图像椒盐噪声的分阶段中值滤波算法

第27卷第3期2013年9月南华大学学报(自然科学版)
Journal of University of South China(Science and Technology)
Vol.27No.3Sep.2013
收稿日期:2013-04-08
作者简介:晏资余(1988-),男,湖南浏阳人,南华大学计算机科学与技术学院硕士研究生.主要研究方向:数字图像
处理.*通讯作者.
文章编号:1673-0062(2013)03-0066-06
图像椒盐噪声的分阶段中值滤波算法
晏资余,罗　杨*,杨　浩
(南华大学计算机科学与技术学院,湖南衡阳421001)
摘　要:针对自适应中值滤波算法的缺陷 对高密度椒盐噪声图像滤波后留下黑色斑块,提出了一种分阶段中值滤波算法.该算法对图像执行两次小窗口的滤波操作,相较于采用较大窗口的滤波,其在有效去除噪声的同时降低了结果图像的模糊程度.先对所有噪声点进行一次中值滤波消除了盐粒噪声,再用窗口内非噪声点的灰度中值代替胡椒噪声点的灰度值以去除黑色斑块.最后的仿真实验结果表明,本文算法既有像自适应中值算法一样滤除低密度椒盐噪声的良好性能,又有对高密度椒盐噪声图像的降噪能力.
关键词:椒盐噪声;中值;分阶段去噪中图分类号:TP391.41 文献标识码:B
Grading Median Algorithm for Filtering Salt and Pepper Noises in Image
YAN Zi⁃yu ,LUO Yang *,YANG Hao
(School of Computer Science and Technology,University of South China,Hengyang,Hunan 421001,China)
Abstract :A grading median filtering algorithm was proposed to offset the defect of adaptive median filter (AMF)that it left some black plaque after filtering images corrupted by high density salt and pepper noises.Through twice filter to the noise image with small size win⁃dow,compared with bigger ones,it reduced the blur degree of result image.For the first time,it eliminated the salt noise by using median filter (MF)to noise pixels,and then wiped off the black plaque by replacing pepper noise pixels with the median of the noise free pixels in its 8⁃stly,the simulation result shows,our algorithm either has the good capability to filter the low density noises as well as AMF or has the ability to filter higher density salt and pepper noises in image.
key words :salt and pepper noise;median;grading de⁃noising
第27卷第3期晏资余等:图像椒盐噪声的分阶段中值滤波算法
0　引　言
椒盐噪声又称脉冲噪声,它由电磁干扰及通信系统的故障和缺陷等因素而产生.图像中的椒盐噪声表现为白色与黑色的点,它们对高级图像处理中的图像分割与识别的干扰较大,因此滤除椒盐噪声是图像处理的一项重要工作.中值滤波器(MF)被认为是一种去除椒盐噪声的实用工具,但其降噪效果依赖于滤波窗口的大小.大窗口滤波会在去除噪声的同时给图像带来了较大的模糊性,小窗口滤波的降噪效果则略显不足,于是就出现了一系列的改进算法.开关中值(SM)算法[1]㊁自适应中值(AM)算法[2⁃3]以及加权中值(WM)算法[4]是三种较经典的中值滤波改进算法.这三种算法对低噪声的滤除能力较强.其中,AM的滤波窗口随着局部噪声密度的大小而改变,噪声密度大用较大的窗口滤波,噪声密度小则用较小的窗口滤波,相较于MF的固定窗口滤波而言,这种操作有更好的保真度,而极值中值(EM)算法[5]是一种保真度更好的自适应中值算法.这些改进的滤波算法都提高了中值滤波器的性能,能够降低结果图像的模糊程度,但它们对高密度椒盐噪声的滤除能力不足.针对这一缺陷,也有一些改进算法弥补了它们的不足.如文献[6⁃7]的自适应开关中值(ASM)算法将噪声探测与滤波分开,先利用大窗口进行噪声探测,之后再用通过变化窗口大小对噪声点进行自适应滤波,这种算法在改善滤波性能的同时也增加了算法的时间复杂度.自适应加权开关中值(AWSM)算法[8⁃9]同样将噪声点探测与滤波分开进行,其滤波效果要比前者好,但其没有减少算法的运行时间.
噪声点位置的探测对滤波效果产生的影响固然较大,但找到噪声点并非易事.查找条件太松容易漏查,导致降噪效果不明显;条件太紧则容易将非噪声点视为噪声点,导致失真过多.况且大窗口的查找运算较费时,大窗口的滤波易失真,这在噪声密度较大时尤为明显.因此,不如简化操作,将噪声点分两次滤除.第一次只滤除部分噪声点或一类噪声点,第二次再滤除另外一类噪声点.利用这一点,本文提出了一种能快速去除高密度椒盐噪声的中值滤波算法.
1　自适应中值滤波
滤除噪声的一种较好方法是只对噪声点滤除,而将非噪声点予以保留,自适应中值滤波器(AMF)就是这样设计的.由于椒盐噪声在图像中表现为两种形式:一种为白色的 盐粒”点称为盐粒噪声,另一种为黑色的 胡椒”点称为胡椒噪声.因此可以利用这一颜色特征对其进行识别.一幅灰度级为256的图像f的像素点颜色表现为: f(x,y)=255,白色
0<f(x,y)<255,其他颜色
f(x,y)=0,
{
黑色
(1)
其中f(x,y)表示图像在点(x,y)处的灰度值(下同).
由此看出,椒盐噪声在图像中表现为最大灰度值与最小灰度值,可以应用这一点来区分图像中的噪声点与非噪声点.还可以更进一步估计出图像中噪声的密度,如果用n表示一幅M×N图像中非噪声点的总数,那么图像的噪声密度为:
ρ=1-n MN(2)实际上,并不需要对整幅图像进行噪声密度估计,而是只需对局部噪声密度有一个大致的估计即可.
AMF对椒盐噪声滤除的自适应性表现为两点:第一,根据噪声密度的不同自动选择不同尺寸的滤波窗口;第二,自动区分噪声点与非噪声点,并对噪声点执行滤波.实际操作中,AMF对像素点(x,y)的滤波过程如下:
1)找到点(x,y)的r×r邻域内像素进行升序排序,找到序列的最大值ma㊁中值me及最小值mi.即
ma=max{f(x+s,y+t)}
me=median{f(x+s,y+t)}
mi=min{f(x+s,y+t
{
)}
(3)
其中-[r/2]≤s,t≤[r/2],[㊃]表示取整(下同),r为邻域半径,初始窗口半径一般取3. 2)若该邻域内满足mi<me<ma或窗口尺寸达到最大时(一般为7×7),则进入到3);否则将窗口向四周扩大一个像素宽度即r=r+2,并转到1).
3)若f(x,y)满足mi<f(x,y)<ma,则将其视为 非噪声点”不对其进行任何操作,否则就对其执行滤波操作,具体操作如下:
g(x,y)=f(x,y)mi<f(x,y)<ma
me
{
其他
(4)其中g(x,y)为对点(x,y)滤波后的灰度值(下同).到此,一个像素点的滤波操作执行完毕.当图像的所有像素点执行完上述步骤后就完成了对
76
南华大学学报(自然科学版)
2013年9月
整幅图像的滤波操作得到结果图像g .
如果噪声密度较大,则得到的图像g 会出现
一些黑色的斑块.可以从自适应窗口的滤波过程分析出斑块产生的原因:若窗口尺寸已达到最大的7×7,仍然不满足滤波条件mi <me <ma 时,就会直接进入到3)滤波完成.若此时窗口内的中值为0,则可将其分为以下2种情况来讨论:
第一种情况,胡椒噪声点未被滤除.若该噪声点的7×7邻域(用3×3代为描述)内像素排好序后为{0,0,0,0,0,2,3,5,6},那么此时mi =0,me =0,ma =6不满足滤波条件,但此时窗口尺寸已经达到最大,因此执行3)后该点的灰度值依旧为0,其滤波过程示意图如图1所示
.
图1　胡椒噪声点保持不变
Fig.1　Pepper noise pixel stays the same
第二种情况,椒盐噪声转化为胡椒噪声.椒盐噪声图像经AMF 滤波后会发现白色的盐粒噪声消失了,然而这并不意味着滤波时将所有盐粒噪声点的灰度值都用一个恰当的中值代替.实际上,它只滤除一部分的盐粒噪声,另一部分的盐粒噪声则转化为了黑色的胡椒噪声.假设窗口尺寸已经达到7×7(用3×3窗口代为描述),那么可将该过程表示为如图2所示
.
图2　椒盐噪声点转化为胡椒噪声点Fig.2　Salt noise pixel translated to pepper one
图2a 所示图中的像素点按升序后排列为{0,
0,0,0,0,2,3,6,255},此时中值me =0.如图2b 所示,滤波后该点的灰度值就转化为0,于是椒盐
噪声点就变成了胡椒噪声点.
上面两种情况最可能在图像中噪声水平较大的情况下发生,因为当噪声水平较低时滤波窗口
尺寸根本不需要达到7×7就可以完成滤波操作.由此可知,当噪声密度较大时AMF 只是清除了部分噪声点(几乎全部的椒盐噪声和部分胡椒噪声),而留下了较多的胡椒噪声点.噪声密度越大,这样的点就越多,甚至于出现连续多点的灰度值都为0的情况,这就导致滤波后图像中产生黑色的斑块.实验表明,当图像中的椒盐噪声密度达到0.6以上时,经AMF 滤波后图像中就会出现这样的黑色斑块.此即AMF 不适用于高水平椒盐噪声下滤波的根本原因.
2　分阶段去噪
目前,有一些算法对AMF 的缺陷进行了改进.AWSM 算法就是其中之一,其主要思想是给噪声点邻域的中值赋予不同大小的权值再更新,但
权值的大小不好确定,且其选择也是多种多样的.文献[8⁃9]提出了模糊加权,通过邻域内的最大灰度距离(某点邻域内其它点的灰度值与该点的灰度值之差的最大绝对值)与两个阈值控制权值,
灰度距离较大的点给中值赋予较大的权重,距离较小的则赋予较小的权重,这种方法有其合理性,但阈值不好确定.文献[10]利用信号点作为牛顿插值的节点估计出噪声点的灰度值,一定程度上加大了噪声的滤除能力.文献[11]则用相邻三个信号点的灰度均值代替噪声点的灰度值,维持了好的保真度,但其在噪声探测阶段采用了较大的窗口,因此需进一步完善.而我们的目标是以一种更易实现的方法对AMF 进行改进.改进过程由以下两步构成:
第一步只追求能够滤掉一部分噪声点,因此只需采用小窗口滤波,即将最大窗口尺寸设为3×3,这样既可以滤掉一部分噪声点,又能保护好
图像中的细节信息,这些细节信息对第二步的滤波工作是十分有用的.这一步消除了几乎所有的盐粒噪声,剩下的噪声几乎都是胡椒噪声.
由于AMF 对较大噪声的图像滤波后会产生
黑色的斑块,但相对于滤波前图像中的 非噪声点”数量已经大为改善,且只出现了一种噪声点,因此一般的窗口内不可能出现全是0的像素点.滤波后噪声点(图3中深色背景处)邻域内像素的灰度值分布类似于图3中的两种情况.
图3a 表示在3×3邻域内有灰度值不为0的像素点,图3b 表示在3×3邻域内所有像素点的灰度值都为0,但在5×5邻域内有灰度值不为0的点.第二种情况是十分罕见地,因为即使噪声密
8
6
第27卷第3期晏资余等:图像椒盐噪声的分阶段中值滤波算法
度达到0.9,若3×3邻域内有8个点的值为0,那么还有一个点的值不为0,更何况第一步我们已经去除了一些噪声.根据这事实我们可以采取一些措施对噪声点进行去除
.
图3　AMF 滤波后噪声点邻域内灰度值的大致分布情况Fig.3　The rough gray value distribution of pixels in
noise pixels neighborhood after AMF filtering
若噪声点(x ,y )的r 2×r 2邻域内所有灰度值为非0的像素点的中值为me 2,那么用me 2代替该点的灰度值就可以滤除该噪声点.这其实也是一个自适应滤波过程,具体执行过程如下:4)找到点(x ,y )的r 2×r 2邻域内非0像素
的中值me 2.即
me 2=median {g (x +s ,y +t )}
(5)
其中-[r 2/2]≤s ,t ≤[r 2/2],开始时取r 2=3.
5)若me 2≠0或窗口半径达到最大(5×5),则进行6);否则将窗口半径按表达式r 2=r 2+2扩大并转到4).
6)对像素点(x ,y )执行下列操作:g (x ,y )=
me 2g (x ,y )=0g (x ,y )
g (x ,y )≠{0
(6)
当黑色斑块中的所有的噪声点都被滤除后,黑色斑块即被滤除.至此,1)至6)就是分阶段中值滤波算法的过程.实际操作中,只需进行两次小窗的滤波就可已达到滤除密度接近0.9的噪声的目的.第一次为通过1)至3)滤除椒盐噪声的过程,第二次则为通过4)至6)滤除胡椒噪声的过程,两次的最大窗口半径都设为3,但为了保证第二次能滤除全部噪声点,可保留最大邻域半径为
5这一自适应滤波过程.
滤波过程中小窗口的使用使得分阶段中值算
法在滤波效率上要优于采用大窗口滤波的ASM 及AWSM.
3　实验结果分析
在仿真实验中采用尺寸为256×256,格式为
bmp 的Lena 灰度图像,并对其加上0.1~0.9的
椒盐噪声.比较了MF㊁AMF 与本文算法对各噪声密度水平下的滤波效果,并借助客观评价量均方
误差(MSE)与峰值信噪比(PSNR)进行结果对比分析.
MSE =1MN ∑M
x =1∑N
y =1(o (x ,y )-d (x ,y ))2PSNR =10log (L -1)2[]
ìîíïï
ïïMSE
(7)
其中o (x ,y ),d (x ,y ),L 分别表示原始无噪声图
像㊁滤波结果图像及图像的最大灰度级.
图4展示了三个算法的滤波效果图.很明显,在大噪声水平下本文算法优于AMF,而AMF 优于MF.从图4c 可以看出经AMF 滤波后的图像存在黑色的斑块,而经本文算法算滤波后的图像已经没有黑色的斑块了,如图4d 所示
.
图4　三个算法的滤波效果图Fig.4　Output image of three algorithm.
表1给出了不同噪声水平下三种算法的
PSNR 值,图5则将这些数据以散点图的方式展示出来.
从表1或图5可知,当噪声水平在0.1~0.2之间时,本文算法的滤波效果略低于AMF,这是由于第一阶段采用3×3窗口滤波后留下了一些椒盐噪声,而第二阶段的3×3滤波只是对黑点进行了清除,于是最后还留下了很少的白点.这可以
9
6
南华大学学报(自然科学版)
2013年9月
通过增大窗口尺寸来解决,比如将第一阶段的最大滤波窗口设为5×5就可以滤掉所有的白点噪声.对于噪声水平大于0.2的情况就没有必要将最大窗口半径设为5了,因为表1与图5中的数据已经显示,此时本文算法对椒盐噪声的去除效果要好于AMF,而当噪声水平大于0.6时,则要明显的优于AMF.因此本文算法既适用于低噪声水平下的滤波又适合于高水平噪声条件下的滤波,即本文算法在性能上优于AMF 算法.
表1　不同噪声密度下各算法输出图像的PSNR Table 1　The PSNR of output image from different
algorithm in different noise density
噪声密度7×7标准中值滤波7×7自适应中
值滤波
本文算法0.1
25.05
29.28
27.280.224.0127.6027.480.323.1925.7626.260.422.3524.4625.080.521.4723.2224.230.620.0221.8423.430.716.9319.4022.830.812.1915.2421.700.98.0011.1719.
46
图5　各算法输出图像的PSNR 与输入图像
噪声密度的关系
Fig.5　The relationship between PSNR of output image from different algorithm and noise density of input image
4　结　论
通过对自适应中值滤波器的缺陷分析,以去
除滤波后的黑色斑块为出发点,改善了滤波器的性能,使其能够适用于高水平脉冲噪声下的图像滤波.主要是通过两点达到这一目标的:第一,不需要一次将噪声全部清除.一次将所有噪声点全部清除,这在噪声密度较大的情况下很难达到,这需要较大的滤波窗口半径,这容易造成误差加剧图像的模糊程度.第二,采用两次小窗口滤波比采用一次大窗口滤波效果要好.通过两次小窗口滤波使得本文算法在低噪声水平下要优于AMF,也是通过小窗口滤波使得算法能在高噪声水平下保持良好的降噪效果.小窗口的滤波,既保护了图像的细节,又节省了滤波的时间.
本文算法的滤波效果没有ASM 以及AWSM 那么好,这主要是由于滤波阶段采用中值代替噪声点灰度值而引起的.当噪声密度较大时,一小块的噪声点可能都被同一个中值所代替就会产生模糊效应,这种效应主要体现在图像的边缘部分,是中值滤波的一个缺陷.小窗口的中值滤波虽然可以减少这种模糊效应,但是减小的程度很有限.
ASM 与AWSM 之所以能够达到较高的保真度,是因为它们不仅仅是简单的中值替换,而是给替换值赋予一定规则的权值更新,这就使得不同位置的噪声点被不同的值代替,这样就可以保留灰度差异,进而达到保真的目的.
此算法只注重降噪部分,目的主要是怎样快速有效的将噪声点去除,没有花过多精力去研究如何降低模糊程度.如果要降低模糊性,则可以借鉴ASM 与AWSM 的权值更新法及插值估计或其他方法.参考文献:
[1]Sun T,Neuvo Y.Detail⁃preserving median based filters in image processing [J ].Pattern recognition letters,
1994,15(4):341⁃347.
[2]Hwang H,Haddad R A.Adaptive median filters:new al⁃
gorithm and results[J].IEEE Transaction on Image Pro⁃
cessing,1995,4(4):499⁃502.
[3]武英.一种图像椒盐噪声自适应滤除方法[J].微电子学与计算机,2009,26(1):148⁃150.
[4]Brownrigg D R K.The weighted median filter[J].Com⁃
munications of the ACM,1984,27(8):807⁃818.
(下转第77页)
7
第27卷第3期徐　强等:石鼓网络舆情监控系统的设计与实现
户自己的监控网站的网页结构也是下一步的研究方向.其二,就是系统没有把发言者的IP显示出来,不方便用户对恶意发言者的屏蔽和追踪.其三,目前系统对数据信息的分析只是基于用户关键词和行业敏感词的匹配,这就导致由系统分析出的舆情信息数目较多,也没有突出具体的事件或者话题.因而设计一个高效的文本聚类机制也是下一步的研究重点.另外系统的界面也不够精美,影响用户体验,也需要进一步的完善.
下一步的主要工作就是针对大量的信息进行自动分类,将有关事件的Web信息资源进行聚类分析,全面掌握与各种热点事件的相关的信息,对事件进行追踪以及进行发展趋势的预测,帮助舆情工作人员时刻掌握事件的发展状况,并提供可靠的数据理论支撑.
参考文献:
[1]曾润喜,徐晓林.网络舆情突发事件预警系统㊁指标与
机制[J].情报杂志,2009,28(11):51⁃54. [2]邓燕.论网络舆情对高校群体性事件的影响[J].重
庆邮电大学学报,2009,21(3):123⁃126. [3]Pena⁃Shaff J B,Nicholls C.Analyzing student interac⁃tions and meaning construction in computer bulletin board discussions[J].Computers&Education,2004,42
(3):243⁃265.
[4]刘德鹏.互联网舆情监控分析系统的研究与实现
[D].成都市:电子科技大学,2011.
[5]Allan J,Papka R,Lavrenko V.On⁃line new event detec⁃tion and tracking[C]//Proc.of SIGIR Conference on Research and Development in Information Retrieval, 1998:37⁃45.
[6]Allan J,Carbonell J,Doddington G,et al.Topic detection and tracking pliot study:final repot[M].Proceedings of the DAPRA Broadcast News Transcription and Under⁃standing Workshop.San Francisco,CA:Morgan Kaufmann Publishers,Inc,1998:194⁃218.
[7]Yang Y,Carbonell J G,Brown R D,et al.Learning ap⁃proaches for detecting and tracking new events[J].Intel⁃ligent Systems and their Applications,IEEE,1999,14 (4):32⁃43.
[8]朱旭.基于网格研判的高校群体突发事件预警平台
的研究[D].北京:北京交通大学,2009. [9]叶昭晖,曾琼,李强.基于搜索引擎的网络舆情监控系
统设计与实现[J].广西大学学报(自然科学版), 2011,36(1):302⁃307.
[10]董亚倩.高校网络舆情演变规律及安全评估指标体
系构建研究[D].淄博:山东理工大学,2012. [11]李婷.校园BBS舆情分析系统的设计与实现[D].武
汉:华中科技大学,2009.
(上接第70页)
[5]邢藏菊,王守觉,邓浩江,等.一种基于极值中值的新型
滤波算法[J].中国图像图形学报,2001,6(6):533⁃536.
[6]Ng P E,Ma K K.A switching median filter with boundary discriminative noise detection for extremely corrupted im⁃ages[J].IEEE Transaction on Image Processing,2006,15
(6):1506⁃1516.
[7]Ping W,Junli L,Dongming L,et al.A Fast and reliable switching median filter for highly corrupted images by impulse noise[C]//Circuits and Systems,2007.ISCAS 2007.IEEE International Symposium on.IEEE,2007: 3427⁃3430.[8]Hussain A,Jaffar M A,Ul⁃Qayyum Z,et al.Directional weighted median based fuzzy filter for random⁃valued im⁃pulse noise removal[J].ICIC Express Letters,Part B: Applications,2010,1(1):9⁃14.
[9]Kaur J,Gupta P.Fuzzy logic based adaptive noise filter for real time image pProcessing applications[J].2012,9 (4):269⁃271.
[10]周艳,唐权华,金炜东.图像椒盐噪声的自适应插值
算法[J].西南交通大学学报,2009,44(1):36⁃40. [11]黄宝贵,卢振泰,马春梅,等.改进的自适应中值滤波
算法[J].计算机应用,2011,31(7):1835⁃1837.
77。