图像处理中值滤波技术探讨范文

《电子设计工程杂志》2014年第十一期

1极值中值(EM)滤波

标准中值滤波对所有象素值采用统一的处理方法，在滤除噪声的同时，也改变了真正信号点的值，这样不仅增加了计算量，同时会造成图象模糊。假如我们已经知道哪些点是信号点，哪些点已被噪声污染，就可以只处理噪声点，根据邻域相关性赋予其相应值，例如邻域中值，而保持信号点不变。这样，就可以减少图象模糊，使滤波过程不对真正信号点产生影响，而仅仅起到去除噪声的作用。从经验可知，自然图象的邻点间的相关性很大，某一象素点的灰度值与其邻点的象素值非常接近。一幅图象中，如果一个象素点的值远大于或小于其邻域的值，说明该象素点与其邻域的相关性很小，该点很可能已被噪声污染了。否则，与邻点值接近，就应该是一个有效的信号点。极值中值滤波运用象素点是否为邻域极值点将全部象素分为两类[5]：噪声N与信号S；然后对噪声点进行中值滤波。信号S与噪声N的判别标准为:在一幅图象中,如果某象素点的灰度值为其邻域的最大或最小值，那么该点为噪声N。反之，则为信号S，即该算法处理幅度比较大的脉冲噪声简单有效，但由于简单认为区域内的极值点就是噪声点，可能导致将边缘信息点误判为极值点，进而误判为噪声点加以处理，会造成边缘细节的损失或者移位。

2开关中值(SM)滤波

理想的滤波器应该仅作用于那些受污染的噪声点上，而保持未受污染的象素点不变。也就是说，在滤波前先进行噪声检测，将未受污染象素点从噪声点中区分出来。对于信号点保持原值不变，对于噪声点，使用合适的算法进行数据恢复。从而达到去噪的同时又保留细节。开关中值滤波结构[6]如图1所示，有噪图像首先经过噪声检测器进行判断分类，然后根据判断结果控制开关单元：如果该象素点被判别为噪声点，则开关置于与滤波处理相连状态，即该点经过滤波后输出；反之，该象素点被判断为信号点，则控制开关单元将该点不作任何处理直接输出，减少了运算时间。从结构图可看出，噪声检测，即信号、噪声的分类标准是开关中值滤波的关键环节，对去噪效果的影响很大，同一噪声检测算法对不同类型的噪声污染源、不同图像的滤波效果也相差较大。

3自适应中值(AM)滤波

在脉冲噪声强度较大时，常规中值滤波的去噪性能受滤波窗口尺寸的影响较大，而且在抑制图像噪声和保护细节两方面存在一定的矛盾[7]：滤波窗口越小，可较好保护图像细节，但去噪能力会受到限制；反之，滤波窗口越大，就可加强噪声抑制能力，但对细节的保护能力会减弱。自适应滤波[8]根据一定的设定条件改变(即增加)滤波窗口的大小。自适应中值滤波的实现过程如下：1)设定窗口大小，对图像各区域进行噪声点检测。2)根据各区域受噪声污染的状况，按照设定的标准判断是否扩大窗口，确定滤波窗口的尺寸。3)对检测出的噪声点进行滤波，信号点保持原值输出。自适应中值滤波能够自适应地确定滤波窗口的大小，有效缓和了抑制噪声和保护细节两者之间的矛盾[8]。在处理噪声密度更大的脉冲噪声时，能够很好地保护图像细节；由于对噪声点和信号点（保持原值输出）采用不同的处理方法，滤波速度比大滤波窗口的中值滤波速度快得多。但自适应中值滤波也存在不足：1)由于其滤波窗口不能过大（通常小于7×7），当滤波窗口达到最大时仍没有中值输出，则对中心像素点不予处理，直接输出当前灰度值，导致部分噪声点不能被滤除，滤波质量下降。2)没有考虑像素点所在区域的性质，对细节丰富的图像滤波时，易将高频信号点误判为噪声点，导致图像边缘或细节的损失。3)对高密度椒盐噪声去噪效果较差，容易丢失原始图像中过多的细节，造成恢复图像模糊、质量不高。为此，很多学者相继提出了一些改进的自适应中值滤波方法，如综合多种方法的自适应加权(AW)中值滤波、自适应开关中值(M)滤波，考虑图像统计相关性的区域自适应中值滤波、邻域相关自适应中值滤波算法、变分自适应中值滤波算法等，来提高噪声检测的精度和噪声滤波的效果，最大限度地保持图像的高频细节，提高图像的信噪比。典型的研究方法有：ZhangKai-hua等提出不仅自适应改变窗口尺寸，也改变窗口的形状，能够更全面地保留图像的细节和边缘，但窗口形状的多次选择及替换，增大了运算量，降低了运算效率。朱士虎等提出在噪声点检测时，引入最小集合距离测度，降低了将高频信号误判为噪声的几率。对滤波窗口进行中值计算时，仅对滤波窗口中的信号点取中值，即中心象素的输出为当前窗口内未污染点（信号点）集合的中值，有效避免噪声密度大时所取中值仍是噪声的可能，降低了误判率。对于高密度椒盐噪声图像，陈从平等采用开关自适应滤波算法，首先进行噪声检测并计算图像的噪声密度，对低密度椒盐噪声图像采用均值滤波方法，对于高密度噪声图像（噪声密度大于30%）采用加权迭代滤波方法，数据显示在较高密度(90%)噪声情况下也表现出较好的去噪能力，但算法较复杂。

4结束语

中值滤波对含有椒盐噪声的图像有较好的复原效果，通过对中值滤波及其多种改进方法的研究，比较了不同中值滤波技术的运算效率及对去噪效果。综合分析表明：在滤波前先进行噪声检测，保持信号点原值不变、仅对检测出的噪声点进行去噪处理的方法，能有效减少图象模糊，同时降低运算时间；自适应中值滤波能最大限度地保持图像的高频细节，提高图像的信噪比，有很大的优越性，并不断研究分析提出了诸多改进方法，不断提高对高密度噪声图像的去噪效果和保护边缘、细节的能力。今后将在自适应中值滤波的基础上围绕以下三方面深入研究：1)如何提高噪声检测的精准度，降低图像的高频细节的误判率，即将轮廓、线条、边缘等像素点从噪声点中区分出来；2)利用图像相邻两个中值滤波窗口内信号数据的相关性，减少交换、比较次数，实现中值滤波快速运算；3)进一步提高含高密度椒盐噪声图像的去噪效果和运算效率，使算法具有普适性和高效性。综合提高中值滤波技术的去噪效果和运算性能。

作者：华显立许贵阳单位：河南工业职业技术学院