基于动态窗口自适应中值滤波算法.docVIP

基于动态窗口的自适应中值滤波算法 周华 (德州学院 计算机系　山东德州 253023) 针对中值滤波算法对于高密度噪声图像以及纹理细腻图像的边缘处理能力欠佳的缺陷，提出一种基于动态窗口的自适应中值滤波算法。新算法根据噪声点与周围信息的关联程度将噪声点滤波值进行调整，从而更好的处理图像的细节部份。新算法中的自适应策略加强了滤波算法的去噪性能，使其对于含有任意噪声密度的图像也能很好的进行噪声滤除。通过仿真分析，新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好，有效的提高图像的峰值信噪比，其去噪效果相比其他方法更加优秀。 椒盐噪声 噪声检测 动态窗口 DYNAMIC WINDOW-BASED ADAPTIVE MEDIAN FILTER ALGORITHM Zhou Hua (Department of Computer Science, Dezhou University, Shandong De zhou 253023) Abstract In response to the flaw that the median filtering algorithm has a poor handling capacity to high-density and fine texture noise, a Dynamic window-based adaptive median filter algorithm is proposed. According to the associated level between noise-point information and the surrounding , the new algorithm adjust the Noise point filter value, which can get a better deal with the details of the images. The adaptive strategies Strengthen the performance of the filtering de-noising algorithm, which is good at dealing the high-density noise. Through simulation analysis, the new algorithm is better than other algorithms. salt-and-pepper noise adaptive median filter dynamic window 0引言 图像的编码及传输中，经常经过含有噪声的线路或被电子感应噪声污染时，会使图像染上一定程度的椒盐噪声(即脉冲噪声)[1]。中值滤波因其与输入信号序列的映射关系，在去除脉冲噪声上有比较好的效果，很多学者针对中值滤波技术进行研究，提出了很多改进算法。如加权中值滤波方法（WM）[2]，中心权值中值滤波器(CWM) [3]，三态中值滤波器(TSM) [4]，模糊多极中值滤波方法[6]等，以及基于上述若干方法的改进策略[7]。文献[8]介绍了一种改进的自适应中值滤波方法（AM），取得了不错的滤波效果，但其对于高密度噪声图像以及纹理细腻图像的边缘处理能力不佳。本文将基于该种方法（AM），并通过分析图像噪声信息，提出一种基于噪声检测的自适应中值滤波，以克服对于高密度噪声及多细节图像去噪不理想的问题。实验结果表明，新算法对于细节丰富的图像以及高密度噪声的图像滤波效果良好，有效的提高图像的峰值信噪比，其去噪效果明显优于相比其他方法。 中值滤波法简介 早在1974年，Tukey提出了一维的中值滤波器，之后有学者针对将其发展至二维图像。标准中值滤波(SM)采用滑动窗口划分子图像，再对子图像进行二维中值滤波，当前窗口中心的像素点即为需要进行去噪处理的像素点。滤波过程中，窗口大小可以设定为不同的值，一般是采用3*3的方形窗口进行滤波。对于该滑动窗口内的像素点进行灰度值的排序，取中值作为当前像素点的灰度值。由于缺乏判断像素点是否有被噪声影响的机制，采用该方法时需对所有像素点进行一次滤波操作，在一定程度上对图像的边缘、细节信息造成破坏。 噪声点的检测 椒盐噪声在图像中表现为极大值或者极小值。在去噪处理之前，针对图像灰度值受椒盐噪声影响分布情况的特殊性，先将像素点分成非噪声点、噪声点和图像细节点，一方面减少系统开销，另一方面避免破坏原图像中的非噪声点。噪声点的监测室通过全局检测和局部检测两个层次来判定。 全局检测 在受椒盐噪声影响的图像中，噪声点的灰度值分布在图像灰度值的极大值端或者极小值端。若