一種保留圖像邊緣的自適應中值濾波器算法
2016-01-27 02:27:05楊卓東楊臣君
通信技術 2015年12期
李 陽，張 欣，張 濤，楊卓東，楊臣君
(貴州大學 大數據與信息工程學院，貴州 貴陽 550025)
?
一種保留圖像邊緣的自適應中值濾波器算法
李陽，張欣，張濤，楊卓東，楊臣君
(貴州大學 大數據與信息工程學院，貴州 貴陽 550025)
Foundation Item:National Natural Science Foundation of China(No.11204046)；Key Industry Project of Guizhou Science and Technology Office(QianKeHe GY NO.[2010]3056)
摘要：針對傳統自適應中值濾波在保存圖片邊緣細節方面的不足，提出了一種改進自適應中值濾波算法，在有效去除圖像中高密度脈沖噪聲的同時保證圖像的邊緣細節信息。首先利用對可疑噪點進行梯度方向連續求導以區分該點是噪聲點或邊緣點。然后，對噪聲點還原值的求取同時考慮到中值與均值。中值與均值的計算為避免被強噪聲干擾，先將濾波窗口中的重復值精簡為一個，后在進行中值和均值的運算。最后通過仿真實驗，結果表明該算法在保存圖像邊緣細節方面顯著優于傳統自適應中值濾波算法。
關鍵詞：中值濾波；脈沖噪聲；邊緣細節
0引言
圖像在生成和傳輸過程中，由于傳感器缺陷，通信系統故障等原因，極易產生脈沖噪聲。脈沖噪聲又稱之為椒鹽噪聲，對圖像污染較大[1]。對后續的圖像處理造成很大困難，對圖像分割、特征提取、圖像識別等具有直接影響。椒鹽噪聲的最大特征是與鄰域像素點的像素值明顯不同。具有很大差異，這也給椒鹽噪聲的濾除指明了方向。
針對椒鹽噪聲的濾除，一般采用非線性濾波器處理[2]。常用的椒鹽噪聲濾波算法有標準中值 (SM) 濾波算法[3]、該算法運算簡單快速，但是降噪能力有限，容易造成圖像模糊，丟失邊緣細節信息。極值中值 (EM) 濾波算法[4]、遞歸開關中值 (PSM) 濾波算法等[5]。EM和PSM算法與SM算法不同。他們都是分為兩步，首先進行噪聲定位然后再進行濾波。通過這兩步操作對圖像細節保存較為完整，但應用到高椒鹽噪聲圖像中效果較差。模糊加權中值濾波( FWMF)[6]，通過模糊隸屬函數對中值濾波進行加權以實現濾波，但如果模糊函數的選取不當，很難保證濾波的效果。這些算法往往以濾去椒鹽噪聲為最終目標，對圖像的邊緣信息丟失較多，對圖像后續的邊緣檢測造成較大困難。
本文結合現如今常用的自適應中值濾波算法，提出一種新的去除椒鹽噪聲的中值濾波算法。該算法能夠在去除噪聲的同時保證圖像的邊緣細節。首先掃描出被污染圖片的椒鹽噪聲點，這部分噪聲點中極易包含圖像邊緣信息點。然后通過梯度方向連續檢測，從而區分噪聲點與邊緣信息點。最后將噪聲點使用中值替代。
1自適應中值濾波
自適應中值濾波算法可以自動調整窗口大小，而且針對不同的噪聲采用不同方法。因此該算法可以保存非沖擊噪聲的部分細節。該算法的參數與濾波算法如下所示：
自適應中值濾波算法參數：S(x,y)圖像在二維坐標(x,y)處的像素值。W初始化窗口大小，一般取3(即3*3窗口)。Smax允許最大窗口尺寸。Zmin窗口最小灰度值。Zmax窗口最大灰度值。Zmed窗口內中值。
自適應中值濾波算法步驟：
(1)初始化窗口W=3；如果Zmin
(2)如果Zmin 由上述步驟可以看出，定義判斷某點是否是噪聲點主要依賴Zmin和Zmax。若某像素點S(x,y)等于Zmin或Zmax，則該點被判斷為噪聲，被修正為Zmed輸出。這種情況在圖像邊緣處很容易造成誤判，因此不容易保存圖片邊緣和細節導致圖像邊緣模糊，對后續的圖像處理增大難度。此外，當窗口達到最大值Smax且Zmin=Zmed或Zmax=Zmed。直接輸出中值Zmed，而不判斷該點是否為噪聲點。使得濾波器去噪性能下降。 2改進自適應中值濾波 2.1噪聲點與邊緣點的檢測 脈沖噪聲噪聲的典型特征是該像素點與領域中點像素值發生突變，導數的大小適合描述變化程度的大小。導數越大，則表明該點變化程度越劇烈。但是圖像的邊緣信息點在某些方向上也同時具備導數較大的這種特點。因此在進行噪點選取是，很容易將邊緣信息點判斷為噪聲點，導致邊緣點被平滑，造圖像邊緣點模糊，丟失大量圖像細節。 圖1為灰度值為160的圖像上有一條灰度值為0的單像素細線。使用傳統中值濾波時，上述0值點將被當作噪聲進行中值處理。最后成為一副灰度值為160的圖像。邊緣細線完全丟失。 圖1 單像素直線 中值濾波判斷噪聲的依據是考慮噪聲點的灰度值與周圍像素灰度值發生突變。判斷圖像邊緣的依據同樣是考慮該點像素灰度值與周圍點是否發生突變。兩者唯一的區別是邊緣點在某一方向上是連續的。因此，在傳統自適應中值濾波處理該點時往往是由3*3窗口拓展為5*5窗口，若還不能確定則拓展為7*7窗口。這種方法計算量大而且效果不明顯，容易誤判導致圖像邊緣丟失，見圖2、圖3。 圖2 8方向求導 圖3窗口中心向f(x,y) 本文將0和255點暫定為可疑噪聲點。以0或255作為中心點。計算出此點與領域點像素值8方向導數f(s,k)。 (1) 設置導數閾值T，如果8方向導數均均小于閾值T，說明該點，不進行噪聲還原處理。如果領域導數均大于閾值T，此時該中心點直接判斷為噪聲點，對該噪聲進行還原處理。噪聲點還原處理算法在后續給出。第三種情況是，領域導數中只有部分大于閾值T。此時該點可能為噪聲點也可能是邊緣點。為判斷該點，將中心移動至導數小于閾值T點，以此點為中心，計算領域導數，如果此時出現除開始點外仍存在導數小于T的點，則原起始點判斷為邊緣點。否則判定為噪聲點，進行噪點還原處理。 2.2噪聲點還原值Zred 傳統算法中噪聲點還原值使用的是中值替代即Zred=Zmed。但是噪聲并不只是濾波窗口的中值有關，同時還與窗口中的均值有關。因此本文中定義噪點還原值： Zred=W1Zmed+W2Zmea (2) 式中，W1，W2表示權值，Zmed表示窗口中值，Zmea表示窗口均值。 對于傳統的自適應中值算法，Zmed只是簡單的獲取濾波窗口中的中間值大小。這種方法在低噪聲時較為有效。但在高濃度噪聲下，該方法往往只能取到噪聲點，如在70%濃度噪聲情況下，圖4是隨機截取的一個濾波窗口。該窗口Zmed=255。此時完全未達到濾噪效果。 圖4 70%噪聲濾波窗口 為取得更好的Zmed，此處我們排除掉濾波窗口中的重復項，然后從小至大排列，此時灰度矩陣被壓縮為{0, 110, 121, 151, 255}。中間值Zmed大小為121。 通過此方法計算中值更為準確。同時，以此被壓縮后的矩陣，計算出Zmea。通過Zred=W1Zmed+W2Zmea計算出Zmed。通過仿真實驗表明W1取0.9，W2取0.1圖片處理效果及信噪比均達到理想效果。 2.3算法流程描述 1)初始化濾波窗口W=3。閾值T。 2)窗口中心不為0或255，窗口繼續移動，否則轉至3)。 3)計算該中心像素點F(x,y)領域8方向導數f(s,k)。如果| max[f(s,k)]| 4)以F(x,y)為窗口中心，利用新的還原值算法計算Zred，使用還原值Zred替代F(x,y)。 5)將窗口中心移動至f(s,k) 6)窗口移動至最后，算法結束。 3實驗結果及分析 為驗證本文算法，采用Matlab對一副512*512的lena及camera man圖像進行仿真測試。最大窗口設置為5*5。主觀評價如圖5所示，對lena和camera man原圖分別進行40%，70%椒鹽噪聲處理，分別利用自適應中值濾波和本文算法對圖像進行去噪處理。對應下圖中的(a1-5)(b1-5)(c1-5)(d1-5)。Lena圖在40%椒鹽噪聲中，自適應濾波算法在頭發絲處已經出現明顯模糊現象如圖(a4)，本文算法依然保證頭發絲邊緣細節圖(a5)；70%椒鹽噪聲時，自適應中值濾波處理后的圖像已經出現明顯殘留噪點圖(b2)，頭發處的細節已經完全丟失圖(b4)；而經過本文算法處理后的圖像依然接近原圖如圖(b3)，頭發處的細節部分能夠很好保留，邊界稍有模糊如圖(b5)。針對camera man原圖加40%椒鹽噪聲，使用自適應中值濾波處理后圖像出現噪點如圖(c4)；而圖(c5)中并未出現噪點并且圖像細節保存完整；對camera man加70%噪聲后分別使用自適應中值濾波算法和本文算法處理后如圖(d4)和(d5)，圖(d4)中出現大量噪點，而本文算法處理后細節圖如圖(d5)圖像并未出現明顯噪點，只是圖像細節部分丟失。 本文采用的客觀評價標準主要有均方誤差(MSE)和信噪比(SNR)均方誤差為計算公式為： (3) 信噪比公式: (4) 從表1，表2中可以看出，在相同噪聲干擾的情況下，本文算法的MSE均小于傳統自適應中值濾波算法。信噪比SNR均大于傳統自適應中值濾波算法。 圖5 不同濾波方法對加入椒鹽噪聲的lena圖像濾波效果比較 濾波算法20%脈沖噪聲MSESNR40%脈沖噪聲MSESNR70%脈沖噪聲MSESNR傳統自適應中值濾波40.530242.260163.282437.897590.743038.2119本文算法濾波25.585847.130750.706640.200481.860939.2755 表2 不同水平脈沖噪聲的camera man圖像經過不同去噪方法后MSE與SNR 4結語 本文提出了一種改進自適應中值濾波算法。該算法有3個特點：①通過噪聲點與邊緣點的差異，排除邊緣點被作為噪聲點進行還原處理。②將中值的求取方法改進為去除重復值后再計算中值以避免強噪聲時中值取到噪聲點的情況。③將中值點直接替換噪聲改進為同時考慮中值與均值兩個參數。實驗結果表明，該算法在主觀感受及客觀評價上均好于傳統算法。該算法特別在保存圖像邊緣細節方面表現明顯。 參考文獻： [1]Rafael C Gonzalez, Richared E Woods. Digital Image Processing, Third Edition[M]. Beijing: Publishing House of Electronics Industry，2014: 338-340． [2]Gonzalez R C，Wood R E. Digital Image Processing[M]. Second Edition. Beijing: Publishing House of Electronics Industry，2002: 183-193． [3]邢藏菊,曲延峰,徐健等.一種用于抑制椒鹽噪聲的多窗口中值濾波器[J].電子與信息學報, 2002,24(12):1912-1916. XING Zang-ju, QU Yan-feng, XU Jian, et al. Multi-Window Adaptive Filter for Remove Salt and Pepper Noise [J]. Journal of Electronics and Information Technology, 2002, 24(12):1912-1916. [4]邢藏菊,王守覺,鄧浩江等.一種基于極值中值的新型濾波算法[J].中國圖象圖形學報,2001,6(06):533-536. XING Zang-ju, WANG Shou-jue, DENG Hao-jiang, et al. A New Filtering Algorithm based on Extremum and Median Value [J]. Journal of Image and Graphics, 2001, 6(06): 533 -536. [5]Nallaperumal K, Varghese J, Saudia S, et al. Selective Switching Median Filter for the Removal of Salt & Pepper Impulse Noise[A]. In: Proceedings of 3rdInternational Conference on Wireless and Optical Communications Networks[C]. Bangalore, India, 2006:717-721. [6]Eng How-lung, MA Kai-kuang. Noise Adaptive Soft-Switching Median Filter [J]. IEEE Transactions on Image Processing, 2001, 10( 02) :242-251. [7]王曉凱，李峰. 改進的自適應中值濾波[J]. 計算機工程與應用, 2010，46(03):175-218. WANG Xiao-kai, LI Feng. An Improved Adaptive Median Filter [J]. Computer Engineering and Application, 2010，46(03):175-218. [8]黃寶貴, 盧振泰, 馬春梅等. 改進的自適應中值濾波算法[J]. 計算機應用, 2011,7(07): 1836-1883. HUANG Bao-gui, LU Zheng-tai, MA Chun-mei, et al. An Improved Adaptive Median Filter Algorithm [J]. Computer Application, 2011,7(07): 1836-1883. [9]張濤, 張欣. 一種改進的自適應中值濾波算法[J]. 通信技術, 2014,47(08):873-876. ZHANG Tao, ZHANG Xin.An Improved Adaptive Median Filter Algorithm [J]. Communications Technology, 2014,47(08):873-876. 李陽(1989—)，男，碩士研究生，主要研究方向為移動通信技術； 張欣(1976—)，男，博士，副教授，碩士生導師，主要研究方向為下一代無線通信及應用、無線傳感器網絡； 張濤(1990—)，男，碩士研究生，主要研究方向為圖像處理； 楊卓東(1994—)，男，碩士研究生，主要研究方向為圖像處理； 楊臣君(1991—)，男，碩士研究生，主要研究方向為移動通信技術。 An Adaptive Median Filter Algorithm for Preserving Image Edges LI Yang, ZHANG Xin, ZHANG Tao, YANG Zhuo-dong, YANG Chen-jun (Big Data and Information Engineering College, Guizhou University, Guiyang Guizhou 550025, China) Abstract：Aiming at the defects of traditional adaptive median filter in preserving the details of image edge, a modified adaptive median filtering algorithm is proposed, which could effectively remove the high density impulse noise in the image and ensure the edge details of the image. Firstly, the derivative of that point along the gradient direction is acquired so as to distinguish the point from the noise or the edge. Then, the value of the noise point reduction is taken into account in the mean value and the median value. In order to prevent them from being disturbed by strong noises, the number of repetition value in the window is reduced to one, and then the mean value and median value operation is done. Finally, the simulation experiments show that this algorithm is clearly superior to traditional adaptive median filtering algorithm in preserving the image edge details. Key words：median filter; impulse noise; edge details 作者簡介： 中圖分類號：TP751.1 文獻標志碼：A 文章編號：1002-0802(2015)12-1367-05 基金項目：國家自然科學基金(No.11204046)；貴州省科技廳工業攻關項目(黔科合GY字[2010]3056)； 收稿日期：2015-07-19；修回日期：2015-10-27Received date:2015-07-19；Revised date：2015-10-27 doi:10.3969/j.issn.1002-0802.2015.12.010
