你好,欢迎来到博今文化,中国最权威的职称论文投稿平台!

图像处理学 新型数字图像加权中值滤波除噪办法探析

博今文化 / 2020-05-22

  摘    要: 图像在传播时会遭到各种噪音的影响,中值滤波器采用非线性计算方式,可很好地过滤脉冲噪音。但滤波窗口尺寸对去除脉冲噪音的功用具有干扰性,使其能进步图像画面感,但不能很好地保存细节的完好性。文章剖析了中值滤波器的优劣,提出能够按照噪声点方位自顺应地改动滤波器窗口尺寸的方法,防止了中值滤波容易招致图片边缘不分明的问题。借助Matlab做了模仿检测,结果标明,该方法具有较好的滤波特性。

  关键词: 中值滤波; 自顺应; 图像处置; Matlab;

  0 、引言

  光信号由CCD变换时易散布不均且在噪音传播时信道会产生误差,普通来说图像信号在生成、传播以及记载时都会被不同噪音干扰。噪音对图像质量会产生很大影响,给画面剖析形成难度,为使画质愈加明晰,需消弭图片中的噪点,并且对画面变形的中央停止处置。普通需在边缘测试、图像划分、特征提取和形式鉴别之前降噪。消弭干扰信息并保存相关信息的操作,通常叫做图像预处置,对图像停止降噪处置的步骤也称为图画平滑处置。

  实践生活中噪音很多(如光栅扫描、底片颗粒、机器部件、信号传播等),其分为很多种,包括高斯、椒盐、瑞利等。通常可借助滤波办法去除,普通过滤方法包括均值法,中值滤波法,自顺应、相邻均匀、选择均匀、低通滤波等。

  本文对常用中值滤波办法优劣停止研讨,提出一种全新加权中值滤波除噪办法,设置图像某区域点的像素与四周像素关联水平的权值系数,可很好的保存处置后的画质以及保存图像的细节信息。

  1 、自顺应中值滤波办法

  1.1 、常规的中值滤波器

  1.1.1 、中值滤波的原理

  将数列x1,x2,…,xm升序排列,数列正中间位置的数叫做中间数;当m是偶数时分,中值滤波器辨认效果较差,大局部状况下m是奇数,因而中值用med(x1,x2,…,xm)来表示。若m为奇数,设定序列{fi,i∈z}的规范中值滤波器如式子⑴:

  k=(m-1)/2,Z代表自然数的集。式⑴里的中值滤波器又叫做滑动滤波。

  一个有限序列f1,f2,…,fi,…fm,假设窗口长是L=k+1,为确保输出以及输入信号相同,要对输入信号停止信号拓展,设为k,有以下途径:

  ⑴两边的拓展值和两边的值相等,如式⑵:

  ⑵两边的拓展值和两边的值相对,如式⑶:

  中值滤波不影响阶跃和脉冲信号,若脉冲信号周期小于L/2则会遭到影响。

  1.1.2、 中值滤波的主要特性

  中值滤波有以下几个特性。

  ⑴中值滤波属于非线性计算,其输出与输入噪点的分散水平有联络,输出噪点方差与输入噪点密度函数的方差呈反比。对随机噪声来讲,其中值滤波效果差于均值滤波,而对脉冲信号的干扰来讲,中值滤波优于均值滤波。

  ⑵对恒定信号来讲,中值滤波输出信号应呈分歧性,相比于线性滤波器(如均匀值滤波),中值滤波可较完好保存图片细节信息。

  ⑶滤波器的频率反应和输入信号的频谱关联,并且起伏较稳定。中值滤波虽可在降噪时较好保存细节,但只能对简单图片噪声停止去除。

  1.2 、自顺应中值滤波器

  中值滤波对长拖尾式分散噪点的处置效果较好,且能使边缘细节保存,是图片降噪常用办法,其缺陷是降噪时易遭到滤窗大小的干扰,若滤窗较小,则细节保存较完好,但不能很好的起到降噪作用。滤窗越大,除噪效果越好,但不能很好的处置边缘。

  自顺应中值滤波与普通滤波器相同,运用相同的矩形窗口Sxy,不同之处是自顺应滤波器会依照一定的条件使滤窗变大,若窗口的中心像素点为噪点,则可采用中值取代,相反即保存如今的像素,因而经过处置后的值即像素(x,y)处的中心值。自顺应中值滤波处置与普通滤波处置最大的区别是可以对很强的噪点停止滤除,在此根底上也可较完好的停止细节处置。

  1.2.1、 自顺应中值滤波器算法

  自顺应中值滤波计算的步骤包含噪声检测以及滤除,能够对大多数的噪点停止去除,且能够有效地维护图片细节。

  1.2.2、 噪声检测

  经椒盐噪点污染的灰度图片,它的噪声位置呈随机性分散,展现在画面上就是黑白点状,但它们和原来的图片的灰度值没有联络,通常该类噪点的灰度值与左近像素的灰度值有较大的差异,普通状况下都是极值,由此可对噪点停止测试。

  若原图中一点用(x,y)表示,对中心是(x,y)的噪点测试窗口W中的N=(2m+1)2个点的灰度数做了排列计算,得出一个向量Aij:

  其中,xij表示点(x,y)的灰度,规则其中xij1<xij2<xij3<…<xijN。排列完成以后点(x,y)的灰度xij在向量Aij的两边时,则这个点可能是噪点,当满足式⑸的第一个条件就是噪点。

  其中,函数w[(x,y)]代表对点(x,y)为中心噪点检测窗口W中的N=(2m+1)2个点的灰度依次排列。

  假定灰度值契合式⑷,同时契合式⑸的噪点的第二个条件:

  则设定点(x,y)为一个噪点,定为1。相反则是原点0。由此会得到噪点散布的二进制图,经研讨得出T1为40,T2为190最佳。

  1.2.3 噪声滤波

  根据所得的二进制图片噪点的分散位置,对其停止去除,假定某个点的大小是1那么依据这个点在原始图片的方位,取该点为中心,画一个边长为3的正方形框,对该点停止降噪。依据式⑺来计算中心点的灰度值:

  其中,n是0的点的个数,f(x,y)表示0的点的灰度。假定3x3窗口的像素都用1表示,表示噪点是连续性的,继续增大窗口不断到大于7x7,最后会呈现二个情况并分别做不同处置:一是假定呈现是0的点,就用灰度的均匀数取代中心数值;二是没有呈现0的点,就对这个窗口的噪点滤除,并用中值取代。

  2、 自顺应滤波算法的结果剖析

  为了证明该算法能否有用,应用Matlab停止了过程模仿。图1(a)展现了由原图转换成灰度,图1(b)表现的是经过椒盐噪声处置的灰度图片,图1(c)是中值滤波器加工之后的图片,图1(d)则是自顺应滤波办法完成后的图片。从图1中可以明显地看到,图1(d)借助改进自顺应中值滤波办法去掉椒盐噪点的效果要比用中值滤波的图1(c)更佳。该方法保证了图片的明晰度以及细节,而且还能够有效的去掉椒盐噪点。

  图1 中值滤波与自顺应中值滤波去燥比拟
图1 中值滤波与自顺应中值滤波去燥比拟

  在停止中值滤波处置以后,为了更好的表现自顺应办法,能够保存图片细节。应用式⑼得到了图2。

  图2 中值滤波与自顺应中值滤波的像素值差值比拟
图2 中值滤波与自顺应中值滤波的像素值差值比拟

  S1是由原灰度图片的灰度值减掉经过降噪处置的中值滤波图片灰度数的总和。从图2看出,自顺应处置的数值要大,并且能够很好的把各种大小的噪声去除,因而可以有效的保存图片的完好性。

  3 、完毕语

  本文提出自顺应中值滤波办法,经过把噪点图片的含有最大以及最小的灰度数的像素滤掉,再计算剩下的像素的整体的均匀数,得出这个均匀值和相对的灰度数之差,然后与阈值停止比照,来决议能否可用该均匀数取代原始图片的灰度数,研讨结论如下:

  ⑴当其值小于40或者大于190时可判别为噪声点并可很好的去除,这样不但能够滤除大局部的噪点,且可较好保存图片的细节,效果优于中值滤波办法;

  ⑵本办法对椒盐噪声处置的效果较好,关于高斯、瑞利等其他噪声的去除需进一步研讨。