一種基于噪聲檢測的標準中值濾波改進方法

林宛楊

（福建船政交通職業技術學院信息工程系，福建福州350007）

?

一種基于噪聲檢測的標準中值濾波改進方法

林宛楊

（福建船政交通職業技術學院信息工程系，福建福州350007）

摘要：針對傳統標準中值濾波法和自適應中值濾波法在檢測椒鹽噪聲的過程中易造成圖像細節模糊的缺陷，提出了一種基于圖像噪聲二次檢測的中值濾波改進方法。方法中采用的圖像噪聲二次檢測算法提取全局的可疑噪聲，利用方向信息確定實際圖像噪聲點的位置，并針對確定的噪聲點進行中值濾波。模擬實驗結果表明，該濾波器可以有效濾除圖像中的椒鹽噪聲，效果優于標準中值濾波和自適應中值濾波。

關鍵詞：椒鹽噪聲；中值濾波；檢測窗口；圖像去噪

椒鹽噪聲常發生在數字圖像信號在形成和傳輸過程中，是由圖像傳感器、傳輸信道和編碼處理等因素影響下產生的黑白相間的亮暗點［1］。它具有脈沖性的噪聲信號，與周圍像素值差異大，嚴重影響人們對圖像及信息的觀察和分析。當前，對椒鹽噪聲的常見濾除方法是有均值濾波和中值濾波法［2］。均值濾波法屬于線性處理，對圖像中每個像素都要均值代替，易使圖像細節發生模糊。中值濾波針對椒鹽噪聲隨機性的特點，使用非線性去噪算法進行濾波，在一定條件下可以克服線性均值濾波器造成的圖像細節缺陷。

標準中值濾波算法對整個圖像中的所有像素點均進行中值濾波，并未區分灰度值中的信號點和噪聲點，因此算法雖然處理了所有的噪聲點，但也處理了信號點，模糊了圖像的細節。從而使整幅圖像受到影響。但由于其對所有像素統一處理，改變了非噪聲像素點的灰度值，在處理點、線、尖頂細節多的圖像會容易引起圖像信息丟失。

學者們提出了許多改進的算法來克服這個問題［3］。針對這個方向，主要的研究思路是通過對噪聲點的有效檢測，對噪聲點進行針對性去噪，如采用模糊隸屬函數對中值濾波法進行加權［4］，通過改進的矢量［5］、自適應中值濾波［6-7］和二次自適應中值濾波法［8］等。但目前很少人從算法上來解決標準中值濾波存在的問題。

為了找到一種可達到在濾除噪聲的同時更好地保護圖像細節的算法。本文結合椒鹽噪聲的特征，提出了一種基于噪聲檢測的中值濾波改進算法。在噪聲點確定方面，嘗試通過對全局噪聲和局部基于方向的噪聲進行兩級檢測來減少后續處理量。隨后，針對檢測出的噪聲點，采用標準中值濾波來算法完成圖像的濾波。

1 算法思想

1.1 噪聲檢測

針對上述問題，本文算法首先確定圖像中的噪聲點，根據各類改進的算法，采用了一種分級檢測的基于方向中值的圖像椒鹽噪聲檢測算法［9］。具體算法的流程圖如圖1所示。

考慮到椒鹽噪聲通常表現為圖像中的灰度極大值或極小值。通常情況下，定義灰度值為0和255為椒鹽噪聲的像素，即大部分灰度值均集中在這兩個極值點附近。根據此原理將圖像中的像素點分為噪聲像素點與信號像素點，初步確定可疑噪聲點，判斷公式如式（1）所示。式（1）中，δ為預先設定的閾值，通常為不大于10的自然數，實驗中δ取值為2，若坐標（x，y）像素點灰度值滿足式（1），表明該像素點為可疑噪聲點，否則為信號點。

圖1 去噪算法流程圖

其次，圖像中的極值點不全是噪聲點，因此，以可疑噪聲點為中心來建立噪聲點檢測窗口，對其進行二次檢測。為了提高計算效率，算法以可疑噪聲點為中心建立5×5的檢測窗口。

第三，在檢測窗口中設置9個噪聲檢測區域，在5×5的檢測窗口建立9個噪聲檢測區S1-S9。

第四，對所有噪聲檢測區中像素的灰度值進行中值提取和計算。其像素中值計算如式（2）所示。

式中，median｛｝表示是對噪聲檢測區域中的像素灰度值進行中值提取；Sn表示為第n個檢測區中除可疑噪聲點外其他像素灰度值集合；An表示第n個檢測區的灰度中值。

最后，分別計算可疑噪聲點像素灰度值與An的差值絕對值，并與預先設置好的閾值進行比較，實驗中閾值取5，若9個噪聲檢測區中有6個區域（及以上）大于的差值絕對值，則認為該可疑噪聲點為噪聲點，否則為信號點。

1.2 對確定噪聲點進行中值濾波

在噪聲點確定后，對其進行中值濾波處理得到最終的濾波圖像。中值濾波能夠有效抑制噪聲，是一種非線性信號處理技術。單一像素點的灰度值均可設為該點相鄰窗口內的全部像素點灰度值的中值。可以用相鄰窗口的中值來代替數字序列中一點或圖像，通過讓周圍的像素值接近的真實值的方式來消除孤立噪聲點。二維中值濾波輸出為如式（3）所示。可按像素值的大小進行排序，形成單調上升或下降的二維數據序列。

其中，W為3×3或5×5區域的二維模板，可以是圓形、圓環形、線狀和十字形等，本文實驗中采用5×5區域。f（x，y）為初始圖像，g（x，y）為濾波后圖像。算法僅僅對檢測出來的椒鹽噪聲進行過濾，和傳統的中值濾波和自適應濾波法相比，大大減少了待處理的像素點，更好的保留圖像細節。

2 仿真實驗分析

為驗證本文提出的算法，在MatLab7上采用像素為512×512的Lena灰度圖像和256×256的Tire圖像。通過在10%至50%的噪聲密度下，密度間隔為20%，對本文算法進行了仿真實驗。通過使用標準中值濾波算法、自適應中值濾波算法（RAMF），與本文的算法進行比較，其中RAMF與標準自適應中值濾波均采用（7×7）濾波窗口。通過圖像直觀效果對比和峰值信噪比兩種方法來比較濾波效果。

2.1 Lean測試結果

圖2為像素為512×512的Lena標準灰度圖像。

圖2 測試圖像Lean原圖

表1為使用標準中值濾波算法、RAMF算法及本文算法針對不同噪聲密度圖像濾波后的峰值信噪比值。由表可知，相對于其他兩種算法，本文算法處理不同灰度分布圖像時去噪后圖像的峰值信噪比（peak signaL-to-noise ratio，PSNR）值的均有一定程度的提升，PSNR值均為最大，說明濾波前后圖像接近程度越大，去噪效果最好。

表1 使用不同算法濾波后不同噪聲密度Lena圖像的PSNR值

圖5為不同算法對加噪50%Lean圖像去噪結果比較圖。通過比較可以看出，當噪聲密度達到50%的時候，未經處理的圖像變得異常模糊，如圖3（a）所示。標準中值濾波處理的圖像中出現了噪聲塊，如圖3（b）所示。而預先對圖像中噪聲點進行檢測，確定灰度為“0”或“255”的像素點確定為噪聲，進而采用自適應中值濾波處理，如圖3（c）所示，能夠較好去除圖像中的噪聲，圖像更為清晰。經本文算法處理后的圖像，如圖3（d）所示，能夠較好地保護圖像的細節信息，顯得相對平滑和清晰。

圖3 不同算法對加噪50%的Lean圖像去噪結果比較

2.2 Tire測試結果

由于Lean圖象無極值灰度區，為了進一步比較本文算法和其它噪聲檢測算法的性能，在MatLab7上采用像素為256×256的標準Tire圖像，其灰度值分布集中于極值灰度區間，如圖4所示。

圖4 測試圖像Tire原圖

表2 使用不同算法濾波后不同噪聲密度Tire圖像的PSNR值

表2為使用RAMF算法、標準中值濾波算法及本文算法針對不同噪聲密度圖像濾波后的峰值信噪比值。表中可以看出，相對于其他兩種算法，本文算法處理不同灰度分布圖像時PSNR值均為最大，說明其濾波能力明顯強于傳統濾波器，濾波效果最好。圖5為不同算法對加噪50%Tire圖像去噪結果比較圖。由圖5 （a）可見，加噪50%的Tire圖異常模糊經過標準中值濾波算法后，圖像比較模糊，如圖5（b）所示，圖像中噪聲并未得到明顯濾除。經自適應中值濾波處理后，如圖5 （c）所示，圖像中出現了明顯的椒噪聲塊。而經過本文算法處理后，噪聲得到較好的去除，如圖5（d）所示。

圖5 不同算法對加噪50%Tire圖像去噪結果比較

4 結語

本文提出了一種基于噪聲點二次檢測的改進中值濾波算法。該算法首先采用基于方向中值的圖像椒鹽噪聲分級檢測提取出實際噪聲點，而后對噪聲點進行中值濾波。實驗結果表明，該算法能更好的保留圖像的細節，提高圖像的峰值信噪比，算法優勢明顯，得到較好的濾波效果。

參考文獻：

［1］SuLaiman S N，MatLsana N A M. Denoising-based cLustering aLgorithms for segmentation of Low LeveL saLt- and- pepper noise- corrup-ted images［J］. Transactions on Consumer ELectronics，2010，56（4）∶2702-2710.

［2］張東，覃鳳清，曹磊，等.基于中值濾波的椒鹽含噪圖像去噪方法［J］.宜賓學院學報，2014，14（6）∶1108-110.

［3］羅玲，王修信.一種高效去除椒鹽噪聲的中值濾波方法［J］.微電子學與計算機，2011，28（11）∶118-121.

［4］王芳，滿益云.基于模糊中值濾波的椒鹽噪聲去除方法［J］.模糊系統與數學，2012，26（1）∶166-173.

［5］李剛，魏計林.強椒鹽噪聲彩色圖像的改進矢量中值濾波算法［J］.計算機與數字工程，2011，39（4）∶157-160.

［6］曾憲佑，黃佐華，周進朝，等.一種去除椒鹽噪聲的自適應極值中值濾波算法［J］.計算機與現代化，2012（11）∶70-76.

［7］喬坤，郭朝勇，毛東.一種去除椒鹽噪聲的自適應開關中值濾波算法［J］.計算機應用于軟件，2011，28（10）∶253-256.

［8］李剛，魏計林.強椒鹽噪聲圖像的二次自適應中值濾波算法［J］.微計算機應用，2011，32（4）∶22-26.

［9］陳健，鄭紹華.基于方向中值的圖像椒鹽噪聲檢測算法［J］.計算機應用，2012，32（10）∶2790-2792.

（責任編輯：葉麗娜）

An Improved Median Filtering Algorithm Based on Noise Detection

LIN Wanyang

（Information Engineering Department，Fujian Chuanzheng Communication CoLLege，Fuzhou，Fujian 350007）

Abstract：Concerning the defect that the traditionaL the standard median fiLtering window and the adaptive median fiLtering window may easiLy cause the fuzzy image detaiLs，a new fiLtering aLgorithm to the saLt and pepper noise based on fiLtering after dectction was proposed. First，the gLobaL suspicious noise was extracted by the twice detection of the image nosie. Then，the actuaL image noise LeveL was determined by the direction information. Last，the determined noise points was fiLtered by the median fiLter.. The experimentaL resuLts show that the aLgorithm can effectiveLy fiLter out saLt and pepper noise，the effect is better than the standard median fiLter and the adaptive median fiLter.

Key words:saLt and pepper noise；median fiLter；detection window；image denoising

中圖分類號：TP391.41

文獻標識碼：A

文章編號：1674-2109（2016）03-0063-04

收稿日期：2015-11-03

基金項目：福建省教育廳科技A類項目（JA14217，JA14223）。

作者簡介：林宛楊（1981-），女，漢族，講師，主要從事數據庫、圖形圖像方面的研究。