一种自适应的高密度椒盐噪声滤波算法

陈吕强，伏明兰

（黄山学院 机电与信息工程学院，安徽 黄山245041）

1 引 言

图像信号在其形成、传输和记录过程中，会受到各种噪声干扰。椒盐噪声是主要噪声之一，这种噪声主要是由脉冲干扰引起的。因为脉冲干扰通常比图像信号的强度要大，所以脉冲噪声总是数字化为最大值(纯白或纯黑)，也就形成了我们所说的椒盐噪声。[1]对有噪图像来说，其后续处理的成败好坏往往取决于其前期处理的效果与质量。然而抑制噪声和保持图像中的细节往往是一对矛盾，因为传统的中值滤波器在椒盐噪声的去除上有着良好的效果，但其在处理高浓度椒盐噪声图像时，细节不能得到有效的保护，效果太差。因此保护细节的高浓度椒盐噪声滤波算法成为非线性滤波器研究的一个重要方面。文献[2]建立了统一的噪声模型，并最优其参数，达到去噪的效果。该算法建立噪声污染图像的数学模型，较为复杂，处理椒盐噪声浓度超过0.6 以上的图像时，效果不是很理想。文献[3]对不同椒盐噪声密度采用不同的去噪方法，取得较好效果。但文中并没有给出一个具体的标准来判别噪声浓度。文献[4]利用最近邻4 个像素值的灰度平均值替代噪声点，算法简单，但处理后的图像细节损失较为严重。文献[5]提出了一种非线性自适应滤波算法，算法实时性很好，但当高密度噪声大于0.3 时，滤波后图像较为模糊。由上述分析可见，一种既能滤除大密度噪声又能很好的保护细节的滤波器算法成了重点的研究方向。基于此，本文在上述研究成果的基础上，提出了一种自适应的高密度椒盐噪声滤波算法，取得了良好的去噪效果。

2 噪声检测

首先对噪声进行初步判决：

fi，j是像素点（i，j）的灰度值，WD[fi，j]表示以像素点（i，j）为中心的窗口尺寸为D×D 的灰度分布，窗口，经过多次实验，这里D=5。△表示噪声判决门限，经过大量实验表明，△=5 时效果较好[6]取fmin和fmax是当前滤波窗口中按上述标准滤波后剩余像素的最大和最小值。当fi，j在区间min(WD[fi，j])+△和max(WD[fi，j])-△上时，可能是信号点，所以需要进一步区分fi，j是否为信号点。如果│fmin－fi，j│和│fmax－fi，j│的值均小于阈值T，则认为fi，j是信号点，记为1，否则是噪声点，记为0。这样可以在准确判别噪声的同时，有效保留图像的大量细节。

3 算法具体步骤

算法具体步骤如下：

1.遍历全部整个图像，判断哪些是噪声点；

2.若原始图像大小为M×N,初步估计噪声的密度p:

3.如果p＜30%,则说明噪声点周围信号点较多，则对以该噪声象素点为中心的3×3 窗口内的象素进行排序，找出中间值；

4.将此中间值与周围8 个象素逐一进行比较，寻找差值绝对值最小的一个，将此象素值替换噪声点；

5.如果p＞30%，先统计3×3 窗口信号点，求这些信号点的平均值ave3×3，然后将窗口扩大为5×5，统计5×5 窗口内的像素点，求其平均值ave5×5，用替换噪音点;

6.对图像进行迭代滤波，计算迭代后图像噪声浓度和迭代前噪声浓度的绝对值，若小于0.01，则迭代结束。

4 试验结果及分析

实验基于Matlab7.0 平台下完成，选用标准的256×256×8bit 的大米图像为测试对象，来检验算法效果，添加椒盐噪声密度为0.7，试验结果如图1 中a，b，c，d，e 所示。

图1 实验仿真结果

由仿真结果可以看出，当噪声密度加大到0.7时，使用本文算法，在尽量保护细节的同时最大限度的滤除了噪声。

[1]刘健康,齐国清,姜国兴.一种适合于图像细节保留的椒盐噪声滤波器[J].大连海事大学学报,2006，32(1):79-82.

[2]肖泉,丁兴号.有效保持细节特征的图像椒盐噪声滤除方法[J].电子学报，2010,38(10):2273-2277.

[3]王钰,魏学业,等.自适应线性预测图像椒盐噪声去除方法[J].2011,47(3):163-165.

[4]何一鸣,张刚鸣,等.基于邻域均值的去椒盐噪声算法[J].2011,35(6):764-785.

[5]李树涛,王耀南.图象椒盐噪声的非线性自适应滤除[J].中国图象图形学报，2000,12(5):999-1001.

[6]Sun yan-xia, Ma ying-wei.Serious Salt & Pepper Noise FilteringAlgorithm Based on details of the reservation[J].China Electric PowerEducation,2009，15（2）:436-437.