基于改進TV修復模型的椒鹽噪聲去除算法*

楊陳東 侯海娜

(1.西安航空學院理學院 西安 710077)(2.西安理工大學理學院 西安 710054)

?

基于改進TV修復模型的椒鹽噪聲去除算法*

楊陳東1侯海娜2

(1.西安航空學院理學院 西安 710077)(2.西安理工大學理學院 西安 710054)

椒鹽噪聲去除是圖像處理領域中一項重要任務。將網函數插值與TV模型相結合提出Net-TV修復算法，通過噪聲檢測將椒鹽噪聲點看作缺失信息，利用Net-TV修復算法進行修復。針對三幅包含有不同水平椒鹽噪聲的圖像進行數值實驗，并將結果與多種算法進行對比。實驗結果表明，Net-TV圖像去噪算法有效濾除噪聲的同時，能夠良好保護圖像邊緣信息，且算法效率高，對不同密度下的含噪圖像均可達到較好效果。

椒鹽噪聲; 圖像修復; TV修復算法; 網函數插值

Class Number TP391

1 引言

數字圖像在獲取、傳輸等過程中，受外界環境、系統性能等影響容易引進噪聲，造成圖像退化。這些噪聲嚴重影響對圖像的后續處理，如何有效地去除噪聲且能保護圖像邊緣細節是噪聲處理的研究熱點。目前去除椒鹽噪聲最常用的方法是中值濾波(Median Filtering, MF)[1]算法，MF算法是一種非線性去噪方法，容易實現、去噪能力強、計算效率高，但最大的缺陷在于沒有區分噪聲點和非噪聲點，對圖像上所有的像素點均用其鄰域中值替代，容易導致圖像細節損失。為了避免對非噪聲點進行濾波，學者們提出將噪聲檢測與圖像濾波相結合進行去噪。Wang等[2]提出遞進開關中值濾波(Progressive Switching Median Filtering,PSMF)， PSMF算法通過迭代噪聲檢測與中值濾波，能夠正確地檢測和過濾位于大噪聲斑點中間的噪聲點，但該算法實用性不強。Zhang等[3]提出一種新的噪聲檢測算法，將中心像素值等于其所在窗口內最大或最小灰度值的點均作為噪聲點，僅對檢測出的噪聲點進行中值濾波，該算法有效避免了噪聲傳播，但對于噪聲密度大的圖像，濾波效果差。Chan等[4]提出利用正則化方法去除椒鹽噪聲，該算法在有效去噪的同時能夠保護圖像邊緣信息，但運算復雜。文獻[5]提出一種改進的自適應中值(Adaptive Median, AM)濾波算法，有較好的濾波效果，但對噪聲率高的圖像和紋理豐富的圖像的邊緣處理效果不理想。Wang和Wu[6]通過對一維拉普拉斯算子作卷積運算，提出一種新的椒鹽噪聲的檢測及恢復方法，該算法對大量的椒鹽噪聲也能較好的去除。文獻[7]通過增加一層噪聲檢測器，提高了PSMF算法去除椒鹽噪聲的能力。文獻[8]對PSMF算法進行改進，通過3×3窗口內的極值改進噪聲的檢測方法，根據噪聲密度的強弱自適應選取窗口大小。文獻[9]提出三個階段式的噪聲檢測算法，根據相鄰像素的相似性原則，利用鄰域內的非噪聲點對噪聲點進行濾除。文獻[10]提出基于模糊集理論的噪聲檢測方法，采用動態補償的方式對檢測出的噪聲進行過濾去除，該算法既能較好地濾除噪聲，又能有效保護圖像邊緣。Wu等[11]提出基于PDE的去噪算法，采用TV圖像修復模型去除椒鹽噪聲，當噪聲密度過大時，也能有效地復原圖像，但該算法計算復雜、時間成本高。文獻[12]提出一種基于圖像修復模型的椒鹽噪聲去除算法，該算法應用四個不同方向的濾波窗口，反復進行卷積濾波，對噪聲率高的圖像也有較好的恢復效果，且計算簡單、運行時間較短。

本文提出基于網函數插值與TV模型的圖像去噪算法(Net-TV)，并將其應用于圖像去噪領域，利用噪聲檢測將圖像中的噪聲點作為待修復點，利用Net-TV算法反復迭代修復。實驗結果表明，利用本文算法濾波后圖像的視覺質量及客觀評價指標PSNR均有較好的效果，而且對噪聲密度適應性強，去噪效率高、運行時間短。

2 Net-TV圖像去噪算法

2.1 Net-TV算法

2.1.1 TV修復模型

基于TV模型的圖像修復算法[13]，最先由Rudin等將應用于圖像去噪領域的全變分模型[14]推廣得到。其主要思想是構造一個能量泛函，通過變分法求解此最小能量泛函對圖像的缺損區域進行修復，能量越小，圖像就越平滑。不考慮噪聲時，TV模型能量函數定義為式(1)：

(1)

(2)

如圖1所示，待修復像素點O的4鄰域為A={E,N,W,S},A′={e,n,w,s}為對應的4鄰域半像素點集合。由差分迭代法離散式(2)得到

(3)

圖1 待修復點O及其鄰域像素點示意圖

最終求得的uO為

(4)

式中uP代表A={E,N,W,S}四個點的像素值，up代表A′={e,n,w,s}四個半像素點的像素值，uO為中心像素點O的更正值。

2.1.2 網函數插值

網函數插值法[15]是一種多變量函數的插值法。網函數插值算子是借助Lagrange算子，定義在網函數空間的線性算子。對于網函數空間中的函數，用網函數插值算子計算得到的值是準確值，而且結構簡單，便于計算機操作。在重力勘探區域場校正、植物群落種群分布格局計算機模擬、圖像恢復、圖像Bowtie效應修正等方面，網函數插值法都有著有效應用，并顯示出其優越性[15～17]。

用于圖像修復的網函數插值法，僅利用包含缺損區域最小矩形Ω的4條邊界信息，不依賴鄰域相關性，就可將缺損區域修復，修復后圖像具有較好的保真度[16]。如圖2，記矩形Ω的4個頂點為P1(x0,y0),P2(x1,y0),P3(x1,y1),P4(x0,y1)。假設Q(x,y)為Ω內任意一個點，過點Q作矩形Ω的邊界?Ω的平行線，平行線與Ω的四條邊相交于四個點：Q1(x,y0),Q2(x1,y),Q3(x,y1),Q4(x0,y)。過點Q的平行線將矩形Ω分成四個小矩形，小矩形的面積記作Ai(i=1,2,3,4)，如圖2所示。矩形Ω的面積記作A。如果f(x,y)在邊界?Ω上是已知連續的函數，則網函數插值式為

(5)

其中記A5≡A1。

圖2 矩形D示意圖

(6)

經式(6)多次循環修復后，缺損區域周圍信息擴散到缺損區域內部?？梢钥闯?，網函數插值只需進行2次乘法運算和7次加法運算，計算量很小。這表明，若將網函數插值與其他圖像修復算法結合將有效提高運算效率。

2.1.3Net-TV修復算法

Net-TV修復算法在每一次迭代過程中，都是對圖像缺損區域內每一個缺失點先執行網函數插值式(6)，再執行TV修復算法式(4)。結合算法可以利用網函數插值計算量小的特點，快速完成初步填充，然后利用TV算法進行各向異性擴散，完善圖像細節。這樣迭代一次后，得到的更為精確的點，進而，可以在下次迭代中得到進一步的矯正。從而經多次迭代后，得到更好的修復效果。

Net-TV修復算法的偽代碼如下：

Initialization

Whileterminationconditionisn’tsatisfied

Foreachpixelpoint

Ifthispixelsbelongtothemask

DoNetfunctioninterpolation

DoTValgorithm

EndIf

EndFor

EndWhile

Output(image)

2.2 Net-TV圖像去噪算法

本文算法分為兩部分： 1) 利用文獻[18]中提出的逐步學習的噪聲檢測方法對圖像噪聲點進行檢測，得到圖像掩膜信息； 2) 將椒鹽噪聲作為待修復點，利用Net-TV修復算法對噪聲點進行修復，未受噪聲污染的像素保持其原有的灰度值不變。在修復之前，需要將含噪聲圖像進行延拓。設圖像I的大小為M×N，對位于圖像四條邊界上的噪聲點，無法應用3×3的窗口進行檢測和處理，因此本文采取對邊界進行延拓、以零填補的方法，待圖像處理結束后，再去掉零邊界。填充后的圖像大小為(M+2)×(N+2)，設置最大迭代次數T，基于圖像修復的去噪算法流程如圖3所示。

圖3 去噪算法流程圖

3 實驗結果及分析

應用本文算法在實驗環境：2.70GHz Pentium(R) Dual-Core處理器、1.87GB內存、Windows XP操作系統、Matlab2010(a)開發環境條件下進行實驗。選用Lena圖像、Cameraman圖像以及Peppers圖像為例進行實驗，如圖4所示，并將峰值信噪比(PSNR)作為圖像恢復效果的客觀評價標準，PSNR越大，說明結果與原圖像越接近，圖像恢復質量越高。

圖4 實驗原圖

對3幅圖像分別加入密度為0.1、0.5、0.9的椒鹽噪聲，如圖5所示，文中只展示Lena圖的含噪圖及其處理結果圖。利用文獻[1]中MF算法、文獻[2]中PSMF算法、文獻[5]中AMF算法、文獻[11]中TVIF算法、文獻[19]算法、文獻[18]算法、文獻[12]算法以及本文算法分別對噪聲圖像進行濾波，恢復效果如圖6與圖7所示，表1是相對應的去噪后各圖像的PSNR值。當噪聲密度為0.1時，各算法均能達到較好去噪效果，從圖像上看不出明顯的區別，因此這里將不再展示結果圖，只附上PSNR比較結果。

圖5 不同噪聲率污染的Lena圖

由圖6與圖7可以看出，本文算法在濾除噪聲的同時能夠有效保護圖像的邊緣信息，得到的圖像視覺質量比對比文獻中的濾波效果好，表1中，本文客觀評價指標PSNR也較其他對比文獻中算法高。而且即使噪聲密度達到0.9，本文算法仍然能夠有效地將噪聲濾除，同時良好地保持圖像邊緣信息。這表明，本文所提算法應用于椒鹽噪聲去除，去噪能力強，濾波效果優于其他對比算法。

圖6 各算法對噪聲率為0.5的Lena圖恢復效果比較

為驗證本文算法的運行效率，仍以Lena圖為例進行實驗，對Lena圖像分別添加密度為0.2、0.4的椒鹽噪聲，如圖8(a)與圖9(a)所示。對于兩幅噪聲圖像，利用本文算法僅需要分別迭代5次和10次就能夠基本濾除噪聲，得到很好的視覺效果，如圖8(b)與圖9(b)所示。而要達到同樣的視覺效果，文獻[12]的濾波算法需要分別迭代10次和20次，即本文算法迭代次數的兩倍，結果如圖8(c)與圖9(c)所示；文獻[11]中基于TV模型的去噪算法甚至需要分別迭代300次和500次才能夠得到較好的效果，效率遠低于本文算法，結果如圖8(d)與圖9(d)所示。表2展示了利用本文算法與文獻[11]、文獻[12]中算法得到圖8與圖9的結果所需要的時間，顯然，本文算法效率明顯高于其他算法。

圖7 各算法對噪聲率為0.9的Lena圖恢復效果比較

算法各圖像在不同噪聲密度下的PSNR值Lena圖像Cameraman圖像Peppers圖像0.10.50.90.10.50.90.10.50.9文獻[1]MF算法29.6014.956.6826.0614.296.2329.1914.786.47文獻[2]PSMF算法31.2523.0210.1927.2117.549.4830.2222.8210.34文獻[5]AMF算法35.0828.3419.3632.8025.8117.3834.2327.4118.51文獻[11]TVIF算法38.4929.1022.8534.9026.6420.1636.3428.2921.92文獻[19]算法38.6029.0622.2734.7826.7920.2736.5228.2821.73文獻[18]算法37.5528.8720.9933.6825.9518.0735.2927.3719.36文獻[12]算法39.0830.2123.7235.1226.9320.4936.7528.5522.20本文算法41.3531.7624.2237.9028.5021.3047.8237.6628.25

圖8 噪聲率為0.2時本文算法與文獻[11]、文獻[12]的去噪效果對比圖

圖9 噪聲率為0.4時本文算法與文獻[11]、文獻[12]的濾波效果對比圖

噪聲密度0.20.4文獻[11]算法45.65108.76文獻[12]算法6.1322.37本文算法0.350.61

4 結語

本文提出一種有效去除椒鹽噪聲的圖像去噪算法。此算法通過噪聲檢測將含噪圖像中的噪聲點作為待修復點進行迭代修復，從而達到較好濾波效果。針對三幅含有不同水平椒鹽噪聲的圖像，與多種算法進行對比實驗。實驗結果表明，Net-TV去噪算法可以有效濾除噪聲，對不同密度下的含噪圖像均有較好的去噪效果，能夠良好保護圖像邊緣信息，并且，運算效率高。此算法的優勢在于：將TV模型與網函數結合，不但有效提高了去噪效果，而且大大提高了運算效率。

[1] Nodes T A, Gallagher Jr N C. Median filters: some modifications and their properties[J]. IEEE Transactions on Acoustics, Speech and Signal Processing,1982,30(5):739-746.

[2] Wang Z, Zhang D. Progressive switching median filter for the removal of impulse noise from highly corrupted images[J]. IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing,1999,46(1):78-80.

[3] Zhang S, Karim M A. A new impulse detector for switching median filters[J]. IEEE Signal processing letters,2002,9(11):360-363.

[4] Chan R H, Ho C W, Nikolova M. Salt-and-pepper noise removal by median-type noise detectors and detail-preserving regularization[J]. IEEE Transactions on Image Processing,2005,14(10):1479-1485.

[5] Chang C C, Hsiao J Y, Hsieh C P. An adaptive median filter for image denoising[C]// IEEE International Symposium on Intelligent Information Technology Application,2008(2):346-350.

[6] Wang S S, Wu C H. A new impulse detection and filtering method for removal of wide range impulse noises[J]. Pattern Recognition,2009,42(9):2194-2202.

[7] Kang C C, Wang W J. Modified switching median filter with one more noise detector for impulse noise removal[J]. AEU-International Journal of Electronics and Communications,2009,63(11):998-1004.

[9] Awad A S, Man H. Similar neighbor criterion for impulse noise removal in images[J]. AEU-International Journal of Electronics and Communications,2010,64(10):904-915.

[10] Mélange T, Nachtegael M, Kerre E E. Random impulse noise removal from image sequences based on fuzzy logic[J]. Journal of Electronic Imaging,2011,20(1):013-024.

[11] Wu J, Tang C. An efficient decision-based and edge-preserving method for salt-and-pepper noise removal[J]. Pattern Recognition Letters,2011,32(15):1974-1981.

[12] Zhang X, Ding F, Tang Z, et al. Salt and pepper noise removal with image inpainting[J]. AEU-International Journal of Electronics and Communications,2015,69(1):307-313.

[13] Shen J, Chan T F. Mathematical models for local nontexture inpaintings[J]. SIAM Journal on Applied Mathematics,2002,62(3):1019-1043.

[14] Rudin L I, Osher S, Fatemi E. Nonlinear total variation based noise removal algorithms[J]. Physica D: Nonlinear Phenomena,1992,60(1):259-268.

[15] 邱佩璋,陳啟宏.網函數插值理論及其應用[M].上海:上海科學技術出版社,2007:3-52. QIU Peizhang, CHEN Qihong. Network function interpolation theory and its application[M]. Shanghai: Shanghai publisher of Science and Technology,2007:3-52.

[16] 戴芳,許曉革,邱佩璋.Coons型分形曲面片在靜止圖像恢復中的應用[J].工程圖學學報,2002,23(3):165-168. DAI Fang, XU Xiaoge, QIU Peizhang. Coons Fractal Patches Applied to Still Image Restoration[J]. Journal of Engineering Graphics,2002,23(3):165-168.

[17] 宋莎莎,張杰,孟俊敏.基于網函數插值的MODIS Level 1B圖像Bowtie效應修正[J].遙感技術與應用,2010(4):552-559. SONG Shasha, ZHANG Jie, MENG Junmin. Bowtie Effect Correction Based on Net Function Interpolation in MODIS Level 1B Images[J]. Remote Sensing Technology and Application,2010(4):552-559.

[18] Chen P Y, Lien C Y. An efficient edge-preserving algorithm for removal of salt-and-pepper noise[J]. IEEE Signal Processing Letters,2008,15:833-836.

[19] Richard M M O B B, Chang M K Y S. Fast digital image inpainting[C]//International Conference on Visualization, Imaging and Image Processing,2001:106-107.

Salt and Pepper Noise Removal Algorithm Based on the Improved TV Inpainting Model

YANG Chendong1HOU Haina2

(1.School of Science, Xi’an Aeronautical University, Xi’an 710077) (2.School of Science, Xi’an University of Technology, Xi’an 710054)

The removal of salt and pepper noise is an important task in the image processing. Combining network function interpolation and TV inpainting algorithm, this paper presents a Net-TV inpainting algorithm. Noisy pixels are detected as missing data by noise detection and restored by Net-TV inpaining algorithm Numerical experiments are carried out for three images with defferent levels of salt and pepper noise, its results compared with a variety of algorithms. The experimental results demonstrate that the Net-TV inpainting algorithm not noly remove noise effectively but also preserve the information at the edges of image. This algorithm is more efficient than others. The algorithm can achieve good effect with noisy images at different densities.

salt and pepper noise, image inpainting, TV inpainting algorithm, network function interpolation

2016年5月14日,

2016年6月18日

楊陳東，男，碩士，助教，研究方向：最優化理論及方法。侯海娜，女，碩士研究生，研究方向：數字圖像處理。

TP391

10.3969/j.issn.1672-9722.2016.11.004