基于汽車輪輞的高密度椒鹽噪聲濾波算法研究

王娟 付盼麗

【摘 要】提出了一種局部相關規則與極值自適應中值的濾波算法。該方法首先根據圖像特征自適應加邊框，通過噪聲判別標準列出相關規則，通過與自適應閾值比較將不符合規則的噪聲點用自適應變窗口中值濾波算法濾除。該算法具有良好的濾波性能，可以有效地去除圖象中的椒鹽噪聲，并保留圖象的細節。

【關鍵詞】自適應；加邊框；判別標準；中值濾波；椒鹽噪聲

中圖分類號： TP391 文獻標識碼： A 文章編號： 2095-2457（2018）27-0154-002

DOI：10.19694/j.cnki.issn2095-2457.2018.27.068

0 引言

噪聲是圖像干擾的重要原因，去除圖像噪聲并保護圖像細節，一直是圖像處理中的熱點問題。Tukey提出了標準中值濾波算法（SMF），能夠很好的去除脈沖噪聲。但SMF算法存在固有缺陷：對于高噪聲圖像去噪能力不足，會殘留大量噪聲信號。為了提高算法效率，文獻[1]提出了快速并行中值濾波算法（FPMF），但該算法并沒有使圖像信噪比提高。文獻[2]提出了中值濾波的優化算法（ISM），該算法能夠根據局部像素分布信息判斷噪聲信號，但對于高密度噪聲圖像容易產生漏檢和誤檢。K.Aiswarya等提出的DBUTM算法，能很好的去除噪聲，但該算法在大噪聲、窗口內全部為噪聲點的情況下容易失效。基于以上分析總結，本文提出了一種基于極值鄰域的變窗口濾波算法，該算法在濾除高密度椒鹽噪聲的同時，還能保持良好的邊緣信息。

1 算法原理及實現

該算法根據圖像特征提出了自適應添加邊框像素值，然后根據鄰域局部信息找出噪聲污染點，最后根據噪聲判別標準進行濾波，將檢測到的噪聲點進行鄰域相關規則提取，不符合規則的鄰域進行自適應變窗口中值濾波，最終實現圖像噪聲濾除。

1.1 自適應加邊和閾值選取

為了濾除圖像邊緣的噪聲，分析圖像起始像素值的特征選取合適的邊框像素值，具體步驟如下：

（1）設起始點為f（0，0），若f（0，0）為信號點則把該點添加為邊框值，否則執行（2）。

（2）在2×2鄰域搜索非極大極小值點，將搜索到的像素值賦予邊框值，否則執行（3）。

（3）擴大窗口至3×3，繼續掃描；否則擴大窗口至4×4，以此類推直到找到信號值點。

圖1為某區域添加50%椒鹽噪聲后像素值分布和添加邊框后的像素值分布。

初級檢測到的可疑噪聲點，判斷3×3窗口內中心點像素值與鄰域像素值的關系，若窗口內所有非極大極小像素灰度值與中心點像素值的絕對差值都小于閾值K則中心點為信號點，若大于K，認為中心點是噪聲點，做濾波處理。判斷3×3濾波窗口內中心點與其他像素值的絕對差值，選擇數目最多的作為閾值效果最佳[3]。

1.2 圖像濾波處理

由于濾波窗口在圖像上是自左至右、從上到下掃描并對噪聲點像素灰度值進行實時更正的，當濾波窗口游走到圖像某一位置且目標像素點p為噪聲點時，其右邊和上方的4個點已經經過濾波處理可以看作是無噪聲的信號點，是可信的，這4個點的灰度大小及分布特征對p的修正提供可靠參考。以p點為中心的3×3濾波窗口及窗口中的像素灰度值分布如圖2所示。

圖2 3×3濾波窗口

如果p點檢測為噪聲信號，可根據p點周圍特別是左邊和上邊像素間的相關性提取若干規則[9]，對p點進行修復。

（1）如果p點上方行、左邊列或斜邊的像素灰度值存在相等關系，則可提取規則1～3：

（2）如果p點上方行、左邊列或斜邊上的像素值間存在某種差值關系，則可提取規則4～6：

在噪聲密度較小選用3×3濾波窗口，噪聲密度較大時選用5×5濾波窗口。所有排序取中值操作都只在當前窗口內非噪聲點灰度值中進行，即在所有f（x，y）？綴S的灰度值中排序取中值，如圖3所示。

2 實驗結果與分析

將圖像加入不同程度的椒鹽噪聲，分別運用IMF算法及本文算法對噪聲圖像進行處理，并對還原后的圖像進行了比較。圖4為添加90%椒鹽噪聲[8]圖像各算法處理后的效果圖。

從圖4可以看出，添加90%噪聲后，本文算法濾波效果要好于IMF算法，IMF算法[7]產生的毛刺要比本文算法明顯。這說明：本文提出的改進算法在高噪聲密度環境下的濾波效果要好于其他算法，而且在保護圖像細節方面也比其他算法優異。

本章采用峰值信噪比（PSNR）作為客觀評價的標準，分別比較在10%至90%的椒鹽噪聲條件下，SMF、ISM、IMF及本文算法的濾波性能[13]，并記錄數據于表1中。

無論是在低密度（10%）噪聲和高密度（90%）噪聲下比較，本文算法的濾波性能都要優于其他幾種算法。在低噪聲密度條件下本文算法的PSNR值要比其他算法高、MSE值比其他算法低，但這種優勢還不太明顯；但噪聲密度增大，達到50%以上時，本文算法的優勢較為明顯。

3 結束語

本算法在有效的檢測噪聲策略的基礎上，區分圖像上的噪聲點和信號點，僅對噪聲點進行處理；充分考量噪聲點周圍像素分布特征信息，再對噪聲點像素值進行取代；然后，對周圍像素信息相關性不大的噪聲點進行自適應變窗口濾波處理，根據噪聲密度選擇合適大小的濾波窗口，僅對窗口中信號點的像素值進行排序取中值操作，避免了噪聲信號的再次傳播，因而本算法具有優異的去噪能力。

【參考文獻】

[1]辛月蘭.一種快速并行中值濾波算法的實現[J].微型電腦應用，2011，27（8）：50-52.

[2]索俊祺.一種新的基于中值濾波的優化濾波算法[D].北京郵電大學，2010.

[3]張麗新.數字圖像高密度脈沖噪聲的中值濾波算法研究 [D].上海交通大學，2009.

[4]彭良玉，楊輝，黃滿池.一種新的基于脈沖噪聲點檢測的自適應中值濾波算法[J].蘭州理工大學學報，2009，35（1）：77-80.

[5]Yuan Xin-xing，Wen Peng，Fan Xiu-xiang，Fu Bo，et al. A Local Pixel Distribution Based Self-Adaptive Median Filter for Removal of Pepper and Salt Noise[C].International Conference on Intelligent Control and Automation Science，2013，3（1）：63-67.

[6]寧春玉，趙春華.自適應中值濾波算法濾除醫學圖像脈沖噪聲[J].Computer Engineering and Applications，2012，48（24）.

[7]郭紅偉.數字圖像中椒鹽噪聲的濾波算法研究[D].云南大學，2010.