基于自适应开关中值滤波算法的工程图像处理.docVIP

基于自适应开关中值滤波算法的工程图像处理 　　摘要：工程施工图像在获取、传输等过程中存在一定程度的噪声干扰。通过对标准中值滤波算法进行分析，得到了一种基于自适应开关中值的图像滤波算法，能够在去除椒盐噪声的同时保持图像细节。该算法用迭代实现了开关中值滤波算法中阈值的自动选取，可有效提高噪声点检测的准确率。通过MATLAB仿真实验，证实了该算法相较于传统滤波算法能够更好地保护图像细节和改进图像清晰度。 　　关键词：噪声检测；噪声滤除；自适应阈值；非线性滤波；中值滤波 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2014）003-0055-04 　　0 引言 　　随着科学技术的日益发展，以及人们对工程施工自动化要求的不断提高，机器人化成为高性能工程机械的一个重要发展方向。工程机械常具有复杂的臂架结构，如混凝土泵车、起重机、消防车等，通过臂架输送物料或人力至指定施工地点。对于大范围作业的多臂架工程机械，在传统施工模式下，操作者无法清楚全面地观察到施工现场情况，需要借助其他人员的远距离指挥，施工精准度不高，安全性能低下。借助工程机械自动化控制系统，利用图像处理技术获取清晰的施工现场影像，是工程机械机器人化的前提。传统的图像处理技术滤波算法对图像噪声点和边缘不加区分，容易造成图像模糊、信号丢失。因而，如何滤除噪声获取清晰的工程图像，成为图像处理领域的瓶颈。 　　1 图像噪声概述 　　工程机械产品由于其系统组成复杂、工作环境恶劣，原始图像通过获取系统、传输系统后，往往存在一定程度的噪声污染。噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来了困难。因此，不对图像去噪而直接对图像进行处理是毫无意义的，甚至会因图像信息的错误或者不完整造成安全事故。 　　图像去噪是数字图像处理领域中的一个重要研究方向，它是光学、电子学、图像学、数学和计算机科学的交叉学科，在众多科学和工程领域具有重要应用。图像去噪在很大程度上决定了后续图像处理，如特征提取、模式识别和分析效果。 　　按照噪声产生的原因，可以分为内部噪声和外部噪声；按照频谱特性，可以分为低频、中频、高频噪声以及工频噪声；按照幅值大小的分布统计函数，可以分为高斯噪声、伽马噪声、瑞利噪声、指数噪声、均匀分布噪声和脉冲噪声（椒盐噪声）等；按照噪声和信号的关系，可以分为乘性噪声和加性噪声。 　　椒盐噪声是图像去噪领域一类典型的噪声，国内外学者都曾对其进行过深入研究，本文也将就椒盐噪声的滤波问题提出解决方案。 　　脉冲噪声是指突发出现的幅度高而持续时间短的非连续离散脉冲。它的主要特征是突发脉冲幅度大、持续时间短，突发脉冲或噪声尖峰出现不规律，相邻突发脉冲之间有较长的安静时段。脉冲噪声主要来自机电交换机和各种电磁干扰、电力线感应等，其主要表现在成像的短暂停留中，如错误的开关操作。设加噪前后的图像分别为F（i，j）和A（i，j），则它们满足公式（1）。 　　2 中值滤波 　　中值滤波（Medianfilter）是基于统计滤波最常见的一种非线性去噪方法，它提供了一种优秀的去噪能力，比小尺寸线性平滑滤波的模糊程度明显要低，对处理椒盐噪声非常有效。正如其名，它是将滤波模板中心像素邻域内所有像素按灰度值大小进行升序排列，用序列中间值替换该滤波模板中心像素的值，使图像中的点看起来与它的邻近像素相似，去除那些相对于其邻域像素更亮或更暗的点，从而达到去噪的目的。中值滤波的数学表达式如公式（3）所示。 　　A（i，j）=Median（AH（i，j））（3） 　　其中设AH（i，j）为邻域内像素灰度值，Median （AH（i，j））为序列AH（i，j）的中值。 　　中值滤波的主要实现方法为：①将滤波模板在图像中滑动，获得模板中心点像素的灰度值；②从滤波模板读取模板中心点邻域像素的灰度值；③将滤波模板中模板中心点像素及其邻域像素的灰度值按升序排序；④确定序列的中值；⑤将排序后的中值赋予模板中心位置的像素。 　　中值滤波结果对比如图2所示。可知，图2（c） 用3×3窗口中值滤波的结果，与图2（b）所示图像相比，改进是显而易见的；图2（d）所示图像与图2（c）相比更加清晰，但是随着滤波窗口的增大，图2（e）与图2（f）所示图像却模糊起来。因而中值滤波的效果与窗口大小选择有关，窗口不是越大越好，也不是越小越好。在一定程度内，滤波窗口增大时，滤波效果更好，图像也更清晰。但窗口过大时，滤波效果反而变差，图像出现模糊。图像中存在细小细节时，滤波窗口选择过大，会把这些细节误当作噪声滤除，使图像中细节丢失过多，图像变得模糊。 　　中值滤波的主要原理是如果存在一个亮点（暗点）噪声，排序时一般会排在序列的最右边或最左边，序列中间位置一般都不是噪声点，使图像中的点看起