基于模糊推理的方向中值椒盐滤波算法

2010-09-29罗桂娥

网络安全与数据管理 2010年6期

袁智,罗桂娥

（中南大学，湖南长沙 410083）

在数字图像的获取或传输过程中，由于图像传感器、传输信道等经常会带来脉冲噪声，使图像中出现一些黑白相间的点。这种噪声常称为椒盐噪声。它是使图像质量下降的一个主要原因，同时它对图像的后期处理有着直接的影响。目前去除噪声的方法主要是图像滤波，如何能在有效地滤除图像中的椒盐噪声的同时较好地保护图像的细节信息一直是图像处理领域的热点研究方向之一。

中值滤波是目前针对椒盐噪声应用最为广泛的一种滤波方法[1]，后来许多学者在此基础上提出了相关的改进中值滤波算法，例如加权中值滤波算法[2]和中心加权中值滤波算法，它们通过给滤波窗口中不同像素点或中心像素点赋予不同的权值来保护细节，但缺少噪声点判断，即将所有的像素点做统一处理，造成了图像的模糊。后来又出现了一种极大极小值算法[3]，如在毕萍的“一种改进的椒盐噪声非线性滤波算法”中将窗口中最大值和最小值附近的像素点视为噪声点。在一定的区域内，必然存在最大值和最小值，但不一定是噪声点，所以该方法缺乏一定的准确性。根据椒盐噪声的特点，董继扬、张军英提出了“一种简单的椒盐噪声滤波算法”[4]及刘继业和费如纯的“一种滤除椒盐噪声的改进的中值滤波算法”，他们把椒盐噪声灰度值设定在[0,δ]和[255-δ,255]2个范围内。该方法是一种较为有效的去除椒盐噪声的方法，但是这种方法在图像中的边和线处理不够妥当，会造成一定的边界模糊。

由于椒盐噪声的灰度值一般分布在[0,δ]和[255-δ,255]（其中δ为设定阈值）2个范围内,因此这种两极门限检测法非常适合椒盐噪声的检测。根据这一点本文提出了一种基于模糊推理的方向中值椒盐滤波算法，该算法首先根据两极门限检测法判断一个像素点是否为椒盐噪声点，如果满足该条件则认为该像素点为椒盐噪声点，再对该像素的周围像素点进行简单滤波，然后对该像素所在的区域进行四向模糊推理，判断滑动窗口中是否存在边和线，最后找到一个最合适的中值来替代中心噪声点的灰度值。这种算法能有效地在滑动窗口中检测出边和线，对高密度的椒盐噪声有很好的滤波效果。

1 算法介绍

在一般的灰度图像中，由于大部分像素的灰度值都远离0和255，即灰度值集中于0和255的像素点的图像大多为椒盐噪声点。根据这一特点，下面给出一种基于模糊推理的方向中值滤波算法。

(1)设椒盐噪声的灰度值范围为[0,δ]和[255-δ,255],如果图像的某一像素点的灰度值落入这一范围则该像素点为噪声点，反之为信号点，信号点给予保留；

图1 5×5窗口内的像素标记

(4)为了判断当前滑动窗口中是否存在线条和边界，4个方向的索引由下式给出：

将E11=1,2,3,4作为模糊推理的输入,并将E1赋值给 D1=1,2,3,4，并将 D1进行排序。

用如下3条模糊规则来检测噪声所处的滑动窗口的类型，即平滑窗口、含有线条或边界的滑动窗口或者复杂窗口。

规则 1：如果 D4很小，而 D1、D2、D3也都很小，则当前滑动窗口为平滑窗口。

规则 2：如果 D1很小，而 D2、D3、D4都很大，则当前滑动窗口为含有线条或边界的滑动窗口。

规则3：其他，则窗口为复杂窗口。

如果符合规则1，表明在该窗口处在一个平滑区域，则用外围像素点的中值来代替中心点的像素点灰度值。如果符合规则2，表明在该窗口中的D1方向上存在一条线或者一个边界，则用排序后D1相应方向上的2个像素点采取靠中原则，选取一个像素点的灰度值代替中心像素点的灰度值,如图 2所示，E1=2，E2=120，E3=236，E4=118，排序后 D1=2，D2=118，D3=120，D4=236，符合规则 2，且 D1=E1，则在 E1所对应的方向上的 2个像素点 143、142中选择142来代替中心像素点的灰度值。如果符合规则3，则同样用外围像素点的中值来代替中心点的像素点灰度值。