利用圖像統計特征的的自適應中值濾波算法

王婉婉

摘 要：椒鹽噪聲是圖像中一種常見的噪聲，如何去除椒鹽噪聲一直是圖像處理研究的熱門領域。自適應中值濾波是去除椒鹽噪聲較好的算法，該算法認為極值點是噪聲點，實際上極值點有可能是噪聲點也有可能是圖像細節點。本文針對極值點提出了基于局部區域均值和方差信息和細節點在某一方向上是連續的特性進行極值點兩次判定的算法。

關鍵詞：椒鹽噪聲 均值與方差 方向性 圖像去噪

中圖分類號：TP391.41 文獻標識碼：A 文章編號：16723791（2017）11（b）-0021-02

在處理椒鹽噪聲時，自適應中值濾波算法是一種效果較好的算法[1]。該算法根據濾波窗口內中值與極大值和極小值的關系，判斷中心點是否是噪聲點[2]。當中心點在極大值和極小值之間認為是圖像中的像素。當中心點該算法認為極值點是圖像中的噪聲點，但實際情況是有可能是圖像的細節點[3]。

本文根據局部均值與方差的信息設定一個閾值，來判斷極值點是否是噪聲點。再根據圖像中的細節點在某一方向是連續的、噪聲點是孤立的不同特性，對極值點進行是否有方向性的二次判斷。

1 基于兩次判斷的自適應中值濾波算法

1.1 初次判斷

針對極值點是是噪聲還是細節可以通過閾值來判定。在信號處理領域，方差是信號平坦程度的反應，能較好的體現信號的局部特性[4]，方差較大時，說明該點偏離中心點較大，可能是噪聲點，在這個基礎上設置閾值比較合適，將均值和方差作為區分噪聲和圖像像素的閾值，即：

（1）

（2）

和為判斷噪聲的上下界限，其中k1和k2為調整系數。

1.2 第二次判斷

中值濾波判斷噪聲的依據是考慮噪聲點的灰度值與周圍像素灰度值是否發生突變。判斷圖像邊緣的依據同樣是考慮該點像素灰度值與周圍點是否發生突變。兩者唯一的區別是邊緣點在某一方向上是連續的[5]，即邊緣具有方向性。可以對當前點進行周圍8方向的連續性檢測。若8方向上均不連續，則認為當前點是噪聲點，否則是信號點。若連續的話，則沿著某一方向上的點與當前像素點的偏離程度較小，設定一個閾值范圍，來判定是否連續。

設 （3）

（4）

式中，為中心點像素值，和為調整系數。

2 實驗結果

利用MATLAB仿真平臺，用Lena圖像用本文算法做仿真測試。對圖像加入70%的椒鹽噪聲，分別用自適應中值濾波、均值與方差處理和兩步算法進行處理。結果如圖1所示，為了更清楚地觀察圖像處理后的細節，選取圖像中的局部區域（圖中深色方框部分）來進行討論，見圖2。可以看出，當噪聲濃度為70%時，自適應中值濾波處理后的圖像已經明顯含有噪聲點，本文算法在局部區域依然能較好地保持圖像的細節。

本文采用的客觀的評價標準主要有均方誤差（MSE）和峰值信噪比（PSNR）。

均方誤差計算公式為：

（5）

式中，為經過本文算法處理后的圖像的灰度值，為原始圖像的灰度值。

峰值信噪比計算公式為：

（6）

3 結語

本文提出了一種基于兩次判斷的自適應中值圖像去噪算法，對比傳統自適應中值濾波方法和本文改進的濾波方法對圖像進行消噪處理后的MSE值PSNR值，可以看出本研究中所提出的算法對含椒鹽噪聲圖像進行去噪時，保留了圖像的細節。

參考文獻

[1] Gonzalez R C，Wood R E.Digital Image Processing[M].Second Edition Beijing ：Publishing House of Eletronics Iudustry，2002：183-193.

[2] 劉淑娟，趙曄.基于斜率的自適應中值濾波算法[J].計算機應用，2012，32（3）：736-738.

[3] 周玲芳，陳菲.基于斜率差值的自適應圖像椒鹽噪聲濾波算法[J].液晶與顯示，2015，30（4）：695-700.

[4] 張航，曹瞻.基于局部均值與方差的圖像中值濾波方法[J].中南大學學報：自然科學版，2013，44（S2）：381-384.

[5] 李陽，張欣，張濤.一種保留圖像邊緣的自適應中值濾波器算法[J].通信技術，2015，48（12）：1367-1731.endprint