一種自適應的高密度椒鹽噪聲濾波算法

陳呂強，伏明蘭

（黃山學院 機電與信息工程學院，安徽 黃山245041）

1 引 言

圖像信號在其形成、傳輸和記錄過程中，會受到各種噪聲干擾。椒鹽噪聲是主要噪聲之一，這種噪聲主要是由脈沖干擾引起的。因為脈沖干擾通常比圖像信號的強度要大，所以脈沖噪聲總是數字化為最大值(純白或純黑)，也就形成了我們所說的椒鹽噪聲。[1]對有噪圖像來說，其后續處理的成敗好壞往往取決于其前期處理的效果與質量。然而抑制噪聲和保持圖像中的細節往往是一對矛盾，因為傳統的中值濾波器在椒鹽噪聲的去除上有著良好的效果，但其在處理高濃度椒鹽噪聲圖像時，細節不能得到有效的保護，效果太差。因此保護細節的高濃度椒鹽噪聲濾波算法成為非線性濾波器研究的一個重要方面。文獻[2]建立了統一的噪聲模型，并最優其參數，達到去噪的效果。該算法建立噪聲污染圖像的數學模型，較為復雜，處理椒鹽噪聲濃度超過0.6 以上的圖像時，效果不是很理想。文獻[3]對不同椒鹽噪聲密度采用不同的去噪方法，取得較好效果。但文中并沒有給出一個具體的標準來判別噪聲濃度。文獻[4]利用最近鄰4 個像素值的灰度平均值替代噪聲點，算法簡單，但處理后的圖像細節損失較為嚴重。文獻[5]提出了一種非線性自適應濾波算法，算法實時性很好，但當高密度噪聲大于0.3 時，濾波后圖像較為模糊。由上述分析可見，一種既能濾除大密度噪聲又能很好的保護細節的濾波器算法成了重點的研究方向。基于此，本文在上述研究成果的基礎上，提出了一種自適應的高密度椒鹽噪聲濾波算法，取得了良好的去噪效果。

2 噪聲檢測

首先對噪聲進行初步判決：

fi，j是像素點（i，j）的灰度值，WD[fi，j]表示以像素點（i，j）為中心的窗口尺寸為D×D 的灰度分布，窗口，經過多次實驗，這里D=5。△表示噪聲判決門限，經過大量實驗表明，△=5 時效果較好[6]取fmin和fmax是當前濾波窗口中按上述標準濾波后剩余像素的最大和最小值。當fi，j在區間min(WD[fi，j])+△和max(WD[fi，j])-△上時，可能是信號點，所以需要進一步區分fi，j是否為信號點。如果│fmin－fi，j│和│fmax－fi，j│的值均小于閾值T，則認為fi，j是信號點，記為1，否則是噪聲點，記為0。這樣可以在準確判別噪聲的同時，有效保留圖像的大量細節。

3 算法具體步驟

算法具體步驟如下：

1.遍歷全部整個圖像，判斷哪些是噪聲點；

2.若原始圖像大小為M×N,初步估計噪聲的密度p:

3.如果p＜30%,則說明噪聲點周圍信號點較多，則對以該噪聲象素點為中心的3×3 窗口內的象素進行排序，找出中間值；

4.將此中間值與周圍8 個象素逐一進行比較，尋找差值絕對值最小的一個，將此象素值替換噪聲點；

5.如果p＞30%，先統計3×3 窗口信號點，求這些信號點的平均值ave3×3，然后將窗口擴大為5×5，統計5×5 窗口內的像素點，求其平均值ave5×5，用替換噪音點;

6.對圖像進行迭代濾波，計算迭代后圖像噪聲濃度和迭代前噪聲濃度的絕對值，若小于0.01，則迭代結束。

4 試驗結果及分析

實驗基于Matlab7.0 平臺下完成，選用標準的256×256×8bit 的大米圖像為測試對象，來檢驗算法效果，添加椒鹽噪聲密度為0.7，試驗結果如圖1 中a，b，c，d，e 所示。

圖1 實驗仿真結果

由仿真結果可以看出，當噪聲密度加大到0.7時，使用本文算法，在盡量保護細節的同時最大限度的濾除了噪聲。

[1]劉健康,齊國清,姜國興.一種適合于圖像細節保留的椒鹽噪聲濾波器[J].大連海事大學學報,2006，32(1):79-82.

[2]肖泉,丁興號.有效保持細節特征的圖像椒鹽噪聲濾除方法[J].電子學報，2010,38(10):2273-2277.

[3]王鈺,魏學業,等.自適應線性預測圖像椒鹽噪聲去除方法[J].2011,47(3):163-165.

[4]何一鳴,張剛鳴,等.基于鄰域均值的去椒鹽噪聲算法[J].2011,35(6):764-785.

[5]李樹濤,王耀南.圖象椒鹽噪聲的非線性自適應濾除[J].中國圖象圖形學報，2000,12(5):999-1001.

[6]Sun yan-xia, Ma ying-wei.Serious Salt & Pepper Noise FilteringAlgorithm Based on details of the reservation[J].China Electric PowerEducation,2009，15（2）:436-437.