基于自学习边缘结构分类的椒盐噪声去除算法研究.pdfVIP

摘要

椒盐噪声是图像处理中常见的一类噪声，其非黑即白的特性会严重降低图像

视觉质量。针对现有滤波方法噪声定位不准确、恢复的图像边缘存在锯齿、模糊

等问题，本文提出了以下2种椒盐噪声去除算法：

（1）基于自学习边缘结构分类的椒盐噪声去除算法。

提出了一种基于自学习边缘结构分类的椒盐噪声去除算法，用于改善现有滤

波方法噪声定位不准确、去噪值误差大等问题。首先，根据像素点的边缘结构，

将其分为边缘点和内部点，同时边缘点又可根据其分属不同区域的邻域点数目分

为1:3，2:2两类，随后利用最小二乘法计算同类像素点的边缘结构系数。其次，

对灰度值为极值的疑似噪声点，设置阈值对其进行二次检测。最后，利用开关法

的思想，信号点保持原值不变，对噪声点确定其边缘结构并运用相应的边缘结构

系数计算去噪值。实验结果表明，本算法具有较高的峰值信噪比和结构相似性，

且在中低噪声密度时有较好的视觉表现。

（2）基于多尺度子图的高密度椒盐噪声去除算法。

提出了一种改进的基于自学习边缘结构分类的图像椒盐噪声去除算法，用于

改善原算法在高密度噪声下恢复边缘模糊、图像细节差等问题。首先，将高密度

噪声图像分割为2×2像素格，然后用2×2像素格中的信号点灰度值来还原该像

素格中的噪声点，在整体上降低图像的噪声密度。其次，提出了多尺度的子图去

噪方法：对于孤立噪声点直接在原图中进行去噪；对于非孤立噪声点则通过子图

进行分割，子图的大小由噪声水平决定。另外，对边缘结构为2:2类型的像素点

进行细化，并提出了更简单有效判断其区域的方法。最后，对噪声点确定其边缘

结构并运用相应的边缘结构系数计算去噪值，并对得到的去噪值进行验证。实验

结果表明，相比于其他算法，本算法拥有更高的峰值信噪比和结构相似性，在高

噪声密度下有更好的视觉表现，有望应用到图像去雾、图像增强等应用上。

关键词：图像滤波，椒盐噪声，噪声检测，边缘结构分类，多尺度去噪

ABSTRACT

Saltandpeppernoiseisacommontypeofnoiseinimageprocessing,anditsblack

andwhitecharacteristicswillseriouslyreducethevisualqualityoftheimage.Inview

oftheinaccuratenoisepositioningoftheexistingfilteringmethodsandthejaggedand

blurrededgesoftherestoredimage,thefollowingtwosalt-and-peppernoiseremoval

algorithmsareproposedinthisthesis:

(1)Salt-and-peppernoiseremovalalgorithmbasedonself-learningedgestructure

classification.

Asalt-and-peppernoiseremovalalgorithmbasedonself-learningedgestructure

classificationisproposedtoimprovetheproblemsofinaccuratenoiselocationand

largeerrorofdenoisingvalueinexistingfilteringmethods.Firstly,accordingtothe

edgestructureofthepixelpoint,itisdividedintoedgepointandinternalpoint,andthe

edgepointcanbedividedintotwotypes:1:3and2:2,accordingtothenumberof

neighboringpointsbelongingtodifferentareas.Thentheedgestructure