CN104217405B - 融合局部与全局信息的图像椒盐噪声滤波方法 - Google Patents

Abstract

本发明涉及一种融合局部与全局信息的图像椒盐噪声滤波方法。该方法：首先，读入噪声图像，并进行噪声密度估计；其次，进行第一次噪声检测；再而，对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；最后，进行第二次噪声检测，并进行第二次噪声恢复，得到去噪恢复的图像。本发明改善了图像去噪的效果,对自身含有灰度为0、255的非噪声极值点的图像改进幅度更明显。

Description

融合局部与全局信息的图像椒盐噪声滤波方法

技术领域

本发明属于图像处理技术领域,主要应用于对被椒盐噪声污染的图像进行去噪恢复，特别是一种融合局部与全局信息的图像椒盐噪声滤波方法。

背景技术

椒盐噪声是一种常见的噪声，它的产生因素多种多样，比如，传感器硬件故障、通信信道受干扰。椒盐噪声表现为图像中与近邻像素点格格不入的黑色(灰度为0)或者白色(灰度为255) 像素点。噪声点与近邻像素点间存在灰度突变，导致了较大的梯度值，使其与边缘点容易发生混淆，给图像分析尤其是边缘检测带来了很大的困难。

中值滤波是经典的椒盐去噪方法，其效果依赖于滤波窗口大小的选择。窗口小，去噪效果差，图像细节保留能力强；窗口大，去噪效果更佳，细节容易损失，图像模糊加重，如何平衡两者是个难题。为此，研究者提出了一系列改进型的中值滤波算法。比如，自适应中值滤波^[1]根据局部窗口的内容自动选择滤波窗口的大小，改善了去噪效果，但其细节保护能力较弱。

开关滤波是图像椒盐噪声去除领域新近的研究热点。所谓开关是指先检测图像中的椒盐噪声点，然后仅对噪声点进行滤波恢复，有助于保护图像细节。SAWM^[2]和MDWF^[3]是去噪效果较好的两种开关滤波算法。SAWM和MDWF采用不同形式的方向灰度差异来检测图像中的椒盐噪声点,它们各自的噪声检测策略分别记为SAWM_D以及MDWF_D。SAWM_D进行噪声检测的具体过程如下：

(1) 任意给定一个像素点p _i,j ，取以其为中心的L _d ×L _d 邻域灰度窗口Ω；

(2) 将窗口Ω内的像素点灰度按升序排列构成一个向量F，分别确定其第r个元素F _r 和第z-r+1个元素F _z-r+1，其中，z=L _d ×L _d ，1≤r≤(z-1)/2；

(3) 剔除掉窗口Ω内灰度小于等于F _r 或者大于等于F _z-r+1的像素点，构成新集合Ω₁，其原理在于被剔除的像素点灰度位于窗口Ω内所有像素点所在灰度范围的两端，成为噪声点的概率比较大；

(4) 求窗口Ω₁在方向k上的像素点灰度构成的集合，这里只考虑水平、垂直、主副对角线4个方向；

(5) 根据下式计算中心像素点p _{i, j} 在4个方向上与近邻像素点之间的加权绝对灰度差异之和：

(1)

(2)

式中，Φ代表空集合，d _{s ,t} 代表了像素点p _{i, j} 与其近邻像素点p _{s ,t} 之间的绝对灰度差异；

(6) 计算4个方向上加权绝对灰度差异之和的最小值；

. (3)

(7) 识别椒盐噪声点

(4)

其中P表示检测到的椒盐噪声点集合，T ₁是一个参数；

MDWF_D进行噪声检测的具体过程如下：

(1) 任意给定一个像素点p _{i, j} ，取以其为中心的m×m局部窗口Ω，f _{i, j} 为p _{i, j} 的灰度，求p _{i, j} 与方向k上近邻像素点间绝对灰度差异之和：

(5)

(6)

(7)

其中1≤k≤4表示方向索引，Ω^(k)为Ω在方向k上的内容，w _s,t 表示近邻像素点p _s,t 的权重；

（2）求方向绝对灰度差异之和的最小值：

(8)

（3）识别椒盐噪声点

(9)

其中P表示检测到的椒盐噪声点集合，T是一个参数。

SAWM_D和MDWF_D均利用了方向灰度差异来检测图像中的噪声点，其基本原理在于：噪声点没有方向性，而边缘像素点有一定的方向性，这种方向性的有无会造成方向加权灰度差异之和最小值的巨大差异，由此可以用来区分噪声点和边缘点。当然，这种方向加权灰度差异之和的最小值也可以用来区分噪声点和一般的非噪声点。因为噪声点与其周围邻域像素点往往存在较大的灰度差异，导致方向加权灰度差异之和的最小值也较大。而非噪声点与其周围邻域像素点间不存在灰度突变，灰度差异较小，方向加权灰度差异之和的最小值自然也较小。因此，方向加权灰度差异之和的最小值可以用来区分噪声点和非噪声点。

上述噪声检测的思路虽然基本正确，但在具体检测过程中仍然存在如下问题：

(1) 在SAWM_D的噪声检测过程中，通常设置参数r为1。此时，F _r 和F _z-r+1分别代表局部邻域窗口Ω的灰度极小值和极大值。这里的灰度极小值可能不为0，灰度极大值可能不为255。SAWM_D在剔除掉窗口Ω内灰度小于等于F _r 或者大于等于F _z-r+1的像素点过程中，可能将灰度不为0或255的非噪声点剔除掉，给方向加权灰度差异的计算带来不良影响。此外，即便窗口Ω内的灰度极小值和极大值刚好为0和255，直接剔除灰度小于等于0或者灰度大于等于255的像素点的做法也略显粗糙，容易将灰度刚好也为0或255的非噪声点一并删除掉，这也将给方向加权灰度差异的计算带来不良影响。方向加权灰度差异计算的不准确将直接影响噪声检测的准确性。实验结果表明SAWM_D往往存在较大的虚警率FA (False Alarm)，FA是指将非噪声点错误地识别为噪声点；

(2) MDWF_D在计算方向加权灰度差异的过程中未排除邻域内的任何像素点，如果邻域内存在噪声点，这些噪声点将对方向加权灰度差异的计算带来不良影响。方向加权灰度差异计算的不准确将直接影响噪声检测的准确性。实验结果表明MDWF_D往往存在较大的漏检率MD (Miss Detection)，MD是指将噪声点错误地识别为非噪声点；

(3) 现有的开关滤波算法包括SAWM和MDWF均只是利用像素点的局部邻域灰度信息来辨识噪声点，未考虑全局图像信息，对自身包含灰度为0或255的非噪声极值点块的图像，检测准确性急剧下降。而这类图像也经常出现，以著名的伯克利图像数据库BSDS300为例，300幅彩色图转换为灰度图后，有138幅图自身包含灰度为0或255的非噪声极值点块。

参考文献：

[1] Chan R H, Ho C W, Nikolova M. Salt-and-pepper noise removal bymedian-type noise detectors and detail-preserving regularization [J]. IEEETransactions on Image Processing, 2005, 14(10): 1479~1485.

[2] Zhang X. Xiong Y. Impulse noise removal using directionaldifference based noise detector and adaptive weighted mean filter. IEEESignal Processing Letters, 2009. 16(4), 295~298.

[3] Li Z, Liu G, Xu Y, Cheng Y. Modified directional weighted filterfor removal of salt & pepper noise, Pattern Recognition Letters, 2014, 40(1):113~120.。

发明内容

本发明的目的在于提供一种能改善图像去噪的效果，特别是对自身含有灰度为0、255的非噪声极值点的图像改善幅度更明显的融合局部与全局信息的图像椒盐噪声滤波方法。

为实现上述目的，本发明的技术方案是：一种融合局部与全局信息的图像椒盐噪声滤波方法，包括如下步骤，

步骤S1：读入噪声图像，进行噪声密度估计；

步骤S2：进行第一次噪声检测；

步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；

步骤S4：进行第二次噪声检测；

步骤S5：进行第二次噪声恢复，得到去噪图像。

在本发明实施例中，所述步骤S1中，所述噪声密度估计的具体过程如下：

步骤S11：将去噪图像的行、列分别分成w等份，计算每个等份对应的行、列数，若最后一个等份的行、列数不够，采用镜面反射的方式进行补足，最终将图像分成w×w个子块；

步骤S12：统计每个子块中灰度为0和255的像素点出现的概率，构造向量；

步骤S13：对向量中的元素按升序排序，排序后的向量记为；

步骤S14：估计整幅图像的噪声密度为：

相应地，整幅图像噪声点个数的估计值为：；

其中，mod代表取余，N表示图像中像素点的总数。

在本发明实施例中，所述步骤S2中，所述第一次噪声检测的具体过程如下：

步骤S21：采用算法SAWM噪声检测策略的改进版本SAWM_MD对噪声图像进行第一次噪声检测，即先计算出每个像素点p _{i, j} 对应的方向加权绝对灰度差异之和的最小值d _i,j ，用所有像素点的d _i,j 构建矩阵M _d ；

步骤S22：对矩阵M _d 中的元素按降序排列，构成新的向量，向量中的一个元素对应图像中的一个像素点；

步骤S23：取向量中前n _e 个元素对应的像素点为噪声点，构成噪声点集合P，产生噪声检测结果标示矩阵B _m ：

其中，标示矩阵B _m 是一个二值化矩阵，1和0分别表示检测到的噪声点和非噪声点。

在本发明实施例中，所述步骤S3中，所述对噪声检测结果进行校正的具体过程如下：

步骤S31：根据椒盐噪声点灰度只可能为0或者255的事实，剔除掉噪声检测结果中灰度不为0或者255的噪声点，其形式化描述为：

步骤S32：若噪声密度估计结果D _e 最接近于9种噪声级别的前5种，则执行步骤S33~S36；否则，校正过程结束；

步骤S33：分别获取灰度0和255对应的阈值分割结果：

其中，1和0分别代表阈值分割结果中的目标像素和背景像素；

步骤S34：搜索8连通拓扑结构下，阈值分割结果seg ₀和seg ₂₅₅中目标像素构成的连通分量，将所有连通分量组成一个集合C=，其中，C _i 代表第i个连通分量对应像素点的集合，m代表连通分量的个数；

步骤S35：按如下条件移除掉可能由灰度为0或者255的噪声点构成的连通分量，得到新的连通分量集合：

其中，n _i 代表连通分量C _i 包含的像素点个数；

参数：；其中，round代表四舍五入；

步骤S36：根据连通分量对B _m 进行如下校正：

。

在本发明实施例中，所述9种噪声级别分别为10%、20%、30%、40%、50%、60%、70%、80%、90%。

在本发明实施例中，所述步骤S4中，所述第二次噪声检测的具体过程如下：

步骤S41：采用算法MDWF的噪声检测策略MDWF_D对经过第一次噪声恢复的图像进行再次的噪声检测，判定椒盐噪声点的条件为：

其中，P表示检测到的椒盐噪声点集合，T为一参数；

步骤S42：对T值进行如下设置：

。

在本发明实施例中，所述第一次噪声恢复和第二次噪声恢复均采用算法SAWM的噪声点恢复策略的改进版本SAWM_MR进行噪声恢复，其具体过程如下：

首先，以噪声点为中心，初始化滤波窗口大小w ₁=3，迭代地扩充滤波窗口大小为w ₁=w ₁+2，直至满足滤波窗口内非噪声点的个数大于等于2或者w ₁≥21；

然后，取噪声点为中心的w ₁×w ₁滤波窗口Ω，剔除掉其中的噪声点，将剩余非噪声点构成集合U；如果U为空集合，则将其重置为U=Ω；将集合U中像素点的加权灰度均值作为中心噪声点的滤波输出，其形式化描述为：

其中，f _{s ,t} 代表像素点p _{s, t} 的灰度，ω _{s, t} 代表p _{s, t} 的加权系数，加权函数的定义如下：

其中，N _u 代表集合U中像素点的个数，p _m,n 和p _k,l 代表集合U中的像素点，f _m,n 和f _k,l 分别代表像素点p _m,n 和p _k,l 的灰度。

相较于现有技术，本发明具有以下有益效果：

1、本发明算法明显改善了图像椒盐噪声去除的效果，特别是在含非噪声极值点块的图像上改善幅度更大；

2、本发明算法运行速度明显快于MDWF，后者的运行时间是前者的5~6倍。

附图说明

图1为本发明算法流程图。

图2为Lena图像和Rice图像的原图。

图3为30%噪声密度下Lena图像的噪声图及各算法去噪结果比较图。

图4为60%噪声密度下Lena图像的噪声图及各算法去噪结果比较图。

图5为90%噪声密度下Lena图像的噪声图及各算法去噪结果比较图。

图6为30%噪声密度下Rice图像的噪声图及各算法去噪结果比较图。

图7为60%噪声密度下Rice图像的噪声图及各算法去噪结果比较图。

图8为90%噪声密度下Rice图像的噪声图及各算法去噪结果比较图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明提出一种融合局部与全局信息的图像椒盐噪声滤波方法，包括如下步骤，

步骤S1：读入噪声图像，进行噪声密度估计；

步骤S2：进行第一次噪声检测；

步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；

步骤S4：进行第二次噪声检测；

步骤S5：进行第二次噪声恢复，得到去噪图像。

在本发明一实施例中，所述步骤S1中，所述噪声密度估计的具体过程如下：

步骤S11：将待去噪图像的行、列分别分成w等份，计算每个等份对应的行、列数，若最后一个等份的行、列数不够，采用镜面反射的方式进行补足，最终将图像分成w×w个子块；

步骤S12：统计每个子块中灰度为0和255的像素点出现的概率，构造向量；

步骤S13：对向量中的元素按升序排序，排序后的向量记为；

步骤S14：估计整幅图像的噪声密度为：

相应地，整幅图像噪声点个数的估计值为：；

其中，mod代表取余，N表示图像中像素点的总数。

在本发明一实施例中，所述步骤S2中，所述第一次噪声检测的具体过程如下：

步骤S21：采用算法SAWM噪声检测策略的改进版本SAWM_MD对噪声图像进行第一次噪声检测，即先计算出每个像素点p _{i, j} 对应的方向加权绝对灰度差异之和的最小值d _i,j ，用所有像素点的d _i,j 构建矩阵M _d ；

步骤S22：对矩阵M _d 中的元素按降序排列，构成新的向量，向量中的一个元素对应图像中的一个像素点；

步骤S23：取向量中前n _e 个元素对应的像素点为噪声点，构成噪声点集合P，产生噪声检测结果标示矩阵B _m ：

其中，标示矩阵B _m 是一个二值化矩阵，1和0分别表示检测到的噪声点和非噪声点。

在本发明一实施例中，所述步骤S3中，所述对噪声检测结果进行校正的具体过程如下：

步骤S31：根据椒盐噪声点灰度只可能为0或者255的事实，剔除掉噪声检测结果中灰度不为0或者255的噪声点，其形式化描述为：

步骤S32：若噪声密度估计结果D _e 最接近于9种噪声级别的前5种，则执行步骤S33~S36；否则，校正过程结束；所述9种噪声级别分别为10%、20%、30%、40%、50%、60%、70%、80%、90%；

步骤S33：分别获取灰度0和255对应的阈值分割结果：

其中，1和0分别代表阈值分割结果中的目标像素和背景像素；

步骤S34：搜索8连通拓扑结构下，阈值分割结果seg ₀和seg ₂₅₅中目标像素构成的连通分量，将所有连通分量组成一个集合C=，其中，C _i 代表第i个连通分量对应像素点的集合，m代表连通分量的个数；

步骤S35：按如下条件移除掉可能由灰度为0或者255的噪声点构成的连通分量，得到新的连通分量集合：

其中，n _i 代表连通分量C _i 包含的像素点个数；

参数：；其中，round代表四舍五入；

步骤S36：根据连通分量对B _m 进行如下校正：

；

上述步骤S33~S36是把灰度为0和255的全局阈值分割结果作为全局图像信息对噪声检测结果进行校正，其主要作用对象是自身含有灰度为0和255的非噪声极值点块的图像。其基本原理在于：当噪声密度处于中下水平时，聚集在一起构成连通分量的灰度为0的噪声像素点个数应当不大，同理，聚集在一起构成连通分量的灰度为255的噪声像素点个数也应当不大。因此，我们把连通分量中像素点个数大于参数的视为由灰度为0或255构成的非噪声极值点块。这些非噪声极值点块是真实的图像块，而不是噪声，故将其从噪声检测结果中加以校正。

在本发明一实施例中，所述第一次噪声恢复和第二次噪声恢复均采用算法SAWM的噪声点恢复策略的改进版本SAWM_MR进行噪声恢复，其具体过程如下：

首先，以噪声点为中心，初始化滤波窗口大小w ₁=3，迭代地扩充滤波窗口大小为w ₁=w ₁+2，直至满足滤波窗口内非噪声点的个数大于等于2或者w ₁≥21；附加的条件w ₁≥21是为了防止高密度噪声下滤波窗口扩张太大导致局部性的丢失。

然后，取噪声点为中心的w ₁×w ₁滤波窗口Ω，剔除掉其中的噪声点，将剩余非噪声点构成集合U；如果U为空集合，则将其重置为U=Ω；将集合U中像素点的加权灰度均值作为中心噪声点的滤波输出，其形式化描述为：

其中，f _{s ,t} 代表像素点p _{s, t} 的灰度，ω _{s, t} 代表p _{s, t} 的加权系数，加权函数的定义如下：

其中，N _u 代表集合U中像素点的个数，p _m,n 和p _k,l 代表集合U中的像素点，f _{m ,n} 和f _{k ,l} 分别代表像素点p _m,n 和p _k,l 的灰度。

在本发明一实施例中，所述步骤S4中，所述第二次噪声检测的具体过程如下：

步骤S41：采用算法MDWF的噪声检测策略MDWF_D对经过第一次噪声恢复的图像进行再次的噪声检测，判定椒盐噪声点的条件为：

其中，P表示检测到的椒盐噪声点集合，T为一参数；

步骤S42：对T值进行如下设置：

其中，n代表迭代次数，其取值范围为5~10。

而在本发明设计的滤波算法中，MDWF的噪声检测策略只在第二次噪声检测时用到，无需迭代，故假定其最大迭代次数为10的基础上，将参数T的设置更新为：

。

上述流程中，第二次噪声恢复与第一次噪声恢复一样，采用算法SAWM噪声点恢复策略的改进版本SAWM_MR来实现，具体过程已经在第一次噪声恢复时阐述，这里不再赘述。

为了评价图像去噪算法的性能，我们采用客观的定量评价和主观的定性评价相结合的做法。峰值信噪比(PSNR)和平均结构相似性(MSSIM)被选定为定量评价指标，其中，参考图像为不含噪声的原始图像。PSNR的定义如下：

其中，N表示图像像素总数，x _i,j 和r _i,j 分别表示参考图像和去噪恢复后图像中像素点p _i,j 的灰度。PSNR的值越大，说明去噪效果越好。MSSIM的定义如下：

其中，X和Y分别表示参考图像和去噪恢复后的图像，M代表图像分块窗口的数量，x _j 和y _j 代表X和Y中第j个分块窗口的内容，和代表各自的均值，和为各自的标准偏差，代表它们的协方差，C ₁ 和C ₂ 是参数。MSSIM的取值范围为0~1, 值越大说明去噪效果越好。

我们对自然图像进行了一系列的仿真实验，运用Matlab7.0编程，实验运行在1.7GHz英特尔酷睿i5-3317U CPU，4GB内存的联想笔记本上。本文算法与自适应中值滤波(AM)、基于边界判定噪声检测的开关中值滤波(BDND)、基于非对称裁剪策略的开关中值滤波(UTM)、改进的方向加权中值滤波(MDWM)、改进的方向加权均值滤波(MDWF)以及自适应加权均值开关滤波(SAWM)进行对比。

AM中表示最大窗口限制的参数w _max =39。MDWM和MDWF中迭代次数设置为10，为避免滤波窗口大小的不同给算法性能带来的影响，将3×3、5×5、7×7、9×9、11×11、13×13、15×15滤波窗口下最佳结果(PSNR最大)作为两种算法每次实验的最终结果。AM、BDND自适应地选择滤波窗口大小。UTM 采用固定的3×3的滤波窗口。SAWM中参数设置为L _d =7、r=1、T ₁=2。本专利算法噪声密度估计阶段的参数w=9，第一次噪声检测阶段的参数L _d =7、r=1，第二次噪声检测阶段的参数m=7。

第一组实验由两幅常见的分辨率为256×256的图像构成。其中，Lena作为自身不包含灰度为0和255的非噪声极值点图像的代表，Rice作为自身包含灰度为0或255的非噪声极值点图像的代表。不含噪声的Lena图像中的最大、最小灰度分别为245和23。不含噪声的rice图像中的最大、最小灰度分别为254和0，其中灰度为0的像素点个数为3839。

两幅图分别加入密度范围为10%~90%，增量为10%的9种级别的噪声，表1和2分别给出了第一组实验下各椒盐噪声滤波算法去噪结果的PSNR和MSSIM度量结果。从表中数据可以观察到，对Lena图像，当噪声密度低于30%时，本发明算法的PSNR值最高。对于Rice图像，本发明算法在噪声密度高于30%时获得了最高的PSNR值。其他情况下，本发明算法的PSNR值略低于MDWF或者SAWM，但高于其他方法。MSSIM度量结果表明，本发明算法对噪声密度低于30%的Lena图像和所有噪声密度下的Rice图像获得了最高的MSSIM值。对于Lena图像，本发明算法的去噪效果与SAWM相当，两者的效果好于其它算法。与SAWM比较而言，本发明算法对Rice噪声图像获得的PSNR和MSSIM值有了明显的提高，特别是当噪声密度高于40%时，提高幅度更为显著。高的PSNR值意味着更佳的去噪效果。高的MSSIM值意味着经过去噪后的图像与参考的无噪声图像间保持了更大的结构相似性，去噪效果更好。

在定量比较的基础上，还提供了直观的定性比较。为了节省空间，图2为Lena图像和Rice图像的原图，图3至图8仅仅分别给出了低密度(30%)、中密度(60%)和高密度噪声(90%)下各种算法（从左到右，从上到下依次为噪声图、AM算法结果图、BDND算法结果图、UTM算法结果图、MDWM算法结果图、MDWF算法结果图、SAWM算法结果图及本发明算法结果图）的去噪结果。从图3至图8可以看到，AM和BDND的去噪效果最差。当噪声密度为60%和90%时，AM的去噪结果模糊现象严重，BDND的去噪结果有不少的白色噪声区域。UTM的去噪结果包含一定数量的白色和黑色的噪声区域。MDWM的去噪结果包含一些白色和黑色的噪声线条。本发明算法、MDWF和SAWM比其余算法拥有更佳的去噪效果。对Lena图像的去噪，本发明算法与SAWM效果相当，两者效果略好于MDWF。对噪声密度为30%和60%的Rice图像，本发明算法和MDWF的去噪效果明显好于SAWM，SAWM的去噪结果中含有不少的黑色噪声区域。对噪声密度90%的Rice图像，本发明算法的去噪效果明显好于SAWM和MDWF，因为我们的去噪结果包含了更完整和光滑的米粒边界。MDWF的去噪结果有少许的白色和黑色噪声区域。

第二组实验测试图像源至著名的伯克利图像数据库BSDS300中的300幅彩色图像。因为本发明算法仅对灰度图像进行去噪，故我们在保持每一幅图像分辨率不变的情况下运用Matlab的函数rgb2gray将它们统一转化为灰度图。每一幅灰度图像分别加入密度为10%到90%增量为10%的椒盐噪声。为了节省空间，表3和表4分别仅列出了各种算法在不同噪声密度下300幅图像以及138幅含有非噪声极值点块图像的平均PSNR和MSSIM值。

从表3可以看到，对300幅图像而言，每种噪声密度下，本发明算法均拥有最高的平均PSNR值，表明去噪效果最佳。定量测试结果的统计分析表明，与MDWF和SAWM相比较，本发明算法分别将9种噪声密度下2700幅噪声图像的平均PSNR值分别提高了0.5745556和0.354，最大提高幅度达到0.989和0.927。对138幅含有非噪声极值点块的图像而言，除开噪声密度90%时，本发明算法的平均PSNR值屈居第二，略低于MDWF，其余情况下均保持第一。定量测试结果的统计分析表明，与MDWF和SAWM相比较，本发明算法分别将9种噪声密度下1242幅噪声图像的平均PSNR值分别提高了0.4983333和0.7338889，最大提高幅度达到0.928和1.525。

从表4可以看到，本发明算法对300幅和138幅图像，所有噪声密度下均获得了最高的平均MSSIM值。对300幅图像定量测试结果的统计分析表明，与MDWF和SAWM相比较，本发明算法分别将9种噪声密度下2700幅噪声图像的平均MSSIM值分别提高了0.0312156和0.0016522，最大提高幅度达到0.05374和0.00228。对138幅含有非噪声极值点块的图像定量测试结果的统计分析表明，与MDWF和SAWM相比较，本发明算法分别将9种噪声密度下1242幅噪声图像的平均MSSIM值分别提高了0.0316756和0.0035944，最大提高幅度达到0.05487和0.00534。统计分析结果也表明，本发明算法在含非噪声极值点块的图像上获得了更大的去噪性能改进。

此外，实验也表明，本发明算法运行速度明显快于MDWF，后者的运行时间是前者的5~6倍。本发明算法运行速度慢于SAWM，运行时间大致是SAWM的2~3倍。MDWF速度慢的原因在于：1) 它是一个迭代算法，每次运行都需要进行10次的算法迭代。2) 为避免滤波窗口大小的不同给算法性能带来的影响，每次实验都对3×3、5×5、7×7、9×9、11×11、13×13、15×15总共9种滤波窗口下的MDWF进行了测试，取最佳结果(PSNR最大)作为此次实验的最终结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种融合局部与全局信息的图像椒盐噪声滤波方法，其特征在于：包括如下步骤，

步骤S1：读入噪声图像，进行噪声密度估计；

步骤S2：进行第一次噪声检测；

步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；

步骤S4：进行第二次噪声检测；

步骤S5：进行第二次噪声恢复，得到去噪图像；

所述步骤S1中，所述噪声密度估计的具体过程如下：

步骤S11：将噪声图像的行、列分别分成w等份，计算每个等份对应的行、列数，若最后一个等份的行、列数不够，采用镜面反射的方式进行补足，最终将图像分成w×w个子块；

步骤S12：统计每个子块中灰度为0和255的像素点出现的概率，构造向量

步骤S13：对向量中的元素按升序排序，排序后的向量记为

步骤S14：估计整幅图像的噪声密度为：

相应地，整幅图像噪声点个数的估计值为：n_e＝D_e×N；

其中，mod代表取余，N表示图像中像素点的总数；

所述步骤S2中，所述第一次噪声检测的具体过程如下：

步骤S21：采用算法SAWM噪声检测策略的改进版本SAWM_MD对噪声图像进行第一次噪声检测，即先计算出每个像素点p_i,j对应的方向加权绝对灰度差异之和的最小值d_i,j，用所有像素点的d_i,j构建矩阵M_d；

步骤S22：对矩阵M_d中的元素按降序排列，构成新的向量向量中的一个元素对应图像中的一个像素点；

步骤S23：取向量中前n_e个元素对应的像素点为噪声点，构成噪声点集合P，产生噪声检测结果标示矩阵B_m：

其中，标示矩阵B_m是一个二值化矩阵，1和0分别表示检测到的噪声点和非噪声点；

所述步骤S3中，对噪声检测结果进行校正的具体过程如下：

步骤S31：根据椒盐噪声点灰度只可能为0或者255的事实，剔除掉噪声检测结果中灰度不为0或者255的噪声点，其形式化描述为：

步骤S32：若噪声密度估计结果D_e最接近于9种噪声级别的前5种，则执行步骤S33～S36；否则，校正过程结束；所述9种噪声级别分别为10％、20％、30％、40％、50％、60％、70％、80％、90％；

步骤S33：分别获取灰度为0和255对应的阈值分割结果：

其中，1和0分别代表阈值分割结果中的目标像素和背景像素；

步骤S34：搜索8连通拓扑结构下，阈值分割结果seg₀和seg₂₅₅中目标像素构成的连通分量，将所有连通分量组成一个集合C＝{C_i,i＝1,...m}，其中，C_i代表第i个连通分量对应像素点的集合，m代表连通分量的个数；

步骤S35：按如下条件移除掉由灰度为0或者255的噪声点构成的连通分量，得到新的连通分量集合：

C′＝{C_i|n_i>α}

其中，n_i代表连通分量C_i包含的像素点个数；

参数α：α＝round(400×D_e)；其中，round代表四舍五入；

步骤S36：根据连通分量C′对B_m进行如下校正：

B_m(i,j)＝0如果B_m(i,j)＝1且p_i,j∈C'。

2.根据权利要求1所述的融合局部与全局信息的图像椒盐噪声滤波方法，其特征在于：所述步骤S4中，所述第二次噪声检测的具体过程如下：

步骤S41：采用算法MDWF的噪声检测策略MDWF_D对经过第一次噪声恢复的图像进行再次的噪声检测，判定椒盐噪声点的条件为：

且f_i,j∈{0,255}}

其中，P表示检测到的椒盐噪声点集合，T为一参数；

步骤S42：对T值进行如下设置：

T＝510×0.8¹⁰。

3.根据权利要求1所述的融合局部与全局信息的图像椒盐噪声滤波方法，其特征在于：所述第一次噪声恢复和第二次噪声恢复均采用算法SAWM的噪声点恢复策略的改进版本SAWM_MR进行噪声恢复，其具体过程如下：

首先，以噪声点为中心，初始化滤波窗口大小w₁＝3，迭代地扩充滤波窗口大小为w₁＝w₁+2，直至满足滤波窗口内非噪声点的个数大于等于2或者w₁≥21；

然后，取噪声点为中心的w₁×w₁滤波窗口Ω，剔除掉其中的噪声点，将剩余非噪声点构成集合U；如果U为空集合，则将其重置为U＝Ω；将集合U中像素点的加权灰度均值作为中心噪声点的滤波输出，其形式化描述为：

其中，f_s,t代表像素点p_s,t的灰度，ω_s,t代表p_s,t的加权系数，加权函数的定义如下：

其中，N_u代表集合U中像素点的个数，p_m,n和p_k,l代表集合U中的像素点，f_m,n和f_k,l分别代表像素点p_m,n和p_k,l的灰度。