图像去噪领域中优化中值滤波算法研究.docVIP

图像去噪领域中优化中值滤波算法研究 　　摘 要 文中，主要针对传统的标准中值滤波算法的一些缺陷，通过对均值思想的利用设计了基于加权处理的自适应中值滤波算法，实验结果表明，改进后的算法能够在消除脉冲噪声的前提下更好的保护原有图像中细节信息。所以，改进后算法相较于传统的标准中值滤波算法具有更好的适用性。 　　【关键词】图像去噪 脉冲噪声 中值滤波 算法 　　1 引言 　　图像在获取和生成的过程中，不可避免的会受到脉冲噪声的干扰，从而产生模糊和降质图像。在现代基于数字化的数据通信过程中，脉冲噪声则成为影响通信系统的主要因素。虽然从上个世纪70年代人们都采用中值滤波算法对图像中的脉冲噪声进行消除，但是，在图像中的脉冲噪声密度不断增加的情况下，传统的标准中值滤波算法则难以兼顾图像细节和噪声消除。 　　所以，在本文内容中，主要针对传统中值滤波算法进行优化和改进，设计了基于加权的自适应中值滤波算法，实验结果表明，进过改进后的中值滤波算法可以有效提高原有算法的性能，保留图像中的细节信息和边缘信息，最大限度的消除图像的脉冲噪声。 　　2 标准中值滤波原理 　　为了对后面的改进中值滤波算法的思路进行说明，这里需要针对传统的标准中值滤波算法的基本思想进行说明，即：对一个集合的元素进行排序，所采用的方式为在集合中任意取一个元素，将剩下的元素都跟该元素进行比较，如果小于该元素，就将其放到该元素之前，如果大于该元素，就将其放到该元素之后；完成一个排序过程后，将可以将该集合以该元素为界分成了两个不同的部分；之后，对剩下的2个部分分别重复前面的步骤，直到每个部分中所剩下的元素只有一个为止；这样，完成排序过程后，就可以取该序列中间的元素作为输出值。 　　3 改进的中值滤波算法原理 　　前面已经提到，传统的标准中值滤波算法存在一些缺陷。特别是在图像的空间密度较大的情况下，中值滤波对冲击噪声的处理能力则比较有限。所以，为了能够将这种问题进行有效解决和优化，设计了加权自适应中值滤波算法，在该算法中所采用滤波策略就是通过扩大窗口，将冲击噪声的空间密度有效减少。 　　对标准中值滤波算法进行改进的基本思路可以概括为：如果用 表示在滤波的过程中像素点 所对应的窗口矩阵，用 表示该窗口矩阵中的像素灰度的最小值，而用 表示该窗口矩阵中的最大值，用 表示窗口中的灰度中值，用 表示图像中的坐标 所对应的灰度值，用 表示窗口矩阵所允许的最大尺寸。此外，还可以用A层和B层来表示自适应中值滤波算法中的两个不同的层面，在对灰度中值 的计算过程中，将经过传统或者标准中值算法中的排序计算得到的中值，跟窗口矩阵正所有像素点的均值进行加权平均，得到改进算法的中值计算结果，在本文中，加权所采用的权重分别为0.3和0.7，其中中值对应0.3，而均值对应0.7。 　　对所采用的A层和B层，在算法中的操作条件为： 　　A层，令ZA1=Zmed-Zmin，ZA2=Zmax-Zmed，如果ZA1和ZA2都大于给定的阈值，则转移到B层。否则，将窗口矩阵的尺寸扩大，在扩大后的窗口尺寸小于Smax的情况下，对A层的操作进行重复处理。 　　B层，令 ZB1=Z（x，y） - Zmin，ZB2=Zmax-Z（x，y），同样，在ZB1和ZB2都大于给定的阈值的情况下，将Z（x，y）输出。否则，将Zmed输出。 　　采用A层和B层的不同操作条件，是为了对 是否单一脉冲进行判断，而B层则主要用于判断 是否为单一脉冲。特别是在这两个参数非脉冲的情况下，算法就可以用一个固定的像素值来作为窗口中的中值，可以保护原有图像中的一些细节信息。 　　4 改进算实验结果 　　为了验证算法性能，以数字图像处理领域中常用的MATLAB2010软件为试验平台，在原中值滤波算法的基础上，通过优化和改进，将工作的重点放在对算法的设计和运算量的优化上，实现对不同算法处理结果的对比显示，为算法优化提供依据。 　　在算法的验证过程中，所采用的评价标准主要为峰值信噪比，即 。人们对峰值信噪比的定义多种多样，本文实验中所采用的计算方式主要为 　　在上面的式子中，u（m， n）表示图像灰度， v（m， n）表示经过处理图像的灰度，M和N分别表示图像像素尺寸。 　　4.1 加权自适应中值滤波结果 　　在实验中，针对常用的Lena图像，添加方差为0.3的椒盐噪声，对分别采用原始中值滤波算法和自适应中值滤波算法的处理结果进行比较。具体如图1中所示，在计算中，所设定的阈值为0.6。 　　从上面的图中可以发现，图1（a）为原始Lena彩色图像，图1（b）为添加方差为0.3的椒盐噪声图像，在图1（c）中为采用标准中值滤波算法得到去噪图像结果，图1（d）中则为采用改进的加权自适应中值滤波算法的处理结果。在图1（d）中，所显示的经过自