基於中值的圖像椒鹽噪聲的非迭代濾除

2020-12-05 電子產品世界

　　1 引 言 

　　濾去圖像中的噪聲同時保持其中的細節是圖像處理中的一個重要內容。現實中由於照相機的性能和光線強弱的變化，噪聲在圖像中不可避免。去除噪聲的方法大致分為兩類：線性方法和非線性方法。線性濾波和含噪圖像的卷積能有效地去除高斯噪聲以及其他呈均勻分布的噪聲，但由於這種方法把邊界處灰度變化較大位置的點也當作椒鹽噪聲處理，因此他對這樣的噪聲效果甚微，並且還經常對圖像造成模糊。為了克服這些問題，採用非線性濾波，中值濾波進行處理是最常用的一種方法。當考慮一個小鄰域時，椒鹽噪聲能得到高效的抑制。然而中值濾波的最大缺點是他作用於整幅圖像，因此損失其中的大部分細節。為此找一種既能有效去除噪聲又能保持細節的方法是許多人感興趣的問題。

本文引用地址：http://www.eepw.com.cn/article/87787.htm

　　為了解決這個問題，大家已研究了不少基於中值濾波的改進方法如：權衡中值濾波，最大最小值的方法，中心權衡的中值濾波，強有力的最大最小值的方法，自適應的消減均值濾波，正則化的方法等。為了防止改變非噪聲點的值，這些方法都涉及噪聲點的識別問題。基於最大最小值的波峰波谷方法是一種非迭代的快速算法，但他對噪聲點的毀壞程度(即恢復後的圖像與原圖像相比灰度值不同點的百分數)比較高，造成了細節的不小損失。去除脈衝噪聲的高效方法對噪聲的探索比較有效，但對噪聲的濾除卻使用了簡單的標準中值方法，使得最終的實驗結果不是很好。本文綜合兩者的優點，提出了一種既能去除噪聲又能比較好的保持細節的有效方法。他分兩步達到去噪目的：第一步在文獻[7]的基礎上同時考慮了與中心點灰度最接近的幾個象素點的均值與一個客觀的閾值做比較，來更加有效地識別噪聲點；第二步採用了文獻[7]中的最大最小值的方法。

　　2 中值濾波

　　中值濾波是基於統計學的一種最常用的非線性濾波方法。我們考慮5×5模板，如圖1所示。

　　這裡的dki是25個輸入統計量，常數ai可以根據具體問題進行選擇。中值濾波是當式(1)的係數狳了a13以外的ai均取零時的一種特殊情況。當噪聲點數量少手窗中抽樣的一半時，中值濾波是非常有效的。

　　3 基於最大最小值的波峰波谷濾波

　　基於最大最小值的波峰波谷濾波是一種基於排序來消除圖像噪聲的非線性非l迭代的濾波方法。他分兩步完成，具體算法如下：

　　值得注意的是按這種方法的第一步探索的點不一定是噪聲點，因為在分析的窗中如果沒有噪聲點，最大或最小值點仍被視為噪聲點，比如窄的邊緣，細線及部分平坦灰度區域，他們的灰度值也有可能等於窗內的極值。因此這種濾波方法可能對邊緣造成平滑，把細線當作噪聲除掉，還有可能對平坦區域的細節造成模糊，如圖2所示。

　　圖2(a)為不含噪聲的原圖像；圖2(b)為噪聲密度5％的汙染圖像；圖2(c)為基於最大最小值的波峰波谷濾波方法結果；圖2(d)為建議的方法得到的結果。

　　下面為了敘述問題的方便，先引入一個概念：均值MTP。我們把中心點x(i，j)與其方形鄰域的灰度差記NLD(這裡考慮的是5×5的模板)，然後對他們進行排序RLD，取其最小的13個元素的均值即為所述的均值MTP。

　　為了克服上面算法的不足，我們考慮了中心象素與其鄰域象素的相似性。這是因為圖像中未汙染點周圍一般都存在一定數量灰度值與其相近的點，也就是說這些點與其鄰域像素的相關性比較大，而椒鹽噪聲點周圍很少存在這樣的點。如圖3給出的cameraman圖像的均值MTP隨噪聲密度變化的曲線圖。上面的虛線為椒鹽噪聲點的均值隨著噪聲密度的增加而變化的情況；下面的實線為不受噪聲汙染的點隨噪聲密度的增加而變化的情況。從圖中明顯看到汙染點的均值T1明顯大於未受汙染點的均值T2，且T2隨著噪聲的增加變化很小，接近於常數。因此利用未受汙染像素點與其鄰域像素相關性較大這一特性就能較好的把圖像中窄的邊緣，細線及部分細節與噪聲區分開來，在去除噪聲的同時有效地保護細節和邊緣。

　　如何進一步探索噪聲點，具體來說就是：將MTP與一個客觀的閾值Ith做比較。如果被考慮的中心象素所對應的均值MTP≥Ith，就說明該點與其鄰域像素的相關性比較小，他可能為噪聲點；否則該點就被視為非噪聲點。

　　為了使本方法具有普遍性，可以使用於多樣的圖像和噪聲分布，減少人為的選擇，實驗採用了多個標準圖像進行處理。根據多次試驗採集的數據，在不同噪聲密度下(5％，10％，15％，20％，30％)，參數a的選取以濾波效果峰值信噪比PSNR和噪聲對圖像的毀壞程度為標準而得到。多個實驗結果表明，其分布曲線相似。下面以cam-eraman圖像為例給出了峰值信噪比和噪聲對圖像的毀壞程度隨a變化的曲線(圖4)，從圖4中可以看到在不同的噪聲密度下峰值信噪比當a的範圍在25～50之間時，隨a的不同取值變化不是很大。毀壞程度當a>5時，幾乎沒什麼變化。綜合這兩方面的因素，在不同的情況下，a一般在25～50之間就能達到較好的效果。這說明此方法有比較強的實用性。

　　因此我們建議的算法如下：

　　這種方法對於所含噪聲比較低(少於20％)的圖像非常有效，此時誤探點如果非常多，就會造成細節的很大損失與邊緣的光滑。而這時考慮了中心象素與其鄰域象素的相似性就能方便地完成噪聲探索問題，大大地降低毀壞程度，有效地保持圖像的邊緣和細節。

　　4 實驗結果分析與討論

　　我們用了兩個例子將基於最大最小值的波峰波谷濾波方法(一)和本文建議的方法(二)進行了比較。表1是解析度為256×256 cameraman圖像用這兩種方法處理過後的圖像的峰值信噪比PSNR和噪聲對原圖像的毀壞程度的比較；表2是解析度為512×512的lenna圖像的處理結果比較。從表1、表2中，很容易看出當噪聲密度比較低時建議方法(二)的有效性，尤其是濾波後對圖像的毀壞程度遠低於原來的方法(一)。當噪聲密度比較大時，對參數a作相應的調整(一般應比噪聲密度低時小一些)後也能達到比較滿意的結果。

　　5 結 語

　　在這篇文章中，我們對基於最大最小值的波峰波谷濾波進行了改進，建議了一種非迭代去除椒鹽噪聲的有效方法。噪聲識別中用了文獻[7]中的極值方法，另外還考慮了中心象素與其鄰域象素的相似性，然後用強有力的最大最小值的方法來估計噪聲點的值。建議的方法和基於最大最小值的波峰波谷濾波方法從峰值信噪比和噪聲對圖像的毀壞程度上進行了比較，實驗結果表明無論在消除噪聲方面還是在保持圖像細節上都明顯優於原來的方法，能快速地達到去噪目的。

電源濾波器相關文章:電源濾波器原理

數字濾波器相關文章:數字濾波器原理

相關焦點

  • 基於MATLAB的中值濾波算法實現
    在實時圖像採集中，不可避免的會引入噪聲，尤其是幹擾噪聲和椒鹽噪聲，噪聲的存在嚴重影響邊緣檢測的效果，中值濾波是一種基於排序統計理論的非線性平滑計數
  • MATLAB應用在基於噪聲檢測的圖像均值去噪法
    研究表明，人類獲取的視覺圖像信息在人類接受的信息中的比重達到75％，「百聞不如一見」便是非常形象的例子之一。在高度信息化條件下的今天，數字圖像越來越得到普及和應用。　　然而，人們在獲取和傳輸數字圖像的同時，難免於圖像數據被外界噪聲所汙染，妨礙了人們對圖像信息的理解。由此，圖像去噪技術應運而生。圖像去噪，即在儘可能地不損失原圖像細節的前提下，去除圖像中無關的噪點。
  • 基於MATLAB圖像處理的中值濾波、均值濾波以及高斯濾波的實現與對比
    基於MATLAB圖像處理的中值濾波、均值濾波以及高斯濾波的實現與對比
  • 圖像噪聲處理系統設計開題報告_圖像噪聲處理實驗報告 - CSDN
    圖像去噪從整個圖像分析的流程上來講屬於圖像的預處理階段，從數字圖像處理的技術角度來說屬於圖像恢復的技術範疇，它的存在有著非常要的意義。為了抑制圖像中的噪聲，可以使用很多常規的方法，例如均值濾波、中值濾波、順序統計濾波、維納濾波，以及由這些濾波方法衍生而來的許多其他濾波器，包括模糊濾波器、自適應均值濾波器、基於邊緣特徵的濾波器等，上述各種濾波方法都能在一定程度上濾除圖像中存在的噪聲。
  • 從電容濾除噪聲談電容濾波半徑
    打開APP 從電容濾除噪聲談電容濾波半徑 zjulixn的博客 發表於 2020-12-04 14:44:51 本文從電容濾除噪聲來說。
  • Matlab數字圖像處理初步
    ，模的最大值必為低頻值，除左上角外，大值多位於四個角落。psnr(B,A)   % 真實圖像在前後均可% ans = 13.8864,帶有噪聲的圖像PSNR值較低，單位分貝dBpsnr(C,A)% ans = 21.0560,均值濾波確實減小了誤差，提高了PSNR 椒鹽噪聲與圖像填充問題 椒鹽噪聲，即隨機選擇圖像中的若干像點
  • 使用Matlab圖像處理(三)——圖像濾波原理
    椒鹽噪聲：這種噪聲就相當於是你抓了一把椒鹽，然後隨意的撒在了圖片上面（每回想到椒鹽噪聲的時候，小白都能想起食堂賣的椒鹽餅，沒錯就是那個種效果）。一樣，我們也來看一下椒鹽噪聲的樣子。假設我們有一個8*8的圖像，我們需要用均值濾波來對其進行處理。比如我們相對圖像的(1,1)元素進行濾波，我們就將均值濾波模板的中間放到(1,1)處，然後把以(1,1)為圓心，1為半徑的像素分別乘以模板中對應位置的係數，求和之後球去個平均數即為(1,1)處濾波後的像素值。
  • 檢測不到信號，是加點噪聲？還是濾除噪聲？
    在信號分析過程中，噪聲常被認為是令人討厭的東西，因為噪聲的存在降低了信噪比，影響了有用信息的提取。然而在某些特定的非線性系統中，噪聲的存在能夠增強微弱信號的檢測能力，這種現象被學者們稱為 隨機共振[1] 。
  • 基於DSP集成開發環境CCS2.2的指紋圖像預處理的應用研究
    本文中採取了極值濾波，改進的平滑濾波進行噪聲消除，而不使圖像失真；採取拉普拉氏銳化對指紋進行紋線增強，突出邊緣信息，為自適應閥值的迭代二值化提供方便。 極值濾波 極值濾波器的設計是基於這樣一種理念：由於在指紋圖像的採集過程中，指紋圖像所受到的衝擊性噪聲表現為一些斑點或者亮點。在一般情況下，可以認為絕大數衝擊性噪聲是被真實的灰度值所包圍。
  • 加點噪聲還是濾除噪聲？
    在信號分析過程中，噪聲常被認為是令人討厭的東西，因為噪聲的存在降低了信噪比，影響了有用信息的提取。然而在某些特定的非線性系統中，噪聲的存在能夠增強微弱信號的檢測能力，這種現象被學者們稱為 隨機共振[1] 。
  • 基於Sigma-IFCM分割算法的腦部MR圖像
    而文獻[6]在每次迭代過程中不僅考慮像素點本身的灰度值，還考慮它周邊像素點的灰度值，但只修改了d(t)的計算方法，對目標函數的其他部分未作修改。以下為文獻的計算公式，皆省略了上標(t)：對於二值圖像，根據輔助矩陣中0、1像元的分布，使處於矩陣中心的像素點從「0」變成「1」，或從「1」變為「0」。3.2.1 去毛刺二值圖像通常採用圖1所示的3×3毛刺去除矩陣，包括其3次90°旋轉形成的矩陣。「X」可以為任何值，表示不考慮此處像素點的情況，當矩陣模板在圖像上移動時，只要圖像與模板匹配，則把模板中心的「1」變為「0」。
  • 圖像去噪算法的優點和缺點
    3、PCA 降噪 4、K-SVD 降噪 5、非局部均值降噪 6、WNNM 降噪 7、基於主成分分析和雙邊濾波的圖像降噪算法 8、小波變換 9、小波閾值降噪 10、Contourlet 變換 11、基於平移不變 Contourlet 變換的 SAR 圖像降噪**
  • 【數字圖像處理系列五】圖像濾波之空間濾波:圖像平滑降噪和圖像銳化
    2、中值濾波中值濾波是基於排序統計理論的一種能有效抑制噪聲的非線性平滑濾波信號處理技術。中值濾波在對於椒鹽噪音處理上效果很好下面分別通過opencv-python提供的中值濾波和自定義中值濾波器兩種方式實現圖像的中值濾波，下面實驗中我們嘗試著對圖像添加椒鹽噪音然後進行使用中值濾波進行消除：import cv2import copyimport randomimport imutilsimport
  • 視頻圖像中文本的檢測、定位與提取
    改變j的值得到在不同尺度下圖像的小波變換，文中選取小波分解最大尺度為J=3，其中1≤J≤J。由式(2)、式(3)計算每一點的模值和幅角，找出模圖像在梯度方向上的極大值。設置閾值T0，保留大於T的像素的模值。最後連接邊界點，形成邊緣。　　圖1(a)為使用小波模極大值算法提取的視頻圖像中的文字邊緣，圖1(b)、(c)、(d)分別為使用Canny算子、LOG算子和Sobel算子的結果。
  • 基於FPGA的結構光圖像中心線提取
    本文引用地址：http://www.eepw.com.cn/article/274762.htm引言　　隨著測控技術及數字圖像處理技術的高速發展，基於三角法線結構光的三維測量具有高精度、非接觸、實時性和強主動受控性的特性，因此在現實中有廣泛的應用，尤其是在計算機視覺、醫療診斷和工業檢測等領域應用價值日漸增強。
  • 基於圖像採集的汽車車牌定位識別,軟硬體協同
    目前車牌定位的方法很多，最常見的定位技術主要有基於邊緣檢測的方法、基於彩色分割的方法、基於小波變換的方法、基於遺傳算法的方法、基於數學形態學的車牌定位和基於灰度圖像紋理特徵分析的方法等，車牌定位算法在車牌識別技術中佔有很重要地位，一個車牌識別系統的識別率往往取決於車牌定位的成功率及準確度，考慮到FPGA適合做數據量大且運算簡單重複的特點，我們將採用基於數學形態學的方法來進行定位
  • 基於FPGA的實時中值濾波器硬體實現
    在高清圖像的生成和採集過程中，往往會受到各種噪聲的幹擾，使高清圖像的質量變差，因此必須對圖像進行濾波、平滑等預處理來消除噪聲。中值濾波作為一種非線性濾波方法，既可以消除隨機噪聲和脈衝幹擾，又可以很大程度地保留圖像的邊緣信息，得到了廣泛的運用。
  • 一種基於小波變換的圖像壓縮方法與實現
    1.2 圖像壓縮技術的發展一般將基於資訊理論和數位訊號處理的圖像壓縮技術稱為第一代壓縮技術，而將結合人類視覺特性、心理特性的圖像壓縮技術稱為第二代壓縮技術。第一代壓縮技術以信源編碼理論為基礎，使信源的概率分布儘可能非均勻或是去除信源符號間的相關性，從而達到壓縮的目的。第二代壓縮技術則注重於利用人類的生理特點來獲得高壓縮比，涉及的理論領域多，如基於分形理論、小波理論等。
  • 濾波電容的選擇:大電容濾低頻,小電容濾高頻?
    一直有個疑惑：電容感抗是1/jwC，大電容C大，高頻時 w也大，阻抗應該很小，不是更適合濾除高頻信號?然而事實卻是：大電容濾除低頻信號。 答案如下： 一般的10PF左右的電容用來濾除高頻的幹擾信號,0.1UF左右的用來濾除低頻的紋波幹擾,還可以起到穩壓的作用濾波電容具體選擇什麼容值要取決於你PCB上主要的工作頻率和可能對系統造成影響的諧波頻率，可以查一下相關廠商的電容資料或者參考廠商提供的資料庫軟體，根據具體的需要擇。
  • 淺談為什麼大電容濾低頻小電容濾高頻的問題
    大容值的電容通常具有較大的等效電感，因而其自諧振頻率較小，所以比較適合用於濾除低頻幹擾噪聲；小容值的電容通常等效電感也較小，因此自諧振頻率較大，所以適合用於濾除高頻幹擾噪聲。 　　獨石電容、紙介電容、電解電容、低頻瓷介（也稱為鐵電電容）、滌綸電容（一般是容量較大，體積較小），因介質損耗大，不適用於高、中頻電路，可用於低頻、電源濾波等電路中；雲母電容、聚苯乙烯電容、高頻瓷介、空氣介質電容等（一般是容量較小，相對體積較大），介質損耗小，適合在高頻、中頻電路中使用。 　　理論上電容越大阻抗越小，頻率越高越容易通過。