一种用于图像处理的新型加权中值滤波算法.docVIP

一种用于图像处理的新型加权中值滤波算法 摘要： 为了取得更好的滤波效果，本文针对传统中值滤波算法的不足之处，提出了一种新的自适应加权中值滤波算法。该算法首先通过噪声检测确定图像中的噪声点，然后根据窗口中噪声点的数量自适应调整滤波窗口的大小，像素点在滤波窗口中按照特定规则进行自适应分组，并且按相似度给出各组像素点的相应权重，最后利用中值滤波算法对检测到的噪声进行滤波。计算机仿真实验结果表明，本文提出的新算法不仅可以有效去除噪声，而且能较好的保存图像细节，滤波性能要优于传统的中值滤波算法。 关键词：加权中值滤波：相似度函数；脉冲噪声；高斯噪声；细节保留 一、引言 在很多科学领域，数字图像处理是一个获取信息的重要来源。但是，由于图像采集系统、传输介质和成像系统的不完善性，在图像信号的形成和传输过程中引入了不同程度的噪声，从而降低了图像质量。噪声的去除是图像处理的一个关键步骤，因为大部分的图像后期处理（如边缘检测、模式识别和图像分割）都依赖于去噪的效果和质量。 传统中值滤波算法由于其对长尾概率分布噪声有比较好平滑性能且能很好的保留图像细节，因此被广泛应用于去噪。但是，它的性能与滤波窗口的大小有很大的关系，而且该算法在噪声抑制和细节保留之间存在矛盾，也就是说，滤波窗口越小就越能很好地保留图像的细节，但噪声抑制能力会差一些[1]；反之，当滤波窗口越大，噪声抑制能力将得到加强，但有很多图像的细节（如图像的边缘，角落和细纹）将会丢失，这会导致图像模糊。为了解决该矛盾，及在去噪的同时又能保留图像细节，研究工作者许多提出了许多改进的中值滤波算法。例如，中心加权中值滤波算法[2,3]就是通过改变滤波窗口中像素点的加权值来达到噪声抑制和图像细节保留的平衡，它是以牺牲部分图像噪声抑制能力为代价的。对于开关中值滤波算法[4]，首先利用噪声分类器区分噪声像素和图像像素，然后进行迭代滤波。然而，当存在强噪声时，该方法就类似于标准中值滤波算法，它需要很长的时间迭代过程。根据标准中值滤波算法对于高密度噪声处理能力的不足性，经典自适应中值滤波算法[5]旨在减少扩充窗口中的噪声密度，从而能有效处理高密度的脉冲噪声，并能够在平滑非脉冲噪声的同时保存更多的图像细节。该方法的不足之处在于：当滤波窗口尺寸较大时无法找到相应的中值像素，它将直接输出原始的灰度值从而造成一些噪声像素无法被滤波，因此图像的滤波效果将会受到影响。对于满足滤波条件的噪声点它采用了标准中值滤波法，因此造成了图像边缘的模糊或细节丢失。 本文提出了一种新的自适应加权中值滤波算法，它汲取了传统中值滤波算法的优缺点，并且利用了大窗口滤波、小窗口滤波以及中心加权中值滤波的优点。其原理是：首先，在图像上移动3×3的窗口来进行噪声的检测，并把像素点划分为两种类型：噪声点和非无噪声点；然后根据3×3窗口中噪声点的数目自适应调整滤波窗口的大小，并且基于相似性按照一定的规则，巧妙地对所有像素进行自适应的分组，并且对每组像素点以相应的权重。最后，对图像中的噪声点进行加权中值滤波。该算法成功地解决了噪声抑制与细节保留的矛盾，通过自适应调整滤波窗口和每个像素点的分组并给予每组像素点以相应的权重，从而有效地提高了自适应图像处理和细节保持能力。 二、加权中值滤波算法 本文所提自适应加权中值滤波算法包括三个步骤：（1）图像的噪声检测；（2）根据窗口中噪声像素的数目自适应决定滤波窗口的大小；（3）自适应确定滤波窗口中每组像素点的权重，并利用加权中值滤波算法对噪声点进行滤波。 A．图像噪声检测 噪声检测是滤波算法应用中比较关键的一步，因为它奠定了对像素进行正确分类的基础。对噪声检测有多种方法，文献[6]给出了本文作者提出的噪声检测方法。通过在图像上移动3×3的窗口，我们可以确定当前窗口中的噪声像素。假设中心像素(i，j)的灰度值为f(i，j)，当前窗口中所有像素灰度值就如下式所示的一个集合： 计算窗口内所有像素的平均值： 假设在Si,j中最大灰度值为Zmax，最小灰度值为Zmin，那么噪声像素可以通过下面几个条件来决定：当中心像素的的灰度值为或以及时，就把(i,j)判断为噪声点。噪声像素被标记为，非噪声像素被标记为。检测阈值dij表示基于人类视觉特性定义的噪声敏感度，它可定义为[7]： B. 滤波窗口尺寸的自适应确定 当采用标准中值滤波算法进行滤波时，滤波窗口的尺寸会大大影响噪声的去除效果，即当滤波窗口较小时，图像细节能够很好的保留，然而噪声滤波能力会差一些；相反当滤波窗口较大时，噪声去除效果被加强，但图像会出现模糊。根据这一特性，本文将结合上述两种情况下滤波性能的优点，即根据当前窗口中噪声像素点的数目自