极值中值滤波去噪算法的改进及实验比较(编辑修改稿)

极值中值滤波去噪算法的改进及实验比较(编辑修改稿)内容摘要：

，其通带要宽些（GPLF的剖面线没有二阶BLPF的剖面线紧凑），这样平滑效果要差些。 低通滤波用于去噪。 频域高通滤波器由前面低通滤波可知，衰减傅立叶变换的高频成份将使图像模糊。 由于在灰度级的边缘和其它地方的急剧变化与高频有关，图像锐化能够在频率域用高通滤波器处理实现，衰减低频部分不会扰乱傅里叶变换的高频信息。 高通滤波器的传递函数由下面关系式获得：Hhpu,v=1Hlp(u,v):相应的低通滤波器高通滤波器: 理想高通滤波器IHPF；巴特沃思高通滤波器BHPF；高斯高通滤波器GHPF；(IHPF)定义：与低通滤波器相对，IHPF 将以D0 为半径的圆周内的所有频率置为0，而毫不衰减地通过圆周外的任何频率。 IHPF 也是物理不可实现的，只能通过计算机实现。 和ILPF 一样有振铃现象Hu,v=0 D(u,v)≤D0 1 D(u,v)D0 () 阶巴特沃思高通滤波器(BHPF)：BHPF 比IHPF 更平滑，它在高低频之间有比较光滑的过渡；BHPF振铃不明显，对微小物体的过滤比IHPF清晰。 Hu,v=11+[D0Du,v]2n ()D0越大，保存的低频越少，高频更突出，图象边缘更清晰(GHPF)：GHPF 比前2种更平滑，它在高低频之间有光滑的过渡无振铃效果，对微小物体的过滤更清晰第3章 噪声分类及去噪噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。 噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规则变化，因此无法精确测量，所以不能当做具体的处理对象，而只能用统计的理论和方法去处理。 1． 高斯噪声的产生： 所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。 一个高斯随机变量z的PDF可表示为：P（z）=其中z代表灰度，u是z的均值，是z的标准差。 高斯噪声的灰度值多集中在均值附近。 （高斯函数）图31 高斯噪声的灰度值因此可以通过不同的算法用matlap来产生高斯噪声。 2．高斯噪声对信号的影响：噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊且会出项细小的斑点，使得图像变得不清晰。 3．去除高斯噪声的方法：去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波。 本文应用维纳和中值滤波。 I=imread(39。 39。 )。 J=imnoise(I,39。 gaussian39。 ,0,)。 subplot(2,2,1),imshow(I)title(39。 原图39。 )。 subplot(2,2,2),imshow(J)。 title(39。 加高斯噪声39。 )。 K=wiener2(J,[5,5])。 L=medfilt2(J)。 A=[1/9 1/9 1/9。 1/9 1/9 1/9。 1/9 1/9 1/9]。 C=conv2(A,J)。 subplot(2,2,3),imshow(K),title(39。 维纳滤波39。 )。 subplot(2,2,4),imshow(L),title(39。 中值滤波39。 )。 图31 原图 图32 加高斯噪声后 图33 维纳滤波 图34 中值滤波 椒盐噪声 1. 椒盐噪声的产生：椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。 椒盐噪声往往由图像切割引起。 去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像，使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声，而不能使用中值滤波对白噪声及椒盐噪声进行滤波，因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布，给随后的重心法细化过程带来负面影响。 大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。 噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。 因此，实时采集的图像需进行滤波处理。 消除图像中的噪声成份叫做图像的平滑化或滤波操作。 滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式。 二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。 对滤波处理的要求有两条:一是不能损坏图像轮廓及边缘等重要信息。 二是使图像清晰，视觉效果好。 椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。 盐白色，椒黑色。 前者是高灰度噪声，后者属于低灰度噪声。 一般两种噪声同时出现，呈现在图像上就是黑白杂点。 2．椒盐噪声对信号的影响：椒盐噪声是图像处理中十分常见的一种噪声，它可 能产生于图像捕捉设备传感器上的坏点或者强噪声信道条件下的图像传输过程。 对于被椒盐噪声污染的图像，噪声点只取图像动态范围内(如0～255) 的最大值或最小值, 即在图像中出现一些灰度值很小(接近黑色) 或灰度 值很大( 接近白色) 的污染点，在图像上呈现一个个暗点和亮点，类似于胡椒末和盐粉的微粒，因此称为椒盐噪声。 3．去除椒盐噪声的方法：clc。 hood=3。 [I,map]=imread(39。 39。 )。 figure。 imshow(I,map)。 noisy=imnoise(I,39。 salt amp。 pepper39。 ,)。 figure。 imshow(noisy,map)。 filtered1=medfilt2(noisy,[hood hood])。 figure。 imshow(filtered1,map)。 myfilt1=[111。 111。 111]。 myfilt1=myfilt1/9。 filtered1=filter2(myfilt1,noisy)。 figure。 imshow(filtered1,map)。 图35 原图 图36 加椒盐噪声后 图37 维纳滤波 图38 中值滤波 同时含有椒盐噪声和高斯噪声的图像消噪处理 所谓噪声是电路或系统中不含信息量的电压或电流。 在工业与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。 这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰。 高斯噪声是指噪声的概率密度函数服从高斯分布（即正态分布）的一类噪声。 如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。 高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。 高斯白噪声包括热噪声和散粒噪声。 而椒盐噪声是指椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。 椒盐噪声往往由图像切割引起。 本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理，通过比较两种滤波技术对图像处理的效果，可以看出哪种滤波技术对椒盐噪声更起作用，哪种滤波技术对高斯噪声更有效果，再根据同一种滤波技术对不同窗口尺寸的图像进行滤波，比较处理效果，最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。 中值滤波：是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法：1．通过从图像中的某个采样窗口取出奇数个数据进行排序2．用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。 方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。 二维中值滤波输出为g（x,y）=med{f(xk,yl),(k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。 W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。 图39 Original 图310 加入椒盐噪声 图311 加入椒盐噪声和高斯噪声 图312 结果图 3*3的滤波窗口的中值滤波 图313 Original 图314 加入椒盐噪声 图315 加入椒盐噪声和高斯噪声 图316 结果图 5*5的滤波窗口的中值滤波 第4章 改进的极值中值滤波算法 引言噪声信号的滤除是图像处理的基本任务之一，更是图像增强的重要手段。 1971年Turkey提出的中值滤波算法，因其简单性和良好的滤波效果，在图像处理领域得到了广泛的应用。 但由于中值滤波算法没有考虑像素点是否被噪声污染，对所有数据采用统一处理方法导致该方法在去除噪声的同时损失了图片细节。 针对中值滤波存在的不足，近年来出现了大量基于中值滤波的改进型算法。 Sun和Neuvo提出的开关中值滤波（SM）算法[1]：该算法在噪声密度较小的情况下才能取得良好的去噪效果；Wang和Zhang提出的递进开关（PSM）算法[2]：该算法需要预先设定估计参数，大大降低了其对不同图像去噪的通用性，并且该算法采用迭代方法进行，检测时间较长；Wang和Lin提出的minmax算法[3]：由于该算法只针对窗口内的极值进行操作，漏检率和误检率都较高；Brownrigg提出了加权中值滤波（WM）算法[4]：该算法在加强细节保护但降低了去噪性能；Sun和Wang提出的极值中值（EM）算法[5]：该算法对检测出的噪声直接采用标准中值滤波算法，在噪声密度较高时其去噪性能大大降低。 本文提出的改进算法是在EM算法的基础上做了两点改进：（1）对检测出的伪噪声点做进一步的检测，判断其是信号点还是真噪声点。 这样可以有效的降低误检率，保护图像细节；（2）对真正的噪声点，用窗口内信号点的中值而不是包括噪声点在内的所有点的中值代替噪声点，这就避免了噪声的传播。 本文算法能在去除噪声的同时很好的保护了图像细节，在噪声较大的情况下，其去噪效果远优于传统的EM滤波算法以及一些其他算法。 原图加入噪声噪声图像噪声判断噪声去除去噪图像图41 改进的中值滤波流程图 中值滤波中值 滤波(M edian filter)是。