
4 结束语
基于传统PCA的思想提出了一种新的降维方法MPCA，传统的PCA是基于每一类样本均值的降维方法，但是当数据含有噪声、强光、离群值等特殊情况时，每一类样本的均值不能准确地估计整体样本的实际情况。传统PCA就不能更好地对数据进行分析处理，而MPCA方法是用数据样本的每一类的中值代替数据样本的每一类的均值来对数据进行处理，且能够克服以上所述的特殊情况。通过试验得知，MPCA的分类效果明显优于传统PCA。
对于多类问题，本文对传统PCA提出了不同测度下的加权处理，得到了加权主成分分析(WPCA)。实验研究了WPCA中权函数对于分类结果的影响。实验结果表明，权函数对分类的结果的影响非常明显。对不同的实验数据，选用不同的加权方法，其权函数的影响也有所不同。因此，对于不同的实验数据，在考虑测度的情况下，选择合适的加权方法和权函数是有十分必要的，不能一概而论。
参考文献
[1]Jolliffe IT.Principal Component Analysis[M].New York:Springer,2002.
[2]Gao JQ,Fan LY,Xu LZ.Median null(Sw)-based method for face feature recognition[J].Applied Mathematics and Computation,2013,219(12):6410-6419.
[3]Yang J,Zhang D,Yang JY.Median LDA:a robust feature extraction method for face recognition[C].IEEE International Conference on Systems,Man,and Cybernetics,2006,5(6):4208–4213.
[4]Li XD,Fei SM,Zhang T.Median MSD-based method for face recognition[J].Neurocomputing,2009,72(16):3930-3934.
[5]Liang Y.Uncorrelated linear discriminant analysis based on weighted pairwise Fisher criterion[J].Pattern Recognition,2007,40(12):3606-3615.
[6]Lotlikar R,Kothari R.Fractional-step dimensionality reduction[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2000,22(6):623-627.
[7]杨静,范丽亚.加权PCA和加权LDA中权函数对分类结果的影响[J].聊城大学学报:自然科学版,2010,23(4):9-12.
[8]高建强,范丽亚.加权PCA和加权LDA中距离对分类结果的影响[J].聊城大学学报:自然科学版,2010,23(4):4-8.
[9]钟智,等.最近邻分类方法的研究[J].计算机科学与探索,2011,5(5):467-473.
一种开关中值滤波器的改进 篇3
1 S huqun Zha ng和Monha mma d A Ka rim提出的开关中值滤波器
Shuqun Zhang和Monhammad A Karim采用4个不同的一维拉普拉斯算子Zi(i=1,2,3,4)来检测像素点X(i,j)是否受到脉冲噪声的影响[2]。对于(2N+1)×(2N+1)的方形滤波窗口,其4个拉普拉斯算子见图1。
在此基础上,Shuqun Zhang和Monhammad A Karim提出了一种脉冲噪声检测模型。
式中,1为噪声;0为非噪声;阈值T由使用者给定,然后对噪声点进行中值滤波。
2 对S huqun Zha ng和Monha mma d A Ka rim算法的改进
在实际应用中,Shuqun Zhang和Monhammad A Karim的算法在噪声强的时候存在一定的缺陷。参数r和阈值T是判断噪声点的关键,但在噪声密集区和边界处,像素无法正确判断,因此对其进行了改进。
2.1 基于极值点的判断
把模板放入图像中,判断中心点是否为模板内的极值点,这样将全部像素点分为可疑噪声点和信号点,然后只对可疑噪声点进行处理。
2.2 参数r的修正
在脉冲噪声比较强的情况下,噪声位于图像中的边缘或是小线条的情况比较多,Shuqun Zhang和Monhammad A Karim提出的脉冲噪声检测模型,没有考虑到这种情况,参数r相对过于严格,因此,对参数r修正。
取r=C(2)。
2.3 阈值T的自适应处理
1)计算模板内与中心像素点相邻的Q个邻点的均值ave和标准差var。
2)把中心像素和周围其他像素作差并取绝对值│Δf(i)│,(i=1,2,…,Q)。
4)给阈值T赋值。
3 实验与结果分析
为了检验以上所提出的算法的有效性,实验采用256灰度级的CT图像作为原始图像,使用3×3的模版对图像去噪,然后通过比较信噪比改善因子Ratio、相对均方误差MSE和相对平均绝对误差MAE来评价各种滤波算法。文献[4-5]介绍了这3种评价参数公式。
其中,M,N是图像的长和宽;g(i,j)是标准图像;x(i,j)是输入图像;y(i,j)是输出图像。Ratio和MSE可以描述滤波算法对噪声的抑制作用,MAE用来描述图像细节的保护程度。Ratio为负值,表示噪声被抑制。3个参数值越小,表示效果越好。
表1是3种算法对带有不同密度的椒盐噪声图像的处理结果,根据实验和MSE值可以看出,以上提出的滤波算法抑制噪声优于其他两种算法,由MAE值可以看出在细节保护方面也优于其他算法。并且经过多次实验,证明对噪声强度比较大的图像,可多次迭代使用以上提出的新算法,直到达到最佳效果,并且能很好地保留细节,其效果见图2。
4 结论
在Shuqun Zhang和Monhammad A Karim提出的开关中值滤波器的基础上,做了3处改进,设计出了一种基于极值的自适应阈值开关中值滤波器。这种新方法对细节的保护有很好的效果,有一定的应用意义。
参考文献
[1]宋焕生,梁德群,刘春阳.一种新的自适应多极中值滤波器[J].信号处理,1996,12(4):74-89.
[2]Shuqun Zhang,Mohammad A Karim.A new impulsed etector for switching median filters[J].IEEE Trans:Signal Processing,2002(9):360-363.
[3]刘兴伟,殷国富,罗小宾,等.工程扫描图的一种新型的自适应中值滤波算法[J].中国机械工程,2002,13(5):403-405.
[4]王鸿南,钟文,汪静,等.图像清晰度评价方法研究[J].中国图像图形学报,2004(7):828-831.
中值滤波器在图像去噪中的应用 篇4
图像在成像、转换、传输、扫描过程中,会受到外界环境、系统性能和人为因素等诸多方面影响,不可避免地存在噪声干扰,它使图像变质,影响图像的质量。如果不对噪声进行及时处理,就会对后续的处理过程乃至输出结果产生影响,甚至可能得到错误的结论。因此,图像噪声滤除已经成为图像处理分析系统中的重要组成部分。根据图像中噪声的概率密度函数对其进行分类,可分为高斯噪声和椒盐噪声两大类,其对应的除噪方法分别为线性法和非线性法。随着现代数字信号处理技术的不断发展和对实际问题的不断逼近,非线性数字信号处理方法在信号处理领域中的地位和作用显得越来越重要,因此中值滤波方法在滤除椒盐噪声方面的应用越来越广泛。
2 中值滤波器
2.1 中值滤波器原理
中值滤波器是一种常用的非线性平滑滤波器,是由图基(turky)在1971年提出的。它是基于图像的这样一种特性:噪声往往以孤立的点的形式出现,这些点对应的象素很少,而图像则是由像素数较多、面积较大的小块构成。其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领域中各点值的中值代换。中值的定义如下:
一组数x1,x2,x3,…,xn,把n个数按值的大小顺序排列如下:
y称为序列x1,x2,x3,…,xn的中值。
把一个点的特定长度或形状的邻域称做窗口。在一维情形下,中值滤波器是一个含有奇数个象素的滑动窗口。窗口正中间哪个象素的值用窗口内各像素值的中值代替。
设输入序列维{xi,i∈I,I为自然数集合或子集,窗口长度为n。则滤波器输出为yi=Med{xi}=Med{xi-u…xi…xi+u}
其中i∈I,u=(n-1)/2
中值滤波推广到二维,可以利用某种形式的二维窗口。
设{xij,(i,j)∈I2表示数字图像像素点的灰度值!滤波窗口为A的中值滤波器可以定义为:
二维中值滤波的窗口可以取方形,也可以取近似圆形或十字形。
其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且,在实际运算过程中不需要图像的统计特性,这也带来不少方便。
2.2 中值滤波器算法
受到噪声污染的含噪图像可以看成是原始无噪图像与噪声集合的混合。椒盐噪声的实质是一种正、负脉冲干扰,图像中的噪声点一般用灰度值a=0表示黑点,b=255表示白点,且两者是等概率出现的(即概率密度函数相等)。说明噪声点与其他象素点的灰度值存在一定的差异,而且它必定是任一邻域内的灰度极值。
X=[x(i,j)]N1×N2表示被污染的输入图像,其中(i,j)表示各个象素点的位置,x(i,j)表示对应象素点的灰度值,Wn(i,j)表示象素中心在(i,j)大小为n×n的一个窗口,
如n=3,则
令Y=[y(i,j)]N1×N2表示输出图像。Med(Wn(i,j))表示对窗口Wn(i,j)内的象素点取中值。
1)噪声的检测:判断待处理象素点的灰度值是否位于灰度最大值和最小值之间,如果是,则认为该点是信号点,可以将其灰度值直接作为滤波后的输出值。即在输入图像灰度值矩阵中,任取一个x(i,j),
如果0
2)噪声处理:在输入图像灰度值矩阵中,任取一个中心在(i,j),大小为M×N的(通常取M=N,且M,N均为奇数)滤波窗口,则令y(i,j)=med(wn(i,j))。
2.3 中值滤波器特点
中值滤波是非线性运算,因此对于随机性质的噪声输入,数学分析是相当复杂的。由大量实验可得,对于零均值正态分布的噪声输入,中值滤波输出与输入噪声的密度分布有关,输出噪声方差与输入噪声密度函数的平方成反比。对随机噪声的抑制能力,中值滤波性能要比平均值滤波差些。但对于脉冲干扰来讲,特别是脉冲宽度小于m/2,相距较远的窄脉冲,中值滤波是很有效的。
对某些特定的输入信号,中值滤波输出信号保持与输入信号相同。二维中值滤波的不变性更复杂些,它不但与输入信号有关,而且还与窗口形状有关。一般地讲,与窗口对顶角连线垂直的边缘线保持不变。利用这个特点,可以使中值滤波既能去除图像中的噪声,又能保持图像中物体的边缘。
由于中值滤波是非线性运算,在输入与输出之间的频率上不存在一一对应关系,故不能用一般线性滤波器频率特性研究方法。采用总体试验观察法,经大量实验表明,中值滤波器的频谱响应与输入信号的频谱有关,呈现不规则波动不大的曲线,中值滤波幅谱特性起伏不大,可以认为信号经中值滤波后,频谱基本不变。
3 中值滤波应用示例
对图像文件"eight.tif"加入椒盐噪声后进行中值滤波。用MATLAB实现的程序如下:
clear,close all
I=imread('eight.tif');%读入图像文件
J1=imnoise(I,'salt&pepper',0.02);%对图像文件加椒盐噪声
J2=medfilt2(J1);%对加噪以后的图像进行中值滤波
figure(1),imshow(I),title('原图')%显示原图
figure(2),subplot(121),imshow(J1),
title('加噪声后的图片')%显示加噪后的图像
subplot(122),imshow(J2),
title('经中值滤波后的图片')%显示中值滤波后的图像;
4 结论
中值滤波器是基于排列统计理论的一种能有效抑制噪声的非线性图像处理技术,它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值,用该点的一个领域中各点值的中值代换,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的“椒盐”噪声非常有效。它的优点是运算简单而且速度较快,中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,尤其在滤除叠加白噪声和长尾叠加噪声方面显出极好的性能。因此,中值滤波器非常适合于一些线性滤波器无法胜任的数字图像处理应用场合,而且,在实际运算过程中不需要图像的统计特性,操作起来比较方便。但对一些细节多,特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。如果希望强调中间点或距中间点最近的几个点的作用,则可采用加权中值滤波。这种方法比简单中值滤波性能更好地从受噪声污染的图像中恢复出阶跃边缘以及其他细节。另有一种可以处理具有更大概率的冲激噪声的是自适应中值滤波器,在进行滤波处理时,能依赖一定条件而改变领域的大小。其优点是在平滑非冲激噪声时可以保存细节,所以既能除去“椒盐”噪声,平滑其他非冲激噪声,还能减少诸如物体边界细化或粗化等失真。
参考文献
[1]Wang Z,Zhang D.Progressive switchingmedian filter for the removal of impulse noise from highly corrupted images[J].IEEETransactions on Circuits and Systems-II:Analog and Digital Signal Processing,1999,46(1):78-80.
[2]邢藏菊,曲延锋,徐健,等.一种用于抑制椒盐噪声的多窗口中值滤波器[J].电子与信息学报,2002,24(1):186-190.
[3]Arce G R,Roster R E.Multilevel median filter:properties and efficacy[A].ICASSP[C].New York,1988.
[4]王骐,蒋立辉.基于同态滤波与自适应模糊多级中值滤波级联算法的散斑噪声污染图像的恢复[J].中国激光,2001,(7):655-657.
加权中值滤波器 篇5
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.
中值滤波算法的改进及应用 篇6
关键词：图像增强,分治法,中值滤波,滤波模板
指纹图像在经传感器获取和传输的过程中,不可避免地会引入一些噪声,造成指纹图像质量低下。因此,为了提高指纹识别的概率,在进行指纹图像的特征提取和匹配之前,有必要对指纹图像进行预处理,图像增强就是其中重要一环。用于图像增强的滤波算法很多,其中中值滤波算法以其简单易于实现的特点,获得了青睐。
1 传统的中值滤波算法
中值滤波器[1]是一种顺序滤波器,即将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:
其中,yij为中心像素xij的中值滤波输出,A为滤波窗口。中值滤波算法本质上是一个排序算法,其过程如下:首先,选择一个(2n+1)×(2n+1)的滤波窗口,使窗口沿图像数据的行方向和列方向从左至右、从上至下沿每个像素滑动;其次,每次滑动后,对窗口内的像素灰度进行排序,并用中间值代替窗口中心位置的像素灰度值。
2 改进的中值滤波算法
2.1 分治法改进
分治法的思想[2]就是将规模较大的问题分解成若干个规模较小的问题并逐个解决,最后合并各子问题的解以得到原问题的解。中值滤波算法的目的就是为了快速求出中间灰度值,如用传统的冒泡算法对整个滤波窗口进行排序,其运算量很大,可以运用分治法思想,先对各行元素进行排序,最后对排完序的各行进行纵向比较,并得出最终结果,可以有效降低比较次数[3]。
经分治法改进后的算法执行过程如下:
(1)先分别对每一行的数据进行排序,以得到每一行的最大值、中间值和最小值;
(2)然后,比较三个最大值中的最小值、三个中值中的中间值以及三个最小值中的最大值,所得到的中间值就是最终的滤波结果。
以3×3窗口为例,普通的冒泡法需要比较36次才能得到最终结果,而分治法只需要21次就可以求得最终滤波结果。
2.2 方向加权改进
指纹图像中的指纹纹线是具有方向性的,直接用中值滤波算法进行滤波,由于对窗口内各点的输出作用是相同的,容易导致指纹纹线出现断线和粘连。如果希望强调纹线上的各点,有必要引入方向信息,即利用纹线方向来指导中值滤波的进行,这就是方向加权中值滤波算法。这种算法根据纹线方向的不同,将滤波窗口分为四类:00、450、900、1350,主要通过权值旋转的方向体现纹线方向。
采用如图1所示的3×3方窗,并引入模糊理论[4]的思想,即在权值设定上给予方向一定的模糊性,且越接近当前窗口中指纹纹线的方向,赋予其权值越大,越偏离该方向,权值越小。
权值选择如下:设θ为指纹方向图中指纹脊线的方向,其中0<θ<π,每个表达式中括号表示θ的取值范围,则有:
按照上面的规则,可以得到如图2所示的4个加权滤波方窗。根据纹线方向选择相应窗口进行滤波,这样滤波后指纹图像的纹线将更为连贯,效果更好。
3 结果与分析
作者在PC机上用MATLAB实现了改进后的中值滤波算法,改进后的算法执行速度明显变快,如表1所示。
实验结果也变得更精确清晰,实验结果如图3所示,其中指纹原始图像如图(a),用传统中值滤波算法滤波后的结果如图(b),用改进后的滤波算法滤波后的结果如图(c)。
本文提出的新算法主要从两个方面来改进中值滤波算法,一是通过分治法思想,降低排序过程中的数据比较次数以提高算法执行速度,详细分析情况可见2.1;二是通过方向加权,即将方向信息引入滤波方阵,其滤波后的指纹图像,纹线上的孔洞、缺口和突出物基本上被消除,且纹线清晰流畅,没有出现断线和粘连,相反,一些断线和粘连分别被连接和隔离起来。同时,由于新算法充分运用了指纹方向图和模糊理论的思想来构造滤波模板,因而算法简单,处理速度快,而且当方向不准确时,也可给出较正确的结果,大大增强了算法的抗干扰性。所以,该算法不失为一种较理想的指纹图像增强方法。
参考文献
[1]阮秋琦.数字图像处理学[M].2版.北京:电子工业出版社,2007:334-338.
[2]董付国,王平勤.分治法在中值滤波快速算法中的应用研究[J].电脑开发与应用,2007(6).
[3]王伟,杨兵.基于FPGA的中值滤波快速算法的设计与实现[J].电子元器件应用,2008(1).
一种改进的开关中值滤波算法 篇7
关键词：中值滤波,椒盐噪声,开关中值滤波,噪声检测,图像去噪
在计算机视觉系统中,信息的处理和分析可以分为图像处理和图像分析与理解二个阶段,目标是能够依据图像中的信息实现对外界事物和客观三维世界的感知。一般情况下,成像系统获取的图像由于受到种种条件的限制和随机干扰,包含有大量的噪声,使得原始图像中的事物特征发生改变,直接对此图像进行分析,会造成图像理解的偏差,因此,去除图像中的干扰成份亦即噪声信号,保留有用信息,对图像的正确分析与理解十分重要。一些常见的噪声有椒盐噪声、脉冲噪声和高斯噪声等,对于灰度图像来说,椒盐噪声含有随机出现的黑白亮度值,表现为被污染的像素相对于邻域内其他点灰度值的突变,使得其与边缘细节一样具有较大的梯度,造成边缘检测中出现虚假边缘,为图像的进一步分析工作带来较大的困难。因此,著名学者Tukey于1971年在他的开拓性论文中,首次提出一种非线性滤波器—中值滤波器[1],传统的中值滤波器作为排序统计型滤波器的代表,该算法是首次提出并应用于信号处理中,后来逐渐应用到图像处理中,克服了线性滤波如最小均方滤波、均值滤波在对图像进行消噪处理后使图像的边缘变得模糊的负面影响,即中值滤波既可以去除图像中的噪声又能保护图像的边缘和轮廓,对低密度分布的椒盐噪声具有良好的去除效果,因而得到了广泛的应用,但其存在一个最大的问题,就是在滤除噪声的同时,会不可避免地造成图像细节的模糊,而且,随着椒盐噪声密度逐渐增大,其滤波性能会迅速下降直至丧失。并且对一些比较复杂的、细节多的图像,直接采用中值滤波处理的效果不好。因此,设计出能有效滤除椒盐噪声且具有良好的细节保护能力的滤波算法,具有十分重要的现实意义,这样就需要对中值滤波器进行改进。
本文在中值滤波理论基础上进行改进,提出了一种改进的开关中值滤波算法,该算法中首先利用max-min[2]噪声检测算子对滤波窗口中心点进行噪声判别,对于噪声,使用改进的中值滤波算法进行处理,对于信号,保持原值不变。改进的中值滤波算法中采用分段统计的方法对窗口领域内像素点排序进行平均分段,取中间一段各像素平均值作为该像素的新值,利用窗口内数据点间的相关性,有效地恢复了被破坏的数据,此类算法由于对噪声污染的像素进行处理,因此较好地避免了滤波过程中对非噪声点数据的破坏,具有很强的实用性。实验表明,本文提出的方法具有较好的细节保护能力和较强的噪声去除能力。
1 开关滤波原理
滤除噪声的同时如何最大限度地保护图像的细节,学者们进行了深入的研究,并取得了一系列成果。Sun[2]首次提出了开关滤波处理算法,其基本原理为根据特定的判别标准将全部像素分为噪声N和信号S二类并分别处理,对于信号保持原值不变,对于噪声,使用合适的算法进行数据恢复,从而达到细节保护的目的。图1是这种方法的原理框图。有噪图像经过噪声检测器判断分类来控制开关单元,如果该像素点被判别为噪声点,则开关置于与滤波处理相连状态,即该点经过滤波后输出。反之,该像素点不被判断为需要进行滤波处理的点,则控制开关单元将该点不作任何处理直接输出。
这种滤波方法的涉及的问题有两个,①是噪声检测算子的设计,②是对被噪声检测算子判断为噪声的像素点的图像恢复方法。所谓的噪声检测算子,是依据脉冲噪声的表现特性,采用某种算法将像素点划分为被污染的像素点和未被污染的点二类,使得可以在后续工作只对被污染的像素点进行滤波处理,从而达到细节保护的目的。经过多年的研究,学者们提出了多种噪声检测方法,如max-min[2]椒盐噪声检测算子、回归矩阈值判别法[3]、梯度阈值判别法[4]、排队统计判别法[5,6]、模糊决策判别法[7]等,在众多检测算法中,max-min噪声检测算子因简单方便而得到广泛应用。max-min噪声检测算法认为,对于灰度图像,滤波窗口内的灰度极大值和灰度极小值所对应的点为被椒盐噪声污染的像素点。采用此种方法,噪声点可以全部检出,操作简单方便,并较好地避免了滤波过程中对非噪声点数据的破坏,具有较强的边缘和细节保护能力,可最大限度地保存细节,对污染的图像具有较好的处理效果。
2 改进的中值滤波器
2.1 中值滤波器原理
中值滤波器[8]是一种简单有效的信息提取处理器,即是有效的非参数估计器。尽管有许多稳健的估计器存在,但是,中值滤波器作为排序统计型滤波器的代表,运算简单而且速度快,得到广泛的应用,有效地抑制脉冲噪声,保持边缘特性,在图像滤波、增强和特征提取方面,独领风骚,因此在一定条件下可以克服线性滤波器如均值滤波器等引起的图像细节模糊,对滤除脉冲噪声非常有效。
与线性滤波算法类似,中值滤波器在应用中也需要设定一包含被处理像素点的滑动窗口邻域,根据像素间的空间相关性,一般将被处理像素点设定为窗口中心,并以排序统计来代替线性滤波器的加权运算。具体算法如下:
设xi表示像素强度,则由滤波窗口构成的输入序列集为{x1,x2,…,xN},滤波器输出记为y,中值滤波算法首先对输入序列进行排序,设按升序排列,则得到一新的序列集{x(1),x(2),…,x(N)},满足x(1)<x(2)<…<x(N),则有
中值滤波作为排序统计类滤波器的典型代表,是基于L1范数的最佳估计,即满足
有着远优于线性滤波器的脉冲噪声抑制能力和信号细节特征保护能力,因此,中值滤波器仍是目前广泛使用的一种降噪方法。虽然中值滤波去除脉冲噪声的效果很好,然而抑制噪声和保持图像中的细节往往是一对矛盾,并存在一个最大的问题就是在滤除噪声的同时会去除图像中的高频信息,而且,随着噪声密度逐渐增大,其滤波性能会迅速下降直至丧失,也是图像处理中尚未很好解决的问题,所以保护细节的中值类滤波的研究成为非线性滤波器研究的一个重要方面。中值滤波不能很好的保护图像的细节,在除噪的同时也破坏了图像细节部分,当噪声比较严重时,效果明显变差。为了克服这些问题,需要对中值滤波器进行改进。
2.2 改进的中值滤波算法
在中值滤波理论的基础上提出了一种改进的中值滤波算法:该算法采用分段统计的方法,首先确定一个以某个像素为中心点的((2N+1)×(2N+1))的领域,一般为方形领域;这里的领域通常被称为窗口,把窗口领域中的像素按灰度等级进行排序,然后将该组排序后的像素值进行平均分段,平均分成N+2段,每N+2个像素值为一段,取中间一段N+2个像素值的平均值作为中心点像素灰度的新值。它能减弱或消除傅里叶空间的高频分量,因为高频分量对应图像中的区域边缘的灰度值具有较大较快变化的部分,该滤波可将这些分量滤除,使图像平滑。当窗口在图像中上下左右进行移动后,利用改进的中值滤波算法可以很好地对图像进行平滑处理,能较好的保护图像细节。
具体步骤如下:
(1)将(2N+1)×(2N+1)滤波窗口在图像中漫游,并将滤波窗口中心与图像中心某个像素的位置重合;
(2)读取滤波窗口下各对应像素的灰度值;
(3)将这些灰度值从小到大排列成1列,平均分成N+2段,每N+2个像素灰度值为一段;
(4)找出排在中间一段的N+2个像素灰度值并求出这些像素灰度值的平均值;
(5)将这个平均值赋给对应窗口中心位置的像素;
(6) 重复(3)—(5),直到全部像素处理完毕。
改进的中值滤波的输出像素是由领域图像的中间一段N+2个像素灰度值的平均值决定的,利用窗口内数据点间的相关性,有效地恢复了被破坏的数据,从而可以消除孤立的噪声点,可以使图像产生较少的模糊,能较好的保护图像细节。
3 基于改进的中值滤波算法的开关去噪
在常规中值滤波器中,所有的像素点都采用统一的处理方法即改变噪声点灰度值的时候,会一定程度地改变边缘像素灰度值,但是噪声点几乎都是领域像素的极值,而边缘不是,因此可以利用这个特性来限制中值滤波,这个过程既去除了噪声,也改变了真正信号点的值,造成了图像的模糊。采用开关策略进行滤波处理,可以知道哪些点是信号点,哪些点是噪声点,就可以处理噪声点而保留信号点,这样就减少了图像的失真度。根据开关滤波的思想,本文使用max-min算子作为椒盐噪声检测器,利用3×3邻域窗口对图像进行从左到右的逐行扫描,同时对位于窗口中心的像素点进行噪声判别,如果该点的灰度值处于极大值和极小值之间,则认为该点未被噪声污染;若该点的灰度等于极值,则认为该点可能被椒盐噪声污染,利用改进的中值滤波算法进行处理,并用改进的中值滤波运算的结果作为该点的替代值。
具体步骤如下:
(1)将(3×3)滤波窗口在图像中漫游,并将滤波窗口中心与图像中心某个像素的位置重合;
(2)读取滤波窗口下各对应像素的灰度值;
(3)利用max-min算子进行噪声检测,若窗口中心点为局部极值,则认为其为噪声;
(4)若窗口中心点为噪声,则利用改进的中值滤波器对窗口进行滤波,否则原值输出;
(5)重复(3)—(4),直到全部像素处理完毕。
4 实验
4.1 滤波性能评价方法
滤波器的性能评价可分为主观评价方法、客观评价方法和符合人眼视觉特性的HVS评价方法[9,10]。HVS评价方法的特点是评价模型引入了人眼视觉特性的阶段性研究成果,是近年来令人关注的图像质量评价方法,其结果更符合人的主观感受,但由于人眼的视觉特性还有许多未知的领域,现有的模型只是对人眼的简单模拟,还没有融入人类感知环境时的心理因素,因此,该种方法还有待进一步的成熟。主观评价方法是观察者根据一些事先规定的评价尺度或者自己的经验,对测试图像按视觉效果提出质量判断。客观评价方法是用被测图像偏离原始图像的误差来衡量被测图像的质量,常用的指标参数有均方误差(MSE) 和峰值信噪比(PSNR) 等。MSE与主观评价的相关性较差,其结果常常与人的主观感觉不一致,因此一般不直接作为图像质量评价指标。PSNR 的优点是便于计算和理解,能大致反映图像质量, 一般情况下,PSNR值高的图像质量相对较高,因此,是目前用于图像质量评价的最常用的指标。设一幅大小为M×N的数字图像f和参考图像f0,f(i, j)和f0(i, j)为图像在坐标点(i, j)处的幅度值,fmax为其最大幅值,则被测图像f(i, j)的PSNR定义为
对于8bit灰度图像,上式变为
本文采用主观观察法和峰值信噪比来进行所提算法的性能评价。
4.2 实验结果比较
本文算法是对3×3窗口的中心点进行计算,为验证本文算法效果,以256×256大小的Lena灰度图像为对象进行了实验研究,所有实验在Matlab7(R14)平台上进行,PC机的操作系统为Windows XP.CPU为lntel Pentium D2.80GHz内存为2GB上进行仿真实验。表1给出对加入不同密度的椒盐噪声的图像进行处理后的PSNR值,从表1数据可以看出,改进的开关中值滤波峰值信噪比的值要高于中值滤波和极值中值滤波峰值信噪比,使图像质量相对较高。实验时,图2中对原图像添加25%椒盐噪声,试验结果可以看到,添加椒盐噪声后的图像内容比较复杂,细节较多,直接使用中值滤波器对其进行处理效果较差,图像的特征变得很模糊,而使用改进的开关中值滤算法对图像的消噪处理的效果比较好,除噪声的同时,对输入图像中任意方向的细线条保持不变,能较好的保留图像的细节,并且几乎不影响边缘,可以减少图像模糊,使图像更加清晰。
5 结束语
本文主要针对数字图像滤波中去除椒盐噪声同时保持图像细节这一方面,在阅读大量国内外期刊文献基础上,通过Matlab软件仿真试验,运用个人知识的积累,提出了一种改进的开关中值滤波算法。算法中采用开关策略,并在中值滤波原理基础上进行改进,改进的中值滤波算法中采用分段统计的方法对窗口领域内像素点排序进行平均分段,取中间一段各像素平均值作为该像素的新值,利用窗口内数据点间的相关性,有效地恢复了被破坏的数据,充分保护了图像的细节。文章中比较了中值滤波,极值中值滤波和改进的开关中值滤波对图像进行消噪处理后PSNR值的结果,从试验数据可以看出,改进的开关中值滤波器对内容复杂、细节较多的图像进行处理的效果较好取得了良好的除噪和细节保持性能。综上所述,这些滤波方法不断地提高滤除噪声的能力,同时在图象细节保持方面也有很好的主观效果。
参考文献
[1]N.C.Gallagher,G L Wise.A theoritical analysis of the properties of the median filter IEEE Trans.on ASSP.1981,29(6):1136~1141
[2]Sun T,Neuvo Y.Detail-preserving median based filters in image processing[J].Pattern Recognition Letters,1994,15(4):341-347
[3]朱嘉钢,王士同.用于图像恢复的基于SVR的自适应新滤波器的研究[J].计算机应用研究,2006,(9):253-255
[4]Zhang S,Karim MA.Anewimpulse detector for switching median filters[J].IEEE Signal Process Letters,2002,9(11):360-363
[5]Aizenberg I,Butakoff C.Effective impulse detector based on rank-order criteria[J].IEEE Signal Process Letters,2004,11(3):363-366
[6]Qin P,Ding R T.Ordering threshold switching median filter[J].Journal of Image and Graphics,2004,9(4):412-416
[7]Xu HX,Zhu G X,et al.Adaptive fuzzy switching filter for images corrupted by impulse noise[J]Pattern Recognition Letters,2004,25(15):1657-1663
[8]高浩军,杜宇人.中值滤波在图像处理中的应用[J].电子工程师,2004,30(8):35-36
[9]Saghri J A,Cheatham P S,Habibi H.Image quality measure based on a human visual system model[J].Optical Engineering,1989,28(7):813-818