CN111681174B

CN111681174B - 抑制椒盐/高斯混噪目标图像的联合滤波方法

Info

Publication number: CN111681174B
Application number: CN202010355045.6A
Authority: CN
Inventors: 廖泓舟; 代翔; 黄细凤; 崔莹; 潘磊
Original assignee: Southwest Electronic Technology Institute No 10 Institute of Cetc
Current assignee: Southwest Electronic Technology Institute No 10 Institute of Cetc
Priority date: 2020-04-29
Filing date: 2020-04-29
Publication date: 2023-02-03
Anticipated expiration: 2040-04-29
Also published as: CN111681174A

Abstract

本发明公开的一种抑制椒盐/高斯混噪目标图像的联合滤波方法，旨在提供一种能有效解决传统算法在高强度椒盐‑高斯混噪图像下失效问题的抑制椒盐‑高斯混合噪声的方法，本发明通过下述技术方案予以实现：首先，获取可见光图像，设定扩展窗口阈值，确定初始滤波窗口，进行滤波窗口噪声点辨识，采取滤波窗口自适应的方式，对含噪目标图像进行椒盐噪声点辨识，判断是否为高强度椒盐噪声点，在辨识的过程中不断扩展滤波窗口大小，并计算各滤波窗口的归一化系数和一次加权联合滤波中间输出,然后，根据多层窗口中间输出值进行二次加权滤波，最后，在自适应中值滤波过程中使用均值分割，加速寻找中值的速度，实现椒盐‑高斯混噪图像快速自适应滤波。

Description

抑制椒盐/高斯混噪目标图像的联合滤波方法

技术领域

本发明是关于信息处理、数据挖掘、图像处理、模式识别等诸多信息处理领域的图像滤波技术，特别是涉及混噪目标图像联合滤波技术。

背景技术

数字图像处理技术是随着计算机技术发展而开拓出来的一个新的应用领域，汇聚了光学、电子学、数学、摄影技术、计算机技术等学科的众多方面。现今，各种照相机层出不穷，多种多样的光学图像接连出现，但是由于拍摄装备本身的特点和图像形成机制，光学图像一般都掺杂着噪声，导致了图像质量的下降，给后续目标识别的特征提取过程带来了许多问题，也是导致光学图像特征提取不理想，识别效果不理想的重要因素。由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。噪声严重的时候，图像几乎变形，更使得图像失去了存储信息的本质意义。当图像噪声污染严重时，一些图像甚至会出现失真，损失了图像的本质特征和价值。在对有噪声图像和模糊图像恢复时，除了去除噪声外，一个很重要的目标是保护图像的重要细节(包括几何形状细节如纹理、细线、边缘和对比度变化细节)。但是噪声的去除和细节的保护是一对矛盾关系，因为噪声和细节都属于图像信号中的高频部分，很难区分出它们，所以在滤除图像噪声的同时，也会对图像的特征造成破坏，致使图像模糊。因此需要对拍摄到的光学目标进行图像滤波预处理，突出目标图像的某些特征，使它们更有利于先进的图像处理，更符合人类视觉特性和机器识别要求。为了获得更高质量的目标图像，在对图像进行处理之前首先需要对图像进行滤波的处理，同时为了后续处理(如目标识别)能够更好地实施，工程中要求尽量保留原始信息的完整性(即主要特征)，为了处理的更加方便还要去掉图像中无用的信息。因此，滤波处理一直都是数字图像处理的第一步。滤波顾名思义就是滤掉噪声，解决现实生活及工作中噪声引起的图像问题。把图像转换成一个数据矩阵，在计算机上对其进行处理.计算机图像处理和计算机图形学的结合已经成为计算机辅助设计的主要基础。随着计算机规模和速度的大幅度提高，数字图像处理技术的发展前途和应用领域将更加广阔。人们可以通过多种不同方法获取图像，对这些图像进行数字化处理，可以使图像的视觉效果得到增强或者得到特殊的效果，以满足人们不同的需要。从遥感、遥测、医学等许多重要的民用和军事成像领域，很多因素会导致图像质量的退化，比如图像的混叠、降晰和扭曲.噪声更是无处不在，图像在采集、传输和转换中常常受到成像设备和外部环境的干扰，在原图像中夹杂了噪声的干扰，使得图像降质，影响了图像的视觉效果，而且对图像进行进一步的处理也带来了不利。

光学摄像在平滑、采样、量化、转化的物理处理过程中，原始图像更多时候会被引入椒盐-高斯混合噪声，而不是单一的椒盐噪声或高斯噪声。在图像获取和传输过程中，由于受到各种因素的影响，导致外界的噪声加入到图像中，从而使所得到的目标图像和原始被测对象图像有某种程度的差别。图像噪声大大降低了图像质量，干扰了图像的可测性，给后续图像的边缘检测等工作造成了极大影响。因此，在图像进行预处理的过程中，消除噪声干扰是一项非常重要的工作旧。图像的去噪方法有很多，目前主要分为线性滤波和非线性滤波，均值滤波和中值滤波是两种常用的方法。均值滤波和中值滤波分别被认为是滤除高斯噪声和椒盐噪声最简单和实用的方法之一。均值滤波和中值滤波常常被分别用来滤除脉冲噪声和高斯噪声。它们对不同的噪声有不同的去噪能力，均值滤波对高斯噪声有较好的去噪能力，中值滤波对脉冲噪声有较好的去噪能力。均值滤波算法的基本指导思想是采用滤波窗口内所用像素灰度值的平均值来代替中心像素的灰度值。但均值滤波算法在抑制噪声的同时，也导致了图像的模糊化，其主要原因也是由于平均运算引起的。中值滤波算法的主要任务是将图像中与周围像素灰度值相差比较大的像素点改取为与周围像素值比较接近的值，所以该算法对孤立点噪声像素的去噪能力特别强，即对脉冲噪声的去噪效果非常显著，中值滤波可以有效抑制椒盐噪声，但是在图像受污染严重时，中值滤波效果会受到很大影响，滤波后的中值仍可能为噪声点，若中值是噪声点，后续加权均值滤波将会受到直接的影响，甚至会扩大噪声点的影响。中值滤波算法相当于一种非线性滤波器，其最大的特点就是能够去除孤立的脉冲噪声；在一定条件下，还可以克服线性滤波器所带来的图像细节模糊问题。但是在实际图像处理过程中，图像往往同时包含有高斯噪声和脉冲噪声，通常称其为混合噪声。对于含有脉冲噪声和高斯噪声的图像，仅采用中值滤波或均值滤波算法很难同时消除这种混合噪声。实际图像中包含的噪声并不是单一的,一般都可以看作高斯噪声和脉冲噪声的混合物。当噪声是污染严重的混合噪声时，单一噪声之间的交叉影响会导致单一的滤波方法不能有效去除混合噪声，导致滤波失败。谐波均值滤波器善于处理高斯噪声，它对于正脉冲(即盐点)噪声效果比较好，但是不适用于负脉冲(即胡椒点)噪声。当图像同时存在脉冲噪声和高斯噪声时，这两种滤波算法都不能达到最好的滤波效果。为了能同时滤除两种不同性质的噪声，现有技术提出了一种混合噪声滤波算法。该算法首先根据脉冲噪声的特点和像素的局部能量信息，分离出脉冲噪声并采用中值滤波算法加以去除，然后对含有高斯噪声的图像采用均值滤波算法进行去噪。该组合滤波能很好地消除混合噪声，但是滤波过程同时也造成了一定程度边缘数据的平滑，图像的清晰度降低。

一直以来，国内外学者在光学目标图像滤波上都有着深入的研究，针对单一椒盐或高斯噪声，滤波算法多样且效果可观，如邹永宁研究了多种中值滤波的变体，在椒盐噪声上取得了优异的效果，但是各种变体对椒盐-高斯噪声图像滤波效果不理想。近年来，为了解决这一问题，研究者们提出了很多模型和方法。比如ChenJY提出了自适应加权均值滤波算法，对高斯噪声产生了明显的抑制作用，但是针对严重的椒盐-高斯噪声，该方法仍然效果不佳。因此针对椒盐-高斯混合噪声问题，长期以来存在单一滤波方法难以见效的难题，LeeYH最早提出了改进的均值滤波算法，即MTM算法。MTM算法是最早用于解决椒盐-高斯噪声的联合滤波方法，针对单一滤波方法效果不佳，它提出将中值滤波和均值进行联合，实现二者联合滤波，该方法集成了中值滤波和均值滤波二者的优势，在一定程度上既能降低椒盐噪声，又能对高斯噪声起到抑制作用，其思想对后续的中值-均值联合滤波及其改进算法具有很好的思想启发作用。该算法首次将中值滤波和均值滤波进行了联合，相比传统单一滤波方法，MTM算法在混合噪声滤波效果上有着本质的改观，但是该算法对阈值的设定十分敏感。针对阈值敏感的问题，ZhangH提出了基于MTM的自适应阈值混合算法，即IMF算法，IMF算法在MTM算法的基础上提出了阈值自适应思想，通过像素方差来表征阈值，即通过方差的大小来评判相邻像素对中心像素的影响，该方法克服了MTM算法的弊端，但是滤波效果受不同噪声之间耦合关系和噪声密度大小影响较大。因此，常瑞娜在ZhangH的基础上改善了自适应均值滤波算法，提出平均阈值概念，称为IAAF算法，通过设定平均阈值，较好地降低交叉噪声对输出的影响。IAAF算法相比MTM和IMF算法在阈值自适应上有很大的创新，实用性强，存在许多IAAF思想衍生而来的新算法和应用，如王志军基于IAAF思想，增加了噪声点预处理环节，滤波效果得到有效提升。张振海借鉴IAAF思想进行隧道混合噪声滤波，既降低了混合噪声，又保护了图像边缘。

目前现有的文献针对高强度椒盐-高斯混噪目标图像滤波还存在一些不足。MTM算法首次将中值滤波和均值滤波进行了联合，通过中值滤波首先抑制了椒盐噪声点，然后以中值为中心，对高斯噪声进行均值滤波，降低了高斯噪声对滤波输出的影响，该算法对椒盐高斯混合噪声具有一定的抑制作用。但是，滤波窗口大小W和灰度步长值step需要人为确定，不同的W值和step值以及二者组合值的选择都会直接影响最终联合滤波效果，因此存在阈值选择困难的问题。IMF算法首先通过中值滤波，抑制了椒盐噪声的影响，然后以中值为中心，通过滤波窗口内各像素点与中值的方差自适应确定均值滤波加权系数，进一步抑制滤波窗口中的部分高斯噪声，成功解决了MTM算法阈值选择困难的问题，是对MTM算法在核心参数选择上的创新性优化，但是，IMF只考虑了滤波窗口中的中值与相邻像素点的距离，而没有考虑相邻像素本身性质的问题，即在计算均值滤波加权系数式没有考虑噪声点本身的影响，即如果与中值大小相近的像素点本身是噪声点，那么它与中值的方差会很小，这就会导致噪声点的加权权重很高，反而扩大了噪声点对滤波输出的影响。IAAF算法为了解决中值像素相近噪声点对滤波输出的影响，使用方差的均值T作为阈值，当方差比T大时，由像素点与中值的方差直接决定阈值，当方差很小时，阈值则由所有方差的平均值T决定，即如果中值相邻的像素点为噪声点，由于方差很小，阈值则由T决定，直接避免了噪声点对滤波输出的影响。但是该算法存在两点不足：一是忽略了滤波窗口的中值本身是噪声点的情况，尤其在图像污染严重时，中值滤波选择的结果可能仍是噪声，这种情况会使得T失去效能；二是以方差均值T作为阈值，在降低相似噪声点影响的同时，也直接降低了正常相似像素点对输出结果的正向影响。

发明内容

为进一步有效抑制高强度椒盐-高斯混合噪声目标图像，解决传统算法在高强度椒盐-高斯混噪图像下失效的问题。本发明针对现有技术存在的不足之处，提供一种易于工程实现，计算简单，实时性较好，更加有效的抑制高强度椒盐-高斯混合噪声混噪目标图像的联合滤波方法，有利于强椒盐-高斯混合噪声的滤除以及后续目标识别过程中的含噪目标图像预处理工作。

为达到上述的目的，本发明提供的一种抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于包括如下步骤：首先，获取可见光图像，设定扩展窗口阈值，确定初始滤波窗口，进行滤波窗口噪声点辨识，采取滤波窗口自适应的方式，对含噪目标图像进行椒盐噪声点辨识，判断是否为高强度椒盐噪声点，若是则进行滤波窗口扩展和噪声点鉴别，在辨识的过程中不断扩展滤波窗口大小，并计算各滤波窗口的归一化系数和一次加权联合滤波中间输出,然后，根据多层窗口中间输出值进行二次加权滤波，减少混合噪声像素点对联合滤波的影响，再次对下一个噪声点进行辨识，判断是否为椒盐噪声点，若是噪声点则返回滤波窗口扩展，继续扩展滤波窗口进行噪声点辨识、继续进行噪声点鉴别，并计算窗口的归一化系数与中间输出值，若不是椒盐噪声点，则直接进行加权联合滤波计算输出，重复进行噪声点辨识直到完成所有像素点的联合滤波；最后，在自适应中值滤波过程中使用均值分割方法减少寻找中值的次数，加快求取中值的速度，提高滤波算法实时性，实现椒盐-高斯混噪图像自适应滤波。

本发明相比于现有技术具有如下显著优点：

易于工程实现。本发明采用设定扩展窗口的阈值直接实现自适应中值滤波，然后对像素点进行领域加权平均实现均值滤波，实现步骤简单。同时，本发明采用多层级的窗口归一化参数进行二次加权平均，可以有效缓解工程中椒盐-高斯混合噪声的耦合作用导致单一滤波方法不能同时滤除两种噪声的问题，使得本发明更易于工程转化。

计算简单。本发明采取滤波窗口自适应的方式，对含噪目标图像进行椒盐噪声点辨识，判断是否为高强度椒盐噪声点，若是则进行滤波窗口扩展和噪声点鉴别，在辨识的过程中不断扩展滤波窗口大小，并计算各滤波窗口的归一化系数和一次加权联合滤波中间输出,计算简单；然后，根据多层窗口中间输出值进行二次加权滤波，减少混合噪声像素点对联合滤波的影响；有效结合了经典中值滤波与均值滤波的各自优势，既能有效抑制椒盐噪声，又能降低高斯噪声对目标图像的影响；使含高斯噪声和脉冲噪声混合噪声的图像的噪声点大大降低,又能使图像的边缘变得清晰。对影像的细节进行保留使去噪后的影像更加清晰。试验表明,本发明通过多层级窗口加权滤波，能有效克服椒盐-高斯混合噪声的耦合作用，相比传统单一滤波技术和IMF等演进技术具有更好的滤波效果，尤其是在强椒盐-高斯混合噪声的情况下，不但能够有效去除含高斯和脉冲混合噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。效果要明显优于传统的两层组合滤波算法。

实时性较好。本发明在自适应中值滤波过程中使用均值分割方法减少寻找中值的次数，加快求取中值的速度，提高滤波算法实时性，通过多层级窗口加权滤波，实现椒盐-高斯混噪图像自适应滤波。使用的均值分割加速技术相比现有技术能有效提高滤波速度，实时性较好。本发明适用于椒盐-高斯混噪图像的自适应滤波，可以有效支撑后续目标检测、识别、分割等应用。

附图说明

为了更清楚地理解本发明，以下结合附图及实施例，对本发明进行进一步详细说明，同时参照附图，来描述本发明，其中：

图1是本发明抑制高强度椒盐-高斯混合噪声混噪目标图像的联合滤波的流程示意图；

图2是图1均值分割加速求取中值流程图；

图3是本发明在图像处理标准图像Lena图像上与现有技术客观指标对比图，其中，图3(a)是不同密度的椒盐噪声下PSNR曲线，图3(b)是不同方差的高斯噪声下PSNR曲线，图3(c)是混合噪声椒盐密度*高斯方差(PSNR)曲线；

图4是本发明与现有技术的滤波效果示意图。

具体实施方式

参阅图1。根据本发明，首先，获取可见光图像，设定扩展窗口阈值，确定初始滤波窗口，进行滤波窗口噪声点辨识，采取滤波窗口自适应的方式，对含噪目标图像进行椒盐噪声点辨识，判断是否为高强度椒盐噪声点，若是则进行滤波窗口扩展和噪声点鉴别，在辨识的过程中不断扩展滤波窗口大小，并计算各滤波窗口的归一化系数和一次加权联合滤波中间输出,；然后，根据多层窗口中间输出值进行二次加权滤波，减少混合噪声像素点对联合滤波的影响，再次对下一个噪声点进行辨识，判断是否为椒盐噪声点，若是噪声点则返回滤波窗口扩展，继续扩展滤波窗口进行噪声点辨识，继续进行噪声点鉴别并计算窗口的归一化系数与中间输出值，若不是椒盐噪声点，则直接进行加权联合滤波计算输出，重复进行噪声点辨识直到完成所有像素点的联合滤波；最后，在自适应中值滤波过程中使用均值分割方法减少寻找中值的次数，加快求取中值的速度，提高滤波算法实时性，实现椒盐-高斯混噪图像自适应滤波。

上述过程具体分为以下几个主要步骤：

(1)噪声点辨识

本实施例首先对噪声点进行辨识。噪声点辨识是一个动态的过程，噪声污染严重时，一次辨识可能是无效的，需要不断扩展窗口进行多次辨识，直至中值输出为非噪声点，因此噪声点辨识是一个窗口不断自适应扩展的过程，每一次窗口扩展都代表着当前滤波窗口下当前点x(i,j)附近噪声点的密集程度，扩展次数越多，代表当前点x(i,j)附近噪声越密集，中值滤波输出为中值的概率越小。

本发明将中值获取可能性，即中值获取概率，量化为窗口大小的平方数，窗口越大，中值获取概率越大，当前窗口下加权均值滤波效果好的概率也越大，从而量化不同窗口下均值滤波效果。首先对不同窗口下的滤波效果进行量化，即计算各滤波窗口归一化系数与当前滤波窗口下的中间输出，最后通过多层级滤波窗口下滤波效果的加权平均，获得最终的均值滤波效果。

噪声点辨识的主要步骤是：滤波窗口以i为横坐标，j为纵坐标，像素点x(i,j)为中心，滑动窗口使该窗口在图像的各像素点上移动，并使窗口的中心与图像中某个像素点重合；接着读取窗口内所有像素的灰度值，将这些灰度值按照从小到大的顺序排成一列，并找到这些值中排在中间的那个灰度值，即中值，将这个中间灰度值赋给对应窗口中处于中心位置的那个像素点；计算滤波窗口中m个像素点的最大值Smax、最小值Smin和中值Smed，如果Smed满足如下所式：Smin<Smed<Smax，则当前滤波窗口中获得的中值不是噪声点，当前窗口满足要求且可用，相反，如果滤波窗口不可用，则按是窗口尺寸w+1的原则进行窗口自适应扩展，直到满足式Smin<Smed<Smax或窗口尺寸，T＝min(X，Y)，T是滤波窗口最大尺寸。

(2)计算各滤波窗口归一化系数及中间输出。

在噪声辨识窗口自适应扩展过程中，计算各滤波窗口归一化加权系数

式中，k_w(i,j)表示当前窗口(w×w)的归一化加权系数，窗口越大，归一化加权系数越大。同时，计算当前像素点x(i,j)在各滤波窗口下的中间输出值：

其中，k'_w可表示为：

式中，t_w(i,j)表示点x(i,j)在当前窗口下(w×w)的中间滤波输出值，即当前窗口下的均值滤波输出值，k'_w表示当前窗口下各像素归一化加权系数，f_w(i,j)表示当前窗口下各像素值，m_w(i,j)表示点x(i,j)在当前窗口下(w×w)的中值，横坐标m＝1,2,…,M，纵坐标n＝1,2,…,N，M、N分别表示当前滤波窗口的长和宽。

(3)计算滤波输出

经过噪声辨识及窗口自适应扩展，可以获取各滤波窗口的归一化系数和多层级滤波窗口下的滤波效果量化值，即滤波中间输出值t_w(i,j)，然后，对量化的滤波效果进行加权平均，计算得到最终的中值-均值联合滤波输出表示像素点x(i,j)的滤波输出值F(i,j)，最终滤波输出值可表示为如下式所示：

式中，F(i,j)表示点x(i,j)的滤波输出值，w表示滤波窗口尺寸，w＝1,2,3,…,T，T＝min(X,Y)，X、Y分别代表图像的长与宽。

通过滤波输出值F(i,j)可知，计算联合滤波输出分为两个部分，一是计算归一化加权系数k_w(i,j)，另一个是计算滤波中间输出值t_w(i,j)，而两者皆通过噪声点辨识的窗口自适应过程进行计算，无需人为确定参数，因此本发明是一种自适应联合滤波技术。

参阅图2。为了满足算法的时效性，本实施例提出了相应的计算加速方法，即均值分割加速获取中值的方法。采用均值分割加速求取中值，分割开始，确定初始滤波窗口，首先将滤波窗口中的像素从二维数组转换成一维数组，并统计数组中的元素个数，并记为N；然后，计算一维数组均值，并以均值为基础值，将像素值与均值一一作比，将数组元素分割成两个部分，分列均值两侧，小于等于均值的元素分割到均值左侧，大于均值的元素分割到均值右侧，记录左右两侧元素个数N，并分别统计左右两侧数组元素个数N，记为N左和N右，如N左和N右，通过如下关系进行下一次分割判断：元素个数N左≥N/2，若N左≥N/2将任意元素作为中值，N右＝0，计算左侧均值，形成新的N左和N右，再判断是否元素总个数N左≥N/2，是则N右＝0，重新计算左侧均值，形成新的N左和N右，否则，将N右个元素进行从小到大行排序，N/2-N左次所的元素即得中值，若满足N左≥N/2则进行下一次分割，直到满足如下关系：N左<N/2，满足N左<N/2则分割结束；若N左≥N/2不满足，则进行N右判断，判断原则与元素总个数N左一致。

本实施例通过均值分割方法和部分排序思想加速中值获取的具体过程如下：

首先，判断均值分割是左侧分割还是右侧分割，如果是左侧分割，则保存最后一次分割过程中的元素总个数N左，并按从小到大的顺序进行排序，因此，过程中无需完全排序，最终排序次数满足如下关系：w＝N/2-n，式中，n是最后一次分割过程中的元素总个数N左，相反，如果是右侧分割，则保存最后一次分割过程中的元素总个数N右，并按照从大到小的顺序进行排序，最终排序次数满足如下关系：w＝N/2-m，式中，m是最后一次分割过程中的元素总个数N右。

参阅图3。本发明针对现有技术存在的不足进行了改进，并在Lena基准图像上进行了发明实施效果验证。本实施例采用分辨率为512*512的Lena灰度图作为测试图像，噪声从低噪声向高噪声逐渐转变，椒盐噪声密度从0.05(噪声占比5％，低噪声)增加到0.7(噪声占比70％，高噪声)，高斯噪声均值设置为0(便于统一变量)，方差从10(低噪声)增加到70(高噪声)，采用PSNR客观指标进行量化比较，本发明在多种椒盐噪声下PSNR值表现最好，单一均值滤波效果最差，图3(b)表明本发明在多种高斯噪声下效果最优，单一中值滤波效果最差，从客观上来看本发明具有更好的混合滤波效果。通过图3(c)可以发现，尤其是在高混合噪声的情况下，PSNR值相差值较大，本发明滤波效果比较明显。

参阅图4。图片噪声污染程度从主观上有轻微与重度两个视觉层次，客观上则体现为噪声密度大小，目前图像处理领域还没有一个统一客观的界定来规范区分低噪声与高噪声之间的范畴。因此本发明设定椒盐噪声密度大于50％且高斯噪声大于50即为高混和噪声图像，因为在这种程度的噪声污染下，图像质量从客观与主观上都表现很差。因此本发明选取椒盐噪声密度＝0.1、高斯均值＝0，高斯方差＝10的低混合噪声和椒盐噪声密度＝0.6、高斯均值＝0，高斯方差＝60的高混合噪声两种不同含噪程度的图像进行可视化对比。在低混合噪声情况下，单一的均值滤波、中值滤波和IMF滤波均能基本完成基本滤波任务，滤波效果主观上都是令人满意，同时IAAF和本发明滤波效果相比前者滤波效果更优，但差距不是很明显，但是在高混合噪声情况下，本发明相比较其他四种滤波方法效果则更为明显。

以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims

1.一种抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于包括如下步骤：首先，获取可见光图像，设定扩展窗口阈值，确定初始滤波窗口，进行滤波窗口噪声点辨识，采取滤波窗口自适应的方式，对含噪目标图像进行椒盐噪声点辨识，判断是否为高强度椒盐噪声点，若是则进行滤波窗口扩展和噪声点鉴别，在辨识的过程中不断扩展滤波窗口大小，并计算各滤波窗口的归一化系数和一次加权联合滤波中间输出,然后，根据多层窗口中间输出值进行二次加权滤波，减少混合噪声像素点对联合滤波的影响，再次对下一个噪声点进行辨识，判断是否为椒盐噪声点，若是噪声点则返回滤波窗口扩展，继续扩展滤波窗口进行噪声点辨识，并计算窗口的归一化系数与中间输出值，若不是椒盐噪声点，则直接进行加权联合滤波计算输出，重复进行噪声点辨识直到完成所有像素点的联合滤波；最后，在自适应中值滤波过程中使用均值分割方法减少寻找中值的次数，加快求取中值的速度，提高滤波算法实时性，实现椒盐-高斯混噪图像自适应滤波。

2.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：首先对不同窗口下的滤波效果进行量化，计算各滤波窗口归一化系数与当前滤波窗口下的中间输出值，最后通过多层级滤波窗口下滤波效果的加权平均，获得最终的均值滤波效果。

3.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：在噪声点辨识中，滤波窗口以i为横坐标，j为纵坐标，像素点x(i,j)为中心，滑动窗口使该窗口在图像的各像素点上移动，并使窗口的中心与图像中某个像素点重合；接着读取窗口内所有像素的灰度值，将这些灰度值按照从小到大的顺序排成一列，并找到这些值中排在中间的那个灰度值，即中值，将这个中间灰度值赋给对应窗口中处于中心位置的那个像素点。

4.如权利要求3所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：计算滤波窗口中m个像素点的最大值Smax、最小值Smin和中值Smed，如果Smed满足如下所式：Smin<Smed<Smax，则当前滤波窗口中获得的中值不是噪声点，当前窗口满足要求且可用；相反，如果滤波窗口不可用，则按是窗口尺寸w+1的原则进行窗口自适应扩展，直到满足式Smin<Smed<Smax或窗口尺寸，滤波窗口最大尺寸T＝min(X，Y)。

5.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于在噪声辨识窗口自适应扩展过程中，使用k_w(i,j)表示当前窗口(w×w)的归一化加权系数，计算各滤波窗口归一化加权系数

同时，计算当前像素点x(i,j)在各滤波窗口下的中间输出值：

并且k'_w表示为：

式中，t_w(i,j)表示点x(i,j)在当前窗口下(w×w)的中间滤波输出值，即当前窗口下的均值滤波输出值，k'_w表示当前窗口下各像素归一化加权系数，f_w(i,j)表示当前窗口下各像素值，m_w(i,j)表示点x(i,j)在当前窗口下(w×w)的中值，横坐标m＝1,2,…,M，纵坐标＝1,2,…,N，M、N分别表示当前滤波窗口的长和宽。

6.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：经过噪声辨识及窗口自适应扩展，获取各滤波窗口的归一化系数和多层级滤波窗口下的滤波效果量化值，即滤波中间输出值t_w(i,j)，然后，对量化的滤波效果进行加权平均，计算得到最终的中值-均值联合滤波输出表示像素点x(i,j)的滤波输出值F(i,j)。

7.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：最终滤波输出值表示为如下式所示：

8.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：采用均值分割加速求取中值，分割开始，确定初始滤波窗口，首先将滤波窗口中的像素从二维数组转换成一维数组，并统计数组中的元素个数，并记为N；然后，计算一维数组均值，并以均值为基础值，将像素值与均值一一作比，将数组元素分割成两个部分，分列均值两侧，小于等于均值的元素分割到均值左侧，大于均值的元素分割到均值右侧，记录左右两侧元素个数N，并分别统计左右两侧数组元素个数N，记为N左和N右，如N左和N右，通过如下关系进行下一次分割判断。

9.如权利要求8所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：在下一次分割判断中，判断是否元素个数N左≥N/2，若N左≥N/2，将任意元素作为中值，N右＝0，计算左侧均值，形成新的N左和N右，再判断是否元素总个数N左≥N/2，是则N右＝0，重新计算左侧均值，形成新的N左和N右，否则，将N右个元素进行从小到大行排序，N/2-N左次所的元素即得中值，若满足N左≥N/2则进行下一次分割，直到满足如下关系：N左<N/2，满足N左<N/2则分割结束；若N左≥N/2不满足，则进行N右判断，判断原则与元素总个数N左一致。

10.如权利要求1所述的抑制椒盐/高斯混噪目标图像的联合滤波方法，其特征在于：采用分辨率为512*512的Lena灰度图作为测试图像，噪声从低噪声向高噪声逐渐转变，椒盐噪声密度从0.05增加到0.7，便于统一变量，高斯噪声均值设置为0，方差低噪声增加到7高噪声，采用PSNR客观指标进行量化比较。