NAFSM中值滤波器讲解与实现

已于 2022-04-13 23:07:34 修改
阅读量2.2k 收藏 25
点赞数 13
文章标签： matlab 算法
于 2020-03-09 23:06:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42109740/article/details/104760196
版权

去年大三时课上，医学图像处理老师讲解了这个算法，当时布置的作业就是实现这个中值滤波器，今天突然从一篇论文中看到过类似这种思想，就又想起来了，发现网上对这个算法的讲解很少，那我就在这分享一下咯！下面是原论文：
K. K. V. Toh and N. A. Mat Isa, “Noise Adaptive Fuzzy Switching Median Filter for Salt-and-Pepper Noise Reduction,” in IEEE Signal Processing Letters, vol. 17, no. 3, pp. 281-284, March 2010.，链接：https://ieeexplore.ieee.org/document/5356178

接下来我将从我对该算法理解、算法实现、算法MATLAB代码、实验报告这个顺序进行我的讲解，希望能帮助到一些人。
一、NAFSM算法理解：
首先发一张我的总结：

NAFSM中值滤波器原理

第一步：是一个二值化处理，对于图像像素灰度值最大和最小当做椒盐噪声，该像素值变成0。
注意图中公式N（i，j）和X（i，j）的区别，这对于理解后面推导很重要，其中N代表二值化后的矩阵，值为1的像素代表该点不是噪声，为0的像素代表该点为噪声点，而对于X则还是原图的灰度值，后面M代表准恢复图像像素灰度值，Y代表最后处理后的图像像素灰度值大小。
第二步：定义一个矩形框，图中s即代表矩形框的大小参数，如果s=1，代表矩形框大小为33；如果s=2，代表矩形框大小为55，以此类推；
第三步：因为对于处理这类噪声，主要难点就是噪声点灰度大小恢复的问题，作者考虑当在该像素点矩形框内，有存在不是噪声点的点，也就是图片中G的大小不为0，则直接可以提取矩形框内那些不为0的点（非噪声像素点）灰度值的中值作为该点灰度值；
第四步：然而，如果发现矩形框内都是噪声点，也就是矩形框内的N（i，j）都为0，这个时候就需要将矩形框扩大，比如s=1，变成s=2，继续第二步，如果最后发现s=3，也就是77矩形框内结果还是都为噪声点，即G=0，则直接将该点灰度值定义为其33框内，左上角四个像素灰度值的中值（这里解释一下，由于一张图处理一般都是从左上角像素开始，所以这里就假设了正在处理的像素点之前的像素点都已经获得比较靠谱的灰度值大小，所以这里就只选取图中几个像素点灰度大小的中值）；
第五步：经过前面几步，至此，M的大小已全部确定，但是这里作者没有直接取M值作为最后处理结果，作者对原始灰度图像计算33矩形框内与中心点灰度值绝对值相差最大值；
第六步：通过一个函数计算F值大小，可参考下图理解：
在这里插入图片描述
结合图中那个求F公式可以知道，其主要思想是：当原始图像33矩形框内有像素灰度差异比较大时，认为这个点灰度可信度比较低，也即是F为1，对应于Y值就是不考虑X（原始灰度）大小，当矩形框内像素灰度值差异很小时，认为这点可信度很高（因为如果框内存在椒盐噪声，则必为0或者225，大概率两者都有，所以这个时候值只会很大，不会很小），这个时候F就为0，也就是相信X值大小，同理可理解中间那段（如上图中间那段呈线性变化）。我在matlab程序里选取的T1和T2值分别为30和60，F值是用来衡量M与真实值之间误差；
第七步：最后通过公式求出Y，即最后结果。

二、算法实现
这是matlab上运行部分结果图：
加10%椒盐噪声：
在这里插入图片描述

加20%椒盐噪声

在这里插入图片描述
加50%椒盐噪声：在这里插入图片描述
加70%椒盐噪声：在这里插入图片描述
加90%椒盐噪声：
在这里插入图片描述
可以看到，NAFSM滤波器效果非常好，碾压普通中值滤波器。

三、MATLAB代码：
1、原始代码

clear
[Im,map]=imread('lena.gif');
J=ind2gray(Im, map);
I= imnoise(J,'salt & pepper',0.5);%加入椒盐噪声
[m n]=size(I);
N=zeros(m,n);%定义一个二值图空矩阵
for i=1:1:m %确定图像二值图，将灰度值为0或者255的像素定义为椒盐噪声，二值图大小为0
    for j=1:1:n
        if I(i,j)==255||I(i,j)==0
            N(i,j)=0;
        else
            N(i,j)=1;
        end
    end
end
s=input('请输入大小为s*s的矩形窗，s=');
G=zeros(m,n);%定义一用来保存矩形窗内二值总大小的矩阵
for i=1:1:m%计算矩形窗内各像素大小，并且求预恢复值M（i，j） 
    for j=1:1:n
        W=zeros(s,s);%定义一个空的矩形窗
         for li=1:1:s
            for lj=1:1:s
                if (i+li-(s+1)/2)<=0||(j+lj-(s+1)/2)<=0||(i+li-(s+1)/2)>m||(j+lj-(s+1)/2)>n%判断是否超出原始图像范围
                    continue;
                end
                W(li,lj)=N(i+li-(s+1)/2,j+lj-(s+1)/2);%获取矩形窗内数据
            end
         end
         G(i,j)=sum(sum(W));
         z=s;
         for k=s:2:5
        if G(i,j)==0
            z=k+2;
            W1=zeros(z,z);%定义一个空的矩形窗
          for li=1:1:z
             for lj=1:1:z
                 if (i+li-(z+1)/2)<=0||(j+lj-(z+1)/2)<=0||(i+li-(z+1)/2)>m||(j+lj-(z+1)/2)>n%判断是否超出原始图像范围
                     continue;
                 end
                 W1(li,lj)=N(i+li-(z+1)/2,j+lj-(z+1)/2);%获取矩形窗内数据
             end
          end
          G(i,j)=sum(sum(W1));
          if G(i,j)==0
             continue;
          else
              break;
          end
        else
            break;
        end
        end
        if z==7
             M(i,j)=median(I(i-1,j-1),I(i,j-1),I(i+1,j-1),I(i-1,j));
%            M(i,j)=I(i,j);
           continue;
        end
        W2=zeros(1,G(i,j));
        nn=1;
        for i1=1:1:z
            for j1=1:1:z
                if (i+i1-(z+1)/2)<=0||(j+j1-(z+1)/2)<=0||(i+i1-(z+1)/2)>m||(j+j1-(z+1)/2)>n%判断是否超出原始图像范围
                    continue;      
                elseif N(i+i1-(z+1)/2,j+j1-(z+1)/2)==1
                    W2(nn)=I(i+i1-(z+1)/2,j+j1-(z+1)/2);
                    nn=nn+1;
                end
            end
        end
        M(i,j)=median(W2);
    end
end
W3=zeros(3,3);
D=zeros(m,n);
for i=1:1:m
    for j=1:1:n
        L=zeros(3,3);%定义一个m*n的矩形窗
        for li=1:1:3
            for lj=1:1:3
                if (i+li-(3+1)/2)<=0||(j+lj-(3+1)/2)<=0||(i+li-(3+1)/2)>m||(j+lj-(3+1)/2)>n%判断是否超出原始图像范围
                    continue;
                end
                L(li,lj)=I(i+li-(3+1)/2,j+lj-(3+1)/2);%获取矩形窗内数据
            end
        end
        d=zeros(1,9);
        ii=1;
        for i1=1:1:3
            for j1=1:1:3
                d(ii)=abs(L(i1,j1)-L(2,2));
                ii=ii+1;
            end
        end
        D(i,j)=max(d);
    end
end
F=zeros(m,n);
T1=20;
T2=60;
for i=1:1:m
    for j=1:1:n
        if D(i,j)<T1
            F(i,j)=0;
        elseif D(i,j)>=T1&&D(i,j)<T2
            F(i,j)=(D(i,j)-T1)/(T2-T1);
        else
            F(i,j)=1;
        end
        
    end
end
Y=zeros(m,n);
for i=1:1:m
    for j=1:1:n
        Y(i,j)=(1-F(i,j))*I(i,j)+F(i,j)*M(i,j);
    end
end
figure(1)
subplot(2,2,1)
imshow(J);
title('原始图像');
subplot(2,2,2)
imshow(I);
title('加入椒盐噪声后的图像');
subplot(2,2,3)
T=Median_filter(I,s,s);
T=uint8(T);
imshow(T);
title('普通中值滤波函数滤波后图像') 
subplot(2,2,4)
Y=uint8(Y);
imshow(Y);
title('NAFSM滤波器滤波后的图像'); 
function [T]=Median_filter(I,m,n)
[M,N]=size(I);
T=zeros(M,N);
for i=1:1:M
    for j=1:1:N
        L=zeros(m,n);%定义一个m*n的矩形窗
        for li=1:1:m
            for lj=1:1:n
                if (i+li-(m+1)/2)<=0||(j+lj-(n+1)/2)<=0||(i+li-(m+1)/2)>M||(j+lj-(n+1)/2)>N%判断是否超出原始图像范围
                    continue;
                end
                L(li,lj)=I(i+li-(m+1)/2,j+lj-(n+1)/2);%获取矩形窗内数据
            end
        end
        T(i,j)=median(median(L));%求矩形窗内中值
    end
end
end

经过qq_50872053提醒，之前代码有点不完美，具体：
（1）、步骤4中，G=0时，应该取的是每次都更新后的值，但是这里一直取得是原始未处理图像数据
（2）、之前没有考虑i,j循环顺序，即考虑先从图片横轴开始处理还是纵轴开始处理
新的修改后代码如下（实际效果有进一步提升）：

2、最新版代码

clear
[Im,map]=imread('lena.gif');
J=ind2gray(Im, map);
J_noise= imnoise(J,'salt & pepper',0.90);%加入椒盐噪声
I = J_noise;
[m n]=size(I);
N=zeros(m,n);%定义一个二值图空矩阵
for i=1:1:m %确定图像二值图，将灰度值为0或者255的像素定义为椒盐噪声，二值图大小为0
    for j=1:1:n
        if I(i,j)==255||I(i,j)==0
            N(i,j)=0;
        else
            N(i,j)=1;
        end
    end
end
s=input('请输入大小为s*s的矩形窗，s=');
G=zeros(m,n);%定义一用来保存矩形窗内二值总大小的矩阵
for j=1:1:n%计算矩形窗内各像素大小，并且求预恢复值M（i，j） 
    for i=1:1:m
        W=zeros(s,s);%定义一个空的矩形窗
         for li=1:1:s
            for lj=1:1:s
                if (i+li-(s+1)/2)<=0||(j+lj-(s+1)/2)<=0||(i+li-(s+1)/2)>m||(j+lj-(s+1)/2)>n%判断是否超出原始图像范围
                    continue;
                end
                W(li,lj)=N(i+li-(s+1)/2,j+lj-(s+1)/2);%获取矩形窗内数据
            end
         end
         G(i,j)=sum(sum(W));
         z=s;
        for k=s:2:5
        if G(i,j)==0
            z=k+2;
            W1=zeros(z,z);%定义一个空的矩形窗
          for li=1:1:z
             for lj=1:1:z
                 if (i+li-(z+1)/2)<=0||(j+lj-(z+1)/2)<=0||(i+li-(z+1)/2)>m||(j+lj-(z+1)/2)>n%判断是否超出原始图像范围
                     continue;
                 end
                 W1(li,lj)=N(i+li-(z+1)/2,j+lj-(z+1)/2);%获取矩形窗内数据
             end
          end
          G(i,j)=sum(sum(W1));
          if G(i,j)==0
             continue;
          else
              break;
          end
        else
            break;
        end
        end
        if z==7 && G(i,j)==0
            if (i-1)<=0||(j-1)<=0||(i+1)>m||(j+1)>n %判断是否超出原始图像范围
                 continue;  
            else
                M(i,j)=median([I(i-1,j-1),I(i,j-1),I(i+1,j-1),I(i-1,j)]);
            end
        end
        W2=zeros(1,G(i,j));
        nn=1;
        for i1=1:1:z
            for j1=1:1:z
                if (i+i1-(z+1)/2)<=0||(j+j1-(z+1)/2)<=0||(i+i1-(z+1)/2)>m||(j+j1-(z+1)/2)>n%判断是否超出原始图像范围
                    continue;      
                elseif N(i+i1-(z+1)/2,j+j1-(z+1)/2)==1
                    W2(nn)=I(i+i1-(z+1)/2,j+j1-(z+1)/2);
                    nn=nn+1;
                end
            end
        end
        M(i,j)=median(W2);

W3=zeros(3,3);
D=zeros(m,n);
L=zeros(3,3);%定义一个m*n的矩形窗
for li=1:1:3
    for lj=1:1:3
        if (i+li-(3+1)/2)<=0||(j+lj-(3+1)/2)<=0||(i+li-(3+1)/2)>m||(j+lj-(3+1)/2)>n%判断是否超出原始图像范围
            continue;
        end
        L(li,lj)=I(i+li-(3+1)/2,j+lj-(3+1)/2);%获取矩形窗内数据
    end
end
d=zeros(1,9);
ii=1;
for i1=1:1:3
    for j1=1:1:3
        d(ii)=abs(L(i1,j1)-L(2,2));
        ii=ii+1;
    end
end
D(i,j)=max(d);

F=zeros(m,n);
T1=20;
T2=60;
if D(i,j)<T1
    F(i,j)=0;
elseif D(i,j)>=T1&&D(i,j)<T2
    F(i,j)=(D(i,j)-T1)/(T2-T1);
else
    F(i,j)=1;
end

% Y=zeros(m,n);
% Y(i,j)=(1-F(i,j))*I(i,j)+F(i,j)*M(i,j);
I(i,j) = (1-F(i,j))*I(i,j)+F(i,j)*M(i,j);
    end
end        
        
figure(1)
subplot(2,2,1)
imshow(J);
title('原始图像');
subplot(2,2,2)
imshow(J_noise);
title('加入椒盐噪声后的图像');
subplot(2,2,3)
T=Median_filter(J_noise,s,s);
T=uint8(T);
imshow(T);
title('普通中值滤波函数滤波后图像') 
subplot(2,2,4)
Y=uint8(I);
imshow(I);
title('NAFSM滤波器滤波后的图像'); 
function [T]=Median_filter(I,m,n)
[M,N]=size(I);
T=zeros(M,N);
for i=1:1:M
    for j=1:1:N
        L=zeros(m,n);%定义一个m*n的矩形窗
        for li=1:1:m
            for lj=1:1:n
                if (i+li-(m+1)/2)<=0||(j+lj-(n+1)/2)<=0||(i+li-(m+1)/2)>M||(j+lj-(n+1)/2)>N%判断是否超出原始图像范围
                    continue;
                end
                L(li,lj)=I(i+li-(m+1)/2,j+lj-(n+1)/2);%获取矩形窗内数据
            end
        end
        T(i,j)=median(median(L));%求矩形窗内中值
    end
end
end

加90%椒盐噪声（修改后）：
在这里插入图片描述
可以发现，明显比之前效果要更好

对于本次实验报告、图片和源matlab代码，可以去我主页下载附件！！！！！！！！！！！
转载请注明出处，谢谢

恩泽君
关注
  • 13
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
NAFSM滤波程序（MATLAB）
Summer_xyy的博客
03-27 792
NAFSM滤波程序（MATLAB） 用MATLAB编写这篇论文中的NAFSM滤波程序，强烈建议阅读此篇论文以便更好地理解论文作者的思想。 需明确的几点问题 在编写程序之前有几点问题要注意： 对图像去噪时按照先列后行的原则，这符合MATLAB在矩阵存储方式上为列优先存储的原则； 在去噪过程中每个像素点左上方的噪声点都是去噪并恢复了的，噪声点的灰度值一经恢复立即取代原噪声信号值，并非每个噪声点都在...
NAFSM滤波器.zip
03-09
本资源为NAFSM滤波器设计报告和源代码，NAFSM是一个很强的中值滤波器，对椒盐噪声过滤效果很好，远远优于普通中值滤波器，本实验是论文：Noise Adaptive Fuzzy Switching Median Filter for Salt-and-Pepper Noise Reduction。的实现，感兴趣可以下载，期待你的好评
【论文复现】中值滤波改进：Noise Adaptive Fuzzy Switching Median Filter（NAFSMF）
weixin_44378835的博客
02-20 1555
Noise Adaptive Fuzzy Switching Median Filter（NAFSMF） 阶段一 Initially, the detection stage will utilize the histogram of the corrupted image to identify noise pixels. These detected “noise pixels” will then be subjected to the second stage of the filtering ac
NR基础篇下——中值滤波、多级中值滤波、多级中值混合滤波、加权中值滤波、中值有理滤波
wtzhu_13的博客
10-24 1万+
上一篇分享了一些均值滤波相关的算法，均值滤波作为一种线性滤波器，在滤除噪声的同时也会导致边缘模糊问题。而且均值滤波对高斯噪声的效果很好，但是对于椒盐噪声的效果就很一般。但是中值滤波作为一种顺序滤波器，对于椒盐噪声的效果很好，而且保边能力很强，所以这一篇主要讨论一下中值相关的算法。 中值滤波 算法原理 中值滤波很好理解，均值滤波就是在一个小窗口中求均值来取代当前像素值，而中值滤波就是通过求小窗口中的中位值来取代当前位置的方式来滤波。 如图绿色窗口就是当前的滤波窗口，在一个3X3的邻域窗口中进行滤波。那么中值
自适应中值滤波器和自适应局部（均值）滤波器的设计 python+matlab各实现
Wadewhl的博客
01-07 1万+
要求是：自适应中值滤波器和自适应均值滤波器的设计，分别使用python和matlab去实现 一.原理 1.自适应中值滤波器
基于matlab使用自适应中值滤波器对椒盐图像去噪处理设计与实现
05-04
基于matlab使用自适应中值滤波器对椒盐图像去噪处理设计与实现
自适应中值滤波器的实现和应用.pdf
09-06
"自适应中值滤波器的实现和应用" 自适应中值滤波器是指根据预设好的条件，动态地改变中值滤波器的窗口尺寸，以同时兼顾去噪声作用和保护细节的效果。该算法可以去除脉冲噪声，平滑其他非脉冲噪声，并且可以减少图像...
单片机与DSP中的基于Stratix II EP2S60的改进中值滤波器的设计及实现
12-10
这种情况下，由于目标与背景的对比度较小、信噪比较低，若直接进行跟踪、探测往往比较困难，所以必须先对图像信号进行滤波预处理，以达到抑制背景噪声。增加目标强度，从而提高图像信噪比的目的，为后续工作打下良好...
自适应中值滤波器matlab实现.doc
07-05
自适应中值滤波器MATLAB实现 自适应中值滤波器是一种有效的图像去噪方法，它可以实时地对图像进行去噪处理。在本文中，我们将详细介绍自适应中值滤波器的实现过程。 自适应中值滤波器的原理 自适应中值滤波器的...
噪声自适应模糊切换中值滤波器降低椒盐噪声：提出了一种有效去除椒盐噪声的 NAFSM 滤波器。-matlab开发
06-01
摘要——这封信提出了一种新颖的两级噪声自适应用于椒盐噪声的模糊切换中值 (NAFSM) 滤波器检测和去除。 最初，检测阶段将利用损坏图像的直方图以识别噪声像素。 这些检测到的“噪声像素”随后将进行第二次过滤动作的阶段，同时保留“无噪声像素” 并留下未处理。 然后，NAFSM过滤机制使用模糊推理来处理存在于提取噪声引入的局部信息。 模拟结果表明 NAFSM 能够胜过一些文献中存在的椒盐噪声滤波器。
自适应中值滤波器matlab实现.docx
11-23
【自适应中值滤波器MATLAB实现】 自适应中值滤波器是一种针对图像去噪的算法，尤其适用于去除椒盐噪声。椒盐噪声是由图像中某些像素点的值突然变为最大或最小值（黑点或白点）造成的。传统中值滤波器在处理这类噪声...
图像处理：高斯滤波器，中值滤波器，-matlab开发
05-30
遥感影像预处理
自适应中值滤波器matlab实现.pdf
11-23
【自适应中值滤波器MATLAB实现】 自适应中值滤波器是一种针对图像去噪的算法，尤其适用于处理椒盐噪声。椒盐噪声是由图像数据中的异常点（黑色或白色像素点）引起的，这些点通常由于传输错误、传感器故障或者图像...
基于FPGA的图像中值滤波器的硬件实现.pdf-综合文档
05-23
基于FPGA的图像中值滤波器的硬件实现.pdf
椒盐噪声matlab错误,用噪声模糊与中值滤波处理椒盐噪声
weixin_31435039的博客
03-20 289
Noise adaptive fuzzy switching median filter for salt-and-pepper noise reductionAbstract—This letter presents a novel two-stage noise adaptive fuzzy switching median (NAFSM) filter for salt-and-pepper...
【OpenCV 例程200篇】58. 非线性滤波—中值滤波
youcans的博客
12-14 5464
中值滤波是一种非线性滤波方法，是基于统计排序方法的滤波器 。中值滤波法将像素点的邻域内的所有像素点灰度值的中值作为该像素点的灰度值。 中值滤波处理后像素点的灰度值，可能保持不变，也可能改变为邻域内其它像素点的灰度值。 中值滤波对于消除图像中的椒盐噪声非常有效。椒盐噪声也称为脉冲噪声，是随机出现的白点或者黑点，通常是由于影像讯号受到干扰而产生，如脉冲干扰、图像扫描。
中值滤波与图像锐化
weixin_30511039的博客
12-24 1092
本文主要包括以下内容 中值滤波及其改进算法 图像锐化， 包括梯度算子、拉普拉斯算子、高提升滤波和高斯-拉普拉斯变换 本章的典型囊例分析 对椒盐噪声的平滑效果比较 Laplacian与LoG算子的锐化效果比较 中值滤波 中值滤波本质上是一种统计排序滤波器． 对于原图像中某点（i,j)， 中值滤波以该点为中 心的邻域内的所有像素的统计排序中值作为（i, ...
滤波算法——均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波
热门推荐
weixin_43152152的博客
08-20 5万+
滤波算法——均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波 因工作涉及到数据滤波(滤噪)处理，汇总了一些网上简单的滤波算法，方便日后查看。 滤波算法包括：均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波。 本文主要是处理线性数据y=ax+b，对于非线性数据，简单的滤波算法效果有限。滤波算法都有自己的局限，针对不同问题需要选择合适的方法。 以下使用python实现简单demo，主要是方便画图。 建立测试数据 真值y = 0.003*x 观测值加上随机白噪声 import random import math
中值滤波器算法的实现原理
最新发布
11-08
中值滤波器是一种常用的图像处理算法，它的主要作用是去除图像中的噪声。中值滤波器的实现原理如下： 1.首先，将图像中的每个像素点周围的像素点按照一定的大小（通常为3x3或5x5）进行排序。 2.然后，将排序后的像素点中的中间值作为该像素点的值，用这个值来代替原来的像素值。 3.重复以上步骤，直到所有的像素点都被处理完毕。 中值滤波器的优点是能够有效地去除图像中的噪声，同时又能够保留图像的边缘信息。但是，它也有一些缺点，例如处理速度较慢，对于一些特定的噪声类型可能效果不佳等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值