CN115063302A - 针对指纹图像椒盐噪声的有效去除方法 - Google Patents
针对指纹图像椒盐噪声的有效去除方法 Download PDFInfo
- Publication number
- CN115063302A CN115063302A CN202210501241.9A CN202210501241A CN115063302A CN 115063302 A CN115063302 A CN 115063302A CN 202210501241 A CN202210501241 A CN 202210501241A CN 115063302 A CN115063302 A CN 115063302A
- Authority
- CN
- China
- Prior art keywords
- pixel
- window
- noise
- fingerprint image
- density
- 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
Links
- 239000006002 Pepper Substances 0.000 title claims abstract description 45
- 235000002566 Capsicum Nutrition 0.000 title claims abstract description 34
- 235000016761 Piper aduncum Nutrition 0.000 title claims abstract description 34
- 235000017804 Piper guineense Nutrition 0.000 title claims abstract description 34
- 235000008184 Piper nigrum Nutrition 0.000 title claims abstract description 34
- 150000003839 salts Chemical class 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 33
- 244000203593 Piper nigrum Species 0.000 title 1
- 238000001914 filtration Methods 0.000 claims abstract description 80
- 241000722363 Piper Species 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 25
- 238000002474 experimental method Methods 0.000 claims description 15
- 230000009191 jumping Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
-
- 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
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种针对指纹图像椒盐噪声的有效去除方法，包括：1)设置初始状态值，2)检测指纹图像中所有点是否为候选噪声点；3)根据最小绝对亮度差与自适应阈值的关系，检测指纹图像中所有候选噪声点是否为真正噪声点；4)运用窗口中极值像素密度的信息选择去噪窗口，对真正噪声点进行像素值的替换；5)滑动滤波窗口直到整幅指纹图像均被处理完成，实现针对指纹图像椒盐噪声的有效去除。本发明能够根据指纹图像上纹线的特点，使用指纹图像局部的细节信息，改善指纹图像上椒盐噪声的去除和细节保护的问题，同时提升了指纹图像在被椒盐噪声污染时的恢复效果，进一步可以实现更精确的指纹特征识别。
Description
技术领域
本发明涉及指纹图像处理的技术领域，尤其是指一种针对指纹图像椒盐噪声的有效去除方法。
背景技术
一个完整的指纹识别系统包含采集、预处理、特征提取、特征匹配这四个步骤。在这些步骤中，指纹图像的预处理尤为重要，直接影响着后续指纹图像的特征提取和匹配的效果。在指纹图像的预处理中，图像的去噪非常重要。在指纹图像采集、传输、接收、处理过程中，由于光照的不均匀或大气干扰、传感器噪声、信道传输误差等因素，可能出现比特错误，因此在指纹图像中引入脉冲噪声，使采集到的图像质量下降，指纹图像出现模糊。椒盐噪声会损坏图像，因此降噪是必不可少的操作。在去除椒盐噪声时，有以下四种常用方法：1、直接将图像中的所有像素进行处理，这类方法会将非噪声点也进行处理使图像失真；2、直接将图像的处理窗口中最大和最小像素值的点或者像素点为0和255的点认为是噪声点，这类方法会将一些具有极端像素值的信号点判断为噪声从而使图像失真；3、采用预先设定的固定阈值与图像处理窗口的指标进行对比而判断噪声点，这类方法中的固定阈值对于图像的局部细节适应性很差，难以找到一个合适的阈值；4、采用自适应阈值与图像处理窗口的指标进行对比而判断噪声点，但是受图像局部噪声密度适应问题的影响，其效果仍然需要改善。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种针对指纹图像椒盐噪声的有效去除方法，能够根据指纹图像上纹线的特点，使用指纹图像局部的细节信息，改善指纹图像上椒盐噪声的去除和细节保护的问题，同时提升了指纹图像在被椒盐噪声污染时的恢复效果，进一步可以实现更精确的指纹特征识别。
为实现上述目的，本发明所提供的技术方案为：针对指纹图像椒盐噪声的有效去除方法，包括以下步骤：
1)对于单幅指纹图像，设置初始的滤波窗口的宽和高，设定滤波窗口最大的宽和高；
2)在指纹图像中滑动滤波窗口，判断中心点是否为候选噪声点，如果不是候选噪声点，跳转到步骤5)，如果是候选噪声点，继续执行步骤3)；
3)对滤波窗口中是否存在能够用于计算最小绝对亮度差的临近像素点进行判断，如果没有并且滤波窗口未达到设定的最大值，就扩大滤波窗口，重新执行步骤3)，如果没有并且滤波窗口已经达到设定的最大值，就用以当前中心像素为中心的3×3滤波窗口中像素的平均值替换中心像素，跳转步骤5)，如果有能够用于计算最小绝对亮度差的临近像素点，就计算并比较最小绝对亮度差与自适应阈值，如果最小绝对亮度差小于自适应阈值，那么候选噪声点不是真正噪声点，跳转步骤5)，如果最小绝对亮度差大于或等于自适应阈值，那么候选噪声点是真正噪声点，继续执行步骤4)；
4)对于真正噪声点，根据滤波窗口中的极值像素密度与密度阈值的比较决定滤波窗口是否需要扩大，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口未达到最大值，那么扩大滤波窗口并且跳转步骤3)，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口达到最大值，用滤波窗口中非极值像素的中值对真正噪声点进行像素替换，继续执行步骤5)，如果滤波窗口中的极值像素密度小于密度阈值，就用滤波窗口中非极值像素的中值替换噪声点，继续执行步骤5)；
5)如果指纹图像还没有处理完成，那么跳转回步骤2)，如果指纹图像已经处理完成，那么输出指纹图像，实现针对指纹图像椒盐噪声的有效去除。
进一步，在步骤1)中，滤波窗口指的是以当前处理的像素点为中心的一个宽与高相等的矩形窗口，设置初始大小W＝3，设置最大的宽和高Wmax＝7。
进一步，在步骤2)中，如果当前正在处理的滤波窗口中心像素值P(x,y)位于窗口中的最大像素值Pmax和最小像素值Pmin之间，那么中心点是非噪声点，并跳转到步骤5)，如果当前正在处理的滤波窗口中心像素值P(x,y)＝Pmin或者P(x,y)＝Pmax，那么，中心点是候选噪声点，继续执行步骤3)。
进一步，所述步骤3)包括以下步骤：
3.1)如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，而且处理窗口未达到最大的宽和高Wmax＝7，那么就扩大滤波窗口的尺寸为(W+2)，重新执行步骤3)，如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，并且处理窗口已经达到了最大的宽和高Wmax＝7，那么就用以当前中心像素为中心的3×3滤波窗口中所有像素的平均值替换中心像素，跳转步骤5)；如果此时滤波窗口中存在非最大像素值且非最小像素值的点，那么计算候选噪声点与滤波窗口中其它具有非最大像素值和非最小像素值的点的像素值的差的绝对值，并取最小值作为最小绝对亮度差MABD值，MABD的大小体现了候选噪声点与滤波窗口中邻近的非噪声像素之间的相关性，MABD越小，中心像素与临近非噪声像素的相关性越高，MABD越大，中心像素与临近非噪声像素的相关性越低；
3.2)设置自适应阈值T，这里自适应阈值T不是定值，而是引入极值像素密度的概念，极值像素密度指的是滤波窗口中像素值为0和255的点占滤波窗口大小的比例，自适应阈值T根据当前窗口的极值像素密度变化，充分利用图像中的局部信息，使得自适应阈值T与图像中的局部极值像素密度相适应，自适应阈值T定义为一线性单调递增函数：
T＝d*k+b
式中，k和b为需要确定的参数值，d指的是窗口极值像素密度，自适应阈值T的设置，考虑到的是：极值像素密度越小，候选噪声点的周围存在的非极值像素点越多，能够用于计算亮度差的非极值像素点越多，因此，计算出的MABD接近图片未受椒盐噪声污染时真实情况的可能性越大；而极值像素密度越大，候选噪声点的周围存在的非极值像素点越少，能够用于计算亮度差的非噪声像素点就越少，因此，计算出的MABD倾向于远离图片未受到椒盐噪声污染的时的真实情况，之所以采用线性关系，是为了减少计算量，对于参数k、b，需要实验确定，对指纹图像进行实验来找到合适的参数k、b，在实验中，之所以认为k、b分别在某一定值附近取得最佳图像处理效果是因为：随着k、b的增大，自适应阈值T将增大，会有更多噪声点被判断为信号点，误判概率加大；随着k、b的减小，自适应阈值T将减小，会有更多的信号点被判断为噪声，误判概率也会加大，所以，k、b将分别在达到某一值时达到最佳处理效果，k、b无论变大与变小都会导致效果变差，具体实验步骤如下：
对单幅指纹图像进行实验，同时获取其不含椒盐噪声时的原始指纹图像，为了更好地体现与对比滤波效果，算法处理后的效果用PSNR体现，PSNR指的是峰值信噪比，用来衡量恢复后的图像与原始图像的接近程度，PSNR越大，恢复后的图像与原始图像越接近；PSNR由下式求得：
其中：
式中，MSE表示均方误差，M×N表示的是图像的宽和高的乘积，f(i,j)是指不含椒盐噪声时的指纹图像的点的像素值，g(i,j)是指单幅指纹图像的点的像素值，其中i指的是图像的行数，j指的是图像的列数；
通过对比在不同参数k、b下处理得到的PSNR值，以最高PSNR时的参数k、b作为本实验的参数值，由自适应阈值T的公式T＝d*k+b，得到适应于图像局部特征的自适应阈值T，当MABD小于自适应阈值T时，该候选噪声点不是真正噪声点，像素值保持不变，跳转到步骤5)；当MABD大于或等于自适应阈值T时，该候选噪声点是真正噪声点，继续执行步骤4)。
进一步，在步骤4)中，对于通过步骤3)得到的真正噪声点，执行判断：如果此时为3×3滤波窗口，滤波窗口极值像素密度小于密度阈值50％，就用滤波窗口的非极值像素的中值替换噪声像素，否则，如果此时3×3窗口的极值像素密度大于或等于50％，那么扩大滤波窗口为5×5，跳转到步骤3)；如果此时为5×5滤波窗口，滤波窗口极值像素密度小于密度阈值75％，即用当前窗口的非极值像素的中值替换噪声像素，否则，如果此时5×5窗口的极值像素密度大于或等于75％，那么扩大滤波窗口为设定的最大值7×7，跳转至步骤3)；如果此时为7×7滤波窗口，如果滤波窗口极值像素密度小于密度阈值100％，也就是说只要滤波窗口中存在非极值像素，就用当前窗口的非极值像素的中值作为输出，如果滤波窗口极值像素密度大于或等于密度阈值100％，也就是说在滤波窗口中不存在非极值像素，那么滤波窗口也将不再扩大，用以当前3×3滤波窗口中所有像素的平均值替换噪声像素，继续执行步骤5)。
进一步，在步骤5)中，检查当前整幅指纹图像的所有像素点是否已经全部完成检测和滤波，如果还未全部完成，就跳转到步骤2)；如果已经全部完成，就输出滤波后的指纹图像，从而实现指纹图像椒盐噪声的有效去除。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明首次采用根据滤波窗口极值像素密度变化的自适应阈值，充分考虑了指纹图像中的局部信息，兼顾了去噪和细节保持，避免了采用固定阈值对图像的适应性差的特点，对于图像中具有不同密度噪声的局部具有好的处理效果。
2、本发明在去除椒盐噪声上是针对指纹图像的特性进行设计的，与其它去除椒盐噪声的滤波方法相比，提高了指纹图像上椒盐噪声去除的质量。
3、本发明在指纹图像被低、中、高密度噪声污染下都拥有良好的恢复质量，这使得本发明可以与现有的指纹识别系统算法更好地协作配合，从而实现更高的指纹匹配效率。
4、本发明适用于通过不同指纹采集仪获得的不同质量的指纹图像，具有普适性。
附图说明
图1为本发明方法总体流程图。
图2为本发明方法步骤具体流程图。
图3为被80％密度噪声污染的指纹图像示意图。
图4为图3中选取的一个3×3滤波窗口示意图。
图5为图3中选取的由图4扩展的一个5×5窗口示意图。
图6为图3中选取的由图5扩展的一个7×7窗口示意图。
图7为图3经过本发明方法去噪后的恢复图。
图8为图3的未被椒盐噪声污染的原图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1至图8所示，本实施例提供了一种针对指纹图像椒盐噪声的有效去除方法，其具体情况如下：
1)对于单幅指纹图像，设置初始的滤波窗口的宽和高均为W＝3，最大的宽和高均为Wmax＝7。滤波窗口指的是以当前处理的像素点为中心的一个宽与高相等的矩形窗口，初始大小均设置为W＝3，最大的宽和高均设置为Wmax＝7。例如图3为被80％椒盐噪声污染的指纹图像，图4为图3中的一个滤波窗口示意图，像素值0和像素值255均是被椒盐噪声污染所导致的，剩余的点为原指纹图像上的点。
2)在指纹图像中滑动滤波窗口，计算滤波窗口中所有点的最大像素值Pmax和最小像素值Pmin，如果滤波窗口中心点的像素值P(x,y)位于窗口中的最大像素值Pmax和最小像素值Pmin之间，那么滤波窗口中心点是非噪声点，并跳转到步骤5)，如果滤波窗口中心点的像素值P(x,y)＝Pmin或者P(x,y)＝Pmax，那么，滤波窗口中心点是候选噪声点，继续执行步骤3)。
例如图4所示，滤波窗口中的最大像素值Pmax＝255，最小像素值Pmin＝0，那么这个像素是候选噪声点，继续执行步骤3)。
3)对滤波窗口中是否存在可用于计算最小绝对亮度差的临近像素点进行判断，如果没有并且滤波窗口未达到设定的最大值，就扩大滤波窗口，重新执行步骤3)，如果没有并且滤波窗口已经达到设定的最大值，就用以当前中心像素为中心的3×3滤波窗口中像素的平均值替换中心像素，跳转步骤5)，如果有可用于计算最小绝对亮度差的临近像素点，就计算并比较最小绝对亮度差与自适应阈值，如果最小绝对亮度差小于自适应阈值，那么候选噪声点不是真正噪声点，跳转步骤5)，如果最小绝对亮度差大于或等于自适应阈值，那么候选噪声点是真正噪声点，继续执行步骤4)。具体地，包含以下步骤：
3.1)如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，而且处理窗口未达到最大的Wmax＝7，那么就扩大滤波窗口的尺寸为(W+2)，重新执行步骤3)，如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，并且处理窗口已经达到了最大的Wmax＝7，那么就用以当前中心像素为中心的3×3滤波窗口中所有像素的平均值替换中心像素，跳转步骤5)；如果此时滤波窗口中存在非最大像素值且非最小像素值的点，那么计算候选噪声点与滤波窗口中其它具有非最大像素值和非最小像素值的点的像素值的差的绝对值，并取最小值作为最小绝对亮度差MABD值，MABD的大小体现了候选噪声点与滤波窗口中邻近的非噪声像素之间的相关性，MABD越小，中心像素与临近非噪声像素的相关性越高，MABD越大，中心像素与临近非噪声像素的相关性越低。例如图4所示，此时滤波窗口中存在非最大像素值且非最小像素值的点，那么计算得到的MABD＝min{|28-0|}＝28。
3.2)设置自适应阈值T，这里自适应阈值T不是定值，而是引入极值像素密度的概念，极值像素密度指的是滤波窗口中像素值为0和255的点占滤波窗口大小的比例，自适应阈值T根据当前窗口的极值像素密度变化，充分利用图像中的局部信息，使得自适应阈值T与图像中的局部极值像素密度相适应，自适应阈值T定义为一线性单调递增函数：
T＝d*k+b
式中，k和b为需要确定的参数值，d指的是窗口极值像素密度，自适应阈值T的设置，考虑到的是：极值像素密度越小，候选噪声点的周围存在的非极值像素点越多，可用于计算亮度差的非极值像素点越多，因此，计算出的MABD接近图片未受椒盐噪声污染时真实情况的可能性越大；而极值像素密度越大，候选噪声点的周围存在的非极值像素点越少，可用于计算亮度差的非噪声像素点就越少，因此，计算出的MABD倾向于远离图片未受到椒盐噪声污染的时的真实情况，之所以采用线性关系，是为了减少计算量，对于参数k、b，需要实验确定，对指纹图像进行实验来找到合适的参数k、b，在实验中，之所以认为k、b分别在某一定值附近取得最佳图像处理效果是因为：随着k、b的增大，自适应阈值T将增大，会有更多噪声点被判断为信号点，误判概率加大；随着k、b的减小，自适应阈值T将减小，会有更多的信号点被判断为噪声，误判概率也会加大，所以，k、b将分别在达到某一值时达到最佳处理效果，k、b无论变大与变小都会导致效果变差，具体实验步骤如下：
对单幅指纹图像进行实验，同时获取其不含椒盐噪声时的原始指纹图像，为了更好地体现与对比滤波效果，算法处理后的效果用PSNR体现，PSNR指的是峰值信噪比，用来衡量恢复后的图像与原始图像的接近程度，PSNR越大，恢复后的图像与原始图像越接近。PSNR由下式求得：
其中：
其中，MSE表示均方误差，M×N表示的是图像的宽和高的乘积，f(i,j)是指不含椒盐噪声时的指纹图像的点的像素值，g(i,j)是指单幅指纹图像的点的像素值，其中i指的是图像的行数，j指的是图像的列数。
通过对比在不同参数k、b下，经过处理得到的PSNR值，以最高PSNR时的参数k、b作为本实验的参数值，由自适应阈值T的公式T＝d*k+b，得到适应于图像局部特征的自适应阈值T，当MABD小于自适应阈值T时，该候选噪声点不是真正噪声点，其像素值保持不变，跳转到步骤5)；当MABD大于等于自适应阈值T时，该候选噪声点是真正噪声点，继续执行步骤4)。
例如图4所示，是单幅指纹图像，图8是不含椒盐噪声时的指纹图像，对于参数k、b的确定，采用控制变量法，采取先固定其中一个参数，另一个参数变化这个方式来进行大范围的参数确定。首先采用大步长5，参数k从5开始，以步长为5一直增加到20，b从5开始，以步长为5一直增加到25。结果为在k＝5，b＝20时取得最大的PSNR＝28.5034的最大PSNR值。在这个k、b值附近继续进行以1为步长的控制变量法的参数对照试验，k的范围从1到9，b的范围从16到24，结果为在k＝5，b＝20时取得最大的PSNR＝28.5034的最大PSNR值，因此，对于图3，参数k＝5，b＝20，对于图4，计算所得的自适应阈值T应该为T＝5×(8/9)+20＝24.44，MABD＝28＞T，判断候选噪声点为真正噪声点。
4)对于真正噪声点，根据滤波窗口中的极值像素密度与密度阈值的比较决定滤波窗口是否需要扩大，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口未达到最大值，那么扩大滤波窗口并且跳转步骤3)，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口达到最大值，用滤波窗口中非极值像素的中值对真正噪声点进行像素替换，继续执行步骤5)，如果滤波窗口中的极值像素密度小于密度阈值，就用滤波窗口中非极值像素的中值替换噪声点，继续执行步骤5)；
对于通过步骤3)得到的真正噪声点，执行判断：如果此时为3×3滤波窗口，如果滤波窗口极值像素密度小于密度阈值50％，就用滤波窗口的非极值像素的中值替换噪声像素，否则，如果此时3×3窗口的极值像素密度大于或等于50％，那么扩大窗口为5×5，跳转到步骤3)；如果此时为5×5滤波窗口，如果滤波窗口极值像素密度小于密度阈值75％，即用当前窗口的非极值像素的中值替换噪声像素，否则，如果此时5×5窗口的极值像素密度大于或等于75％，那么扩大窗口为设定的最大值7×7，跳转至步骤3)；如果此时为7×7滤波窗口，如果滤波窗口极值像素密度小于密度阈值100％，也就是说只要滤波窗口中存在非极值像素，就用当前窗口的非极值像素的中值作为输出，如果滤波窗口极值像素密度大于或等于密度阈值100％，也就是说在滤波窗口中不存在非极值像素，那么窗口也将不再扩大，用以当前3×3滤波窗口中所有像素的平均值替换噪声像素，继续执行步骤5)。
例如图4，此时滤波窗口极值密度大于50％，扩大窗口为5×5，如图5所示，跳转到步骤3)，经过步骤3)后，仍然判断为真正噪声点，此时滤波窗口极值密度大于75％，扩大窗口为7×7，如图6所示，跳转至步骤3)，经过步骤3)后，仍然判断为真正噪声点，此时当前窗口中存在非极值像素，就用当前窗口的非极值像素的中值替换噪声点，即29。
5)检查当前整幅指纹图像的所有像素点是否已经全部完成检测和滤波，如果还未全部完成，那么跳转回步骤2)，如果指纹图像已经全部处理完成，那么输出滤波后的指纹图像，实现针对指纹图像椒盐噪声的有效去除。例如指纹图像图3，在图像中继续滑动滤波窗口到下一个待处理的点，循环执行本方法，直到整幅图像都处理完成，得到的结果如图7所示，实现了针对指纹图像椒盐噪声的有效去除。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.针对指纹图像椒盐噪声的有效去除方法，其特征在于，包括以下步骤：
1)对于单幅指纹图像，设置初始的滤波窗口的宽和高，设定滤波窗口最大的宽和高；
2)在指纹图像中滑动滤波窗口，判断中心点是否为候选噪声点，如果不是候选噪声点，跳转到步骤5)，如果是候选噪声点，继续执行步骤3)；
3)对滤波窗口中是否存在能够用于计算最小绝对亮度差的临近像素点进行判断，如果没有并且滤波窗口未达到设定的最大值，就扩大滤波窗口，重新执行步骤3)，如果没有并且滤波窗口已经达到设定的最大值，就用以当前中心像素为中心的3×3滤波窗口中像素的平均值替换中心像素，跳转步骤5)，如果有能够用于计算最小绝对亮度差的临近像素点，就计算并比较最小绝对亮度差与自适应阈值，如果最小绝对亮度差小于自适应阈值，那么候选噪声点不是真正噪声点，跳转步骤5)，如果最小绝对亮度差大于或等于自适应阈值，那么候选噪声点是真正噪声点，继续执行步骤4)；
4)对于真正噪声点，根据滤波窗口中的极值像素密度与密度阈值的比较决定滤波窗口是否需要扩大，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口未达到最大值，那么扩大滤波窗口并且跳转步骤3)，如果滤波窗口中的极值像素密度大于或等于密度阈值并且滤波窗口达到最大值，用滤波窗口中非极值像素的中值对真正噪声点进行像素替换，继续执行步骤5)，如果滤波窗口中的极值像素密度小于密度阈值，就用滤波窗口中非极值像素的中值替换噪声点，继续执行步骤5)；
5)如果指纹图像还没有处理完成，那么跳转回步骤2)，如果指纹图像已经处理完成，那么输出指纹图像，实现针对指纹图像椒盐噪声的有效去除。
2.根据权利要求1所述的针对指纹图像椒盐噪声的有效去除方法，其特征在于，在步骤1)中，滤波窗口指的是以当前处理的像素点为中心的一个宽与高相等的矩形窗口，设置初始大小W＝3，设置最大的宽和高Wmax＝7。
3.根据权利要求2所述的针对指纹图像椒盐噪声的有效去除方法，其特征在于，在步骤2)中，如果当前正在处理的滤波窗口中心像素值P(x,y)位于窗口中的最大像素值Pmax和最小像素值Pmin之间，那么中心点是非噪声点，并跳转到步骤5)，如果当前正在处理的滤波窗口中心像素值P(x,y)＝Pmin或者P(x,y)＝Pmax，那么，中心点是候选噪声点，继续执行步骤3)。
4.根据权利要求3所述的针对指纹图像椒盐噪声的有效去除方法，其特征在于，所述步骤3)包括以下步骤：
3.1)如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，而且处理窗口未达到最大的宽和高Wmax＝7，那么就扩大滤波窗口的尺寸为(W+2)，重新执行步骤3)，如果此时滤波窗口中所有点的像素值均为最大像素值或最小像素值，并且处理窗口已经达到了最大的宽和高Wmax＝7，那么就用以当前中心像素为中心的3×3滤波窗口中所有像素的平均值替换中心像素，跳转步骤5)；如果此时滤波窗口中存在非最大像素值且非最小像素值的点，那么计算候选噪声点与滤波窗口中其它具有非最大像素值和非最小像素值的点的像素值的差的绝对值，并取最小值作为最小绝对亮度差MABD值，MABD的大小体现了候选噪声点与滤波窗口中邻近的非噪声像素之间的相关性，MABD越小，中心像素与临近非噪声像素的相关性越高，MABD越大，中心像素与临近非噪声像素的相关性越低；
3.2)设置自适应阈值T，这里自适应阈值T不是定值，而是引入极值像素密度的概念，极值像素密度指的是滤波窗口中像素值为0和255的点占滤波窗口大小的比例，自适应阈值T根据当前窗口的极值像素密度变化，充分利用图像中的局部信息，使得自适应阈值T与图像中的局部极值像素密度相适应，自适应阈值T定义为一线性单调递增函数：
T＝d*k+b
式中，k和b为需要确定的参数值，d指的是窗口极值像素密度，自适应阈值T的设置，考虑到的是：极值像素密度越小，候选噪声点的周围存在的非极值像素点越多，能够用于计算亮度差的非极值像素点越多，因此，计算出的MABD接近图片未受椒盐噪声污染时真实情况的可能性越大；而极值像素密度越大，候选噪声点的周围存在的非极值像素点越少，能够用于计算亮度差的非噪声像素点就越少，因此，计算出的MABD倾向于远离图片未受到椒盐噪声污染的时的真实情况，之所以采用线性关系，是为了减少计算量，对于参数k、b，需要实验确定，对指纹图像进行实验来找到合适的参数k、b，在实验中，之所以认为k、b分别在某一定值附近取得最佳图像处理效果是因为：随着k、b的增大，自适应阈值T将增大，会有更多噪声点被判断为信号点，误判概率加大；随着k、b的减小，自适应阈值T将减小，会有更多的信号点被判断为噪声，误判概率也会加大，所以，k、b将分别在达到某一值时达到最佳处理效果，k、b无论变大与变小都会导致效果变差，具体实验步骤如下：
对单幅指纹图像进行实验，同时获取其不含椒盐噪声时的原始指纹图像，为了更好地体现与对比滤波效果，算法处理后的效果用PSNR体现，PSNR指的是峰值信噪比，用来衡量恢复后的图像与原始图像的接近程度，PSNR越大，恢复后的图像与原始图像越接近；PSNR由下式求得：
其中：
式中，MSE表示均方误差，M×N表示的是图像的宽和高的乘积，f(i,j)是指不含椒盐噪声时的指纹图像的点的像素值，g(i,j)是指单幅指纹图像的点的像素值，其中i指的是图像的行数，j指的是图像的列数；
通过对比在不同参数k、b下处理得到的PSNR值，以最高PSNR时的参数k、b作为本实验的参数值，由自适应阈值T的公式T＝d*k+b，得到适应于图像局部特征的自适应阈值T，当MABD小于自适应阈值T时，该候选噪声点不是真正噪声点，像素值保持不变，跳转到步骤5)；当MABD大于或等于自适应阈值T时，该候选噪声点是真正噪声点，继续执行步骤4)。
5.根据权利要求4所述的针对指纹图像椒盐噪声的有效去除方法，其特征在于，在步骤4)中，对于通过步骤3)得到的真正噪声点，执行判断：如果此时为3×3滤波窗口，滤波窗口极值像素密度小于密度阈值50％，就用滤波窗口的非极值像素的中值替换噪声像素，否则，如果此时3×3窗口的极值像素密度大于或等于50％，那么扩大滤波窗口为5×5，跳转到步骤3)；如果此时为5×5滤波窗口，滤波窗口极值像素密度小于密度阈值75％，即用当前窗口的非极值像素的中值替换噪声像素，否则，如果此时5×5窗口的极值像素密度大于或等于75％，那么扩大滤波窗口为设定的最大值7×7，跳转至步骤3)；如果此时为7×7滤波窗口，如果滤波窗口极值像素密度小于密度阈值100％，也就是说只要滤波窗口中存在非极值像素，就用当前窗口的非极值像素的中值作为输出，如果滤波窗口极值像素密度大于或等于密度阈值100％，也就是说在滤波窗口中不存在非极值像素，那么滤波窗口也将不再扩大，用以当前3×3滤波窗口中所有像素的平均值替换噪声像素，继续执行步骤5)。
6.根据权利要求5所述的针对指纹图像椒盐噪声的有效去除方法，其特征在于，在步骤5)中，检查当前整幅指纹图像的所有像素点是否已经全部完成检测和滤波，如果还未全部完成，就跳转到步骤2)；如果已经全部完成，就输出滤波后的指纹图像，从而实现指纹图像椒盐噪声的有效去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501241.9A CN115063302B (zh) | 2022-05-10 | 2022-05-10 | 针对指纹图像椒盐噪声的有效去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501241.9A CN115063302B (zh) | 2022-05-10 | 2022-05-10 | 针对指纹图像椒盐噪声的有效去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063302A true CN115063302A (zh) | 2022-09-16 |
| CN115063302B CN115063302B (zh) | 2024-03-29 |
Family
ID=83199229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210501241.9A Active CN115063302B (zh) | 2022-05-10 | 2022-05-10 | 针对指纹图像椒盐噪声的有效去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063302B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829873A (zh) * | 2022-12-13 | 2023-03-21 | 深圳市宏电技术股份有限公司 | 一种图像还原方法及处理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
| CN103871034A (zh) * | 2014-03-22 | 2014-06-18 | 四川大学 | 一种自适应的图像椒盐噪声滤除方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| CN109961411A (zh) * | 2019-03-12 | 2019-07-02 | 浙江工业大学之江学院 | 非下采样剪切波变换医学ct图像去噪方法 |
| CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学（保定） | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
-
2022
- 2022-05-10 CN CN202210501241.9A patent/CN115063302B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
| CN103871034A (zh) * | 2014-03-22 | 2014-06-18 | 四川大学 | 一种自适应的图像椒盐噪声滤除方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| CN109961411A (zh) * | 2019-03-12 | 2019-07-02 | 浙江工业大学之江学院 | 非下采样剪切波变换医学ct图像去噪方法 |
| CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学（保定） | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许光宇;: "一种有效去除椒盐噪声的开关中值滤波器", 安徽理工大学学报(自然科学版), no. 01, 15 January 2017 (2017-01-15), pages 37 - 43 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829873A (zh) * | 2022-12-13 | 2023-03-21 | 深圳市宏电技术股份有限公司 | 一种图像还原方法及处理系统 |
| CN115829873B (zh) * | 2022-12-13 | 2023-12-19 | 深圳市宏电技术股份有限公司 | 一种图像还原方法及处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063302B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fabijańska et al. | Noise adaptive switching median-based filter for impulse noise removal from extremely corrupted images | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| EP2413586B1 (en) | Method and device for adaptive noise measurement of a video signal | |
| CN110796615B (zh) | 一种图像去噪方法、装置以及存储介质 | |
| Ferzli et al. | No-reference objective wavelet based noise immune image sharpness metric | |
| CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
| US8532428B2 (en) | Noise reducing apparatus, noise reducing method, and noise reducing program for improving image quality | |
| US9378541B2 (en) | Image-quality improvement method, apparatus, and recording medium | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| Vijaykumar et al. | Decision based adaptive median filter to remove blotches, scratches, streaks, stripes and impulse noise in images | |
| CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
| CN115063302B (zh) | 针对指纹图像椒盐噪声的有效去除方法 | |
| CN107730454B (zh) | 一种基于线追踪的线阵影像中横条纹噪声去除的方法 | |
| CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
| CA2704037A1 (en) | Method for detecting a target | |
| Mikolajczak et al. | Estimation of the variance of noise in digital images using a median filter | |
| CN112215764A (zh) | 一种基于中值滤波的改进算法的图像处理方法 | |
| KR100839922B1 (ko) | 적응적 평균값 필터를 이용한 컬러 잡음 제거 장치 및 방법 | |
| Marcel et al. | An efficient algorithm for removal of impulse noise using Adaptive Fuzzy Switching Weighted Median Filter | |
| EP1654881A1 (en) | Block artifacts detection | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| CN112785513B (zh) | 一种用于过滤脉冲噪声的自适应中值滤波方法 | |
| Coumar et al. | Image restoration using filters and image quality assessment using reduced reference metrics | |
| Xu | An efficient restoration algorithm for images corrupted with salt and pepper noise | |
| KR100821939B1 (ko) | 영상 잡음 제거 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |