基于中值滤波及维纳复原图像预处理方法.docVIP

基于中值滤波及维纳复原图像预处理方法 　　摘要：图像预处理是机器视觉、模式识别等研究领域中不可获取的重要组成部分，在算法的研究与设计过程中，图像的质量与完整度都是影响算法准确率的主要因素，而通过图像预处理可以很大程度上的弱化这些影响。该文在研究传统的图像预处理方法的同时将图像滤波与图像复原方法相结合，提出加权自适应中值滤波结合维纳复原法。即首先采用加权自适应中值滤波对图像进行滤波，然后使用维纳复原法对图像进行复原。通过实验证明该方法对改善图像质量有着很好的效果 关键词：图像预处理；加权自适应中值滤波；维纳复原 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）34-0208-02 随着计算机技术的发展，模式识别与人工智能领域的研究已经进入了更加深入的阶段，研究人员们对算法的正确率与准确度有了更高的要求，这导致人们对样本集（包括训练集与测试集）的要求也越来越高。现阶段，大部分的自制样本都是通过相机拍摄或者通过录像截取的方式获取，这种方法在图像生成与传输过程中存在着一些弊端，即图像的质量极易受到外界因素的干扰，产生大量的脉冲噪声并丢失局部信息。脉冲噪声主要有随机值脉冲噪声与椒盐噪声，现阶段处理脉冲噪声的主要方法为非线性滤波法，其代表方法是中值滤波法[1]，随着研究人员对样本的质量要求越来越高，由于传统的中值滤波在保存图像细节方面效果欠佳，已经不能满足人们的要求。为了解决这个问题，本文作者提出采用加权自适应中值滤波方法结合维纳复原法的图像预处理方法，使其能在滤波效果最好的情况下最大程度上的保证图像的细节和边缘。通过实验验证，通过本文方法处理的样本在清晰度与完整度上较传统算法有很大的提高 1 中值滤波算法原理 1.1经典中值滤波算法 经典的中值滤波算法SMF（standard median filter）是一种非线性滤波方法，该算法依赖于快速排序法，在牺牲部分图像细节与边缘信息的基础上能去除部分脉冲噪声 其基本思想为：从待排序的元素集合中任选一个元素，将其作为基元素分别于其他元素比较，将其作为分割中点，将比它小的元素放在前边、大的元素放在后边分成两个集合。然后分别对这两个集合重复以上动作，当所有排序结束后，取中间的元素值作为中值即输出值 这种方法在处理大图像时存在计算量很大的问题，同时其去噪性能受到滤波窗口尺寸的影响较大，在噪声抑制与保护细节方面存在着一定的矛盾[2] 1.2加权自适应中值滤波原理 其基本思想是：设A（x，y）表示中心像素点（x，y）在滤波时所对应的掩模窗口。令Zmin为A（x，y）中的灰度最小值，Zmax为A（x，y）的灰度最大值，Zmed为A（x，y）的灰度中值。其中灰度中值的计算方法结合了均值思想。把排序得到的中值与窗口中所有像素点的均值相加得到灰度中值（中值权重为0.3，均值权重为0.7） 2 维纳复原法 维纳（wiener）滤波复原法是属于反卷积算法一类[3]，它是由Winner首先提出并应用于一维信号，取得了很好效果。研究人眼将其引入二维信号处理，尤其是在图像复原领域效果良好，计算量较低，并且抗噪声性能优良，因而在图像复原领域得到了广泛的应用 2.1维恩滤波原理 在这里，本文对维纳滤波器进行一个小的改进。即在信噪比的倒数项中加入参数[γ]，其取值一般在0-1之间，其作用为修正信噪比，并改善滤波器抗噪声性能的目的。通过实验研究[γ]一般取值为0.1-0.3效果较明显 3 实验验证与分析 本文采用的实验工具为Matlab软件，所有算法的编写与实现都是用其完成 3.1实验过程 1）选取原始lina图像，并对其进行灰度化 2）在原始lina图像中加入高斯噪声如图2所示 3）使用传统中值滤波法对噪声图像进行滤波如图3所示 4）采用维纳复原法对图3进行复原 5）采用自适应中值滤波法对噪声图像进行滤波如图5所示 6）使用维纳复原法对图5进行复原 3.2 实验分析 如图1到图6所示，在实验过程中首先对原图像进行灰度化并加入高斯噪声，当采用传统中值滤波时发现去噪效果明显。但是也模糊了图像的边缘，如图3。当采用本文设计的自适应中值滤波法进行滤波时效果较好，如图5。但是这两种滤波方法都在某种程度上模糊了图像的边缘和细节，在采用了维纳复原法处理后如图4、图6，我们可以观察到图像的细节与边缘得到了更好的描述。说明本文算法的正确性与有效性 4 总结 本文提出采用图像滤波与图像复原的图像预处理组合方法，针对单一的图像滤波会对图像的边缘以及细节信息造成伤害的问题进行研究。实验结果证明，本文提出的方法在有效的抑制噪声的同时，能提高图像的质量并保证边缘与细节信息不丢失 ?⒖嘉南?