基于空间域图像去噪方法的比较

基于空间域图像去噪方法的比较

图像是通过不同的观察系统和手段在客观世界上观察和获得的，可以直接或间接地影响眼睛。一般情况下,人肉眼所看见的图像都是带有噪声的图像,这是由于其在产生、传输和记录过程中,会受到仪器、算法等的影响而混入噪声,所以为使后续图像在处理时其准确度和清晰度能达到一个好的效果,就必须在处理前,即图像分割、特征提取、边缘检测、模式识别等之前,对现有的图像进行去噪。它不仅是一切图像处理的前提,也是图像处理中极为重要的步骤,极具意义。近年来,在图像去噪的研究方面,国内外的一些学者提出大量的新型算法。文提出了基于极值中值滤波的改进算法以及中值算法和峰谷滤波器相结合的算法,这种算法是针对输入图像噪声是先验知识的情况下来进行的,但当输入信号发生改变后,此方法的去噪效果也就明显下降。文提出的基于噪声点检测的脉冲噪声滤波算法使得在滤除单脉冲噪声时在保持图像细节方面达到了较好的效果,但对未知噪声类型的图像进行滤除时其效果就不明显。文提出了一种改进的自适应中值滤波图像处理算法,它可根据噪声密度改变滤波窗口的大小,对噪声点和图像信号采取不同的处理方法,通过这种方法去除噪声后图像清晰度较高。文提出了加权中值滤波器和中心加权中值滤波算法,此算法的提出主要是由于窗口内各像素点的作用不同而必须采用不同的权值,权值的大小对滤除效果的影响较大。文还提出了基于分形编码方法,可实现同步降噪以及压缩。文提出了一种使用自适应MonteCarlo随机方法来进行图像的去噪,此方法在噪音数量和质量上都表现出了优越的抑制作用,但算法的复杂性使其效率受到影响。综上,图像去噪算法大体上可以分为线性和非线性两大类,每种方法都有其优点和缺点,还没有一种通用的算法能对各种图像噪声都取得较好的效果。本文通过分析几种常用图像去噪算法,研究总结各种算法的优缺点、适用对象及处理效率等,并通过实验进行验证。1分析过程困扰噪声是由不同频率、不同强度无规则地组合在一起的声音,它不仅妨碍人的视觉器官还对接收到的图像信息在理解和分析方面造成困扰。因此一般所产生的噪声都是不可预测的随机信号,具有分布和大小的不规整性,所以对于带有不同类型噪声的图像在进行处理的时候应采取不同的方法以使能达到最终满意的效果。有些图像信号和噪声是互不相关、相互独立的,但有些也是相关的,并且噪声本身之间也可能相关。目前,根据与信号的关系,噪声可被分为三种形式。(1)噪声的增加这种带有噪声的图像可看成理想图像与噪声的和,它和图像信号强度是没有关系的,不相关。(2)噪波噪声这种噪声往往随图像信号的变化而变化,与图像信号是相关的。(3)量化噪声这种噪声和图像信号无关,是量化过程中存在量化误差,再反映到接收端而产生的。2基于度值处理的滤波方法空间域滤波是一种在原图像上直接进行像素灰度值处理的滤波方法,常用到线性滤波和非线性滤波两种。本文主要分析研究了均值滤波、低通滤波、中值滤波以及改进的中值滤波算法。2.1邻域半径n处理线性滤波的最典型方法就是均值滤波,它是一种局部空间域处理的算法,通过一个2n+1(n为邻域半径)的滑动窗口对噪声图像进行处理,将窗口内所有像素的平均值作为该窗口中心点位置像素的灰度值。不过它的处理效果与邻域半径n有关,n越大,图像模糊程度也越大,特别是在边沿和细节处比较明显,但是这种算法的计算速度较快,并且算法也简单。为减少由于邻域半径过大所造成的模糊,此算法需要设定一个阈值,当一些点的灰度值与其邻点灰度值差别较大时,它很可能是噪声,取其邻域平均值作为该点的灰度值;反之则保留这些点的像素灰度值,这样处理后的图像比直接采用均值滤波的模糊度要小。此方法根据以下准则进行图像处理。设x,y=0,1,2,…,N-1,而f(x,y)为N×N的原始图像矩阵,g(x,y)是处理后的图像,S是以点(x,y)为中心的邻域的集合,M是S内坐标点的总数,T为所设置的阈值。如果那么否则2.2单位冲激响应矩阵空间域低通滤波法也是一种线性滤波算法,它是在图像空间通过领域操作完成的,其实现方式采用公式其中g(x,y)是处理后的图像,f(x,y)是N×N的原始图像矩阵,h为L×L低通滤波矩阵。单位冲激响应矩阵均可采用空间域低通滤波法。空间域低通滤波法主要利用了两点:一是从图像方面看,其边缘部分对应于频率域较高部分的;二是从信号频谱角度看,频率域中的高频部分是图像信号的迅速变化部分,而低频部分则是图像信号的缓慢变化部分,因此空间域的卷积可达到滤除噪声的效果。这两种线性滤波算法对简单的噪声图像滤除比较有效,算法和设计都比较简单且实现速度较快,但是对于较为特殊的噪声图像应用单一的线性滤波算法,其效果就很不理想,因此需要结合非线性滤波算法来得到更好的去噪效果。2.3窗口模板的生成中值滤波算法是一种典型的非线性数字滤波算法,它的设计思想就是检查输入信号中的采样点并判断它是否为信号点。具体做法是使用n×n(n为奇数)的滑动窗口,将其移到图像上然后对窗口中的图像像素灰度值进行排序,将排序后的中值作为输出像素值。其公式为其中g(x,y)和f(x-i,y-j)分别是输出和输入像素灰度值,为模板窗口。窗口模板W可以取线形、方形和圆形等不同形状。这种方法对于像“斑点噪声”和“椒盐噪声”这种单极或双极脉冲噪声来说是比较有用的,不仅运算简单速度也快,和线性滤波相比所引起的模糊也能变小,但对于点、线、尖顶等细节较多的图像就不宜采用此方法。2.4噪声图像的检测算法对于复杂的噪声图像,文提出一种基于同性质点个数统计的噪声点检测算法,这是一种改进的中值滤波算法———基于噪声点检测的脉冲噪声滤波算法,其关键两点是噪声点的检测和滤除,此算法对于脉冲噪声来说不仅在滤除噪声方面有较好的效果,保持图像细节信息方面也取得了一定的成就。首先是噪声点的检测,噪声点检测算法是用来找出图像中的噪声点的。好的检测算法既能少地将图像中的信息点误判作噪声点,还能尽可能多地找出图像中的噪声点,并且在滤波后图像的细节也能很好地保留。一般情况下可利用图像的局域特性来进行噪声点的检测,而此算法正是利用了脉冲噪声的上冲与下冲特性,以及其灰度值接近于图像中的最大灰度值或最小灰度值(即噪声点的灰度值与其邻域像素点的灰度值差别较大)的特性来判断,它以图像像素点中值滤波的结果来判定该点是否为噪声点,若为噪声点,中值滤波后的结果与其原灰度值的差值较大,反之则为有用信息点。因此,基于此特性在图像处理过程中可合理地设定一个阈值,通过检测图像中值滤波后其像素灰度值是否在该阈值范围内来判断其像素点是否为噪声点,如果其中值滤波后的结果在该阈值范围内,则该点为有用信息点,灰度值保持不变,否则,该像素点为噪声点,滤除。此处的阈值选择可以根据实际噪声类型来设置,对于脉冲噪声来说由于其噪声点和有用信息点相差较大,因此阈值可选择较大。此算法流程如图1所示。其次是噪声点的滤除,此算法采用的是经典的迭代中值滤波算法。在上述噪声点检测环节确定阈值范围之后,噪声点的检测与滤除就前后循环进行(即若判断出某一像素点为噪声点后就用其中值滤波的结果来替代;若不为噪声点,则该点的灰度值不变),替代后滤波窗口再向右移,若移到图像某一行的最右端则此窗口跳至下一行,直到此窗口移到图像的右下角滤波完成为止。此方法上一步噪声点的滤除直接影响到下一步噪声点的检测和滤除,因此在每一步噪声点的检测和滤除方面对阈值选择要求很高。为保证在图像边缘部分的噪声点能有效地滤除,本算法需要将图像进行延拓,而延拓的行数取决于n×n大小的窗口,且延拓行数为(n-1)/2,延拓完成后,按照如下步骤对噪声图像进行滤波处理。步骤1将设定的中值滤波窗口W移至延拓后的噪声图像的左上角。步骤2对窗口中的n×n个像素点按照灰度值的大小进行排序,并找出中心位置(n×n+1)/2所对应的灰度值,且由上述算法确定此值是否为噪声点,若此值在阈值范围外,则用窗口W的中心点灰度值代替此点;否则不进行处理。步骤3窗口W向右移动一位(若移到图像的最右端则跳至下一行),继续执行步骤2,直到超出图像右下角时整个图像滤波过程结束。3改进的中值滤波算法加入椒盐噪声后的图像滤波效果如图2所示,其中(a)、(b)分别代表原图和加入椒盐噪声的图像,而(c)、(d)、(e)、(f)分别是用均值滤波、空间域低通滤波、中值滤波及改进的中值滤波进行图像去噪的结果。取原图像中的一部分像素点及其对应的各种滤波算法进行滤波后的结果,比较情况见表1。通过图2中各种滤波结果显示,当图像中存在严重的椒盐噪声时,均值滤波和空间域低通滤波在滤除噪声点时效果极差,不仅噪声点没有滤除,且图像的边缘部分被严重弱化,而从中值滤波结果看,滤波后的图像边缘部分依然存在大量的噪声点未滤除,没有达到滤波效果,只有改进的中值滤波算法在此表现地相当明显,不仅将噪声点完全除去同时也最大化地保留图像的边缘信息,且计算时间短。这些结果可从表1中的数据显示得到,均值滤波和空间域低通滤波后的像素灰度值与噪声图像的像素灰度值接近,而改进的中值滤波与原清晰图像的像素灰度值接近,这表明改进的中值滤波算法更适合去除椒盐类的噪声点。加入高斯噪声后的图像滤波效果如图3所示,其中(a)、(b)分别代表原图和加入高斯噪声的图像,而(c)、(d)、(e)、(f)分别是用均值滤波、空间域低通滤波、中值滤波及改进的中值滤波进行图像去噪的结果。取原图像中一部分点的像素值及其用各种滤波算法进行滤波后的结果来进行比较,见表2。通过图3中各种滤波结果和表2中的数据显示,当图像中存在严重的高斯噪声点时,图像灰度值变大,边缘细节会明显弱化。空间域低通滤波法对于高斯噪声点的滤除效果极差,只能弱化噪声点的影响,但不能滤除,图像中依然存在大量的高斯噪声点;中值滤波后图像的边缘部分依然存在噪声点的影响;而均值滤波和改进的中值滤波算法对于高斯噪声滤除效果明显,滤除噪声的同时更大程度地保留图像细节。4边缘噪声点的滤波通过比较分析可以看出,空间域低通滤波算法对存在有严重椒盐噪声或者高斯噪声的图像进行去噪的效果很不理想,两者都不能完全滤除噪声点;中值滤波算法在图像中间区域的去噪效果明显,但其边缘部分依然存在有大量的噪声点,此方法适合微量噪声点的图像滤波;而均值滤波仅对高斯