CN105787890B - 自适应等距模板迭代均值滤波的图像去噪方法 - Google Patents

自适应等距模板迭代均值滤波的图像去噪方法 Download PDF

Info

Publication number
CN105787890B
CN105787890B CN201610058092.8A CN201610058092A CN105787890B CN 105787890 B CN105787890 B CN 105787890B CN 201610058092 A CN201610058092 A CN 201610058092A CN 105787890 B CN105787890 B CN 105787890B
Authority
CN
China
Prior art keywords
mean
template
filter
equidistant
noise
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.)
Active
Application number
CN201610058092.8A
Other languages
English (en)
Other versions
CN105787890A (zh
Inventor
张新明
张贝
孙剑斐
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 CN201610058092.8A priority Critical patent/CN105787890B/zh
Publication of CN105787890A publication Critical patent/CN105787890A/zh
Application granted granted Critical
Publication of CN105787890B publication Critical patent/CN105787890B/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

Landscapes

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

Abstract

本发明公开了一种自适应等距模板迭代均值滤波的图像去噪方法，主要解决现有的自适应方法去噪效果差、恢复质量不高等问题。实现步骤为：(1)用极值法判断噪声点；(2)以滤波窗口四边上中点为起始点进行滑动旋转，四角点为终点，取窗口四边对称的8个点构建等值模板(窗口上的四个中点和四个角点为8值模板特例)，并以此顺序形成第一等值模板、第二等值模板……，以此等值模板进行递归裁剪均值滤波；(3)从3×3开始在每次滤波结束检查噪声点是否处理完，如果未处理完，增大窗口，一直到7×7停止，形成自适应滤波。(4)如果噪声点还未处理完，采用迭代滤波。本发明具有在有效处理噪声的同时能很好保持图像细节、有用信息利用率高和去噪速度快的优点。

Description

自适应等距模板迭代均值滤波的图像去噪方法
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、工农业、医学，天文等领域的数字图像处理的自适应等距模板迭代均值滤波的图像去噪方法。
背景技术
图像在景物成像、空间采样和量化等过程中经常受外界各种噪声干扰，使图像质量下降。而图像噪声是影响人眼观察最直接、最有害和最关键的问题。为尽可能减小噪声影响，对噪声污染的图像必须进行去噪处理。图像去噪遵循的规则是在去除噪声的同时尽可能多地保护图像边缘等细节信息，使得图像更加真实再现目标场景。传统中值滤波和均值滤波的去噪方法虽然简单易于使用，但在抑制图像噪声的同时，往往损失了图像的细节信息，使去噪后的图像模糊。近年来，许多学者对中值滤波和均值滤波进行了改进，提出了一些改进算法如开关滤波算法、自适应滤波算法、裁剪滤波算法、方向滤波算法、方向加权滤波算法、模糊滤波算法；开关滤波算法利用阈值划分噪声与非噪声点，对噪声点进行滤波，而非噪声点不变，这能有效地避免传统滤波算法带来的图像模糊问题；自适应开关滤波算法依据噪声密度来调整窗口大小的自适应开关滤波；方向加权滤波算法是一类保护边缘的滤波算法，它采用方向加权卷积检测和滤除噪声；模糊开关滤波算法是一类采用模糊理论来修正噪声的方法。这些改进的算法提高除去椒盐噪声的效果，但总体上说，这些方法存在几个问题：一是在算法中使用过多的参数，而且有些参数的值与图像内容有关，不利于图像的自动处理；二是计算时间较长，不能满足图像处理的实时要求；三是对噪声污染严重的图像，去噪效果差，恢复图像的质量不能得到保证，容易丢失原始图像中过多的细节。
发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种自适应等距模板迭代均值滤波的图像去噪方法。本发明提出了一种新型的滤波模板，按与中心点的位置近远顺序进行滤波，并将开关滤波、裁剪滤波、自适应滤波等技术进行有机融合，在处理噪声的同时能很好保持图像细节，且充分利用了污染图像的有用信息，提高了去噪效率。
本发明的目的是这样实现的：
一种自适应等距模板迭代均值滤波的图像去噪方法，包括如下步骤：
步骤1）：输入大小为m×n，灰度级为0到L之间的噪声图像I，其中L为最大灰度级，常取255；
步骤2）：由于椒盐噪声常取两种极值：最小值0和最大值L，故采用极值方法判断噪声，产生噪声0-1二值映射矩阵N I ：
，i=1, 2, …, m，j=1, 2, …, n；
步骤3）：设R为恢复图像，其对应的噪声0-1二值映射矩阵N R ，令R=I，N R =N I ，并设初始滤波窗口为3×3；
步骤4）：3×3第一等距模板递归均值滤波；
步骤4.1）：对于R中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，3×3第一等距模板对应的点为：，获得滤波结果R 1：
；
以上采用了开关滤波技术，即对噪声点(N I (i,j)=0)作均值滤波，非噪声点(N I (i,j)=1)保持不变；也采用了裁剪滤波技术，即只对S ij 中为1的点(非噪声点)取均值，以下类同。
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R 1，算法结束，输出滤波结果；
步骤4.2）：对于R 1中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
以上采用递归滤波技术，即对前一次滤波结果R 1再作均值滤波，以下类同。
如果S ij 为零矩阵，则R 2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 2，算法结束，输出滤波结果；
步骤4.3）：对于R 2中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(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R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤4.5）：如果，则算法结束，输出滤波结果R。
步骤5）：采用3×3第二等距模板递归均值滤波，具体步骤如下：
步骤5.1）：对于R中的每一个像素(i,j)，采用3×3第二等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤5.2）：对于R 1中的每一个像素(i,j)，采用3×3第二等距模板均值滤波，3×3第二等距模板对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤5.3）：用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤5.4）：如果，则算法结束，输出去噪结果，否则增大窗口为5×5，均值滤波；
步骤6）：采用5×5第一等距模板递归均值滤波，具体步骤如下：
步骤6.1）：对于R中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，5×5第一等距模板对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤6.2）：对于R 1中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 2，算法结束，输出滤波结果；
步骤6.3）：对于R 2中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(i,j)=0；
步骤6.4）：用R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤6.5）：如果，则算法结束，输出滤波结果。
步骤7）：采用5×5第二等距模板递归均值滤波，具体步骤如下：
步骤7.1）：对于R中的每一个像素(i,j)，用5×5第二等距模板均值滤波，其对应的点为：
，获得滤波结果R 1
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤7.2）：对于R 1中的每一个像素(i,j)，采用5×5第二等距均值滤波，其对应的点为：
，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤7.3）：用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤7.4）：如果，则算法结束，输出滤波结果。
步骤8）：采用5×5第三等距模板递归均值滤波，具体步骤如下：
步骤8.1）：对于R中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0；其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤8.2）：对于R 1中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，5×5第三等距模板对应的点为：
，获滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤8.3）：用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤8.4）：如果，则算法结束，输出去噪结果，否则增大窗口为7×7，进行如上所述的7×7第一等距模板递归均值滤波，7×7第二等距模板递归均值滤波，7×7第三等距模板递归均值滤波，7×7第四等距模板递归均值滤波；如果噪声点已处理完，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、本发明首次提出等距模板，并在此模板上将开关滤波、递归滤波、裁剪滤波和自适应滤波等技术有机结合，去噪性能大幅度提高。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，故能避免细节模糊；
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。并采用等值模板，所谓等值模板就是由处理窗口中与中心点距离相同的像素点构成的模板。对于第一等值模板，使用3次递归滤波的值取代噪声点的值，对于其它等值模板，由于模板上的像素离中心较远，故使用2次递归滤波的值取代噪声点的值，所以能提高去噪效果和降低计算成本；
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，故既能提高去噪效果，又能降低计算复杂度；
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，无排序操作，故能降低复杂度，另外由于每次滤波仅仅使用最多9个像素而不是采用整个窗口中像素点，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、本发明按与中心点的位置近远顺序进行滤波，在处理噪声的同时能很好保持图像细节，而且从3×3窗口开始到由里到外推进，充分利用了未污染图像的像素信息，反复多次递归滤波，提高了去噪效率。
附图说明
图1是本发明提供的自适应等距模板迭代均值滤波的图像去噪方法的流程图。
图2是本发明提供的自适应等距模板迭代均值滤波的图像去噪方法中采用的等距模板和测试使用的自然图像，其中图2(a)为3×3第一等距窗口(见黑实心点)和第二等距窗口(见叉号的圆圈)，图2(b)为5×5第一等距窗口(见黑实心点)、第二等距窗口(见叉号的圆圈)和第三等距窗口(见三角符号)，图2(c)为7×7第一等距窗口(见黑实心点)、第二等距窗口(见叉号的圆圈)、第三等距窗口(见三角符号)和第四等距窗口(见Θ号)，图2(d)为测试使用的自然图像。
图3是本发明提供的自适应等距模板迭代均值滤波的图像去噪方法测试使用的添加了噪声的图像，其中，图3(a)对图2(d)添加了强度为0.1的椒盐噪声图像，图3(b)对图2(d)添加了强度为0.5的椒盐噪声图像，图3(c)对图2(d)添加了强度为0.9的椒盐噪声图像。
图4是采用本发明提供的自适应等距模板迭代均值滤波的图像去噪方法得到的去噪结果图，其中图4(a)是对图3(a)的去噪结果，图4(b)是对图3(b)的去噪结果，图4(c)是对图3(c)的去噪结果。
图5是DBCWMF方法、EAMF方法、SMMF2方法、ASMF方法及本发明方法在图2(d)图像上的去噪结果PSNR/IEF值对比图表。
具体实施方式
本发明的核心是提出了一种采用新型的滤波模板，按与中心点的位置近远顺序进行滤波，并将开关滤波、裁剪滤波、自适应滤波等技术进行有机融合，在处理噪声的同时能很好保持图像细节，且充分利用了污染图像的有用信息，提高了去噪效率的自适应等距模板迭代均值滤波的图像去噪方法。
下面结合附图对本发明的内容作进一步说明：
一种自适应等距模板迭代均值滤波的图像去噪方法，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之间的噪声图像I，其中L为最大灰度级，常取255；
步骤2）：由于椒盐噪声常取两种极值：最小值0和最大值L，故采用极值方法判断噪声，产生噪声0-1二值映射矩阵N I ：
，i=1, 2, …, m，j=1, 2, …, n；
步骤3）：设R为恢复图像，其对应的噪声0-1二值映射矩阵N R ，令R=I，N R =N I ，并设初始窗口为3×3；
步骤4）：3×3第一等距模板递归均值滤波；
步骤4.1）：对于R中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，3×3第一等距模板对应的点为：，获得滤波结果R 1：
；
以上采用了开关滤波技术，即对噪声点(N I (i,j)=0)作均值滤波，非噪声点(N I (i,j)=1)保持不变；也采用了裁剪滤波技术，即只对S ij 中为1的点(非噪声点)取均值，以下类同。
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤4.2）：对于R 1中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
以上采用递归滤波技术，即对前一次滤波结果R 1再作均值滤波，以下类同。
如果S ij 为零矩阵，则R 2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 2，算法结束，输出滤波结果；
步骤4.3）：对于R 2中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(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R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤4.5）：如果，则算法结束，输出滤波结果R。
步骤5）：采用3×3第二等距模板递归均值滤波，具体步骤如下：
步骤5.1）：对于R中的每一个像素(i,j)，采用3×3第二等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤5.2）：对于R 1中的每一个像素(i,j)，采用3×3第二等距模板均值滤波，3×3第二等距模板对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤5.3）：用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤5.4）：如果，则算法结束，输出去噪结果，否则增大窗口为5×5，均值滤波；
步骤6）：采用5×5第一等距模板递归均值滤波，具体步骤如下：
步骤6.1）：对于R中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，5×5第一等距模板对应的点为：，获得滤波结果R 1：
如果S ij 为零矩阵，则R 1(i,j)=0；其噪声0-1二值映射矩阵为：
如果，则R=R 1，算法结束，输出滤波结果；
步骤6.2）：对于R 1中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R 2，算法结束，输出滤波结果；
步骤6.3）：对于R 2中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(i,j)=0；
步骤6.4）：用R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤6.5）：如果，则算法结束，输出滤波结果。
步骤7）：采用5×5第二等距模板递归均值滤波，具体步骤如下：
步骤7.1）：对于R中的每一个像素(i,j)，用5×5第二等距模板均值滤波，其对应的点为：
，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤7.2）：对于R 1中的每一个像素(i,j)，采用5×5第二等距均值滤波，其对应的点为：
，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤7.3）：用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤7.4）：如果，则算法结束，输出滤波结果；
步骤8）：采用5×5第三等距模板递归均值滤波，具体步骤如下：
步骤8.1）：对于R中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤8.2）：对于R 1中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，5×5第三等距模板对应的点为：
，获滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤8.3）：用R 2替换R，并更新N I 和N R ，，即：
，，N I =N R ；
步骤8.4）：如果，则算法结束，输出去噪结果；
步骤9）增大窗口为7×7，进行如上所述的7×7第一等距模板递归均值滤波3次，7×7第二等距模板递归均值滤波2次，7×7第三等距模板递归均值滤波2次，7×7第四等距模板递归均值滤波2次；如果噪声点已处理完，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2(d)所示的图像作为测试图像，仿真在Intel(R) Core(TM)i5-4210U CPU@1.7GHz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：①决策耦合窗的中值滤波DBCWMF(Bhadouria V S, Ghoshal D,Siddiqi A H. A new approach for high density saturated impulse noise removalusing decision-based coupled window median filter. Signal Image and VideoProcessing, 2014, 8:71-84.)方法，②有效自适应均值滤波EAMF(Ramadan Zayed M.Efficient restoration method for images corrupted with impulse noise,Circuits System, Singnal Processing, 2012, 31: 1397-1406.)方法，③开关中值-均值滤波SMMF2 (Zhang C B, Wang K F. A switching median-mean filter for removalof high-density impulse noise from digital images. Optik, 2015, 126:956-961.)方法、④自适应均值滤波ASMF(Kaliraj G, Baskar S. An efficient approach for theremoval of impulse noise from the corrupted image using neural network basedimpulse noise. Image and Vision Computing, 2010, 28:458-466.)方法。这四种方法都是比较优秀的去噪方法，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2(d)所示的测试图分别加上9种噪声强度，即从0.1至0.9如图5所示，本发明的方法去噪结果如图4所示。
用峰值信噪比PSNR及图像增强因子IEF作为去噪效果的评价标准，由于椒盐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和IEF平均结果见图5所示，其中PSNR的单位是分贝(dB)。图5中，最后一行是前9种结果的平均值，以便从整体上查看各种方法的优劣。另外，对比方法的参数设置见相应的参考文献。
2、仿真结果
从图4可以看出，本发明方法能够有效抑制图像噪声，并且图像细节的保持度比较高。
从图5可以看出本发明方法无论从PSNR还是IEF在9种噪声强度情况下都能获得最高值，PSNR和IEF越高，表示去噪效果和细节保持度越好；如在噪声强度为0.9的情况下，本发明方法的PSNR和IEF分别是24.3005和68.6865，高于其它四种方法的PSNR和IEF；另外从整体情况看见图5最后一行，本发明方法的PSNR和IEF都大幅度领先四种对比方法，这说明本发明方法去噪效果好。

Claims (5)

1.一种自适应等距模板迭代均值滤波的图像去噪方法，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之间的噪声图像I，其中L为最大灰度级，常取255；
步骤2）由于椒盐噪声常取两种极值：最小值0和最大值L，故采用极值方法判断噪声，产生噪声0-1二值映射矩阵N I ：
，i=1, 2, …, m，j=1, 2, …, n；
其中，1代表非噪声像素点，0代表噪声像素点；
步骤3）设R为恢复图像，其对应的噪声0-1二值映射矩阵N R ；令R=I，N R =N I ，并设初始滤波窗口为3×3；
步骤4）3×3第一等距模板递归均值滤波3次，每次滤波结束，检查噪声点是否处理完；如果处理完，则去噪结束，输出去噪结果；
步骤5）3×3第二等距模板递归均值滤波2次，每次滤波结束，检查噪声点是否处理完；如果处理完，则去噪结束，输出去噪结果；
步骤6）5×5第一等距模板递归均值滤波3次，每次滤波结束，检查噪声点是否处理完；如果处理完，则去噪结束，输出去噪结果；
步骤7）5×5第二等距模板递归均值滤波2次，每次滤波结束，检查噪声点是否处理完；如果处理完，则去噪结束，输出去噪结果；
步骤8）5×5第三等距模板递归均值滤波2次，每次滤波结束，检查噪声点是否处理完；如果处理完，则去噪结束，输出去噪结果；
步骤9）增大窗口为7×7，进行7×7第一等距模板递归均值滤波3次，7×7第二等距模板递归均值滤波2次，7×7第三等距模板递归均值滤波2次，7×7第四等距模板递归均值滤波2次；如果噪声点已处理完，则输出滤波结果，否则转到步骤4进行迭代均值滤波；
步骤4）所述的3×3第一等距模板递归均值滤波3次，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第一等距模板均值滤波，3×3第一等距模板对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，R 1对应的噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法终止，输出滤波结果；
步骤4.2）对于R 1中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0，R 2对应的噪声0-1二值映射矩阵为：
；
如果，则R=R 2，算法终止，输出滤波结果；
步骤4.3）对于R 2中的每一个像素(i,j)，采用3×3第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(i,j)=0；
步骤4.4）用R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤4.5）如果，则算法结束，输出滤波结果R；
所述步骤4.1）、步骤4.2）、步骤4.3）中的mean表示取均值，i=1，2，…， m，j=1，2，…，n。
2.根据权利要求1所述的自适应等距模板迭代均值滤波的图像去噪方法，其特征在于，步骤5）所述的3×3第二等距模板均值滤波2次，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3×3第二等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R 1，算法结束，输出滤波结果；
步骤5.2）对于R 1中的每一个像素(i,j)，采用3×3第二等距模板均值滤波，3×3第二等距模板对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤5.3）用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤5.4）如果，则算法结束，输出去噪结果；
所述步骤5.1）、步骤5.2）中的mean表示取均值，i=1， 2，…， m，j=1， 2，…，n。
3.根据权利要求1所述的自适应等距模板迭代均值滤波的图像去噪方法，其特征在于，步骤6）所述的5×5第一等距模板递归均值滤波3次，按如下步骤进行：
步骤6.1）对于R中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，5×5第一等距模板对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 1，算法结束，输出滤波结果；
步骤6.2）对于R 1中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0，其噪声0-1二值映射矩阵为：
；
如果，则R=R 2，算法结束，输出滤波结果；
步骤6.3）对于R 2中的每一个像素(i,j)，采用5×5第一等距模板均值滤波，其对应的点为：，获得滤波结果R 3：
；
如果S ij 为零矩阵，则R 3(i,j)=0；
步骤6.4）用R 3替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤6.5）如果，则算法结束，输出滤波结果；
所述步骤6.1）、步骤6.2）、步骤6.3）中的mean表示取均值，i=1， 2，…， m，j=1， 2，…，n。
4.根据权利要求1所述的自适应等距模板迭代均值滤波的图像去噪方法，其特征在于，步骤7）所述的5×5第二等距模板均值滤波2次，按如下步骤进行：
步骤7.1）对于R中的每一个像素(i,j)，采用5×5第二等距模板均值滤波，其对应的点为：
，获得滤波结果R 1：
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R 1，算法结束，输出滤波结果；
步骤7.2）对于R 1中的每一个像素(i,j)，采用5×5第二等距均值滤波，其对应的点为：
，获得滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤7.3）用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤7.4）如果，则算法结束，输出滤波结果；
所述步骤7.1）、步骤7.2）中的mean表示取均值，i=1，2，…， m，j=1， 2，…，n。
5.根据权利要求1所述的自适应等距模板迭代均值滤波的图像去噪方法，其特征在于，步骤8）所述的5×5第三等距模板递归均值滤波2次，按如下步骤进行：
步骤8.1）对于R中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，其对应的点为：，获得滤波结果R 1：
；
如果S ij 为零矩阵，则R 1(i,j)=0，其噪声0-1二值映射矩阵为：
如果，则R=R 1，算法结束，输出滤波结果；
步骤8.2）对于R 1中的每一个像素(i,j)，采用5×5第三等距模板均值滤波，5×5第三等距模板对应的点为：
，获滤波结果R 2：
；
如果S ij 为零矩阵，则R 2(i,j)=0；
步骤8.3）用R 2替换R，并更新N I 和N R ，即：
，，N I =N R ；
步骤8.4）如果，则算法结束，输出去噪结果；
所述步骤8.1）、步骤8.2）中的mean表示取均值，i=1，2，…， m，j=1， 2，…，n。
CN201610058092.8A 2016-01-28 2016-01-28 自适应等距模板迭代均值滤波的图像去噪方法 Active CN105787890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610058092.8A CN105787890B (zh) 2016-01-28 2016-01-28 自适应等距模板迭代均值滤波的图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610058092.8A CN105787890B (zh) 2016-01-28 2016-01-28 自适应等距模板迭代均值滤波的图像去噪方法

Publications (2)

Publication Number Publication Date
CN105787890A CN105787890A (zh) 2016-07-20
CN105787890B true CN105787890B (zh) 2018-10-12

Family

ID=56402582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610058092.8A Active CN105787890B (zh) 2016-01-28 2016-01-28 自适应等距模板迭代均值滤波的图像去噪方法

Country Status (1)

Country Link
CN (1) CN105787890B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255771B (zh) * 2018-08-22 2021-02-19 广州兴森快捷电路科技有限公司 图像滤波方法及装置
CN111207830B (zh) * 2020-02-20 2022-10-21 苏州沓来软件科技有限公司 一种低失真的光谱降噪滤波方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102256048A (zh) * 2011-07-19 2011-11-23 南京信息工程大学 一种自适应密度的图像椒盐噪声开关滤波方法
CN103761707A (zh) * 2013-12-20 2014-04-30 浙江大学 一种快速高效去除图像椒盐噪声的均值滤波方法
CN104809701A (zh) * 2015-04-16 2015-07-29 南京航空航天大学 一种基于迭代开关中均值的图像椒盐噪声去除方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102256048A (zh) * 2011-07-19 2011-11-23 南京信息工程大学 一种自适应密度的图像椒盐噪声开关滤波方法
CN103761707A (zh) * 2013-12-20 2014-04-30 浙江大学 一种快速高效去除图像椒盐噪声的均值滤波方法
CN104809701A (zh) * 2015-04-16 2015-07-29 南京航空航天大学 一种基于迭代开关中均值的图像椒盐噪声去除方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于十字滑动窗口的快速自适应图像中值滤波;张新明 等;《计算机工程与应用》;20070930;第43卷(第27期);37-39 *
改进的邻域均值滤波去噪算法研究;牛秀琴;《长治学院学报》;20120430;第29卷(第2期);4-8 *

Also Published As

Publication number Publication date
CN105787890A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
US11263434B2 (en) Fast side-face interference resistant face detection method
Kim et al. Median filtered image restoration and anti-forensics using adversarial networks
CN109035163B (zh) 一种基于深度学习的自适应图像去噪方法
Chen et al. Median filtering forensics based on convolutional neural networks
WO2018214671A1 (zh) 一种失真图像的去失真方法、装置及电子设备
JP2022548712A (ja) フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法
CN111062880A (zh) 一种基于条件生成对抗网络的水下图像实时增强方法
CN106910170B (zh) 一种图像椒盐噪声的去除方法
CN112419163B (zh) 一种基于先验知识和深度学习的单张图像弱监督去雾方法
CN105787890B (zh) 自适应等距模板迭代均值滤波的图像去噪方法
CN110503608B (zh) 基于多视角的卷积神经网络的图像去噪方法
Xiong et al. An efficient underwater image enhancement model with extensive Beer-Lambert law
Hasoon et al. Image enhancement using nonlinear filtering based neural network
CN118172290B (zh) 一种基于多级自适应CNN与混合Transformer的唐卡图像修复方法、系统及存储介质
CN117649606A (zh) 一种基于本征表示模型的高光谱图像阴影去除方法与系统
CN115660998A (zh) 基于深度学习和传统先验知识融合的图像去雾方法
CN106023097B (zh) 一种基于迭代法的流场图像预处理方法
CN105719257B (zh) 图像超高密度椒盐噪声的降除方法
CN105719258B (zh) 最小十字窗中值与均值迭代滤波的图像噪声滤除方法
CN113554568A (zh) 一种基于自监督约束和不成对数据的无监督循环去雨网络方法
Shetter et al. Image de-noising algorithm based on filtering and histogram equalization
Zhang et al. Noise reduction using genetic algorithm based PCNN method
CN111738274A (zh) 基于局部光滑投影的抗对抗攻击相机源识别方法
CN116703750A (zh) 基于边缘注意力和多阶微分损失的图像去雾方法及系统
Chen et al. An adaptive image dehazing algorithm based on dark channel prior

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