基于图像去噪混合噪声滤波算法.docVIP

基于图像去噪混合噪声滤波算法 　　[摘要]传统的中值滤波和均值滤波通常被分别用来滤除椒盐噪声和高斯噪声。但是当图像同时存在高斯噪声和椒盐噪声时，单独使用哪种滤波方法都不会达到最好的去噪效果。为了能同时滤除两种不同性质的噪声，提出了一种新的自适应混合噪声滤波算法。该算法采用了一种基于自适应阈值的方法对滤波系数加以优化，使其既可以有效地减少噪声，又可以较好的保持图像的边缘细节信息，仿真结果表明该算法能较好的滤除混合噪声，且滤波效果优于传统的滤波算法。 　　[关键词]噪声检测　混合滤波　自适应算法　仿真分析 　　中图分类号：TP3文献标识码：A 文章编号：1671－7597 (2008) 0210018-01 　　 　　图像在拍摄、采样、量化和传输等过程中，常常被外界各种噪声干扰，使图像不能真实反映景物，图像质量严重下降。因而在图像处理中，图像滤波起着重要作用。它可以有效地抑制各种噪声、保持边缘信息，从而改善后续处理工作的质量。 　　目前，图像去噪的方法有很多，均值滤波和中值滤波是两种非常有效的方法。它们对不同的噪声有不同的去噪能力，中值滤波对椒盐噪声有较好的去噪能力，而均值滤波对高斯噪声有较好的去噪能力。但是在实际的图像处理过程中，图像往往会同时受到两种噪声的干扰，单独的中值滤波或均值滤波均不能达到最好的去噪效果。因此Lee和Kassam将这两种方法结合起来，提出了一种改进的均值滤算法（MTM），虽然该算法相对于传统的均值滤波或中值滤波已有很大改善，但却受制于阈值，阈值的选择直接影响了滤波效果。基于此，本文提出了一种新的自适应混合噪声滤波算法，相对于传统的滤波算法，去除噪声效果较为理想。 　　一、混合噪声滤波算法 　　 设含有噪声的图像为，大小为 ，滤波输出为。对含噪图像进行从左到由从上到下的滤波。 　　（一）噪声检测 　　以噪声图像中像素为中心选取像素为3×3的窗口 。求出滤波窗内像素的方差： 　　其中，令阀值为T。当 时，则认为该 　　滤波窗内受到椒盐噪声的污染；当 时，则认为该滤波窗内受到高斯噪声的污染。 　　（二）滤波算法 　　根据上述判断方法，若滤波窗口内像素受椒盐噪声污染，则求出滤波窗内灰度最大值和最小值。把滤波窗内每个像素 与最大值和最小值进行比较，除去那些等于最大值或最小值的像素点，如果滤波窗内剩余像素N不为零，则求出剩余像素的平均值M，并计算平均像素 灰度值与滤波窗中点像素灰度值的差的绝对值。此绝对值与设定的阈值T比较，若绝对值d大于阈值T则输出剩余像素均值 M，若绝对值d小于阈值T，则输出滤波窗中点像素灰度值。其中阈值T的选择，与图像的局部性质相联系。根据韦伯定理，人的视觉在亮区域对噪声的敏感程度比暗区时小，因此在亮区域可以适当减弱去噪，而保存细节，在暗区域，则尽量抑制噪声。由此知，阈值的设置域是滤波窗平均灰度值的一次函数。即：。K和b的值由多次试验决定。本文试验中 。若滤波窗口内剩余像素n为零，则扩大滤波窗口尺寸为5×5，并重以上算法。如果剩余像素仍为零则图像输出为： 　　 　　若判断滤波窗内未被椒盐噪声污染，则先计算出滤波窗内像素的梯度绝对值： 　　 　　如果梯度值大于某一给定的阈值T，，其中 　　则直接输出原像素。否则，则输出滤波窗像素灰度值均值。 　　重复上述算法直至完成所有像素点的滤波处理，最后得到除噪后的图像f。 　　二、仿真实验及分析 　　将本文算法和传统滤波算法（中值滤波和均值滤波）进行对比试验，采用归一化均方误差NMSE和峰值信噪比PSNR作为客观评价标准，其中 　　式（4）、（5）中的 为未受污染的图像， 为滤波后的图像，P、Q为图像的尺寸，L为图像的灰度级。从式（4）、（5）中可以看出NMSE越小滤波效果越好，PSNR越大滤波效果越好。 　　本文实验中，采用大小为256×256的lenna灰度图像。首先调用MatlAb 　　中的imnoise函数给原图像加噪声，得到受噪声污染的图像。然后对含不同混合噪声强度的图像采用传统滤波方法和本文算法进行滤波，滤波后恢复图像。实验可以采用:1.lenna图像被的椒盐噪声和均方差 　　的高斯噪声污染后的图像及其滤波结果；2.lenna图像被的椒盐噪声和均方差的高斯噪声污染后的图像及其滤波结果。 　　表1 含混合噪声图像的三种算法结果的PSNR比较 　　 　　表2 含混合噪声图像的三种算法结果的NMSE比较 　　由表1和表2可知，在滤除混合噪声时，采用混合算法滤波后图像的PSNR要比由传统算法滤波后的PSNR要大，而NMSE要比由传统算法滤波后的NMSE要小；从滤波输出图像上看，混合算法不仅能很好的滤除噪声，而且能较好的保护图像的细节，从而说明了混合算法的滤波效果明显优于传统的滤波算法。