基于汽车轮辋的高密度椒盐噪声滤波算法研究

王娟 付盼丽

【摘 要】提出了一种局部相关规则与极值自适应中值的滤波算法。该方法首先根据图像特征自适应加边框，通过噪声判别标准列出相关规则，通过与自适应阈值比较将不符合规则的噪声点用自适应变窗口中值滤波算法滤除。该算法具有良好的滤波性能，可以有效地去除图象中的椒盐噪声，并保留图象的细节。

【关键词】自适应；加边框；判别标准；中值滤波；椒盐噪声

中图分类号： TP391 文献标识码： A 文章编号： 2095-2457（2018）27-0154-002

DOI：10.19694/j.cnki.issn2095-2457.2018.27.068

0 引言

噪声是图像干扰的重要原因，去除图像噪声并保护图像细节，一直是图像处理中的热点问题。Tukey提出了标准中值滤波算法（SMF），能够很好的去除脉冲噪声。但SMF算法存在固有缺陷：对于高噪声图像去噪能力不足，会残留大量噪声信号。为了提高算法效率，文献[1]提出了快速并行中值滤波算法（FPMF），但该算法并没有使图像信噪比提高。文献[2]提出了中值滤波的优化算法（ISM），该算法能够根据局部像素分布信息判断噪声信号，但对于高密度噪声图像容易产生漏检和误检。K.Aiswarya等提出的DBUTM算法，能很好的去除噪聲，但该算法在大噪声、窗口内全部为噪声点的情况下容易失效。基于以上分析总结，本文提出了一种基于极值邻域的变窗口滤波算法，该算法在滤除高密度椒盐噪声的同时，还能保持良好的边缘信息。

1 算法原理及实现

该算法根据图像特征提出了自适应添加边框像素值，然后根据邻域局部信息找出噪声污染点，最后根据噪声判别标准进行滤波，将检测到的噪声点进行邻域相关规则提取，不符合规则的邻域进行自适应变窗口中值滤波，最终实现图像噪声滤除。

1.1 自适应加边和阈值选取

为了滤除图像边缘的噪声，分析图像起始像素值的特征选取合适的边框像素值，具体步骤如下：

（1）设起始点为f（0，0），若f（0，0）为信号点则把该点添加为边框值，否则执行（2）。

（2）在2×2邻域搜索非极大极小值点，将搜索到的像素值赋予边框值，否则执行（3）。

（3）扩大窗口至3×3，继续扫描；否则扩大窗口至4×4，以此类推直到找到信号值点。

图1为某区域添加50%椒盐噪声后像素值分布和添加边框后的像素值分布。

初级检测到的可疑噪声点，判断3×3窗口内中心点像素值与邻域像素值的关系，若窗口内所有非极大极小像素灰度值与中心点像素值的绝对差值都小于阈值K则中心点为信号点，若大于K，认为中心点是噪声点，做滤波处理。判断3×3滤波窗口内中心点与其他像素值的绝对差值，选择数目最多的作为阈值效果最佳[3]。

1.2 图像滤波处理

由于滤波窗口在图像上是自左至右、从上到下扫描并对噪声点像素灰度值进行实时更正的，当滤波窗口游走到图像某一位置且目标像素点p为噪声点时，其右边和上方的4个点已经经过滤波处理可以看作是无噪声的信号点，是可信的，这4个点的灰度大小及分布特征对p的修正提供可靠参考。以p点为中心的3×3滤波窗口及窗口中的像素灰度值分布如图2所示。

图2 3×3滤波窗口

如果p点检测为噪声信号，可根据p点周围特别是左边和上边像素间的相关性提取若干规则[9]，对p点进行修复。

（1）如果p点上方行、左边列或斜边的像素灰度值存在相等关系，则可提取规则1～3：

（2）如果p点上方行、左边列或斜边上的像素值间存在某种差值关系，则可提取规则4～6：

在噪声密度较小选用3×3滤波窗口，噪声密度较大时选用5×5滤波窗口。所有排序取中值操作都只在当前窗口内非噪声点灰度值中进行，即在所有f（x，y）？缀S的灰度值中排序取中值，如图3所示。

2 实验结果与分析

将图像加入不同程度的椒盐噪声，分别运用IMF算法及本文算法对噪声图像进行处理，并对还原后的图像进行了比较。图4为添加90%椒盐噪声[8]图像各算法处理后的效果图。

从图4可以看出，添加90%噪声后，本文算法滤波效果要好于IMF算法，IMF算法[7]产生的毛刺要比本文算法明显。这说明：本文提出的改进算法在高噪声密度环境下的滤波效果要好于其他算法，而且在保护图像细节方面也比其他算法优异。

本章采用峰值信噪比（PSNR）作为客观评价的标准，分别比较在10%至90%的椒盐噪声条件下，SMF、ISM、IMF及本文算法的滤波性能[13]，并记录数据于表1中。

无论是在低密度（10%）噪声和高密度（90%）噪声下比较，本文算法的滤波性能都要优于其他几种算法。在低噪声密度条件下本文算法的PSNR值要比其他算法高、MSE值比其他算法低，但这种优势还不太明显；但噪声密度增大，达到50%以上时，本文算法的优势较为明显。

3 结束语

本算法在有效的检测噪声策略的基础上，区分图像上的噪声点和信号点，仅对噪声点进行处理；充分考量噪声点周围像素分布特征信息，再对噪声点像素值进行取代；然后，对周围像素信息相关性不大的噪声点进行自适应变窗口滤波处理，根据噪声密度选择合适大小的滤波窗口，仅对窗口中信号点的像素值进行排序取中值操作，避免了噪声信号的再次传播，因而本算法具有优异的去噪能力。

【参考文献】

[1]辛月兰.一种快速并行中值滤波算法的实现[J].微型电脑应用，2011，27（8）：50-52.

[2]索俊祺.一种新的基于中值滤波的优化滤波算法[D].北京邮电大学，2010.

[3]张丽新.数字图像高密度脉冲噪声的中值滤波算法研究 [D].上海交通大学，2009.

[4]彭良玉，杨辉，黄满池.一种新的基于脉冲噪声点检测的自适应中值滤波算法[J].兰州理工大学学报，2009，35（1）：77-80.

[5]Yuan Xin-xing，Wen Peng，Fan Xiu-xiang，Fu Bo，et al. A Local Pixel Distribution Based Self-Adaptive Median Filter for Removal of Pepper and Salt Noise[C].International Conference on Intelligent Control and Automation Science，2013，3（1）：63-67.

[6]宁春玉，赵春华.自适应中值滤波算法滤除医学图像脉冲噪声[J].Computer Engineering and Applications，2012，48（24）.

[7]郭红伟.数字图像中椒盐噪声的滤波算法研究[D].云南大学，2010.