摘 要: 提出了一種基于四階累積量" title="累積量">累積量的自適應(yīng)均值濾波算法" title="均值濾波算法">均值濾波算法;詳細介紹了根據(jù)窗口的四階累積量自適應(yīng)計算并確定噪聲點的閾值;濾波窗口自適應(yīng)調(diào)整大小和權(quán)值" title="權(quán)值">權(quán)值自適應(yīng)計算的加權(quán)均值濾波;對噪聲點進行逐點濾波。比較和分析了實驗結(jié)果。
關(guān)鍵詞: 四階累積量 椒鹽噪聲 均值濾波 峰值信噪比
圖像在景物成像、空間采樣和量化等過程中經(jīng)常被外界各種噪聲干擾,使圖像質(zhì)量下降。為盡可能減小噪聲影響,對降質(zhì)圖像必須進行去噪" title="去噪">去噪處理。比較成熟的去噪處理方法有多種,均值濾波是其中非常有效的方法之一。標(biāo)準(zhǔn)均值濾波算法是對圖像濾波窗口取平均值代替窗口中心像素點,這樣可以在一定程度上抑制噪聲。但是這種方法本身存在著以下缺陷:圖像細節(jié)得不到很好的保護,在去噪的同時也破壞了圖像的部分細節(jié),從而使圖像變得模糊;對脈沖噪聲的消除效果不理想。
1 算法思想
本文提出了一種基于四階累積量的自適應(yīng)均值濾波算法,其基本思想是:首先用一個3×3窗口在圖像上滑動,計算該窗口內(nèi)所有像素的四階累積量,并計算出該窗口中心像素的噪聲敏感度系數(shù),根據(jù)噪聲敏感度系數(shù)判斷該中心像素是否為噪聲點;然后根據(jù)3×3窗口中噪聲點的個數(shù)自適應(yīng)調(diào)整濾波窗口大??;最后采用改進的均值濾波方法對標(biāo)記為噪聲點的像素進行濾波?;谒碾A累積量的自適應(yīng)均值濾波算法在很大程度上保護了圖像的細節(jié),同時也抑制了噪聲,比標(biāo)準(zhǔn)均值濾波算法具有更好的濾波性能,為消除圖像中的噪聲提供了一種新的途徑。
2 基于四階累積量的自適應(yīng)均值濾波算法
基于四階累積量的自適應(yīng)均值濾波包括三個過程:根據(jù)窗口的四階累積量計算噪聲敏感度系數(shù),并確定圖像中噪聲點;確定濾波窗口大?。粚υ肼朁c進行濾波。
2.1 根據(jù)窗口的四階累積量自適應(yīng)確定噪聲點
確定噪聲點是整個濾波算法中最重要的一步,它關(guān)系到圖像中像素點的正確分類。確定噪聲點的方法很多,文獻[1]采用3×3窗口確定噪聲點,通過計算窗口內(nèi)所有像素點灰度值的平均值與中心像素點的差值,將該差值與給定的閾值進行比較,差值大于閾值的像素點視為噪聲點,否則視為非噪聲點。該方法存在以下兩個問題:(1)閾值的選擇具有很大的隨機性,選擇太大,噪聲消除不干凈;選擇太小,破壞圖像的細節(jié),易使圖像模糊。(2)閾值是事先給定的一個固定值,在整個濾波過程中不再變化,該固定的閾值不能真實地反映每個像素點對噪聲的敏感程度。文獻[2]使用一個K×K的窗口在圖像上滑動,找出該窗口中灰度的最大值和最小值,如果窗口中心像素灰度值等于最大值或最小值,則確定該像素為噪聲點,否則視為非噪聲點。該方法的缺點在于:把局部窗口的最大值和最小值作為噪聲的判斷標(biāo)準(zhǔn),雖然具有一定的自適應(yīng)性,但如果該最大值和最小值本身不是噪聲點,而以它們?yōu)榕袛嘣肼暤臉?biāo)準(zhǔn),就會把非噪聲點誤判為噪聲點。本文把以上兩種方法有機結(jié)合起來,采用一種新的方法確定噪聲點。
假設(shè)圖像P大小為M×N,左上角像素點位置為(1,1)。首先找出整幅圖像灰度值的最大值和最小值,分別記為Max(PM×N)和Min(PM×N)。在確定噪聲點時仍采用3×3窗口在圖像上滑動,該窗口中心像素點灰度值為g(i,j),則該窗口內(nèi)所有像素值構(gòu)成如下集合:
Si,j={g(i+k,j+r)|k,r=-1,0,1}
求出該窗口中所有像素的平均值A(chǔ)verage(Si,j),計算公式如下:
如果中心像素點的閾值用Ti,j表示,確定噪聲點的方法為:當(dāng)中心像素的灰度值g(i,j)=Max(PM×N)、g(i,j)=Min(PM×N)或g(i,j)-Average(Si,j)>Ti,j,則該像素視為噪聲點。
噪聲點標(biāo)記為F(i,j)=1,非噪聲點標(biāo)記為F(i,j)=0。對于上述方法,方法(1)和(2)很容易實現(xiàn),方法(3)實現(xiàn)的難點在于如何確定閾值Ti,j,因為Ti,j對于圖像濾波質(zhì)量有非常重要影響。本文提出基于四階累積量的噪聲敏感度系數(shù)來確定閾值Ti,j。
在本文中定義的噪聲敏感度系數(shù)是人類視覺系統(tǒng)剛好能夠感受到的圖像噪聲的臨界值,用β表示。在文獻[3]中選用了標(biāo)準(zhǔn)差來定義β;在文獻[4]中通過計算像素點r階中心矩來定義β。本文中,通過計算四階累積量對β進行定義,這是因為文獻[3]和文獻[4]所定義的β比較粗糙,而四階累積量可以得到比標(biāo)準(zhǔn)差更多的信息。βi,j是β矩陣的(i,j)元素值,表示窗口Si,j中心像素點(i,j)的噪聲敏感度系數(shù)。
假設(shè)一個均值為零的實值信號s(t),它的概率密度函數(shù)為p(s),K[p(s)]是信號規(guī)范的四階累積量[5],其定義式如下:
其中n2表示窗口的大小,本文中n2=9;C4[g(i+k,j+r)-Average(Si,j)]表示窗口像素對于該窗口均值差值的四階累積量,這是為了使窗口子圖像變?yōu)榫禐榱愕男盘枴0言肼暶舾卸认禂?shù)做為判斷噪聲點的閾值,即Ti,j=βi,j。每個像素是否為噪聲點,只要計算中心像素的噪聲敏感度系數(shù),然后判斷是否g(i,j)-Average(Si,j)>βi,j即可。
2.2 自適應(yīng)確定濾波窗口大小
標(biāo)準(zhǔn)均值濾波算法的平均效果會引起圖像模糊。模糊程度和濾波窗口大小成正比,選擇較小的濾波窗口能保護圖像細節(jié)部分,但是去噪能力較弱;選擇較大的濾波窗口雖然能得到較強的去噪能力,但是圖像會變得模糊。根據(jù)這些特點,本文結(jié)合小窗口濾波和大窗口濾波兩方面的優(yōu)勢,根據(jù)窗口內(nèi)噪聲點的個數(shù),自適應(yīng)確定濾波窗口大小。
在統(tǒng)計噪聲點個數(shù)時,仍然采用3×3窗口。在確定窗口中心像素為噪聲點的情況下,統(tǒng)計公式如下:
3×3窗口內(nèi)噪聲點個數(shù)有關(guān)。
2.3 對噪聲點進行濾波
在確定噪聲點和濾波窗口大小之后,接著進行濾波處理。整個圖像像素已劃分為噪聲點和非噪聲點兩大類。對非噪聲點本身不需要濾波,但可能會參與其鄰域像素的濾波,而噪聲點則采用改進的均值濾波進行去噪處理。標(biāo)準(zhǔn)均值濾波是用窗口內(nèi)像素灰度值的平均值代替窗口中心像素點灰度值,或者用窗口內(nèi)像素灰度值各自乘以一個權(quán)值后由加權(quán)平均值代替中心像素灰度值。改進的均值濾波與標(biāo)準(zhǔn)均值濾波有些不同。主要區(qū)別在于權(quán)值的自適應(yīng)選擇。權(quán)值的選擇應(yīng)滿足:如果濾波窗口內(nèi)某像素點的灰度值越接近中心像素點灰度值,則其權(quán)值也相應(yīng)越大;反之,如果其灰度值與中心像素點灰度值相差較大,則其權(quán)值也相應(yīng)越小。在計算權(quán)值時,本文采用了以下的權(quán)值函數(shù):
其中x表示濾波窗口灰度值的平均值與中心像素點的差值,很顯然,該函數(shù)滿足上述權(quán)值選擇要求。若像素g(i,j)是噪聲點,其濾波窗口大小FWi,j為(2n+1)×(2n+1),n∈{1,2,3},則權(quán)值計算過程如下:
3 模擬實驗和結(jié)果分析
在實驗圖像中,使用大小為256×256像素、灰度為256級的Lena圖像,實驗圖像如圖1所示。
實驗環(huán)境為MatLab 6.5軟件。在不同程度噪聲干擾下,比較本文提出的基于四階累積量的自適應(yīng)均值濾波、標(biāo)準(zhǔn)均值濾波和標(biāo)準(zhǔn)中值濾波" title="中值濾波">中值濾波在去噪、保護細節(jié)等方面的性能。選擇PSNR和ISNR作為客觀評價的標(biāo)準(zhǔn),PSNR和ISNR的定義分別為:
其中,L是圖像中灰度值的最大值,對于256級灰度圖像,L=255,M=N=256;h(x,y)為實驗圖像的灰度值;g(x,y)是加噪后需要濾波的噪聲圖像的灰度值;f(x,y)是濾波后的圖像的灰度值;MSE是圖像的均方誤差;PSNR是峰值信噪比;ISNR是改善信噪比。
在圖1(a)中分別加入5%、10%、20%、30%、40%和45%的椒鹽噪聲,采用基于HVS的自適應(yīng)均值濾波、標(biāo)準(zhǔn)均值濾波和標(biāo)準(zhǔn)中值濾波對圖像進行去噪處理,相應(yīng)計算PSNR和ISNR值,得到性能指標(biāo)比較如表1所示。
?
由表1和圖1可以得到:
(1)基于四階累積量的自適應(yīng)均值濾波PSNR與ISNR值比3×3和5×5均值濾波對應(yīng)的值大得多。這表明基于四階累積量的自適應(yīng)均值濾波在去噪及保護細節(jié)兩方面的能力比均值濾波強。隨著椒鹽噪聲加大,其PSNR與均值濾波的PSNR的差值仍非常明顯,有增大的趨勢。圖1(b)是噪聲達到45%時的圖像,圖1(d)、圖1(e)分別是3×3和5×5均值濾波后的結(jié)果,圖像細節(jié)部分基本上沒有得到保護,圖像變得模糊不清。
(2)基于四階累積量的自適應(yīng)均值濾波的PSNR與ISNR值比3×3中值濾波對應(yīng)的值也要大,并且隨著椒鹽噪聲加大,差值增加非常明顯。圖1(f)是當(dāng)噪聲加大到45%時濾波的結(jié)果,圖中顯示3×3中值濾波對細節(jié)保護較好,但存在較多的噪聲,圖像有些模糊。
(3)基于四階累積量的自適應(yīng)均值濾波的PSNR與ISNR值比5×5中值濾波差值也很明顯,但是差值基本上維持在5.4~6.5。圖1(g)顯示了當(dāng)噪聲加大到45%時濾波的結(jié)果,圖中顯示5×5中值濾波去噪能力有所增強,但圖像模糊程度增大,部分細節(jié)沒有得到很好保護,出現(xiàn)比較明顯的變質(zhì)。
(4)基于四階累積量的自適應(yīng)均值濾波基本上去除了噪聲,細節(jié)也得到了較好的保護,圖像清晰度較高。在以上幾種濾波方法中,無論是表1數(shù)據(jù)還是圖1都顯示了該方法的優(yōu)異濾波性能。但從圖1(c)中也看到,圖像中人物的左眼模糊,這也說明該方法在保護細節(jié)方面還存在不足。
基于四階累積量的自適應(yīng)均值濾波之所以有更好的濾波性能,原因在于:
(1)在確定噪聲點時,由于使用了噪聲敏感度系數(shù)作為閾值,使得每個像素點都有一個客觀閾值標(biāo)準(zhǔn)來自適應(yīng)地進行噪聲判斷,而不像標(biāo)準(zhǔn)均值濾波那樣,隨機地給定一個閾值,并且在整個濾波過程中不再變化,顯然這個閾值不能真實地反映每個像素點的噪聲狀況。
(2)在濾波時,小窗口能夠較好保護細節(jié),但去噪能力相對較弱;大窗口雖有較好的去噪能力,但是細節(jié)保護能力較弱。而基于四階累積量的自適應(yīng)均值濾波能根據(jù)窗口內(nèi)噪聲點個數(shù)自適應(yīng)地選擇合適的濾波窗口,這樣,既能較好地保護細節(jié)部分,也有較好的去噪聲能力。而標(biāo)準(zhǔn)均值濾波和標(biāo)準(zhǔn)中值濾波都不具有自適應(yīng)性。
(3)由于事先確定了噪聲點,所以在濾波時只對噪聲點進行濾波,非噪聲點參與濾波,這樣非噪聲點的灰度值就不會遭到破壞。而標(biāo)準(zhǔn)均值濾波和標(biāo)準(zhǔn)中值濾波對所有的像素點都進行濾波,細節(jié)得不到真正的保護。
(4)在濾波時,也考慮到權(quán)值的自適應(yīng)性。權(quán)值的自適應(yīng)性表現(xiàn)在:如果濾波窗口內(nèi)某像素點的灰度值越接近中心像素點灰度值,則其權(quán)值相應(yīng)地也越大;反之,則其權(quán)值相應(yīng)地也越小。本文中所采用的計算權(quán)值的函數(shù)滿足了權(quán)值的自適應(yīng)性。
基于四階累積量的自適應(yīng)均值濾波采用了噪聲敏感度系數(shù)作為確定噪聲點的依據(jù),根據(jù)窗口內(nèi)噪聲點的個數(shù),自適應(yīng)地選擇合適的濾波窗口,并在濾波時采用了改進的加權(quán)平均來計算均值。這種方法在保護細節(jié)與去噪能力之間做了較好的折衷,比標(biāo)準(zhǔn)均值濾波和標(biāo)準(zhǔn)中值濾波具有更好的濾波能力。
參考文獻
1 Liu J P,Yu Y L.A flexible method for image noise removal[J].Joural of South China University Technology,2000;28(2):60~63
2 祝宇鴻.一種改進的數(shù)字圖像中值濾波算法[J].長春郵電學(xué)院學(xué)報,2001;19(2):23~27
3 Piva A,Barni M,Bartolini F et al.DCT-based watermark recovering without resorting to the uncorrupted original image.In:Proceedings of 4th IEEE international conference on image processing ICIP′97.Santa Barbara,CA,USAL:ICIP,1997
4 Zhong W.Image watermarking using legendre array[J].Journal of China Institute of Communications,2001;22(1):1~6
5 張 嚴.基于高階累積量的諧波信號參考估計問題研究.吉林工業(yè)大學(xué)碩士學(xué)位論文,1998