CN105590301A - 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 - Google Patents

自适应正斜双十字窗均值滤波的脉冲噪声消除方法 Download PDF

Info

Publication number
CN105590301A
CN105590301A CN201610058093.2A CN201610058093A CN105590301A CN 105590301 A CN105590301 A CN 105590301A CN 201610058093 A CN201610058093 A CN 201610058093A CN 105590301 A CN105590301 A CN 105590301A
Authority
CN
China
Prior art keywords
window
noise
filtering result
pixel
mean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610058093.2A
Other languages
English (en)
Other versions
CN105590301B (zh
Inventor
张新明
张贝
刘艳
张飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Normal University
Original Assignee
Henan Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Normal University filed Critical Henan Normal University
Priority to CN201610058093.2A priority Critical patent/CN105590301B/zh
Publication of CN105590301A publication Critical patent/CN105590301A/zh
Application granted granted Critical
Publication of CN105590301B publication Critical patent/CN105590301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Picture Signal Circuits (AREA)

Abstract

本发明公开了一种基于自适应正斜双十字窗均值滤波的脉冲噪声消除方法，主要解决现有方法消除脉冲噪声效果差的问题。实现步骤为：(1)采用子块排序差分最大法和投票法获得脉冲噪声的上下边界，并用上下边界检测脉冲噪声点；(2)对待处理的噪声图像首先用3×3垂直水平十字(正十字)窗口递归裁剪均值滤波3次，然后用对角线十字(斜十字)窗口递归裁剪均值滤波3次，用裁剪均值滤波的结果替换噪声点的值，如果噪声点已处理完，就结束均值滤波，否则增大窗口继续进行类似的双十字递归裁剪均值滤波，一直到7×7窗口结束；(3)如果噪声仍未处理完，重复步骤(2)形成迭代滤波。本发明具有检测脉冲噪声点准确、消除脉冲噪声效果好和去噪速度快的优点。

Description

自适应正斜双十字窗均值滤波的脉冲噪声消除方法
技术领域
本发明属于图像处理技术领域，特别涉及一种可用于航空航天、军事、医学、天文等诸多领域的数字图像处理的自适应正斜双十字窗均值滤波的脉冲噪声消除方法。
背景技术
(1)脉冲噪声及其模型
随着模式识别和计算机视觉技术的不断发展，人们对图像质量的要求越来越高。但是图像在采集和传输过程中不可避免地受到外界诸多因素的干扰，致使获取图像的质量不佳。脉冲噪声是其中重要的一种噪声类型，它是非连续的，由持续时间短和幅度大的不规则脉冲或噪声尖峰组成。脉冲噪声可分为两大类：限范围随机值噪声和任意随机值噪声。限范围随机噪声又分为五类，椒盐噪声是限范围随机随机噪声的一种特例，其随机值范围限制只能取两个值：最小值和最大值。本发明仅仅针对限范围随机脉冲噪声，五种限范围随机脉冲噪声模型如下：
脉冲噪声模型1
其中，p=p1+p2，且p1=p2，p、p1和p2分别为总噪声概率密度、盐噪声概率密度和椒噪声概率密度。
脉冲噪声模型2
其中，p=p1+p2，且p1≠p2。
脉冲噪声模型3
其中，l1和l2分别为噪声暗灰度区间长度和亮灰度区间长度参数，且p=p1+p2，p1=p2和l1=l2。
脉冲噪声模型4
其中，p=p1+p2，且p1≠p2和l1=l2。
脉冲噪声模型5
其中，p=p1+p2，且p1≠p2和l1≠l2。
从以上五种噪声模型可以看出：模型4是模型5的特例即模型5在l1=l2时为模型4，模型3是模型4的特例，模型2是模型3的特例，模型1是模型2的特例，即l1=l2=0且p1=p2，在p1情况下Ixy=0，在p2情况下Ixy=255，此时为椒盐噪声。
(2)研究现状
图像中的限范围脉冲噪声消除方法很多，其中，中值滤波因其算法简单，且能很好地保持原有图像的细节，在众多领域得到了广泛的应用。然而传统中值滤波对所有的图像像素进行统一处理，在滤波噪声的同时会改变非噪声像素的值，可能会模糊图像的边缘等细节信息。为此有多种改进算法，如开关中值滤波方法：首先检测噪声点，然后对噪声点进行中值滤波，对非噪声点不作处理。但噪声点的检测又成为一个新的难题，尤其是脉冲噪声点的检测，如有些文献将窗口中所有像素点灰度值的中值与中心点灰度值的差值大于阈值的视为噪声点，如PSM(progressivemedian)、TSM(tristatemedian)方法，这些方法都存在着最优阈值难于选择的问题，因为最优阈值随着噪声概率密度和图像的变化而变化，难以确定，且对图像细节结构的保护能力较弱。另外一些文献依据图像中某点灰度值与其邻域内像素点灰度值的极大值与极小值的关系进行噪声检测，还有一些文献根据图像中某点灰度值与其邻域内像素点灰度值的均值关系进行噪声检测，这些文献方法的弊端在于会将非噪声点误判为噪声点。近年来，一些学者提出了一些新的噪声检测方法，如Ng等人提出了一种边界检测方法(BDND方法)：首先对图像中的每个像素点采用21×21窗口获取邻域值经过排序并采用相邻差值的最大值方法初步确定噪声边界，然后再用3×3窗口来精确确定边界，最后用边界来确定噪声点；但这种方法不仅计算复杂度高，而且在噪声密度较大时，误检率较大。最近Horng等人(HorngSJ,HsuLY,LiTR,etal.UsingSortedSwitchingMedianFiltertoremovehigh-densityimpulsenoise.JournalofVisualcommunicationandImageRepresentation,2013,24:956-967.)提出了一种图像直方图检测噪声方法，虽然这种方法计算复杂度低，但在低噪声密度情况下失效。所以如果噪声检测不准确，开关中值滤波效果不理想。另外，中值滤波的效果还依赖滤波窗口的选择，窗口小，去噪效果差，图像细节保护能力强；窗口大，去噪效果较佳，细节容易损失，图像模糊加重，为此有学者提出了自适应中值滤波，改善了去噪效果，但窗口增大后不仅因中值滤波需要排序数据增加导致计算成本增加，且细节保护能力变弱。基于此，张新明等人提出了一种基于十字滑动窗口的快速自适应图像中值滤波方法(张新明，党留群，徐久成.基于十字滑动窗口的快速自适应图像中值滤波.计算机工程与应用,2007,43(27)：37-39.)，提高了细节保护能力和运行速度，但这种方法是针对椒盐噪声提出的，另外由于图像非噪声点的信息利用率不高，且采用是非裁剪中值滤波等原因，所以去噪效果有限。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种自适应正斜双十字窗均值滤波的脉冲噪声消除方法。本发明不仅使用一种新颖的噪声检测方法较为准确检测噪声，而且使用十字滑动窗口计算速度较方形窗口快，通过两个十字相交向量退化和推进，依据噪声强度自动调整窗口大小来提高去噪效果。
本发明的目的是这样实现的：
一种自适应正斜双十字窗均值滤波的脉冲噪声消除方法，包括如下步骤：
步骤1：输入大小为m×n，灰度级为0到L之间的含脉冲噪声图像I，其中L最大灰度级，常取255；
步骤2：采用子块排序差分最大法和投票法确定限范围噪声上下边界，然后用此上下边界判断噪声，产生噪声0-1二值映射矩阵NI，具体步骤如下：
步骤2.1：将含有脉冲噪声的图像分成s子块，s=mn/25/25；如果大小不够分块，以对称方式扩展边界，保证每个子块大小都为25×25；
步骤2.2：对每个子块的像素值进行排序，获得一个排序向量；
步骤2.3：对排序向量相邻的分量进行差分计算，得到差分向量；
步骤2.4：求差分向量前半分量的最大分量对应的排序向量分量，此分量即为下边界b1；
步骤2.5：求差分向量后半分量的最大分量对应的排序向量分量，此分量即为上边界b2；
步骤2.6：用255减每个子块中的每个像素值；
步骤2.7：采用步骤2.2至步骤2.5方法得到差分向量前半分量的最大分量对应的排序向量分量b5和差分向量后半分量的最大分量对应的排序向量分量b6；然后获得下边界b3和上边界b4：b3=255-b6，b4=255-b5；
步骤2.8：对每一个子块，b1和b3的最大值为子块的下边界b1，b2和b4的最小值为子块上边界b2；
步骤2.9：集中每个子块的下边界值进行投票，在s个值中，得票最多的边界值为噪声最终下边界b1，同理，得到噪声最终上边界b2；
步骤2.10：用b1和b2产生噪声0-1二值映射矩阵NI：
，i=1,2,…,m，j=1,2,…,n；
其中，1代表非噪声点，0代表噪声点；
步骤3：设R为恢复图像，其对应的噪声0-1二值映射矩阵NR，令R=I，NR=NI；
步骤4：初选3×3滤波窗口，进行3×3正斜双十字窗递归均值滤波；
步骤4.1：对于R中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
以上采用了开关滤波技术，即对噪声点(NI(i,j)=0)作均值滤波，非噪声点(NI(i,j)=1)保持不变；也采用了裁剪滤波技术，即只对Sij中为1的点(非噪声点)取均值，以下类同。
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤4.2：对于R1中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
以上采用递归滤波技术，即对前一次滤波结果R1再作均值滤波，以下类同；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤4.3：对于R2中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
其中，步骤4.1到步骤4.3中的mean表示取均值，i=1,2,…,m，j=1,2,…,n，以下皆同；
步骤4.4：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.5：如果，则算法结束，输出滤波结果，否则进行3×3斜十字窗口均值滤波；
步骤4.6：对于R中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤4.7：对于R1中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤4.8：对于R2中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获滤波结果R3；
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤4.9：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.10：如果，则算法结束，输出滤波结果；否则增大窗口，进行5×5双十字窗口均值滤波；
步骤5：进行5×5正斜双十字窗口递归均值滤波，具体步骤如下；
步骤5.1：对于R中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.2：对于R1中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.3：对于R2中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.4：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.5：如果，则算法结束，输出滤波结果，否则进行5×5斜十字窗口均值滤波；
步骤5.6：对于R中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.7：对于R1中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.8：对于R2中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.9：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.10：如果，则算法结束，输出滤波结果，否则增大窗口，进行7×7双十字窗口以上类似的交替均值滤波；
步骤6：在进行7×7双十字窗口以上类似的交替均值滤波后，如果，则输出滤波结果，否则转到步骤4.1进行迭代均值滤波。
本发明具有以下优点：
第一、本发明首次利用正斜双十字窗口将开关滤波、递归滤波、裁剪滤波、自使用滤波等技术有机融合，提高去噪性能。由于采用开关滤波，即仅对噪声点作均值滤波，而非噪声点保留，因此能避免细节模糊；
第二、由于采用递归滤波，即下一次滤波是针对上次滤波的结果进行，本发明中使用3次递归滤波的值取代噪声点的值，因此能提高去噪效果；
第三、由于采用裁剪滤波，即仅采用非噪声点值进行均值计算，故也能提高去噪效果；
第四、由于采用均值滤波非中值滤波，即对邻域中的非噪声点进行算术运算：求平均值，无排序操作，故也能降低复杂度，另外由于每次十字窗口滤波仅仅使用方形窗口中的部分像素，这也降低了计算复杂度，所以滤除噪声的运行时间短，运行速度快；
第五、从3×3窗口开始到由里到外推进，在每次滤波结束检查噪声点是否处理完，如果未处理完，逐渐增大窗口，一直到7×7窗口停止，形成自适应滤波，无需人为设置窗口大小。由于采用自适应滤波，即噪声点如果在小窗口未处理完，则逐渐增大窗口进行处理，保证用最近邻域的非噪声点的均值替代噪声点的值，故能有效提高细节的保持度;
第六、首次提出一种非常新颖的脉冲噪声检测方案：子块排序差分最大法和投票法确定噪声上下边界，然后用此上下边界判断脉冲噪声点，大幅度降低噪声检测误差，而且计算复杂度低；
第七、首次提出正斜双十字窗口交替均值滤波方法，正十字窗口的像素点是与中心点最近，先用正十字窗口均值滤波，不仅提高去噪效果，也能更好地保护图像边缘等细节；如果噪声还未处理完，再用斜十字窗口均值滤波，去噪效果更强。
附图说明
图1是本发明提供的自适应正斜双十字窗均值滤波的脉冲噪声消除方法的流程图；
图2是十字窗口示意图，其中图2(a)为3×3正十字窗，图2(b)为3×3斜十字窗，图2(c)为5×5正十字窗，图2(d)为5×5斜十字窗，图2(e)为7×7正十字窗，图2(f)为7×7斜十字窗；
图3是本发明提供的自适应正斜双十字窗均值滤波的脉冲噪声消除方法测试使用的自然图像及噪声图像，其中，图3(a)为原图像，图3(b)是采用背景技术中指出的噪声模型5对原图像加噪的图像，参数设置为：p=0.5，p1=0.4，p2=0.1，l1=10，l2=15；
图4是采用本发明提供的自适应正斜双十字窗均值滤波的脉冲噪声消除方法及对比方法对图3(b)的去噪结果图，其中图4(a)为本发明方法的去噪结果，图4(b)为BDND方法的去噪结果，图4(c)为SSMF方法的去噪结果，图4(d)为AMF方法的去噪结果；
图5是本发明方法、BDND方法、SSMF方法、AMF方法在Lena图像上的去噪结果PSNR/SSIM值和运行时间Time对比图表。
具体实施方式
本发明的核心是提出了一种自适应正斜双十字窗均值滤波的脉冲噪声消除方法。本发明不仅使用一种新颖的噪声检测方法较为准确检测噪声，而且十字滑动窗口计算速度较方形窗口快，通过两个十字相交向量退化和推进，依据噪声强度自动调整窗口大小来提高去噪效果。
下面结合附图对本发明的内容作进一步说明：
一种自适应正斜双十字窗均值滤波的脉冲噪声消除方法，如图1所示，包括如下步骤：
步骤1：输入大小为m×n，灰度级为0到L之间的含脉冲噪声图像I，其中L最大灰度级，常取255；
步骤2：采用子块排序差分最大法和投票法确定噪声上下边界，然后用此上下边界判断噪声，产生噪声0-1二值映射矩阵NI，具体步骤如下：
步骤2.1：将含有脉冲噪声的图像分成s子块，s=mn/25/25；如果大小不够分块，以对称方式扩展边界，保证每个子块大小都为25×25；
步骤2.2：对每个子块的像素值进行排序，获得一个排序向量；
步骤2.3：对排序向量相邻的分量进行差分计算，得到差分向量；
步骤2.4：求差分向量前半分量的最大分量对应的排序向量分量，此分量即为下边界b1；
步骤2.5：求差分向量后半分量的最大分量对应的排序向量分量，此分量即为上边界b2；
步骤2.6：用255减每个子块中的每个像素值；
步骤2.7：采用步骤2.2至步骤2.5方法得到差分向量前半分量的最大分量对应的排序向量分量b5和差分向量后半分量的最大分量对应的排序向量分量b6；然后获得下边界b3和上边界b4：b3=255-b6，b4=255-b5；
步骤2.8：对每一个子块，b1和b3的最大值为子块的下边界b1，b2和b4的最小值为子块上边界b2；
步骤2.9：集中每个子块的下边界值进行投票，在s个值中，得票最多的边界值为噪声最终下边界b1，同理，得到噪声最终上边界b2；
步骤2.10：用b1和b2产生噪声0-1二值映射矩阵NI：
，i=1,2,…,m，j=1,2,…,n；
其中，1代表非噪声点，0代表噪声点；
步骤3：设R为恢复图像，其对应的噪声0-1二值映射矩阵NR，令R=I，NR=NI；
步骤4：初选3×3滤波窗口，进行3×3正斜双十字窗递归均值滤波；
步骤4.1：对于R中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
；
以上采用了开关滤波技术，即对噪声点(NI(i,j)=0)作均值滤波，非噪声点(NI(i,j)=1)保持不变；也采用了裁剪滤波技术，即只对Sij中为1的点(非噪声点)取均值，以下类同。
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤4.2：对于R1中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
以上采用递归滤波技术，即对前一次滤波结果R1再作均值滤波，以下类同。
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤4.3：对于R2中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
其中，步骤4.1到步骤4.3中的mean表示取均值，i=1,2,…,m，j=1,2,…,n，以下皆同；
步骤4.4：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.5：如果，则算法结束，输出滤波结果，否则进行3×3斜十字窗口均值滤波；
步骤4.6：对于R中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤4.7：对于R1中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤4.8：对于R2中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获滤波结果R3；
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤4.9：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.10：如果，则算法结束，输出滤波结果；否则增大窗口，进行5×5双十字窗口均值滤波；
步骤5：进行5×5正斜双十字窗口递归均值滤波，具体步骤如下；
步骤5.1：对于R中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.2：对于R1中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.3：对于R2中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.4：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.5：如果，则算法结束，输出滤波结果，否则进行5×5斜十字窗口均值滤波；
步骤5.6：对于R中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.7：对于R1中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.8：对于R2中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.9：用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.10：如果，则算法结束，输出滤波结果，否则增大窗口，进行7×7双十字窗口以上类似的交替均值滤波；
步骤6：在进行7×7双十字窗口以上类似的交替均值滤波后，如果，则输出滤波结果，否则转到步骤4.1进行迭代均值滤波。
本发明的效果通过以下仿真进一步说明：
1、仿真环境及对比方法
本发明采用图3(a)所示的Lena图像作为测试图像，仿真在Intel(R)Core(TM)i5-4210UCPU1.7GHz和内存4GB笔记本上进行，操作系统为Windows7.0，软件平台为MATLAB2014A，对比方法有：排序开关中值滤波SSMF(HorngSJ,HsuLY,LiTR,etal.UsingSortedSwitchingMedianFiltertoremovehigh-densityimpulsenoise.JournalofVisualcommunicationandImageRepresentation,2013,24:956-967.)方法，边界区分噪声检测BDND(NgPE,MaKK.Aswitchingmedianfilterwithboundarydiscriminativenoisedetectionforextremelycorruptedimages.IEEETransactionsonImageProcessing,2006,15(6):1506-1516.)方法，自适应中值滤波AMF(HwangH,HaddadRA.Adaptivemedianfilters:newalgorithmsandresults.IEEEtransactionsonimageprocessing,1995,4(4):499-502.)方法。这三种方法都是较为优秀的去噪方法，在相应的文献中，它们的去噪效果优于传统的去噪方法。
对图3(a)所示的测试图分别加上5种噪声模型的噪声如图5所示。由于其它四种模型都是背景技术中指出的噪声模型5的特例，所以仅给出三种对比方法与本发明的方法在添加模型5噪声图像上的去噪结果如图4所示，其中对比方法的有关参数设置见相应的参考文献。
2、仿真结果
从图4可以看出，本发明方法的去噪效果见图4(a)优于其它三种方法，BDND方法由于噪声检测不准确以及单一的滤波方法原因导致去噪结果还存在大量的噪声见图4(b)，AMF方法去噪效果最差见图4(d)，而SSMF方法去噪效果虽然比BDND方法和AMF方法好，但效果不及本发明方法，仍然还存在白噪声点见图4(c)。
用峰值信噪比PSNR、结构相似度指数SSIM及运行时间Time作为四种方法的评价标准。由于脉冲噪声是一种随机噪声，每次去噪结果会不同，所以为公平起见，每种方法运行30次取PSNR、IEF和Time平均值见图5所示，其中PSNR单位为分贝(dB)，Time单位为秒(s)。其中，从图5的第3行到第7行是噪声模型1的测试结果，第8行至第10行是噪声模型2的测试结果，第11行至第14行是噪声模型3的测试结果，第15行至第16行是噪声模型4的测试结果，第17行至第20行是噪声模型5的测试结果。最后一行，即第21行是18种情况的平均值。从图5可以看出：不管是哪一种模型，无论是PSNR，还是SSIM，本发明方法都大幅度高于BDND方法、SSMF方法和AMF方法，如PSNR，本发明的平均值是34.1087见图5最后一行，BDND、SSMF和AMF方法分别是23.1961、31.2181和15.544。平均运行时间稍逊于SSMF方法运行时间，几乎相当，少于AMF方法的运行时间，大幅度少于BDND方法运行时间，本发明方法的平均运行时间是0.1958秒，而SSMF是0.18秒，AMF方法是0.2653秒，BDND是4.9176秒见图5最后一行，这是因为BDND方法在进行噪声检测时需要对每个像素进行两次噪声边界寻找，第一次采用21×21大窗口寻找得到粗边界，第二次用3×3的小窗口寻找得到精确边界，这需要耗费大量的时间，而且随着处理图像的大小变化较大，即图像越大所花费的时间越大，而本发明的运行时间随图像大小变化较小。

Claims (4)

1.一种自适应正斜双十字窗均值滤波的脉冲噪声消除方法，其特征在于，包括如下步骤：
步骤1）输入大小为m×n，灰度级为0到L之间的含有脉冲噪声图像I，其中L为最大灰度级，常取255；
步骤2）采用子块排序差分最大法和投票法确定脉冲噪声上下边界，然后用此上下边界判断噪声像素点，产生噪声0-1二值映射矩阵NI；
步骤3）设R为恢复图像，其对应的噪声0-1二值映射矩阵NR，令R=I，NR=NI；
步骤4）进行3×3正斜双十字窗递归均值滤波，如果噪声已处理完，则去噪结束，输出滤波结果；
步骤5）进行5×5正斜双十字窗递归均值滤波，如果噪声已处理完，则去噪结束，输出滤波结果；
步骤6）进行7×7正斜双十字窗口以上类似的递归均值滤波，在进行7×7双十字窗口以上类似的递归均值滤波后，如果噪声已处理完，则去噪结束，输出滤波结果，否则转到步骤4）进行迭代均值滤波。
2.根据权利要求1所述的自适应正斜双十字窗均值滤波的脉冲噪声消除方法，其特征在于，步骤2）所述的采用子块排序差分最大法和投票法确定噪声上下边界，然后用此上下边界判断噪声，产生噪声0-1二值映射矩阵NI，按如下步骤进行：
步骤2.1）将含有脉冲噪声的图像分成s个子块，s=mn/25/25；如果图像大小不够分块，以对称方式扩展图像边界，以便保证每个子块大小为25×25；
步骤2.2）对子块中的每个像素值进行排序，获得一个排序向量；
步骤2.3）对排序向量相邻的分量两两进行差分计算，得到差分向量；
步骤2.4）求差分向量前半分量的最大分量对应的排序向量分量，此分量即为下边界b1；
步骤2.5）求差分向量后半分量的最大分量对应的排序向量分量，此分量即为上边界b2；
步骤2.6）用255减每个子块中的每个像素值；
步骤2.7）采用步骤2.2至步骤2.5方法得到其差分向量前半分量的最大分量对应的排序向量分量b5和差分向量后半分量的最大分量对应的排序向量分量b6；然后获得下边界b3和上边界b4：b3=255-b6，b4=255-b5；
步骤2.8）对每一个子块，b1和b3的最大值为子块的下边界b1，b2和b4的最小值为子块上边界b2；
步骤2.9）集中每个子块的下边界值进行投票，在s个值中，得票最多的边界值为噪声最终下边界b1，同理，得到噪声最终上边界b2；
步骤2.10）用b1和b2产生噪声0-1二值映射矩阵NI：
，i=1,2,…,m，j=1,2,…,n；
其中，1代表非噪声点，0代表噪声点。
3.根据权利要求1所述的自适应正斜双十字窗均值滤波的脉冲噪声消除方法，其特征在于，步骤4）所述的采用3×3正斜双十字窗口递归均值滤波，按如下步骤进行：
步骤4.1）对于R中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R1，算法结束，输出滤波结果；
步骤4.2）对于R1中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R2，算法结束，输出滤波结果；
步骤4.3）对于R2中的每一个像素(i,j)，采用3×3正十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤4.4）用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.5）如果，则算法结束，输出滤波结果，否则进行3×3斜十字窗口均值滤波；
步骤4.6）对于R中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R1，算法结束，输出滤波结果；
步骤4.7）对于R1中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤4.8）对于R2中的每一个像素(i,j)，采用3×3斜十字窗口均值滤波，其窗口对应的点为：，获滤波结果R3；
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤4.9）用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤4.10）)如果，则算法结束，输出滤波结果；
所述步骤4.1）、步骤4.2）、步骤4.3）、步骤4.6）、步骤4.7）、步骤4.8）中的mean表示取均值，i=1，2，…，m，j=1，2，…，n。
4.根据权利要求1所述的自适应正斜双十字窗均值滤波的脉冲噪声消除方法，其特征在于，步骤5）所述的采用5×5正斜双十字窗口递归均值滤波，按如下步骤进行：
步骤5.1）对于R中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.2）对于R1中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，则R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.3）对于R2中的每一个像素(i,j)，采用5×5正十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.4）用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.5）如果，则算法结束，输出滤波结果，否则进行5×5斜十字窗口均值滤波；
步骤5.6）对于R中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
获得滤波结果R1：
；
如果Sij为零矩阵，则R1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R1，算法结束，输出滤波结果；
步骤5.7）对于R1中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R2：
；
如果Sij为零矩阵，R2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R2，算法结束，输出滤波结果；
步骤5.8）对于R2中的每一个像素(i,j)，采用5×5斜十字窗口均值滤波，其窗口对应的点为：
，获得滤波结果R3：
；
如果Sij为零矩阵，则R3(i,j)=0；
步骤5.9）用R3替换R，更新NR和NI，即：
，，NI=NR；
步骤5.10）如果，则算法结束，输出滤波结果；
所述步骤5.1）、步骤5.2）、步骤5.3）、步骤5.6）、步骤5.7）、步骤5.8）中的mean表示取均值，i=1，2，…，m，j=1，2，…，n。
CN201610058093.2A 2016-01-28 2016-01-28 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 Active CN105590301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610058093.2A CN105590301B (zh) 2016-01-28 2016-01-28 自适应正斜双十字窗均值滤波的脉冲噪声消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610058093.2A CN105590301B (zh) 2016-01-28 2016-01-28 自适应正斜双十字窗均值滤波的脉冲噪声消除方法

Publications (2)

Publication Number Publication Date
CN105590301A true CN105590301A (zh) 2016-05-18
CN105590301B CN105590301B (zh) 2018-10-12

Family

ID=55929861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610058093.2A Active CN105590301B (zh) 2016-01-28 2016-01-28 自适应正斜双十字窗均值滤波的脉冲噪声消除方法

Country Status (1)

Country Link
CN (1) CN105590301B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103327A (zh) * 2017-05-26 2017-08-29 中国科学院信息工程研究所 一种基于颜色统计差异的染色伪造图像检测方法
CN107199853A (zh) * 2017-05-24 2017-09-26 刘琨 车窗挡风设备自控方法
CN108961255A (zh) * 2018-06-28 2018-12-07 西安电子科技大学 基于相位线性度和功率的海陆噪声场景分割方法
CN110956737A (zh) * 2020-01-07 2020-04-03 武汉卓目科技有限公司 一种安全线识别方法和装置
CN112785513A (zh) * 2020-08-25 2021-05-11 青岛经济技术开发区海尔热水器有限公司 一种用于过滤脉冲噪声的自适应中值滤波方法
CN113096026A (zh) * 2021-02-26 2021-07-09 梅卡曼德（北京）机器人科技有限公司 图像处理方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930538A (zh) * 2012-10-25 2013-02-13 河南师范大学 高斯势与空间直方图融合的自适应图像分割方法
CN103679732A (zh) * 2013-12-12 2014-03-26 西安建筑科技大学 基于噪声检测的高密度脉冲噪声自适应滤波算法
CN104751426A (zh) * 2015-04-09 2015-07-01 西安电子科技大学 基于三维块匹配变换去除高密度脉冲噪声的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930538A (zh) * 2012-10-25 2013-02-13 河南师范大学 高斯势与空间直方图融合的自适应图像分割方法
CN103679732A (zh) * 2013-12-12 2014-03-26 西安建筑科技大学 基于噪声检测的高密度脉冲噪声自适应滤波算法
CN104751426A (zh) * 2015-04-09 2015-07-01 西安电子科技大学 基于三维块匹配变换去除高密度脉冲噪声的方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107199853A (zh) * 2017-05-24 2017-09-26 刘琨 车窗挡风设备自控方法
CN107103327A (zh) * 2017-05-26 2017-08-29 中国科学院信息工程研究所 一种基于颜色统计差异的染色伪造图像检测方法
CN107103327B (zh) * 2017-05-26 2020-10-16 中国科学院信息工程研究所 一种基于颜色统计差异的染色伪造图像检测方法
CN108961255A (zh) * 2018-06-28 2018-12-07 西安电子科技大学 基于相位线性度和功率的海陆噪声场景分割方法
CN108961255B (zh) * 2018-06-28 2021-09-28 西安电子科技大学 基于相位线性度和功率的海陆噪声场景分割方法
CN110956737A (zh) * 2020-01-07 2020-04-03 武汉卓目科技有限公司 一种安全线识别方法和装置
CN110956737B (zh) * 2020-01-07 2021-10-12 武汉卓目科技有限公司 一种安全线识别方法和装置
CN112785513A (zh) * 2020-08-25 2021-05-11 青岛经济技术开发区海尔热水器有限公司 一种用于过滤脉冲噪声的自适应中值滤波方法
CN112785513B (zh) * 2020-08-25 2023-04-18 青岛经济技术开发区海尔热水器有限公司 一种用于过滤脉冲噪声的自适应中值滤波方法
CN113096026A (zh) * 2021-02-26 2021-07-09 梅卡曼德（北京）机器人科技有限公司 图像处理方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN105590301B (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN113065558B (zh) 一种结合注意力机制的轻量级小目标检测方法
CN105590301A (zh) 自适应正斜双十字窗均值滤波的脉冲噪声消除方法
CN110503613B (zh) 基于级联空洞卷积神经网络的面向单幅图像去雨方法
CN103049892B (zh) 基于相似块矩阵秩最小化的非局部图像去噪方法
CN111209952A (zh) 基于改进ssd和迁移学习的水下目标检测方法
CN105760859A (zh) 基于多任务卷积神经网络的网纹人脸图像识别方法及装置
CN102567973B (zh) 基于改进的形状自适应窗口的图像去噪方法
Chen et al. Remote sensing image quality evaluation based on deep support value learning networks
CN109360179B (zh) 一种图像融合方法、装置及可读存储介质
Horng et al. Using sorted switching median filter to remove high-density impulse noises
CN110148088B (zh) 图像处理方法、图像去雨方法、装置、终端及介质
CN112712546A (zh) 一种基于孪生神经网络的目标跟踪方法
CN111524117A (zh) 一种基于特征金字塔网络的隧道表面缺陷检测方法
CN103208097A (zh) 图像多方向形态结构分组的主分量分析协同滤波方法
Li et al. Densely connected network for impulse noise removal
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN111462090A (zh) 一种多尺度图像目标检测方法
CN112270259A (zh) 基于轻量级卷积神经网络的sar图像舰船目标快速检测方法
CN113361466A (zh) 一种基于多模态交叉指导学习的多光谱目标检测方法
CN102750675B (zh) 一种斑点噪声污染图像的非局部均值滤波方法
CN112926429A (zh) 机审模型训练、视频机审方法、装置、设备及存储介质
CN102750700A (zh) 一种结合邻域信息的快速鲁棒模糊c均值图像分割方法
CN116206214A (zh) 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质
CN105023264A (zh) 一种结合对象性和背景性的红外图像显著特征检测方法
CN105719257B (zh) 图像超高密度椒盐噪声的降除方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant