一种针对图像脉冲噪声的改进中值滤波算法

合集下载

一种去除图像混合噪声的滤波算法

提出了一种新的混合噪声滤波算法。与以往算法相比，该算法
因为噪声会严重地降低图像后续处理的精度，包括边缘检测、图像分割、特征提取、模式识别等。均值滤波和中值滤波是最常用
ｍｉｅｏｓｓｐｏｏｅａｅｎｔｔａａｉｎｌｅｏｓｎｄｌａｄｃｍｂｎｎｄａｉｅｎｅｈｉｕ．ｉｔ，ｈｌｏｔｍｅａａｅｘｄｎｉｉｒｐｓｄｂｓｄｏｏａｖｒｔａｎｉｉｇｍｏｅｎｏｉｉｇｍｅｉｎｆｔｒｇｔｃｎｑｅＦｒｌｔｅａｇｒｈｓｐｒｔｓｅｌｉｏｄｌｉｓｙｉｉｕｓｏｓｒｍｈｘｄｏｅａｃｒｉｇｔｔｃａａｔｒｓｉａｄｌｃｌｎｒｙｉｆｒｔｎｏｉｅｓａｄｔｅｓｓｔｅｉｒｖｄｍｅｉｎｆ — ｍｐｌｅｎｉｅｆｏｔｅｍｉｅｎｃｏｄｎｉｈｒｃｅｔｎａｅｇｏｍａｉｆｘｌ，ｎｈｎｕｅｍｐｏｅｄａｌｏｓｉｃｏｅｎｏｐｈｉｔｒｔｅｖｔａｔｒａｄｈｌｏｔｍｄｐｓｔｅａａｔｅｇｎｒｌｅａａｉｎｌｍｏｅｏｐｒｏｅｏｓｎｐｒｔｎａａｎｔｔｅｉｇｅｒｍｏｅｉ，ｅｗｒｓｔｅａｇｒｈａｏｔｈｄｐｉｅｅａｉｄｖｒｔａｄｌｔｅｆｒｄｎｉｇｏｅａｉｇｉｓｈｍａｅｏｆｉｖｚｉｏｍｉｏ
ｗｔｕｓｎｎｉｅＳｍｕａｉｎｒｓｌｈｗａｅｐｏｏｅｇｒｈｃｎｓｐｒｓｘｄｎｉｅｙｅｆｃｉｅｙａｄｐｅｅｖｍａｅｄｔｉｉＧａｓｉｏｓ．ｉｌｔｅｕｔｓｏｔｔｈｒｐｓｄａｏｉｍａｕｐｅｓｍｉｅｏｓｖｒｆｔｌｎｒｓｒｅｉｇｅａｌｈａｏｓｈｔｌｔｅｅｖｓ

改进型中值滤波器在图像去噪中的应用

摘要：中值滤波的改进算法，首先求得噪声图像滤波窗口中去除最大和最小像素灰度值后的中值，然后计算出该中值与对应像素灰度值的差，再与阀值相比较以确定是否用求得的值代替该像素的灰度值。仿真实验表明，与传统的中值滤波算法相比，该算法具有更好的滤波性能。关键词：中值滤波；噪声图像；滤波窗口；像素灰度值中图分类号：Ｔｌ．３文献标识码：ＡＮ９１７
（．０ｔｆＲｏＴｅＳｃｎｔｌｒｎｉｅｒｇＣｌｇ， ’ ｎ７２ｈｎ）Ｎｏ３４Ｓａｏｍ，ｈｅｏｄＡｒｌｙＥｇｎｅｉｏｌｅＸｉ０５Ｃｉａｉｅｎｅａ１０
Ａｂｔａｔ：ｍｐｏｅｄａｉｔｒｎｌｏｉｈａｑｉｅｈｅｉｎａｔｒｔｅｎｉｅｉｇｉｔｒｎｎｏｆｌｒｎｓｒｃｓＡｎｉｒｖｄｍｅｉｎｆｌｉｇａｇｒｔｍｃｕｒｓｔｅｍｄａｆｅｈｏｓｍａｅｆｌｅｉｇｗｉｄｗｉｅｉｇｅｔｔｅｍｏｔａｄｌａｔｐｘｌｇｅｅｒｅｖｌｅａｉｓ．Ｔｈｎｈｎｓｂｔｅｈｄａｎｏｒｓｏｄｎｉｅｒｙｈｓｎｅｓｉｅｒｙｄｇｅａｕｔｆｒｔｅ，ｔｅｍｉｕｅｗｅｎｔｅｍｅｉｎａｄｃｒｅｐｎｉｇｐｘｌｇｅｄｇｅａｕＳｃｌｕａｅ．Ａｔｅｏｅｒｅｖｌｅｉａｃｌｔｄｉｒｃｍｐｒｄｗｉｈｔｅｔｒｓｏｄｔｃｎｂｅｉｅｅｈｒｔｅｍｅｉｎｓｂｔｕｅｔｅｇｅａｅｔｈｈｅｈｌ．ｉａｅｄｃｄｄｗｈｔｅｈｄａｕｓｉｔｈｒｙｔｐｘｌｏｏ．ｅｓｍｕａｉｎｅｐｒｍｅｔｆｔｅｉａｅｐｏｅｓｎｎｉａｅｈｔｔｅｉｒｖｄｍｅｉｎｆｌｅｉｇａｇｒｔｍａｉｅｒｎｔＴｈｉｌｔｘｅｉｎｍｇｒｃｓｉｇｉｄｃｔｓｔａｈｍｐｏｅｄａｉｒｎｌｏｉｈｃｎｏｏｈｔｒｍｏｅｉｇｏｓｒｆｅｔｅｙｔａｈｏｖｎｉｎｌｏｅｅｖｍａｅｎｉｅｍｏｅｅｃｉｌｈｎｔｅｃｎｅｔａｎ．ｖｏ

一种有效去除图像中脉冲噪声的滤波算法

一种有效去除图像中脉冲噪声的滤波算法谭筠梅;王履程;鲁怀伟【摘要】为了抑制脉冲噪声,根据脉冲噪声点和边缘像素点的特征,提出了一种新的基于脉冲噪声点检测的滤波算法.实验结果表明,与传统中值滤波相比,这种新算法很好地保留了图像的细节,尤其在噪声密度较低时,滤波性能更加优越.%In order to suppress the impulse noise,a new filter based on the impulse noise point detection is presented according to the characteristics of the impulse noise points and the edge pixels. Experimental results show that this new algorithm preserves good image detail compared with the traditional median filter,especially superior filtering performance when the noise density is low.【期刊名称】《兰州交通大学学报》【年(卷),期】2011(030)001【总页数】4页(P18-21)【关键词】脉冲噪声;中值滤波;噪声点检测【作者】谭筠梅;王履程;鲁怀伟【作者单位】兰州交通大学,电子与信息工程学院,甘肃,兰州,730070;兰州交通大学,电子与信息工程学院,甘肃,兰州,730070;兰州交通大学数理与软件工程学院,甘肃,兰州,730070【正文语种】中文【中图分类】TP751.10 引言在实际应用中,图像不可避免地被脉冲噪声污染,脉冲噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声,会严重影响图像的质量.用于工程方面的图像往往对质量要求非常高,图像的细节应尽可能的完整清晰,以便进一步对图像进行分割、特征提取等操作,因此抑制脉冲噪声、提高信噪比,保留原图像的完整性和边缘信息,一直是图像预处理的重要环节.去除脉冲噪声最常用的是传统中值滤波算法,由于简单易实现使得它在图像处理中得到了广泛的应用.但是,传统的中值滤波在滤除噪声的同时损失了图像的细节,特别当滤波窗口选得比较大时更会如此.这主要是由于中值滤波对图像中的所有像素点进行了统一处理,这样,一方面容易把图像中的边缘细节点当成了噪声点,进行了滤波处理;另一方面造成了噪声在邻域的传播,削弱了算法保留原图像细节的能力[1].为了克服中值滤波的这个缺点,人们提出了多种改进算法,如双态中值滤波(TSM)算法[2]、M in-max滤波算法[3]、模糊脉冲噪声检测及去噪方法(FIDRM)[4]、方向加权中值滤波(DWM)[5]等.这些算法相对于传统中值滤波去噪性能得到很大提高,但是并没有很好的解决图像细节模糊的问题.本文提出一种新的方法来判别像素点是噪声点还是边缘像素点,然后再进行滤波,从而保留原图像的完整性和边缘信息.1 算法实现与图像信号的强度相比,脉冲干扰通常幅值较大,因此在一幅图像中,脉冲噪声可以数字化为图像灰度值的最大最小值,负脉冲噪声以黑点,正脉冲噪声以白点出现在图像中[6].因此本文算法首先筛选出滤波窗口内像素值为极值点的像素点作为备选点.图像的边缘是指图像局部亮度变化最显著的部分,即在灰度级上发生急剧变化的区域.从空域角度看,二维图像上的边缘相邻像素灰度从某一个值跳变到另一个差异较大的值.因此脉冲噪声点和边缘像素点都可能是备选点,但是由于边缘是一组相连的像素集合,这些像素位于两个不同的平滑图像区域之间,而脉冲噪声点与邻域像素点相比一般是具有非常大或非常小的灰度值的孤立点,因此可以进一步区分备选点是脉冲噪声点还是边缘像素点.本算法分两步实现,第一步采用两种方法检测出噪声点;第二步对噪声点进行滤波.1.1 噪声检测1.1.1 噪声点筛选脉冲噪声的概率密度函数可由公式(1)描述式中:f(x,y)为原始图像在点(x,y)处的灰度值;[]为原始图像的像素点的动态范围;fi(x,y)为噪声污染图像在点(x,y)处的灰度值;P为脉冲噪声的密度.根据脉冲噪声的极值特性,首先利用初步筛选脉冲噪声点,基本思路如下[7]:设Wxy是以点(x,y)为中心的滤波窗口,为中的灰度最小值,fimax为Wxy中的灰度最大值.首先找出每一个的最大值和最小值,如果 fi(x,y)介于最小值和最大值之间,那么该点是一个非脉冲点,否则该点为脉冲噪声点,记为1.1.2 噪声点确定对于上述方法筛选出的噪声点,本文提出以下算法利用两个规则进一步区分它是脉冲噪声点还是边缘点.使用(2K+1)×(2K+1)(取K=1)的矩形窗,对于中心像素 fi(x,y)来说其具有八个不同方向的相邻像素[8],这八个方向是Direction{NW,N,NE,ES,E,S,SW,W},如图1所示.fi(x+k,y+ l)是对应于fi(x,y)的不同方向的相邻像素,其中: k,l∈{-K,…,+K},如fi(x-1,y+1)是fi(x, y)在NE方向的相邻像素,不同方向的k与l的取值见表1.计算出fi(x,y)与这八个相邻像素的梯度值[6],记为图1 像素的八个相邻方向Fig.1 Thepixel'seightneighbordirections表1 计算各方向的梯度所用的像素Tab.1 Pixelsusedtocalculatethegradientofthe differentdirections方向D (k,l)的取值两个相邻像素NW (-1,-1)fi(x-1,y+1),fi(x+1,y-1) W (0,-1) fi(x-1,y),fi(x+1,y) SW (1,-1) fi(x+1,y-1),fi(x+1,y+1) S (1,0) fi(x,y-1),fi(x,y+1) SE (1,1) fi(x-1,y+1),fi(x+1,y-1) E (0,1) fi(x-1,y),fi(x+1,y) NE (-1,1) fi(x-1,y-1),fi(x+1,y+1) N (-1,0) fi(x,y-1),fi(x,y+1)这八个梯度值称为每个方向的基本梯度值,除此以外还要使用与中心像素 fi(x,y)成直线并垂直于该方向的另外两个相邻像素的梯度值,这两个相邻像素的选择见表1.例如NE方向,还应计算像素fi(x-1,y-1)和fi(x+1,y+1)在NE方向的梯度值,如图2所示.把基本梯度值和另外两个相关的梯度值的绝对值分别定义为▽Dfi(x,y),fi(x, y)和fi(x,y),其中:D∈Direc tion{NW,N, NE,ES,E,S,SW,W}.图2 计算NE方向的梯度值的像素Fig.2 Pixelsusedtocalculatethegradientofthe NEdirection下面利用以下两个规则,通过判断3个梯度值的大小来确定像素在对应方向是否被噪声污染.规则1 可如下定义中心像素fi(x,y)在某一方向被噪声污染如果((▽Dfi(x,y)＜T)并且(fi(x,y)＞T)并且(fi(x,y)＞T))或者((▽Dfi(x,y)＞T)并且(fi(x,y)＜T)并且(fi(x,y)＜T))那么在方向D上fi(x,y)是脉冲噪声,记为规则2 可如下定义中心像素fi(x,y)在某一方向未被噪声污染如果((▽Dfi(x,y)＞T)并且(fi(x,y)＞T)并且(fi(x,y)＞T))或者((▽Dfi(x,y)＜T)并且(fi(x,y)＜T)并且(i(x,y)＜T))那么在方向D上fi(x,y)未被脉冲噪声污染,记为这里T为阈值.像素(x,y)为(2K+1)×(2K+ 1)矩形窗的中心像素,则它与相邻像素的平均差值为T可以定义为(2K+1)×(2K+1)矩形窗内坐标(x,y)与中心像素点的上的h(x,y)差值的平均值:对于第一种方法检测出的噪声点,通过以上计算,如果则断定该点是脉冲噪声污染的像素点,否则为边缘点,记为1.2 噪声滤波噪声滤波时,如果滤波窗口的中心点已判断是脉冲噪声污染的像素点,则在该窗口内去除所有被噪声污染的点,中心点的灰度值等于剩余的未被噪声污染的点的中值.具体步骤如下:1)设W是以点(x,y)为中心的(2K+1)× (2K+1)滤波窗口,如果flag2(x,y)=0,则不进行任何处理,令fo(x,y)=fi(x,y),否则进行下一步;2)令S(i)为W窗口内所有未被噪声污染的点的集合,则fo(x,y)=Med(S(i)).3)最后令fo(x,y)为滤波输出的结果.2 实验与结果分析本文以512×512×8的Barbara图像和512× 512×8的mandrill图像(代表纹理细节丰富的图像)为例,将本文算法与传统中值算法进行比较.采用图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)作为客观评价尺度[9],PSNR定义如下:本文算法与传统中值算法(3×3和5×5窗口)的PSNR值比较如表2,可见本文算法优于传统中值算法.为了更直观地进行滤波效果的比较,图3给出了噪声强度为0.1时三种算法对Barbara图像的输出图像以及图像中椅背的局部效果图,显然本文算法较传统算法在滤除噪声的同时更好的保留了图像细节.表2 不同噪声密度下降噪性能(PSNR)的比较Tab.2 Comparison of the denoising results for different noise intensities噪声密度(%) 传统中值(3×3)传统中值(5×5) 本文算法5 Barbara 25.073 8 23.163 1 31.790 7 Mandrill 28.174 4 24.632 8 33.392 8 10 Barbara 24.749 9 23.087 7 29.791 9 Mandrill 27.980 2 24.553 3 31.716 5 15 Barbara 24.769 4 23.082 3 28.958 2 Mandrill 26.562 8 24.951 6 30.002 1 20 Barbara 23.595 5 22.810 4 26.025 6 Mandrill 24.4637 23.489 4 25.148 9 30 Barbara 22.051 3 21.181 4 22.056 5 Mandrill 22.4368 21.562 3 22.684 1图3 各种滤波算法对Barbara的输出图像Fig.3 Output images by using various algorithms3 结论本文算法首先初步筛选出脉冲噪声备选点,在此基础上利用方向梯度值进一步区分出这些像素点是噪声点还是边缘点,然后只对噪声点进行滤波处理,从而减少了滤波后图像的模糊并较好的保留了图像的纹理细节.经仿真实验比较,该算法滤波效果都明显优于传统中值滤波,尤其是在噪声密度较低时滤波性能更加优越,当脉冲噪声密度很大时与传统滤波器相比滤波性能相当,但细节保留能力更强.参考文献:【相关文献】[1] 赵甘露,李小民,江涛,等.一种新型噪声检测中值滤波算法[J].计算机工程与科学,2006,11(28):30-32.[2] Chen T,Ma K K,Chen L H.Tri-statemedian filter for image denoising[J].IEEE T rans on Image Processing, 1999,8(12):1834-1838.[3] Wang Junghua,Lin Lianda.Imp roved median filter using m inmax algorithm for image processing[J].Electronics Letters,1997,33(16):1362-1363.[4] Schulte S,Nachtegael M.A fuzzy im pu lse noise detection and reductionmethod[J].IEEE Transac tions on image p rocessing,2006,15(5):1153-1162.[5] Dong Yiqiu,Xu Shufang.A new directional weighted median Filter for removal of random-valued im pu lse noise[J].IEEE Signal Processing Letters,2007,14 (3):193-196.[6] 冈萨雷斯.数字图像处理[M].2版.北京:电子工业出版社,2008.[7] 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):533-536.[8] 张斌,宋旸,贺安之,等.基于任意方向图像导数算法的边缘检测技术[J].光电工程,2009(10):124-128.[9] 王履程,王静,谭筠梅,等.基于噪声强度估计的中值滤波[J].兰州交通大学学报,2008,6(6):112-114.。

图像处理中的图像去噪算法使用方法

图像处理中的图像去噪算法使用方法图像去噪算法是图像处理领域的一个重要研究方向，它的主要目标是通过消除或减少图像中的噪声，提高图像的视觉质量和信息可读性。

图像噪声是由于图像信号的获取、传输和存储过程中引入的不可避免的干扰所致，例如传感器噪声、电磁干扰等，使图像中的细节模糊，影响图像的清晰度和准确性。

因此，图像去噪算法在许多应用领域中都具有重要的意义，如医学图像处理、计算机视觉、图像识别等。

现在，我们将介绍几种常见的图像去噪算法及其使用方法。

1. 中值滤波算法：中值滤波算法是一种简单而有效的图像去噪方法。

它的基本原理是对图像中的每个像素点周围的邻域进行排序，然后取中间值作为该像素点的输出值。

中值滤波算法适用于去除椒盐噪声和脉冲噪声，它能够保持图像的边缘和细节信息。

使用中值滤波算法时，需要设置一个邻域大小，根据该大小确定图像中每个像素点周围的邻域大小。

较小的邻域大小可以去除小型噪声，但可能会丢失一些细节信息，较大的邻域大小可以减少噪声，但可能会使图像模糊。

2. 均值滤波算法：均值滤波算法是一种基本的线性滤波技术，它的原理是计算图像中每个像素点周围邻域像素的平均值，并将平均值作为该像素点的输出值。

均值滤波算法简单易实现，适用于消除高斯噪声和一般的白噪声。

使用均值滤波算法时，同样需要设置邻域大小。

相较于中值滤波算法，均值滤波算法会对图像进行平滑处理，减弱图像的高频细节。

3. 降噪自编码器算法：降噪自编码器算法是一种基于深度学习的图像去噪算法。

它通过使用自编码器网络来学习图像的特征表示，并借助重建误差来去除图像中的噪声。

降噪自编码器算法具有较强的非线性建模能力，可以处理复杂的图像噪声。

使用降噪自编码器算法时，首先需要训练一个自编码器网络，然后将噪声图像输入网络，通过网络进行反向传播，优化网络参数，最终得到去噪后的图像。

4. 小波变换去噪算法：小波变换去噪算法是一种基于小波分析的图像去噪算法。

它将图像分解为不同尺度下的频域子带，通过对各个子带进行阈值处理来消除图像中的噪声。

自适应中值滤波算法滤除医学图像脉冲噪声_宁春玉

g max 为 s xy 中的最大灰度值，口 s xy 中的最小灰度值， g med 为 s xy 中的灰度中值， s max 定义为自适应中值滤
2 自适应中值滤波算法 2.1 脉冲噪声特点
脉冲噪声是由于传感器、解码器处理等所产生的脉冲在图像中产生的一些灰度值很小（接近黑色）或灰度值很大（接近白色）的随机噪声。脉冲噪声的灰度是该点正常灰度与噪声灰度的叠加，其在灰度特征上与周围相邻像素点有较明显的区别，一般是其邻域中的灰度极值点（正的或负的极值）。图像中脉冲噪声的概率密度函数（PDF）可由下式描述： ì pa, z = a ï P ( z) = í p b , z = b ï î0, otherwise 如果 b > a ，灰度值 b 在图像中将显示为一个亮
f ( x y) = median{g(s t)}
(s t) Î s xy ^ ^
虽然传统中值滤波在抑制噪声的同时能较好地保护图像的边缘细节，但该滤波窗口 s xy 一旦选定，即对所有像素均采用同一模板进行处理，而不考虑窗口范围内噪声点的多少。本文从虚拟内窥镜系统运算时间考虑，并参考文献[12]，采用滤波窗口自适应的方法来滤除医学图像数据中含有的脉冲噪声。该滤波器的滤波方式和传统的中值滤波器一样，都是利用 m ´ n 矩形区域窗口 s xy 定义的区域内图像的统计特性。不同的是在滤波过程中，自适应滤波器会根据一定的设定条件，充分考虑图像中不同区域受脉冲噪声污染的程度不同而自适应地改变滤波窗口的大小。设 g xy 为像素点 ( x y) 的灰度值，g min 为滤波窗
宁春玉，赵春华：自适应中值滤波算法滤除医学图像脉冲噪声
2012了非脉冲噪声，从而减少不必要的边界细化或粗化等损失。

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:BGrading Median Algorithm for Filtering Salt and Pepper Noises in ImageYAN 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)<mame{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86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 innoise 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 ∑Mx =1∑Ny =1(o (x ,y )-d (x ,y ))2PSNR =10log (L -1)2[]ìîíïïïïMSE(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96 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 differentalgorithm 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0.125.0529.2827.280.224.0127.6027.480.323.1925.7626.260.422.3524.4625.080.521.4723.2224.230.620.0221.8423.430.716.9319.4022.830.812.1915.2421.700.98.0011.1719.46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 image4　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。

中值滤波在数字图像去噪中的应用

中值滤波在数字图像去噪中的应用数字图像在现代社会中应用非常广泛，但在图像处理过程中往往会存在噪声干扰的问题。

为了处理图像中的噪声，人们研究出了许多图像去噪的方法，其中中值滤波是一种常用的去噪方法。

本文将介绍中值滤波在数字图像去噪中的应用。

一、中值滤波的原理中值滤波是一种非线性滤波方法，其原理是以像素点为中心，以像素点的灰度值进行排序，然后选择中间值作为该像素点的灰度值，从而达到去除噪声的效果。

中值滤波的应用范围很广，不仅可以用于灰度图像的去噪，还可以用于彩色图像的去噪。

1. 中值滤波在灰度图像去噪中的应用在数字图像处理中，灰度图像是一种最常见的图像格式，常常需要对其进行去噪处理。

中值滤波在灰度图像去噪中有着广泛的应用。

其原理是通过对每个像素点邻域内的像素值进行排序，然后选取中间值作为该像素点的像素值，从而实现去除图像中的噪声点的效果。

中值滤波对于椒盐噪声、高斯噪声等不同类型的噪声都有较好的去除效果，能够有效地提高图像质量。

彩色图像是由红、绿、蓝三种颜色通道组成的，对彩色图像进行去噪需要考虑到这三种颜色通道的信息。

中值滤波同样适用于彩色图像的去噪处理，其原理是对每个像素点的颜色通道进行排序，然后选取中间值作为该像素点的颜色值。

这种方法可以有效地去除彩色图像中的各种噪声，包括颜色失真、色块噪声等问题，从而提高图像的质量。

在一些对实时性要求较高的图像处理应用中，中值滤波也有着广泛的应用。

由于中值滤波的计算量较小，且对图像的处理速度要求不高，在一些对实时性要求较高的场景中，中值滤波被广泛应用。

比如在视频监控、无人驾驶、医学图像处理等方面，中值滤波都有着重要的应用价值。

1. 优点中值滤波具有计算简单、去噪效果良好、对数字图像边缘保护好等优点。

由于中值滤波是基于像素的排序来进行的，对不同类型的噪声都具有较好的去除效果，能够有效提高图像质量。

2. 缺点中值滤波方法对于大面积的噪声效果并不理想，因为它会破坏图像的细节信息，导致图像的平滑度较高。

一种改进滤波算法的研究与应用——脑部CT医学图像去噪方法研究

科技与创新┃Science and Technology & Innovation·108·文章编号：2095－6835（2016）16－0108－03一种改进滤波算法的研究与应用——脑部CT 医学图像去噪方法研究李康（太原师范学院计算机科学与技术系，山西太原 030619）摘要：在脑部CT 医学图像去噪处理的过程中，传统的中值滤波算法和均值滤波算法应用范围有限，各自对某种特定的噪声处理效果显著，对于其他噪声或混合噪声的去噪能力弱，无法满足实际应用需求。

结合中值滤波算法和均值滤波算法，提出了一种改进的新算法。

仿真实验证明，这种算法不仅可以有效去除单一噪声，还可以去除混合噪声，在这方面的去噪能力表现突出。

关键词：中值滤波算法；均值滤波算法；脉冲噪声；高斯噪声中图分类号：R318.0 文献标识码：A DOI ：10.15913/ki.kjycx.2016.16.108近年来，随着计算机科技的发展，医学影像技术受到了人们的高度重视。

在临床医学中，医学影像发挥的作用越来越大，尤其是核磁共振、脑部CT 和脑电波等，它们在医学上发挥着不可替代的作用。

在获取、传输医学图像的过程中，常常会产生噪声。

噪声是影响医学图像质量至关重要的因素。

就脑部CT 图像而言，当病变组织与正常组织的衰减系数非常接近时，噪声的存在会使图像的信噪比下降，直接导致图像的某些特征细节淹没在图像噪声中不能辨识。

噪声是随机出现的，是不可预测的信号。

噪声的出现会对图像的后续处理和研究造成严重的阻碍，也会使医生在判断病情时产生偏差。

因此，图像去噪恢复是医学影像图像处理的基础环节。

在日常生活中，最常见的图像噪声是脉冲噪声和高斯白噪声。

脉冲噪声出现的位置是随机的，但是，噪声的幅值是基本相同的；高斯白噪声出现的位置是一定的（每一点上），但噪声的幅值是随机的。

在现实生活中，通常出现的是混合噪声，即脉冲噪声和高斯白噪声混合起来。

一种基于脉冲噪声检测的中值滤波方法_佟成

收稿日期:2008-07-02;修回日期:2008-10-18作者简介:佟成(1982-),男,山西长治人,硕士研究生,主要研究方向为图像处理(tongcheng19@163.co m );王士同(1964-),男,江苏扬州人,教授,博导,主要研究方向为人工智能、模式识别、图像处理、生物学.一种基于脉冲噪声检测的中值滤波方法佟成,王士同(江南大学信息工程学院,江苏无锡214122)摘要:提出了一种针对图像脉冲噪声进行检测,并根据检测结果利用中值滤波滤除脉冲噪声的方法。

该方法将含有脉冲噪声的子图像样本空间,通过核函数映射成为高维空间中的一个超球体,计算该球体半径R 及对应的球心向量a 。

对于测试样本,比较其到超球体球心的距离d 与球体半径R 两者之间的关系,若两者差的绝对值小于某一阈值,则不存在噪声,反之存在噪声。

采用中值滤波方法,对检测到的噪声点进行滤除。

与其他算法相比,提出的算法对噪声的判断更加准确,滤除噪声的方式更加合理,适用的图像范围更加广泛,具有更好的滤波性能。

关键词:脉冲噪声;噪声检测;核函数;一类分类方法;中值滤波中图分类号:TP391141 文献标志码:A 文章编号:1001-3695(2009)05-1994-03I m age m ed i an filteri ng al gorit h m based on i m pu lse no ise detecti onTONG Cheng,W ANG Sh-i tong(C ollege of Infor m ation E ng ineeri ng of T ec hnolo gy,Ji angnan University ,W uxi Jiang su 214122,Ch i na )Abstract :The paper proposed an algorith m that re m oves the m i pulse noise i n an m i age by med i an filteri ng on t he basis of them i pu l se noi se detecti on resu l .t It fi rstm apped t he sub m i age sa mp le spacem ixi ng w ith m i pu l se noise i nto a supersphere ofmu-l ti dm i ensi ons by kernel functi on ,then co m puted t he radius R of t he s phere and the vector of sphere cen ter a .Compared the rad-i us R w ith t he d istance that the test sa m ple and sphere center a .If the absol u te val ue of t he m subtracting was less than a t hresh -ol d ,then i nexist noi se ,con traril y exi st noise .The m ed i an filteri ng w as used to remove t he noi se .Comparei ng w ith the others algorith m s ,it cou l d verd i ct accuratel y t he m i pulse noise much m ore ,t he m ode filteri ng noise was m ore reasonable ,the m i ages range app licab ilityw as morebroad ,so ,it holded better filteri ng perfor mance .Key words :m i pulse noise ;noise detection ;kernel functi on ;one -class classificati on ;m edian filter(MF)0 引言数字图像是许多科学领域获取信息的重要来源,如生物学、医学以及天文学等[1]。

一种消除脉冲噪声的迭代自适应中值滤波方法

一种消除脉冲噪声的迭代自适应中值滤波方法朱运海;张京钊;江涛;武红智【摘要】基于脉冲噪声的特点提出了一种新的滤波方法--迭代自适应中值滤波方法(Iterative Adaptive Median Filter,IAMF).本方法根据被脉冲噪声污染的图像的特征,建立相应的权重函数,并结合迭代算法进行噪声消除,处理后的图像不但能够较好地保留细节信息,而且能够保持良好的清晰度.此外,在IAMF滤波过程中,由于噪声点不参与计算,从而有效避免了图像中噪声点对正常像素的影响,同时也提高了运算速度.试验结果进一步证明:当噪声率超过0.5时,该方法的优越性尤为突出,噪声率超过O.9时,图像处理效果仍比较理想.【期刊名称】《山东科学》【年(卷),期】2010(023)004【总页数】6页(P51-55,76)【关键词】迭代自适应中值滤波;脉冲噪声;图像处理【作者】朱运海;张京钊;江涛;武红智【作者单位】山东省科技发展战略研究所,山东济南250014;中国科学院生态环境研究中心,北京 100085;山东省科技发展战略研究所,山东济南250014;山东科技大学测绘科学与工程学院,山东青岛266510;山东科技大学测绘科学与工程学院,山东青岛266510;山东省科技发展战略研究所,山东济南250014【正文语种】中文【中图分类】TP391.41Abstract:This paper presents an iterative adaptive median filter(IAMF)approach based on the characteristics of impulse noise.The approach constructs the weight function of an impulse noise contaminated image according to its characteristics and then eliminates noise with an iterative algorithm.An I AMF processed i mage can not only reserve the micro information of its original i mage but also have better definition.This approach effectively avoids the influence of noise dots on the non-noise dotsof an image and improves computation speed since those noise dots are not involved in the calculation.This approach has a better denoise effect for an i mpulse noise contaminated image, especially when the noise rate is above 0.5.This approach still has better satisfactory effectwhen the noise rate is above 0.9.Key words:iterative adaptive median filter;impulse noise;image processing 中值滤波器是由著名学者 J.W.Tukey于 1971年提出的,其实质为对图像像素进行邻域运算,即:将待处理像素点的某一邻域内的所有像素按灰度值进行排序,然后取其中间值来替代待处理像素的灰度值。

改进的基于中值滤波和小波变换的图像降噪方法

改进的基于中值滤波和小波变换的图像降噪方法张昊慧【摘要】针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声，对于脉冲噪声得不到好的降噪效果的问题，提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。

该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。

仿真实验结果表明，结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善，从而证明了该方法的有效性。

%The de-noising method by threshold based on wavelet transform is only used to remove Gaussian white noise and invalid to remove impulse noise. This paper proposes the de-noising method that combines wavelet transform based on Guass model algorithm and improved median filter. This method can effectively remove fixed noises of the Gaussian white noise and impulse noise. The simulation experiment shows that combined algorithm for de-noising images of the peak signal-noise ratio and mean square error than the single algorithm is improved, and the validity of this algorhhm is proved.【期刊名称】《微型机与应用》【年(卷),期】2012(031)020【总页数】3页(P51-53)【关键词】中值滤波;改进的中值滤波;小波变换【作者】张昊慧【作者单位】淮阴师范学院物理与电子电气工程学院,江苏淮安223001【正文语种】中文【中图分类】TN391图像信号在其形成、传输、变换以及终端处理中，经常会受到各种噪声的干扰而降质。

一种对脉冲噪声的快速和可靠的开关中值滤波

注意在中值滤波过程中，那些被破坏的像素被排除在外，只有那些没被破坏的像素再用来计算中值。
4 计算复杂度
考虑处理一个MXN大小、L个灰度级的图像，第一个重复过程我们使用21X21的滑动窗口。在每行的开始，计算滑动窗口的灰度直方图。这个需要21*21=441次整数加法操作。当滤波窗口滑动到下一个像素时，更新直方图需要21次减操作和21次加操作。过程重复直到图像的右边界。然后，滑动窗口从下一行的第一个像素开始，重新计算直方图。如果不区别加操作和减操作，通过整个图你的，总的直方图计算是441*M+42*(N-1)*M次加操作。
5 实验结果
图2概括了我们提出的方法和BDND开关滤波器在不同噪声等级下的PSNR性能比较。两个方法都能够有效去除脉冲噪声，PSNR性能非常接近。为了证明两个方法的差别，将我们提出的方法和BDND的PSNR相减，如图3所示。可以看到当噪声密度小于0.3，BDND比我们的方法好0.1db，当噪声密度等级大于0.4时，我们的方法比BDND好0.2db。
3 自适应滤波策略
现在，我们已经得到一个指示每个像素是否被破坏的二值矩阵。基于这个矩阵，那些“没被破坏”的像素保持不变，具有自适应调整窗口大小的开关中值滤波器应用于那些“被破坏”的像素。从窗口大小W=3开始。滤波窗口在四个边扩展一个像素，如果没破坏的像素数量少于3个。这个和应用于BDND的滤波策略有点不同。它的扩展是当没破坏的像素少于窗口像素数量的一半（Sin=W*W/2）时进行扩展，当没被破坏像素数量超过Sin，或窗口大小等于预定义的最大窗口大小Wmax，扩展过程结束。Wmax通过估计噪声密度等级来确定。在高噪声密度（>50%），通常，在窗口内没被破坏像素数量少于Sin，窗口大小经常增加到最大窗口大小Wmax，这会使得图像细节变得很模糊。此外，噪声密度等级的估计需要比我们简单滤波策略更多的计算。假设应用开关中值滤波于噪声像素Xij，并最终确定窗口大小为Wf，输出像素是Yi,j