多窗口自适应的面目标滤波算法研究

余贵水，李晓龙，魏钟记

（海军工程大学 电子工程学院，湖北 武汉 430033）

现代生活和工作中，图像已成为不可缺少的传输媒介。在军事领域，它能够使战场人员准确地获取目标信息，从而有效地实施应对措施。现代战争中，高新技术的综合运用，战场环境复杂多变，获取图像的难度也越来越大，得到的图像往往伴随着强噪声，很难辨别目标。对于红外图像，红外成像系统中的探测器是系统噪声的主要来源，是影响红外系统图像质量的主要因素。它包含两个方面，一方面是探测器自身产生的噪声，另一方面是成像系统产生的噪声，如线扫描系统的扫描噪声，凝视系统中的随机噪声等。来自红外传感器的图像数据，在形成、传输和处理过程中，由于通过媒质的实际性能和接收设备的限制，不可避免地存在着外部噪声和内部噪声[1]。脉冲噪声中典型的椒盐就是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声。它往往由图像切割引起。

一般去除脉冲干扰级椒盐噪声最常用的算法是中值滤波。中值滤波器能有效地去除图像中的脉冲噪声，但传统的中值滤波器在滤波时无条件地作用于每个像素，结果图像中那些原本末受噪声污染的像素的灰度值也被替换。为了解决既要降噪，又要保护图像细节这一矛盾，本文吸取了基于极值中值滤波算法的思想，找出了一种新的滤除噪声的方法。

1 算法实现与原理分析

选取3×3窗口，取窗口区域中最大和最小值像素点，遍历整幅窗口，让每个3×3窗口区域中像素点的灰度值减去这个最大和最小值，这样可去除极值点，重新赋值。

具体框图如图1所示。

需要说明的是：在3×3和5×5滤波窗口约束条件的设置中，零点数目的临界值分别取了6和15。这2个值是在进行了大量仿真实验，对实验效果进行全面分析评定的基础上，充分考虑了噪声密度大小对不同尺寸滤波窗口的影响后，给出的经验值[2]。另外，对于7×7窗口，非零点的个数超过45的情况极少发生，所以对此不做处理。

遍历整幅图像，在低信噪比的情况下，窗口中的极值点不一定是噪声点，而被错误的赋值。为尽可能避免这种情况，需要对后续图像进行进一步处理。把经多窗口自适应滤波处理后的图像与原始图像相减，得到的是含有误检点的噪声图像，选取阈值进一步处理。若是噪声点，则2幅图像相减后所得的值会大于阈值，若是误检点，则2幅图像相减后所得的值小于阈值。由此，可进一步提取噪声点。标记出这些噪声点在原始噪声图像上的位置，使其归零，再采用自适应窗口的方法进行赋值，得到最终的图像。

图1多窗口自适应滤波框图Fig.1 Block diagram of multi-window adaptive filtering

处理前后图像的差图像记为L，由于无法精确知道误检点的数量，选取L每一列的最小值，把最小值当作阈值T，保留所有大于T的值，这样就可以去除部分误检点，更好地恢复图像。

2 仿真结果及分析

图2（a）～图2（h）以仿真图的形式从另一角度阐述了本文算法的处理流程。本文采用峰值信噪比反应去除误检点前后图像的改善效果，峰值信噪比的计算公式[3]为：

I（i，j）为原始图像在像素点（i，j）处的灰度值，F（i，j）为处理后图像在像素点（i，j）处的灰度值，M和N表示图像的尺寸大小。

图2处理流程仿真图Fig.2 Flow chart of process simulation

图3是图像在0.1～0.6的信噪比下，去除误检点和包含误检点的峰值信噪比曲线。图3中横坐标表示信噪比，纵坐标表示峰值信噪比。由于该图是图像像素点灰度值的比较，所以单位无量纲。

从图3中可以看出，在低信噪比的情况下，去除误检点后，峰值信噪比有了一定的提高。

图3峰值信噪比曲线Fig.3 Curves of PSNRvalue

在高信噪比时，出现误检点的可能性会减小很多，这种情况下，采用本文的多窗口自适应算法进行滤波，较传统的方法有很大改善。关于滤波算法去除噪声和保护细节的综合性能，一般采用平均绝对误差（MAE）准则和均方误差准则（MSE）及主观观察进行评判[4]。

1）归一化的MAE及MSE公式分别为：

式中，Ix，y为原始图像在（x，y）处的灰度值，Fx，y为处理后图像在（x，y）处的灰度值。

表1为在信噪比为0.7的情况下所得到的数据。

表1几种滤波算法的MSE与MAE值比较Tab.1 Comparison for MSE，MAE of several filtering algorithms

从表1中数据可以看出，在高信噪比的情况下，采用未加改进的多窗口自适应算法得到的效果最好。

2）仿真图像：图4为在信噪比是0.7的情况下，采用不同方法得到的图像，图4（a）为采用多窗口适应滤波算法得到的图像，图4（b）为采用传统算法得到的图像，图4（c）为滤除误检点后采用多窗口自适应算法得到的图像。

图43种方法的处理结果Fig.4 Results though three methods

从图4中可以直观看出：在高信噪比下，图4（a）的滤波效果最好，图 4（c）的滤波效果次之，图 4（b）的滤波效果最差。因此高信噪比下，采用未加改进的多窗口自适应滤波得到的图像效果最好。

3 结 论

本文提出了一种面目标的多窗口自适应滤波算法。通过选取局部最值点的方法滤除噪声点，结合周围像素点的灰度值，恢复被污染的图像[5]。

在低信噪比的情况下，最值点的选取可能包含误检点，因此还需把误检点还原，通过设定的阈值，还原出来的图像能更好地再现原图像的细节和边缘。在高信噪比的情况下，采用本文算法，恢复的图像比传统的中值滤波和自适应中值滤波效果更好[6]。

但在低信噪比的情况下，怎样更有效地选取阈值，提取误检点仍是需要进一步研究的问题。

[1]王红梅，李言俊，张科，等.基于极值检测的图像滤波算法[J].激光与红外，2007，37（10）：1117-1119.WANG Hong-mei，LI Yan-jun，ZHANG Ke，et al.An image filtering algorithm based on extremum detection[J].Laser＆Infraredv，2007，37（10）：1117-1119.

[2]闵祥龙，王江安，吴荣华，等.一种基于双极值判决的红外图像高密度噪声滤除算法 [J].红外技术，2008，30（3）：168-172.MIN Xiang-long，WANG Jiang-an，WU Rong-hua，et al.An infrared image high-density noise filtering algorithm based on two-pass crest value judgment[J].Infrared Technique，2008，30（3） :168-172.

[3]郭军，赵和鹏，朱长仁.一种基于自适应权值灰关联分析的毫米波/红外融合识别方法[J].计算机工程与科学，2010（2） :146-149.GUO Jun，ZHAO He-peng，ZHU Chang-ren.A method of MMW/IR fusion for target recognition based on gray relational analysis with adaptive weights[J].Computer Engineering and Science，2010 （2） :146-149.

[4]顾建雄，田亚菲.保持图像细节的红外图像直方图均衡算法[J].微计算机信息，2010 （2） :186-187，197.GU Jian-xiong，TIAN Ya-fei.Infrared image histogram equalization with image Details preservation[J].Microcomputer Information，2010 （2） :186-187，197.

[5]孙国栋，吉书鹏，周桢.基于小波和Context模型的海面红外弱小目标检测[J].红外技术，2010（2）:97-100 SUN Guo-dong，JI Shu-peng，ZHOU Zhen.Dim small IR sea target detection based on wavelet and Context model[J].Infrared Technique，2010 （2） :97-100.

[6]党晓军，尹俊文.一种基于模板匹配的运动目标跟踪方法[J].计算机工程与应用，2010（5）:173-176.DANG Xiao-jun，YIN Jun-wen.Template matching based moving object tracking method[J].Computer Engineering and Applications，2010 （5） :173-176.