摘 要: 图像去噪是图像处理中一个非常重要的环节。针对传统中值滤波方法存在的不足,提出一种新的基于噪点检测的自适应中值滤波图像去噪方法。该方法通过自适应地改变滤波窗口的大小,局部检测并判断极值点是否为噪声点,有效地降低了非噪声点误判为噪声点的概率。实验结果表明,该方法能够更有效地去除图像中的噪声,并较好地保持图像细节和边缘。
关键词: 图像去噪;中值滤波;噪点检测方法
0 引言
图像是对外界信息识别的重要途径,图像的清晰度直接影响到人们对外界的识别以及进一步分析。在图像采集传输过程中由于外界噪声的干扰,会削弱或消除一些图像基本信息,进一步导致图像质量的降低。对加入噪声的图像可以通过平滑、滤波等一系列预处理来改善图像质量。
中值滤波被广泛应用于图像去噪中。它不同于一般的模板,中值滤波采用周围邻域像素的中间值来代替,能够较高地保留高频信号,使图像能更好地保持边缘清晰[1]。本文通过对中值滤波及其改进的算法进行研究,提出了一种基于噪点检测的中值滤波图像去噪方法,通过实验对比进一步体现改进方法的优势,使其能够更好地保留原始图像的细节及边缘。
1 图像噪声及图像质量评估方法
1.1 图像噪声
图像噪声主要是源于图像的获取和传输,在此过程中受到了外界随机信号的干扰,从而影响人们对其信息的接收。因而描述噪声的方法完全可以借用随机过程的描述,即使用概率分布函数和概率密度分布函数[2]。图像中的噪声,可以根据概率密度函数分为高斯噪声、瑞利噪声、脉冲噪声等;依据噪声频谱分类可将其分为:白噪声、1/f噪声、三角噪声等[2]。本文中将主要对椒盐噪声进行去噪分析。
1.2 图像质量评估方法
图像质量主要包含图像的逼真度与可懂度[2]。目前,主要通过均方误差和峰值信噪比来客观地对图像质量进行评估:
均方误差:
其中f(x,y)、f′(x,y)分别是原始图像和降质图像复原后的图像中点(x,y)的灰度值,M和N分别是以像素点数表征的图像的长度和宽度[2]。L为数字图像的灰度级数。根据以上数值来评估图像质量,MSE越小则表明图像恢复后的质量越高,PSNR越大则表明图像视觉效果越好。
2 中值滤波
中值滤波是对中心像素点的邻域进行处理,其处理方式不能用一个线性表达式来表示。某个像素点的滤波结果就是用滤波器包围的图像区域中像素的灰度值的中值来替代该像素的值。用数学公式表达如下:
其中,f(x,y)为滤波输出,sxy表示以(x,y)为中心的滤波窗口中的所有坐标点;g(x,y)为坐标点(x,y)处的灰度值,median表示对其进行中值处理。传统中值滤波算法通过设定不同大小的窗口进行滤波,对该滑动窗口内的像素点灰度值排序,取中值作为当前像素点的灰度值[3]。
3 算法分析
针对传统中值滤波方法,参考文献[4]提出了一种改进的自适应中值滤波方法,取得了较好的滤波效果,但对于去除高密度噪声图像效果较差,对于图像边缘细节处理不够,容易噪声边缘模糊。
参考文献[5]中利用噪