图像预处理的滤波算法研究

第9卷 第13期 2009年7月1671-1819(2009)13-3830-04

科 学 技 术 与 工 程

Science T echno logy and Eng i neer i ng

V o l

9 N o 13 July 2009 2009 Sci T ech Engng

图像预处理的滤波算法研究

周姗姗 柴金广

(中国科学院上海技术物理研究所,上海200083)

摘 要 对于需要持续跟踪目标的成像系统来说,目标会出现由点到面或由面到点的变化。针对这种情况,分析并比较了三

种点目标和面目标均适合的图像预处理滤波算法。仿真实验证明,改进的高通滤波算法比高通中值滤波算法和高斯高通滤波算法效果更好,可以在实际工程中得到应用。关键词

图像预处理 中值滤波 高通滤波 高斯滤波

中图法分类号 TN 911.73; 文献标志码

A

2009年3月20日收到

第一作者简介:周姗姗(1983 ),女,中国科学院上海技术物理研究所,物理电子学博士研究生,研究方向:信号与信息处理,E -m a i :l pu rpleas h an @126.co m 。

传统意义上,成像系统在获取图像之后,首先需要对图像进行预处理,以消除图像背景及系统噪声的干扰。这有利于后续的图像综合处理,从而降低目标识别等关键任务的复杂度。

在一帧图像上,对于点目标来说,其面积只占1个像素点,灰度与周围邻近象素点的灰度有明显的差异,反映在频谱上即处于高频部分,近似于高频噪声。基于这个特点,已有大量文献针对点目标提出了许多滤波算法,包括:高通滤波、Robinson 滤波、匹配滤波、神经网络、小波变换、分形滤波、形态滤波等等。预处理后的图像主要保留了点目标及孤立的高频噪声点。

对于面目标来说,目标边缘与背景的灰度差异仍旧显著,而目标内部的灰度变化缓慢,反映在频谱上则处于低频部分,若应用点目标的滤波算法,诸如高通滤波,处理后会发生目标边缘灰度增强但中心部分灰度降低的情况,相当于目标内部被看作背景受到抑制。因此,适用于面目标的算法,主要以能有效消除噪声并保留图像细节的滤波为主,如:中值滤波、均值滤波等。

对于需要持续跟踪目标的成像系统,目标在成

像面上的大小会随着跟踪距离的变化而不同,因此图像上呈现的目标会在点与面之间变化。如果对点目标和面目标采用两种不同的预处理算法,在工程应用时会增加系统的复杂度,延长系统的响应时间,降低系统的实时性。为此,寻找一种点目标、面目标均适合的滤波算法是很有必要的。

本文选取了以下几种滤波算法,分析了它们的基本原理和公式,通过仿真实验比较并验证其可行性。

1 高通中值滤波算法

传统的高通滤波算法能有效地抑制大面积的低频背景,增强目标边缘,但无法滤除孤立的高频噪声点,同时还会削弱目标中心的灰度。传统的中值滤波算法则恰好相反,它能有效滤除高频噪声点,保留完整的面目标,但无法抑制低频背景。基于将两者优缺点互补的思想,提出了一种高通滤波和中值滤波相结合算法。这里,高通滤波算法采用低通滤波的形式对输入图像作背景预测;中值滤波算法采用传统的滤波方法,即一个像素点的灰度值由该点邻域内像素点的灰度中值来代替。其滤波流程如图1所示。

算法表达式为

[1]

:

Y(i ,j)=X (i ,j)+M ed (i ,j)-2L p (i ,j)

(1)

图1 高通中值滤波算法流程

(1)式中:Y (i ,j)为输出图像;X (i ,j )为输入图像;M ed (i ,j )为中值滤波图像;

L p (i ,j)为低通滤波的预测背景图象;中值滤波公式为

[2]

:

M ed (i ,j)=m m ed ian S

{X (i -p,j -q )};(p,q ) S

(2)

(2)式中:S 为滤波窗口。

低通滤波公式为:L p (i ,j)

=

1R

R-1

r =0

1-1

R

r

s(i ,j ,r )+1-1

R

R

s(i ,j ,R )(3)

(3)式中:s (i ,j ,r )=

1

4

[X (i -r ,j -r )+X (i -r ,j +r )+X (i +r ,j -r)+X (i +r ,j +r )]

(4)

R 为滤波半径。

2 高斯高通滤波算法

高斯滤波是一种线性平滑滤波,可去除图像中的细节部分,同时能减少图

像的噪声。在本算法中,高斯滤波用于消除高频噪声,同时克服边界效应,使得面目标从中心到边缘的灰度值能够平滑过渡;经高斯滤波抑制噪声后,再由高通滤波完成背景抑制。

其算法流程如图2所示。

图2 高斯高通滤波算法流程

算法表达式为

[3]

:

高斯滤波G :(i ,j)=X (i ,j )T (m,n)

(5)

高通滤波:

Y(i ,j )=G (i ,j)-[ 8

p =1G (i +p,j)+

-1

p =-8

G (i +p,j)+

8

q=1

G (i ,j +

q )+

-1

q=-8

G (i ,j +q )]/32

(6)

(6)式中,G (i ,j )为高斯滤波图像;X (i ,j )为输入图像;Y(i ,j)为输出图像;T (m,n)为3 3的高斯滤波模板,其表达式为:

T =

1

16

1

212421

21

(7)

可以看到,模板中心点的权值最大,随着距中心点距离的增加权值减小,从而降低平滑处理中的模糊程度。

3 改进高通滤波算法

基于高通滤波抑制背景的原理,为了解决高通滤波造成面目标中心灰度严重下降的问题,这里提出一种改进的高通滤波算法,即背景预测由低通滤波完成,再将输入图像与预测背景图像相减,获得背景抑制后的滤波图像。其算法流程如图3所示。

图3 改进的高通滤波器算法框图

算法表达式为

[4]

:

Y(i ,j)=(1+ )X (i ,j)-B (i ,j )

(8)

(8)式中,Y(i ,j)为输出图像;X (i ,j )为输入图像;B (i ,j)为低通滤波的预测背景图像; 为可调参数,取值范围为0~1:处理面目标时,提高 可保留更多的原始信息;而处理点目标时,令 =0可保留更多的高频特性。

低通滤波公式为:B (i ,j )=X (i ,j)H (m,n )(9)(9)式中,H (m,n )为5 5的低通卷积模板,其表达

式为:

383113期周姗姗,等:图像预处理的滤波算法研究