一种对脉冲噪声的快速和可靠的开关中值滤波.pptVIP

一种对脉冲噪声的快速和可靠的开关中值滤波 Wei Ping, Li Junli, Lu Dongming, Chen Gang 摘要 在本文中，我们提出了一种针对被脉冲噪声损坏的图像的快速和可靠的滤波器，中值滤波曾经是最受欢迎的非线性滤波器，可以有效的消除脉冲噪声，有很好的去噪能力和计算效率；但是当噪声比率较高的时候，性能较差。因此，为了提高滤波效果，又出现了许多新的算法。最近，出现新了一种具有边界噪声检测能力的开关中值滤波算法（BDND），表现出比其它基于中值滤波的算法更好的性能。但是这种算法需要很多的计算时间。我们提出的算法采用和BDND相似的策略，和其一样有效，但更有效率。新的方法使用新的强大而有效的噪声检测方法来判断像素是否被噪声破坏。如果是，则使用一个可变的窗口中值滤波器来削弱脉冲噪声。计算机仿真结果证明了所提出方法的良好性能。 1 引言 在一些应用中数字图像可能会受到脉冲噪声的破坏。减小噪声在数字图像处理中是一个非常重要的任务。这个任务的难点是怎样减小噪声但保持图像的细节。有许多关于如何恢复被脉冲噪声破坏的图像的研究。最受欢迎的脉冲噪声滤波器是中值滤波。但是它使一些细节和源图像的边缘变模糊，特别是当噪声等级较高时。出现了各种不同的对中值滤波改进的方法，如加权中值滤波，中心加权中值滤波等。这些滤波器对每个像素应用中值操作，不管当前的像素是否被污染，这样会使图像非常模糊。 1 引言 开关中值滤波器（SM）识别每个像素是“被被坏”还是“原始的”，只有那些被破坏的像素才会被滤波处理。所以SM滤波器在削弱脉冲噪声时，能够获得更好的效果。问题是如何检测和分离被破坏的像素。更早的一些研究工作中已经达到了这个目标。他们使用一个从预先假设的噪声密度等级中获得的固定决策阈值来实现。这些噪声检测过程在区分像素和噪声时经常会出现错误。在文献[5]中提出一个噪声自适应软开关中值滤波器（NASM）来解决这个问题。当脉冲噪声密度范围为10%到50%时，NASM在去除噪声中表现出很好的性能。但是，当图像的噪声密度大于50%时，恢复图像的质量大幅下降。最近，Pei-EngNg和Kai-kuang提出一个高精度噪声检测算法BDND。即使噪声密度高达90%BDND也可以达到满意的结果。但是对实际应用，它的计算量太大了。 2 脉冲噪声检测 脉冲噪声分布于图像灰度的两极，在图像灰度很高和很低的地方都存在。它严重损坏了图像的细节。在本文中，噪声检测方法应用到每个像素来确定像素是不是受到脉冲噪声的破坏。使用了一个二进制矩阵来指示识别结果，“0”代表没被破坏，“1”代表被破坏。 使用两个重复的过程来实现这个目标。在第一个过程中，在以当前像素为中心的正方形窗口内的像素被分成三个区域，低亮度区，中值亮度区，和高亮度区。当前像素不是落在中值亮度区时，就认为像素被破坏。 第一个重复过程使用一个21X21像素的窗口，我们计算局部窗口的直方图，根据直方图我们可以得到两个边界b1和b2。 2 脉冲噪声检测 第一个重复过程的步骤如下： 1）引入一个21X21的局部窗口，中心是当前像素。 2）计算局部窗口的直方图，二进制索引就是灰度，寻找局部窗口的最大和最小灰度，分别标记为Min和Max。 3）对在Min和 (Min+Max)/2之间的索引，计算其和邻近非零二进制索引的差，寻找最大的差，并将相应索引标记为边界b1。 4）同理，对在(Min+Max)/2和Max之间的索引计算出b2。现在便建立了三个区域。 5）如果像素不属于中值区，则被破坏。 假设图像有L个灰度。我们用一个L大小的一维向量记为来记录局部窗口的直方图。对于8位深度的灰色图像，L=256。局部窗口从图像的顶部滑动到底部，左边移动到右边。当窗口越过图像边界时，对称的扩展像素。 3 自适应滤波策略 现在，我们已经得到一个指示每个像素是否被破坏的二值矩阵。基于这个矩阵，那些“没被破坏”的像素保持不变，具有自适应调整窗口大小的开关中值滤波器应用于那些“被破坏”的像素。 从窗口大小W=3开始。滤波窗口在四个边扩展一个像素，如果没破坏的像素数量少于3个。这个和应用于BDND的滤波策略有点不同。它的扩展是当没破坏的像素少于窗口像素数量的一半（Sin=W*W/2）时进行扩展，当没被破坏像素数量超过Sin，或窗口大小等于预定义的最大窗口大小Wmax，扩展过程结束。Wmax通过估计噪声密度等级来确定。在高噪声密度（50%），通常，在窗口内没被破坏像素数量少于Sin，窗口大小经常增加到最大窗口大小Wmax，这会使得图像细节变得很模糊。此外，噪声密度等级的估计需要比我们简单滤波策略更多的计算。 假设应用开关中值滤波于噪声像素Xij，并最终确定窗口大小为Wf，输出像素是Yi,j 注意在中值滤波过程中，那些被破坏的像素被排除在外，