一种改进的混合滤波的算法.docVIP

一种改进的混合滤波的算法 　　摘要：传统的中值滤波算法和均值滤波算法对椒盐噪声和高斯噪声各有擅长。当一幅图像同时受到两种噪声污染时，单一的中值滤波或者均值滤波都不能达到理想的去噪效果。为了同时去除两种不同的噪声，不少学者提出了混合滤波算法，即把受椒盐噪声污染的像素和受高斯噪声污染的像素区分开，然后对有仅受椒盐噪声污染的像素采用中值滤波算法，而对受高斯噪声污染的部分采用均滤波算法。本算法在继承这种思想的基础上，提出了一种新的混合滤波方法。实验表明，新方法是可行和有效的。 　　关键词：高斯噪声；椒盐噪声；混合滤波 　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2011)01-0177-03 　　图像在传输过程中，会受到各种噪声的干扰，噪声干扰会影响图像的视觉效果。在对图像进行边缘检测、特征提取、模式识别等处理前，有必要对图像进行去噪。在噪声预处理算法中，均值滤波算法和中值滤波算法是两种常用的方法。均值滤波算法和中值滤波算法对不同的噪声有不同的去噪特性。其中，均值滤波算法对高斯噪声有较好的去噪效果，对椒盐噪声（脉冲噪声）则很差；而中值滤波算法对椒盐噪声的去噪表现很好，对高斯噪声却很差。 　　中值滤波在滤除椒盐噪声的同时能够有效的保护图像细节，因此在图像预处理领域，得到更广泛的应用。中值滤波有很多改进方法，如开关中值滤波[1] 加权中值滤波[2]，极值中值滤波[3]等，在保护图像边缘方面较普通中值滤波方法有了进一步的改善。针对图像同时受到椒盐噪声和高斯噪声污染的情形，Lee和Kassam将中值滤波算法与均值滤波结合，提出一种改进的均值滤波算法（MTM[4]），希望能同时抑制椒盐噪声与高斯噪声。但MTM算法不便实施，且滤波效果并不算理想。为此，张恒等提出了一种加权滤波算法――混合滤波算法（MF）[5]，试图在的同时滤除椒盐噪声，抑制高斯噪声。然而滤波效果并不理想，特别是在椒盐噪声比较大的情况下。本文通过对MF算法进行分析，指出其不足，并对它进行改进。 　　1 MF算法及分析 　　1.1 MF算法 　　1) 在处理图像矩阵中第（i,j）个像素点时，以I（i,j）为中心选取N*N的区域B（其中N为奇数），求出这个区域N2内个像素点的灰度中值M（i,j）； 　　2) 令r为N/2的整数部分，然后对这个（i，j）点的N*N区域内的每一点按下式计算相应的归一化加权系数r（m,n）： 　　（1） 　　（2） 　　3) 将第（i,j）点的N*N区域内每一点的灰度值I（m,n）与相应的r（m,n）相乘，然后加和，作为所处理点的滤波输出。用算式表示为 　　（3） 　　其中，I（m,n）为N*N邻域B内第（m,n）点的灰度值，d（i,j）为经MF方法处理后的（i,j）位置的灰度值。 　　1.2 MF算法分析 　　分析式（1）、（2）、（3），可以看出，I（m,n）与M（i,j））的之差越大，对应的r（m,n）就越小；反之，I（m,n） 和M（i,j）相差越小，对应的r（m,n）相差越大；当I（m，n）和M（i,j）相等时，r（m,n）最大，此时相应像素被赋予最大的权值。因此，MF滤波算法好处如下： 　　1) 当出现的中值像素合理时，给椒盐噪声对应灰度赋的权值非常小，以致于在做累加时椒盐噪声的灰度值的影响可以被忽略掉。 　　2) 做累加类似于均值滤波，可以抑制一部分高斯噪声。尽管MF算法的出发点很好，由于在实际应用中存在缺陷。 　　在I（i,j）所对应的某个邻域，以3*3窗口为例，如图1所示。可以发现，当像素被椒盐噪声污染，MF方法所取的中值为椒盐噪声的灰度值。椒盐噪声对应的灰度被赋的权值非常大，而非椒盐噪声对应的灰度权值非常小。在做累加时，非椒盐噪声的点的灰度值可以被忽略，椒盐噪声的灰度值将起重要作用，输出的值仍然表现为椒盐噪声。因此，在MF方法使用之前，有必要对图像中的像素进行椒盐噪声的辨别，排除椒盐噪声对中值的选取的影响。 　　3) 以3*3邻域为例，如图2所示，当待处理的点的邻域信息不足、但其邻域内像素的信息可以通过后续的处理而获得时，为了使邻域信息不足的待处理像素能够获得足够的邻域信息，可以对待处理的像素延后处理。待到邻域信息足够时再它进行处理。 　　图2是当前处理点的邻域信息不足，但邻域信息可以通过后续处理得到的示例图。 　　2 MF算法的改进 　　本文为了使MF算法能适应椒盐噪声，对MF算法作如下改进。 　　大部分的椒盐噪声的灰度值集中在255或0附近。根据这个特性，椒盐噪声的灰度范围可以表示为[0，σ]和[255 -σ][5]。若图像的某一像素的灰度值落入这两个范围内，认为该像素被椒盐噪声污染，则在其对应的优先级记录表中的优先级设为最低；反之，认为该像素仅被高斯噪声污染，