一种改进的严重脉冲噪声滤除算法

2011年3月第16卷第2期西 安 邮 电 学 院 学 报JO U RN AL O F XI A N U NI VERSIT Y O F P OST S A N D T EL ECO M M U N ICA T IO NS M ar.2011Vo l 16No 2收稿日期:2011 01 04基金项目:西安邮电学院中青年教师科研基金资助项目(109 0410)作者简介:毕萍(1981 ),女,讲师,在读博士,研究方向:模式识别,E mail:biping@x .一种改进的严重脉冲噪声滤除算法毕 萍(西安邮电学院通信与信息工程学院,陕西西安 710121)摘要:为了有效改善受严重噪声污染图像的恢复效果,准确定位噪声点和改善所恢复图像的峰值信噪比,提出一种改进的非线性自适应滤波算法.该方法利用初始标记窗口的局部统计信息,首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点三类,建立噪声标记矩阵;根据噪声标记矩阵的局部统计信息,将可能的噪声点细分为信号点、噪声点和不确定点,并分别采用不同的方法进行滤波;对于不确定点进行2次判断,对于噪声点用其4邻域均值来代替。

本算法的优点是计算速度快,噪声点定位准确,可以保留更多的图像细节。

实验证明,该算法可有效恢复受严重脉冲噪声污染的图像。

关键词:自适应滤波器;脉冲噪声;非线性;图像恢复中图分类号:T P391 文献标识码:A 文章编号:1007 3264(2011)02 0009 04在数字图像的获取和传输过程中,传感器和传输信道经常会产生脉冲噪声,这些噪声极大地降低了图像的质量,因而噪声滤除技术在图像处理中具有重要的地位,它对图像分割、特征提取、图像识别均具有直接的影响。

针对低密度脉冲噪声污染图像的处理问题,人们提出了很多非线性的滤波方法,如提出的中值滤波及其改进算法就是一类较有效的方法[1 11],这些算法均对低密度噪声污染图像进行处理,算法简单易行并具有一定的图像细节保留能力。

在此基础上,人们又提出了相应的基于滤波技术的图像处理算法[12 17],这些算法的性能比传统的中值滤波算法有了很大的改善,图像恢复性能也有所提高,但是这些算法只考虑了低密度噪声污染的情况,有的算法只能针对噪声密度低于30%的污染图像进行处理,当噪声密度大于50%时,图像恢复的效果很不理想。

因此,如何有效处理受严重噪声污染的图像是图像处理的一个难点问题。

针对这一问题,提出了一种自适应的脉冲噪声非线性滤波算法。

本算法分为噪声标记矩阵的建立和噪声滤波两部分,首先根据初始噪声标记窗口的局部统计信息特性,将图像像素分为信号点、可能的正噪声点和可能的负噪声点三类,将所有可能的噪声点都标注出来,在此基础上,建立相应的噪声标记矩阵,实验表明此步骤能有效提高滤噪的准确率。

在滤波过程中,根据噪声标记矩阵的局部统计信息,将可能的噪声点进一步细分为信号点、噪声点和不确定点,并分别采用不同的方法进行滤波。

对于重度噪声污染图像可以采取迭代方法,重复地进行噪声标记和滤波,每次迭代只滤除噪声可能性较大的像素点,以提高算法的准确性。

实验表明,该算法能有效恢复受严重噪声污染的图像,保留更多的图像细节,能准确定位噪声点,并改善所恢复图像的峰值信噪比。

1 算法描述为了恢复受严重噪声污染的图像,首先要准确定位噪声点。

本文根据所选窗口中像素的灰度值分布将窗口像素点分为信号点、噪声点和不确定点三类,信号点为取值在最大值和最小值之间一定范围内的像素点,其余的分为正负噪声点,这样分类可以有效保证图像过明或过暗区域噪声定位的准确性,从而能够找出足够多的疑似噪声点;对于疑似噪声点,再根据噪声点周围窗口中像素灰度值的分布情况进一步进行判断,根据图像边缘噪声的特点,如果噪声点周围都是信号点,则此点为噪声点,否则为不确定点,再根据图像的过度是平滑的原理和少数服从多数的原理,如果疑似噪声点邻域内正负噪声点相差较多,且疑似噪声点是属于多数的那一方则可判为信号点,否则判断为噪声点,这样可以最大限度地减少灰度平滑区域的误判,且可尽量减少信号点像素灰度值的变化;第二步是找到合适的像素值来代替噪声点,因为多数情况下图像具有平滑性,所以本文采用窗口中的确定信号点的均值来代替噪声点的取值,尽量避免噪声点和不确定点对图像质量的影响,从而使图像保留丰富的细节信息。

图1是算法的原理框图。

图1 算法原理框图1.1 建立噪声标记矩阵本文研究以边缘为边界、局部平滑变化的自然灰度图像,这类图像相邻点之间存在很大的相关性。

像素灰度值是否远大于或远小于其邻域点的灰度值是判定脉冲噪声的重要依据,脉冲噪声模型具有以下特点:(1)图像中只有部分像素受到污染变为噪声点,而其它像素灰度值保持不变为信号点;(2)噪声像素的灰度值远大于周围像素的灰度值为正脉冲噪声,远小于周围像素的灰度值为负脉冲噪声;(3)受正脉冲污染的像素个数等于受负脉冲污染的像素个数。

在建立噪声标记矩阵N 的过程中,用矩阵元素N i,j 噪声值表示像素S i,j 的噪声污染情况。

若S i,j 的值在图像最大值附近 范围内,则让N i,j =1表示可能是正脉冲噪声点;若S i,j 的值在图像最小值附近 范围内,则让N i,j =-1表示可能是负脉冲噪声点;i,j 即1S i,j <min {W I }+S i,j >max {W I }- otherw ise(1)其中W I 表示被检测图像,min {W I }表示对被检测图像W I 内的像素灰度取最小值,m ax W I 表示对被检测图像W I 内的像素灰度取最大值。

在这一步找出全部的疑似噪声点,从而提高判决的准确性,也为下一步噪声滤除减小计算量,提高算法的速度。

1.2 滤波算法描述上述定位方法所得的噪声值N i,j 只表示像素S i,j 是噪声的可能性,也就是说N i,j 0的点不一定为噪声点。

在滤除过程中,我们只把噪声值N i,j =0的像素视为信号点(即保持其灰度值不变,S i,j =S i,j ),而对于噪声值N i,j 0的点,则再根据其周围像素噪声值的分布情况作进一步判断。

下面给出噪声点的确定方法:(1)设像素S i,j 为可能的噪声点(N i,j 0),将以S i,j 为中心的窗口区域W F (S i,j )=n n 内所有信号点的集合记为X F (S i,j ),本文中n =3或n =5,即X F (S i,j )={S p,q |N p,q =0,S p ,q W F (S i,j )}(2)用A i,j 表示集合X F (S i,j )内的像素灰度平均值,即A i,j =average {X F (S i,j )}(3)(2)当X F (S i,j ) 时,即像素S i,j 周围存在信号点,就认为像素S i,j 为噪声点,并用A i,j 代替S i,j ,否则认为像素S i,j 为不可确定点,即S i,j =A i,j X F (S i,j ) S i,jotherw ise(4)(3)当X F (S i,j )= ,即窗口W F (S i,j )内的像素均为可能的噪声点,并且检测窗口的大小为n =3时,则进一步扩大检测窗口,取n =5,重复第(1)、(2)步操作。

(4)当X F (S i,j )= ,并且检测窗口的大小为n =5时,则设P i,j 表示窗口W F (S i,j )内的可能的正脉冲点和负脉冲点的数目之差,即P i,j =Sp ,qW F(Si,j)N p ,q(5)P i,j >0表示可能的正脉冲点数比可能的负脉冲点数多,反之亦然。

若窗口W F (S i,j )内正脉冲点数与负脉冲点数相差较多,且S i,j 的噪声情况属于点数较多那一方时,我们认为S i,j 为信号点,否则认为是噪声点,其灰度值用4个邻域均值A 4i,j 代替,即S i,j =S i,j |P i,j |> 且P i,j N i,j >0A 4i,jo therw ise(6)A 4i,j =S i-1,j +S i+1,j +S i,j-1+S i,j+14(7)10 西 安 邮 电 学 院 学 报 2011年3月其中|P i,j|表示P i,j的绝对值, 为常数。

这样,就完成了一次迭代滤波。

对于重度噪声污染图像可以进行多次迭代,可以得到较好的滤除噪声效果。

2 实验结果及分析为了验证本文算法的有效性,我们在被检测灰度图像中随机均匀地加入等量的灰度值分别为0、1、2、3、4、251、252、253、254、255等10种脉冲噪声。

对于两组噪声分别用4种不同的算法进行滤波,即(1)3 3窗口的标准中值滤波算法(SE filter);(2)最大7 7窗口的自适应中值滤波算法(adp filter);(3)M MEM滤波算法[4](M MEM filter);(4)本文算法(our filter)。

被检测图像均为灰度图像,其详细信息如表1所示。

表1 被检测图像数据名称尺寸内容m andi3039 2014人物图像,灰度信息丰富,边缘信息丰富concord_ortho_w2000 2000遥感图像,人物图像,灰度信息丰富,边缘信息丰富本文采用峰值信噪比(PSNR)作为评价标准,其定义如公式(8)、(9)所示。

PSNR=10 log102552M SE dB(8)MSE=1MNMi=1Nj=1(S i,j-S i,j)2(9)图2~3分为mandi图、concord_or tho_w图用4种滤波算法在脉冲噪声(impulse noise)下的PSNR曲线。

图2~3表明,在任意的噪声密度下,本文算法的滤波效果比其它3种算法要好,特别是图像污染严重时,即噪声密度高于50%,本算法的恢复效果比传统的中值滤波和自适应中值滤波算法的PSNR 值提高约20dB。

由于采取了噪声点分类和定位的策略,既考虑了图像中过明或过暗区域的滤噪特点,又考虑了图像边缘的滤噪特点,因此本算法的准确率较高。

另一方面,对比2种被检测图像可以看出,本文算法能够针对大多数的受严重脉冲噪声污染的图像,例如人物图像、静物图像、遥感图像等。

本文算法原理简单,易于实现,且受噪声水平影响较小,算法稳定性好,因而更具有实用价值。

图2 mandi图图3 conco rd_o rtho_w图此外,为了从视觉效果上证明本文算法能很好地恢复受严重脉冲噪声污染的图像,取噪声密度为80%时,各种滤波算法的滤波结果进行比较,从图4~5可以看出,本文算法能够很好地恢复出原始图像,并保留了更多的图像细节。

图4 本文滤波算法的滤波结果图5 本文滤波算法的滤波结果参 考 文 献[1] D.R.K.Bro wnr igg.T he w eig ht ed median filter[J].Communications of the A CM,1984,27(8):807 818.[2] Sung Jea K O,Y ong Ho on Lee.Center w eig hted median filter s and their application to image enhancement11第2期毕 萍:一种改进的严重脉冲噪声滤除算法[J].IEEE tr ansactio ns o n cir cuits and sy stems,1991,38(9):984 993.[3] E.A breu,M.L ightsone,S.K.M itr a,et al.A new efficient approach for the remov al of impulse noise fr om highly co rr upted imag es [J].IEEE T rans.o n Image Pr ocessing ,1996,5(6):1012 1025.[4] H an Wei Yu,L in Ja Chen.M inimum max imum ex clusiv e mean (M M EM )filter to remo ve impulse noise from highly cor rupted imag es[J].Electr onics Lett ers,1997,33(2):124 125.[5] T.Chen,K.K.M a,L.H.Chen.T r i state median filterfor imag e deno ising [J].IEEE T r ans.o n Imag e P ro cessing,1999,8(12):1834 1838.[6] T.Chen,H.R.Wu.A new class of median based impulse rejecting filters[C].ICIP 2000,1:916 919.[7] T.Chen,H.R.Wu.A daptiv e impulse detectio n usingcenter weig hted median filt ers [J].IEEE Sig nal P ro cessing L etters,2001,8(1):1 3.[8] Y.Do ng ,S.Xu.A new directio nal w eig hted median filter fo r remo val of random valued impulse noise [J].IEEE Sig nal P rocessing L etters,2007,14(3):193 196.[9] Z.Wang,D.Z hang.Pro g ressive sw itching median filterfor t he r emoval of impulse no ise fr om hig hly cor rupted images [J ].IEEE T r ans.on Circuit and Systems,1999,46(1):78 80.[10]Ho w L ung Eng ,K ai K uang M a.N oise adapt ive softsw itching median f ilter [J].IEEE T r ans.Image P rocessing ,2001,10(2):242 251.[11]S.Zhang ,M.A.K arim.A new impulse detect or forsw itching median filt ers [J].IEEE Signal Pr ocessing L etters,2002,9(11):360 363.[12] F.Russo,G.Ramponi.A fuzzy filter fo r imag es co rrupted by impulse no ise [J].IEEE Signal Pr ocessing L etters,1996,3(6):168 170.[13]S.Schulte,M.N achteg ael,et al.A F uzzy Impulse N oise Detection and R educt ion M ethod [J ].IEEE T rans.on Imag e P rocessing,M ay 2006,15(5):1153 1162.[14]D ON G Ji y ang ,Z HA N G Jun ying.A N onlinear A lg orithm fo r the Remo val o f Salt and P epper N oise fro m H ig hly Cor rupted Images[J].Jo urnal of Optoelect ron ics Laser ,2003,14(12):1336 1339(Chinese).[15]N.I.P etro vic ,V.Cr no jevic .U niv ersal Impulse No iseF ilter Based on Genet ic P ro gr amming [J ].IEEET rans.on Image P ro cessing,2008,17(7):1109 1120.[16]Div ya Jothi D,Geetha p,Anna Durai.An Integrated F uzzyA dditive and Impulse Noise Reduction method for Colo r Imag es[C].5th International Multi Co nfer ence on Sys tems,Sig nals and Devices,A mman,2008:1 9.[17] A.Rezvanian,K.Faez, F.M ahmoudi.A T wo PassM ethod to I mpulse N oise Reductio n from Dig ital Ima ges Based on N eur al Netw or ks [C].5th Internatio nal Conference o n Electr ical and Co mputer Eng ineering ICECE Dec.,Dhaka,Bang ladesh,2008:400 405.An improved algorithm for removing impulse noise from highly corrupted imagesBI Ping(Scho ol of Communication and Info rmatio n Engineer ing,Xi an U niver sity o f Posts and T elecommunicat ions,X i an 710121,China)Abstract:T o restore the impulse no ise polluted im ag e,accurately locate the noise and im prov e the PSNR of the reconstructed images,an impr oved no nlinear adaptive filtering algor ithm is presented here.By dint of the statistical inform ation in a local marked w indow o f the image,the pix els are classified ro ug hly to be signal pixels,possible no ise pix els or po ssible neg ative noise pix els,and the noise labeling m atrix is built.Then the possible noise pix els are subdiv ided into signal pix els,no ise pix els and uncertain pix els according to the statistical info rmatio n of the no ise labeling m atrix.Different filtering schem es are employed for dif ferent kind of pix els to preserve the image details.After that,the uncertain pix els are re estimated,and the confirm ed noise pixels ar e replaced by the averages of their four neig hbor ho od pro cessed pix els in a lo cal m arked w indow of the image.Determ ining information is em plo yed to preserve the image details.The impr oved alg orithm w o rks fast,and the noises can be accurately located,m ore image details can be pre served.Experiments show that the algor ithm can be v ery effective in restoring sev erely impulse noise po l luted im ag es.Key words:adaptive filter;impulse noise;nonlinear;image r esto ration[责任编辑:孙书娜]12 西 安 邮 电 学 院 学 报 2011年3月。