一种基于噪声检测的标准中值滤波改进方法

林宛杨

（福建船政交通职业技术学院信息工程系，福建福州350007）



一种基于噪声检测的标准中值滤波改进方法

林宛杨

（福建船政交通职业技术学院信息工程系，福建福州350007）

摘要：针对传统标准中值滤波法和自适应中值滤波法在检测椒盐噪声的过程中易造成图像细节模糊的缺陷，提出了一种基于图像噪声二次检测的中值滤波改进方法。方法中采用的图像噪声二次检测算法提取全局的可疑噪声，利用方向信息确定实际图像噪声点的位置，并针对确定的噪声点进行中值滤波。模拟实验结果表明，该滤波器可以有效滤除图像中的椒盐噪声，效果优于标准中值滤波和自适应中值滤波。

关键词：椒盐噪声；中值滤波；检测窗口；图像去噪

椒盐噪声常发生在数字图像信号在形成和传输过程中，是由图像传感器、传输信道和编码处理等因素影响下产生的黑白相间的亮暗点［1］。它具有脉冲性的噪声信号，与周围像素值差异大，严重影响人们对图像及信息的观察和分析。当前，对椒盐噪声的常见滤除方法是有均值滤波和中值滤波法［2］。均值滤波法属于线性处理，对图像中每个像素都要均值代替，易使图像细节发生模糊。中值滤波针对椒盐噪声随机性的特点，使用非线性去噪算法进行滤波，在一定条件下可以克服线性均值滤波器造成的图像细节缺陷。

标准中值滤波算法对整个图像中的所有像素点均进行中值滤波，并未区分灰度值中的信号点和噪声点，因此算法虽然处理了所有的噪声点，但也处理了信号点，模糊了图像的细节。从而使整幅图像受到影响。但由于其对所有像素统一处理，改变了非噪声像素点的灰度值，在处理点、线、尖顶细节多的图像会容易引起图像信息丢失。

学者们提出了许多改进的算法来克服这个问题［3］。针对这个方向，主要的研究思路是通过对噪声点的有效检测，对噪声点进行针对性去噪，如采用模糊隶属函数对中值滤波法进行加权［4］，通过改进的矢量［5］、自适应中值滤波［6-7］和二次自适应中值滤波法［8］等。但目前很少人从算法上来解决标准中值滤波存在的问题。

为了找到一种可达到在滤除噪声的同时更好地保护图像细节的算法。本文结合椒盐噪声的特征，提出了一种基于噪声检测的中值滤波改进算法。在噪声点确定方面，尝试通过对全局噪声和局部基于方向的噪声进行两级检测来减少后续处理量。随后，针对检测出的噪声点，采用标准中值滤波来算法完成图像的滤波。

1 算法思想

1.1 噪声检测

针对上述问题，本文算法首先确定图像中的噪声点，根据各类改进的算法，采用了一种分级检测的基于方向中值的图像椒盐噪声检测算法［9］。具体算法的流程图如图1所示。

考虑到椒盐噪声通常表现为图像中的灰度极大值或极小值。通常情况下，定义灰度值为0和255为椒盐噪声的像素，即大部分灰度值均集中在这两个极值点附近。根据此原理将图像中的像素点分为噪声像素点与信号像素点，初步确定可疑噪声点，判断公式如式（1）所示。式（1）中，δ为预先设定的阈值，通常为不大于10的自然数，实验中δ取值为2，若坐标（x，y）像素点灰度值满足式（1），表明该像素点为可疑噪声点，否则为信号点。

图1 去噪算法流程图

其次，图像中的极值点不全是噪声点，因此，以可疑噪声点为中心来建立噪声点检测窗口，对其进行二次检测。为了提高计算效率，算法以可疑噪声点为中心建立5×5的检测窗口。

第三，在检测窗口中设置9个噪声检测区域，在5×5的检测窗口建立9个噪声检测区S1-S9。

第四，对所有噪声检测区中像素的灰度值进行中值提取和计算。其像素中值计算如式（2）所示。

式中，median｛｝表示是对噪声检测区域中的像素灰度值进行中值提取；Sn表示为第n个检测区中除可疑噪声点外其他像素灰度值集合；An表示第n个检测区的灰度中值。

最后，分别计算可疑噪声点像素灰度值与An的差值绝对值，并与预先设置好的阈值进行比较，实验中阈值取5，若9个噪声检测区中有6个区域（及以上）大于的差值绝对值，则认为该可疑噪声点为噪声点，否则为信号点。

1.2 对确定噪声点进行中值滤波

在噪声点确定后，对其进行中值滤波处理得到最终的滤波图像。中值滤波能够有效抑制噪声，是一种非线性信号处理技术。单一像素点的灰度值均可设为该点相邻窗口内的全部像素点灰度值的中值。可以用相邻窗口的中值来代替数字序列中一点或图像，通过让周围的像素值接近的真实值的方式来消除孤立噪声点。二维中值滤波输出为如式（3）所示。可按像素值的大小进行排序，形成单调上升或下降的二维数据序列。

其中，W为3×3或5×5区域的二维模板，可以是圆形、圆环形、线状和十字形等，本文实验中采用5×5区域。f（x，y）为初始图像，g（x，y）为滤波后图像。算法仅仅对检测出来的椒盐噪声进行过滤，和传统的中值滤波和自适应滤波法相比，大大减少了待处理的像素点，更好的保留图像细节。

2 仿真实验分析

为验证本文提出的算法，在MatLab7上采用像素为512×512的Lena灰度图像和256×256的Tire图像。通过在10%至50%的噪声密度下，密度间隔为20%，对本文算法进行了仿真实验。通过使用标准中值滤波算法、自适应中值滤波算法（RAMF），与本文的算法进行比较，其中RAMF与标准自适应中值滤波均采用（7×7）滤波窗口。通过图像直观效果对比和峰值信噪比两种方法来比较滤波效果。

2.1 Lean测试结果

图2为像素为512×512的Lena标准灰度图像。

图2 测试图像Lean原图

表1为使用标准中值滤波算法、RAMF算法及本文算法针对不同噪声密度图像滤波后的峰值信噪比值。由表可知，相对于其他两种算法，本文算法处理不同灰度分布图像时去噪后图像的峰值信噪比（peak signaL-to-noise ratio，PSNR）值的均有一定程度的提升，PSNR值均为最大，说明滤波前后图像接近程度越大，去噪效果最好。

表1 使用不同算法滤波后不同噪声密度Lena图像的PSNR值

图5为不同算法对加噪50%Lean图像去噪结果比较图。通过比较可以看出，当噪声密度达到50%的时候，未经处理的图像变得异常模糊，如图3（a）所示。标准中值滤波处理的图像中出现了噪声块，如图3（b）所示。而预先对图像中噪声点进行检测，确定灰度为“0”或“255”的像素点确定为噪声，进而采用自适应中值滤波处理，如图3（c）所示，能够较好去除图像中的噪声，图像更为清晰。经本文算法处理后的图像，如图3（d）所示，能够较好地保护图像的细节信息，显得相对平滑和清晰。

图3 不同算法对加噪50%的Lean图像去噪结果比较

2.2 Tire测试结果

由于Lean图象无极值灰度区，为了进一步比较本文算法和其它噪声检测算法的性能，在MatLab7上采用像素为256×256的标准Tire图像，其灰度值分布集中于极值灰度区间，如图4所示。

图4 测试图像Tire原图

表2 使用不同算法滤波后不同噪声密度Tire图像的PSNR值

表2为使用RAMF算法、标准中值滤波算法及本文算法针对不同噪声密度图像滤波后的峰值信噪比值。表中可以看出，相对于其他两种算法，本文算法处理不同灰度分布图像时PSNR值均为最大，说明其滤波能力明显强于传统滤波器，滤波效果最好。图5为不同算法对加噪50%Tire图像去噪结果比较图。由图5 （a）可见，加噪50%的Tire图异常模糊经过标准中值滤波算法后，图像比较模糊，如图5（b）所示，图像中噪声并未得到明显滤除。经自适应中值滤波处理后，如图5 （c）所示，图像中出现了明显的椒噪声块。而经过本文算法处理后，噪声得到较好的去除，如图5（d）所示。

图5 不同算法对加噪50%Tire图像去噪结果比较

4 结语

本文提出了一种基于噪声点二次检测的改进中值滤波算法。该算法首先采用基于方向中值的图像椒盐噪声分级检测提取出实际噪声点，而后对噪声点进行中值滤波。实验结果表明，该算法能更好的保留图像的细节，提高图像的峰值信噪比，算法优势明显，得到较好的滤波效果。

参考文献：

［1］SuLaiman S N，MatLsana N A M. Denoising-based cLustering aLgorithms for segmentation of Low LeveL saLt- and- pepper noise- corrup-ted images［J］. Transactions on Consumer ELectronics，2010，56（4）∶2702-2710.

［2］张东，覃凤清，曹磊，等.基于中值滤波的椒盐含噪图像去噪方法［J］.宜宾学院学报，2014，14（6）∶1108-110.

［3］罗玲，王修信.一种高效去除椒盐噪声的中值滤波方法［J］.微电子学与计算机，2011，28（11）∶118-121.

［4］王芳，满益云.基于模糊中值滤波的椒盐噪声去除方法［J］.模糊系统与数学，2012，26（1）∶166-173.

［5］李刚，魏计林.强椒盐噪声彩色图像的改进矢量中值滤波算法［J］.计算机与数字工程，2011，39（4）∶157-160.

［6］曾宪佑，黄佐华，周进朝，等.一种去除椒盐噪声的自适应极值中值滤波算法［J］.计算机与现代化，2012（11）∶70-76.

［7］乔坤，郭朝勇，毛东.一种去除椒盐噪声的自适应开关中值滤波算法［J］.计算机应用于软件，2011，28（10）∶253-256.

［8］李刚，魏计林.强椒盐噪声图像的二次自适应中值滤波算法［J］.微计算机应用，2011，32（4）∶22-26.

［9］陈健，郑绍华.基于方向中值的图像椒盐噪声检测算法［J］.计算机应用，2012，32（10）∶2790-2792.

（责任编辑：叶丽娜）

An Improved Median Filtering Algorithm Based on Noise Detection

LIN Wanyang

（Information Engineering Department，Fujian Chuanzheng Communication CoLLege，Fuzhou，Fujian 350007）

Abstract：Concerning the defect that the traditionaL the standard median fiLtering window and the adaptive median fiLtering window may easiLy cause the fuzzy image detaiLs，a new fiLtering aLgorithm to the saLt and pepper noise based on fiLtering after dectction was proposed. First，the gLobaL suspicious noise was extracted by the twice detection of the image nosie. Then，the actuaL image noise LeveL was determined by the direction information. Last，the determined noise points was fiLtered by the median fiLter.. The experimentaL resuLts show that the aLgorithm can effectiveLy fiLter out saLt and pepper noise，the effect is better than the standard median fiLter and the adaptive median fiLter.

Key words:saLt and pepper noise；median fiLter；detection window；image denoising

中图分类号：TP391.41

文献标识码：A

文章编号：1674-2109（2016）03-0063-04

收稿日期：2015-11-03

基金项目：福建省教育厅科技A类项目（JA14217，JA14223）。

作者简介：林宛杨（1981-），女，汉族，讲师，主要从事数据库、图形图像方面的研究。