CN102968763A - 一种基于自适应神经模糊推理系统的图像滤波方法 - Google Patents

Abstract

本发明涉及一种基于自适应神经模糊推理系统的图像滤波方法，对于被椒盐脉冲噪声污染的图像，该方法构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行滤波前，首先人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行滤波。本发明的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声，并能较好的保留原有图像中的边缘和细节，其滤波性能优于一些传统的图像滤波方法。

Description

一种基于自适应神经模糊推理系统的图像滤波方法

技术领域

本发明涉及一种基于自适应神经模糊推理系统的图像滤波方法，属于图像处理技术领域，具体涉及一种椒盐脉冲噪声图像滤波方法。 

背景技术

图像在获取或者传输过程中，经常会被加入大量的噪声，严重影响了图像的视觉效果，甚至妨碍了人们的正常识别。因此，图像的噪声滤除是图像处理中的一项重要任务，噪声滤除后的结果对图像边缘检测、图像分割、特征提取和图像识别等后续处理均有直接的影响。 

图像中一般既有较为平滑的区域，也有丰富的细节或边缘，这些细节或边缘通常包含重要的视觉感知信息。因此，图像滤波的目的除了去除噪声外，还要尽可能地保留细节或边缘等信息。对于被椒盐脉冲噪声污染的图像，非线性滤波器的滤波效果要比线性滤波器好，因为线性滤波器会造成图像边缘和细节模糊，影响图像的视觉效果。作为一种非线性滤波器，中值滤波器(standard median filter，SMF)已成功运用于脉冲噪声图像的滤波中。在使用中值滤波器对图像进行滤波时，是用以当前操作像素为中心的滤波操作窗口内所有像素灰度值的中值来代替当前操作像素的灰度值。在中值滤波器基础上，O.Yli-Harja等提出了加权中值滤波器(weighted median filter，WMF)，S.J.Ko等提出了中心加权中值滤波器(center weighted median filter，CWMF)，这两类滤波器给予滤波操作窗口内特定的像素更多的权值，以进一步提高滤波性能。 

以上这三种滤波器对于噪声图像中所有的像素都采用相同的滤波处理，这就在滤波的同时不可避免地破坏未被噪声污染的像素。在实际应用中，我们希望滤波算法仅对噪声像素进行滤波，而对非噪声像素则保持不变。因此，在滤波前，可采用一个脉冲噪声检测器，把图像中的噪声像素和非噪声像素区分开来。如果一个像素被检测出是噪声像素，它将被中值滤波器的输出替代；反之，该像素保持不变。对于这类开关型中值滤波器，脉冲噪声检测器的性能好坏是至关重要的。根据采用不同的脉冲噪声检测方法，Z.Shuqun等提出了edge-detecting median filter(EDMF)方法，C.Tao等提出了multi-state median filter(MSMF)方法，E.Abreu等提出了signal-dependent rand-ordered mean filter(SDROMF)方法。 

当图像被噪声污染后，使得滤波器很难精确地区分细节或边缘与噪声之间的区别，并且在滤波过程中会不可避免地出现信息的不确定性和不完整性，而模糊理论正好能适应这些非确定性，因此在图像滤波过程中应用模糊理论可以取得较好的噪声去除效果。F.Russo等正是利用了模糊系统理论，提出了fuzzy filter(FF)方法，应用在图像滤波中。人工神经网络算法与传统算法相比表现出很大的优越性，人工神经网络具有高度并行处理能力，具有自学习、自组织能力，能够根据学习样本找出输入与输出数据之间的内在联系，具有非线性映射功能，特别适合图像处理中许多非线性问题。近年来，神经模糊理论综合了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，逐渐应用在灰度图像的滤波中 

发明内容

要解决的技术问题 

本发明所要解决的问题是，提出一种基于自适应神经模糊推理系统的图像滤波方法，是一种能够去除椒盐脉冲噪声的图像滤波方法。 

技术方案 

本发明的技术特征在于，包括以下步骤： 

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数； 

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行滤波。 

所述步骤一进一步包括以下步骤： 

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个图像作为每个自适应神经模糊推理系统的期望输出图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入图像； 

步骤B：以输入的训练图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素； 

步骤C：以当前操作像素为中心得到一个3×3滤波操作窗口，在滤波操作窗口内，四个数据提取块分别以四种不同的拓扑结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的实际输出； 

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出； 

步骤E：根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新； 

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。 

所述步骤二进一步包括以下步骤： 

步骤A：将需滤波的测试图像作为网络的输入图像，以输入图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素； 

步骤B：以当前操作像素为中心得到一个3×3滤波操作窗口，对于每个自适应神经模糊推理系统，在滤波操作窗口内，四个数据提取块分别以与每个系统训练时相同的拓扑结构方式提取像素灰度值，由此得到每个系统的四个输入； 

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入进行修正，然后取平均值，再对平均值取整得到一最终输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值； 

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。 

有益效果 

本发明的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声。对于被脉冲噪声污染的图像，本发明所提出的滤波方法，综合利用了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，在有效去除图像中椒盐脉冲噪声的同时，能够较好的保留原有图像中的边缘和细节，保留了原有图像中重要的视觉感知信息，从而使得后续的图像边缘检测、图像分割、特征提取和图像识别等任务更能有效地进行。 

附图说明

图1是自适应神经模糊推理系统网络结构图 

图2是单个自适应神经模糊推理系统训练优化过程图 

图3是人工训练图像 

图4是四个数据提取块所对应的拓扑结构 

图5是中值提取操作窗口大小的选择 

图6是8张测试图像 

图7是用不同方法对受不同强度椒盐脉冲噪声污染的图像去噪后的平均峰值信噪比(PSNR)比较曲线 

图8是对被30％椒盐脉冲噪声污染的Baboon图像使用不同方法滤波后得到的结果图 

具体实施方式

下面结合图1至图8对本发明作进一步的详细描述。 

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数； 

具体步骤如下： 

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个图像作为每个自适应神经模糊推理系统的期望输出图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入图像； 

图1是一个包含四个自适应神经模糊推理系统和一个后处理块的网络结构图，在使用该网络对图像进行滤波前，每个自适应神经模糊推理系统都需单独进行训练，训练图像可通过计算机人工构造得到，图3(a)是每个自适应神经模糊推理系统的期望输出图像，该图像大小为64×64，是由256个4×4色块组成，每个色块中的16个像素具有相同的灰度值，不同色块的灰度值各不相同，256个色块的灰度值遍取0到255中的所有值，不同灰度值的色块在图片中的位置是随机的，图3(b)是系统的输入图像，是在图3(a)上添加30％的椒盐脉冲噪声得到的噪声图像，图2是单个自适应神经模糊推理系统训练优化过程图。 

步骤B：以输入的训练图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素； 

步骤C：以当前操作像素为中心得到一个3×3滤波操作窗口，在滤波操作窗口内，四个数据提取块分别以四种不同的拓扑结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的实际输出； 

每个自适应神经模糊推理系统对应一个数据提取块。每个数据提取块为相应的自适应神经模糊推理系统提供四个输入。具体步骤如下： 

(1)如图4所示，以当前操作像素p₂为中心，得到一个3×3滤波窗口，依照水平、垂直、左对角线 

和右对角线这四种不同的拓扑结构得到像素灰度值p₁、p₂和p₃； 

(2)仍以当前操作像素p₂为中心，另外得到一个预先定义的中值提取操作窗口，由该窗口内所有像素点的灰度值，得到中值m； 

(3)令每个自适应神经模糊推理系统四个输入x₁、x₂、x₃和x₄分别为： 

$\left\{\begin{array}{c}{x}_1=p_1-m\\ x_2=p_2-m\\ x_3=p_3-m\\ x_4=m\end{array}\right.---\left(1\right)$

数据提取块在选取中值m时，需确定中值提取操作窗口大小。通过仿真实验证明，根据脉冲噪声图像噪声强度的大小不同，采用图5中方法确定中值提取操作窗口大小，实验结果为最好。 

由数据提取块为相应的自适应神经模糊推理系统提供四个输入后，对于每个输入，分别定义三个广义钟型隶属函数，则每个自适应神经模糊推理系统共包含81(3⁴)条规则，其模糊规则集如下： 

规则1：if(x₁ is M₁₁)and(x₂ is M₂₁)and(x₃ is M₃₁)and(x₄ is M₄₁) 

then y₁＝d₁₁x₁+d₁₂x₂+d₁₃x₃+d₁₄x₄+d₁₅

规则2：if(x₁ is M₁₁)and(x₂ is M₂₁)and(x₃ is M₃₁)and(x₄ is M₄₂) 

then y₂＝d₂₁x₁+d₂₂x₂+d₂₃x₃+d₂₄x₄+d₂₅

规则3：if(x₁ is M₁₁)and(x₂ is M₂₁)and(x₃ is M₃₁)and(x₄ is M₄₃) 

then y₃＝d₃₁x₁+d₃₂x₂+d₃₃x₃+d₃₄x₄+d₃₅

规则81：if(x₁ is M₁₃)and(x₂ is M₂₃)and(x₃ is M₃₃)and(x₄ is M₄₃) 

then y₈₁＝d_81，1x₁+d_81，2x₂+d_81，3x₃+d_81，4x₄+d_81，5

其中M_ij表示第i个输入的第j个隶属函数，d_kl为结论参数，y_k为系统根据第k个规则得到的输出，i＝1，2，3，4，j＝1，2，3，k＝1，…，81，l＝1，2，3，4，5。对于输入x_i，定义的广义钟型隶属函数为： 

$M_{\mathrm{ij}}\left(x_i\right)=\frac{1}{1+{\left|\frac{x_i-c_{\mathrm{ij}}}{a_{\mathrm{ij}}}\right|}^{2b_{\mathrm{ij}}}},---\left(2\right)$

其中a_ij，b_ij和c_ij为前提参数，i＝1，2，3，4，j＝1，2，3。 

自适应神经模糊推理系统的输出Y等于各y_k的加权平均： 

$Y=\frac{\underset{k=1}{\overset{81}{\mathrm{\Σ}}}{w}_k{y}_k}{\underset{k=1}{\overset{81}{\mathrm{\Σ}}}{w}_k}---\left(3\right)$

式中加权系数w_k包括了第k个规则的激励强度，w_k的计算公式如下： 

w₁＝M₁₁(x₁)×M₂₁(x₂)×M₃₁(x₃)×M₄₁(x₄) 

w₂＝M₁₁(x₁)×M₂₁(x₂)×M₃₁(x₃)×M₄₂(x₄) 

w₃＝M₁₁(x₁)×M₂₁(x₂)×M₃₁(x₃)×M₄₃(x₄)                        (4) 

. 

. 

. 

w₈₁＝M₁₃(x₁)×M₂₃(x₂)×M₃₃(x₃)×M₄₃(x₄) 

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出； 

步骤E：根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新； 

对自适应神经模糊推理系统中的参数，采用混合学习算法进行优化，即前提参数a_ij，b_ij和c_ij通过梯 度法进行优化，结论参数d_kl用线性最小二乘法进行优化，采用的学习策略为离线(批量)学习法。 

假设有N组训练数据，对于每一组输入x_t＝(x₁，x₂，x₃，x₄)^T，系统的实际输出和期望输出分别为Y_t和Yd_t，＝1，2，…，N，T表示矩阵转置，定义代价函数： 

$E=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{E}_t=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\left(\frac{1}{2}{({\mathrm{Yd}}_t-Y_t)}^2\right)---\left(5\right)$

对于前提参数a_ij，b_ij，c_ij，根据梯度法有： 

$a_{\mathrm{ij}}(n+1)=a_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂a_{\mathrm{ij}}}---\left(6\right)$

$b_{\mathrm{ij}}(n+1)=b_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂b_{\mathrm{ij}}}---\left(7\right)$

$c_{\mathrm{ij}}(n+1)=c_{\mathrm{ij}}\left(n\right)-\mathrm{\α}\frac{\∂E}{\∂c_{\mathrm{ij}}}---\left(8\right)$

其中n为迭代次数，α为学习速率，i＝1，2，3，4，j＝1，2，3。训练时，可以根据N组训练数据来确定前提参数a_ij，b_ij和c_ij的初始值。 

对于结论参数d_kl，我们首先根据前提参数的值，式错误！未找到引用源。和N组训练数据(包括输入和期望输出)，采用线性最小二乘方法来确定其初始值，然后由式错误！未找到引用源。可得到N组训练数据的系统实际输出，再根据式(5)的代价函数和式(6)、式(7)和式(8)更新前提参数a_ij，b_ij，c_ij，并在每次更新前提参数之后，采用线性最小二乘方法更新结论参数d_kl。这样一直迭代下去，直到式(5)的代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束。 

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。 

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行滤波。 

具体步骤如下： 

步骤A：将需滤波的测试图像作为网络的输入图像，以输入图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素； 

步骤B：以当前操作像素为中心得到一个3×3滤波操作窗口，对于每个自适应神经模糊推理系统，在滤波操作窗口内，四个数据提取块分别以与每个系统训练时相同的拓扑结构方式提取像素灰度值，由此得到每个系统的四个输入； 

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入进行修正，然后取平均值，再对平均值取整得到一最终输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值； 

在错误！未找到引用源。中，由四个自适应神经模糊推理系统可分别得到四个输出，记为Y_k (k＝1，2，3，4)。这四个输出即为后处理块的输入。由于所处理的图像均为8位灰度图像，后处理块首先按式(9)对这四个输入分别进行修正，得到Y′_k(k＝1，2，3，4)： 

$Y_k^{\&prime;}=\left\{\begin{array}{cc}0,& \mathrm{if}{Y}_k<0\\ 255,& \mathrm{if}{Y}_k>255\end{array}\right.---\left(9\right)$

然后，按式(10)对四个修正后的输入Y′_k取平均值： 

$Y_F=\mathrm{round}\left(\frac{1}{4}\underset{k=1}{\overset{4}{\mathrm{\&Sigma;}}}{Y}_k^{\&prime;}\right)---\left(10\right)$

其中函数round()表示四舍五入取整，Y_F即为神经模糊网络的最终输出，在滤波过程中，它将替换当前操作像素。 

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。 

为测试本发明方法的滤波性能，将其与传统的滤波方法相比较，对图6中8张图(图像大小都为256×256)进行测试分析。图6中8张图分别被3％～80％椒盐脉冲噪声污染。为将本发明方法与传统的方法的滤波效果进行比较，选择以下滤波方法：SMF方法，EDMF方法，MSMF方法，SDROMF方法和FF方法。 

在实验中，我们采用峰值信噪比PSNR评价标准定量评价滤波器的性能。PSNR值越大表明滤波器滤波效果越好。PSNR的定义为： 

$\mathrm{PSNR}=10{\log }_{10}\left(\frac{{255}^2}{\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(O(i,j)-R(i,j))}^2}\right)---\left(11\right)$

其中O(i，j)和R(i，j)分别为在坐标点(i，j)处原始的无噪声图像和滤波后图像像素点的灰度值，图像大小为M×N。 

实验过程描述如下：对于被同一种噪声密度污染的8张图像，选用其中一种滤波方法进行滤波，得到使用该种方法滤波后的8个不同的PSNR值，取平均值作为该种方法在该种噪声密度下的PSNR的代表值。对于被其它噪声密度污染的图像，采用同样的方法得到该种方法在这些噪声密度下的PSNR的代表值。最后，对于其它滤波方法，进行相同的实验过程，得到所有滤波方法在所有噪声密度下的PSNR的代表值。 

图7给出了SMF方法，EDMF方法，MSMF方法，SDROMF方法，FF方法和本发明方法对受3％～80％强度椒盐脉冲噪声污染的图像去噪后的平均峰值信噪比(PSNR)比较曲线。从图中可以明显地看出，对受不同强度椒盐脉冲噪声污染的图像，本发明方法得到的PSNR都大，这说明了本发明方法的滤波效果较传统的滤波方法为好。 

对于评价一个滤波器的滤波性能，除了上述的定量评价之外，还需进行定性评价。主观的定性评价就是从视觉上观察各种滤波器的滤波效果。图8显示的是测试图像为Baboon图的滤波效果对比图。图8(a)为原始图像(未被噪声污染图像)Baboon图，图8(b)为含30％的椒盐脉冲噪声图，图8(c)～(g)分别为各传统滤波方法所输出的结果图像，图8(h)为本发明方法所输出的结果图像。由本发明方法与传统的滤波方法的滤波效果图中可以看出，常用的传统滤波方法(SMF、EDMF、MSMF、SDROMF和FF)的输出图像中，有明显的没有被去除的噪声点，特别是SMF和MSMF方法的输出图像中，没有被去除的噪声点很多。而在本发明方法的输出图像中，噪声去除得比较干净，这说明，本发明方法去除脉冲噪声的能力较传统滤波方法为强。另外，与传统滤波方法的输出结果相比，本发明方法更能保留原有图像的细节或边缘，这可以从Baboon的眼睛周围和胡须部位可以明显看出。 

Claims (3)

1.一种基于自适应神经模糊推理系统的图像滤波方法，其特征在于，包括以下步骤：

步骤一：构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对四个自适应神经模糊推理系统单独进行训练，确定系统中的参数；

步骤二：当四个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对测试图像进行滤波。

2.根据权利要求1所述的基于自适应神经模糊推理系统的图像滤波方法，其特征在于，步骤一进一步包括以下步骤：

步骤A：每个自适应神经模糊推理系统都有四个输入，一个输出，人工构造一个图像作为每个自适应神经模糊推理系统的期望输出图像，在该图像上添加30％的椒盐脉冲噪声得到噪声图像，作为每个自适应神经模糊推理系统的输入图像；

步骤B：以输入的训练图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入的训练图像中所有像素；

步骤C：以当前操作像素为中心得到一个3×3滤波操作窗口，在滤波操作窗口内，四个数据提取块分别以四种不同的拓朴结构方式提取像素灰度值，由此得到与四个数据提取块相对应的自适应神经模糊推理系统的四个输入，由系统的四个输入可得到系统的实际输出；

步骤D：选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出；

步骤E：根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值，使用混合学习算法对系统中的参数进行优化更新；

步骤F：当代价函数值小于预先设定的阈值或者迭代次数达到预先设定的上限时，则系统训练结束；否则，重复步骤B到E，进行下一次迭代训练。

3.根据权利要求1所述的基于自适应神经模糊推理系统的图像滤波方法，其特征在于，步骤二进一步包括以下步骤：

步骤A：将需滤波的测试图像作为网络的输入图像，以输入图像中每个像素为中心的3×3滤波操作窗口从图像左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式滑动，遍取输入图像中所有像素；

步骤B：以当前操作像素为中心得到一个3×3滤波操作窗口，对于每个自适应神经模糊推理系统，在滤波操作窗口内，四个数据提取块分别以与每个系统训练时相同的拓朴结构方式提取像素灰度值，由此得到每个系统的四个输入；

步骤C：每个自适应神经模糊推理系统都会得到一个输出，这些输出即为后处理块的输入，后处理块对这四个输入进行修正，然后取平均值，再对平均值取整得到一最终输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值；

步骤D：选取输入图像中下一个像素作为当前操作像素，重复步骤(B)和(C)，当输入图像中所有像素经过网络都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。

Images