自适应中值滤波在噪声图像匹配中的应用

包子洪 何爱娇

摘  要：图像在获取或传输过程中可能会受到一些干扰从而产生噪音，使图像丢失某些特征，会降低图像匹配的精度。为了匹配的准确率，文章提出了自适应中值滤波与SIFT特征提取算法相结合的图像匹配算法。先通过自适应中值滤波对图像的噪声点和信号点分别进行处理后采用SIFT算法对图像中的特征点进行检测并获取特征点的描述符，最后在特征匹配的过程中采用FLANN匹配算法完成特征点的匹配。

关键词：特征提取；自适应中值滤波；SIFT算法；FLANN匹配算法

中图分类号：TP391.4    文献标识码：A  文章编号：2096-4706（2023）08-0114-03

Abstract： In the process of acquisition or transmission， the images may be interfered then the noise is produced， which makes the image lose some features and reduces the accuracy of image matching. In order to the matching accuracy， this paper proposes an image matching algorithm which combines adaptive median filtering and SIFT feature extraction algorithm. Firstly， the noise points and signal points of the images are processed by adaptive median filtering， then the feature points in the images are detected by SIFT algorithm and the descriptors of the feature points are obtained. Finally， the feature points are matched by FLANN matching algorithm in the process of feature matching.

Keywords： feature extraction; adaptive median filtering; SIFT algorithm; FLANN matching algorithm

0  引  言

在图像的采集和生成过程中，会出现一些脉冲干扰，会使抹去部分图像信息，降低质量，给图像后期的使用和分析造成很大的困难。本文研究的是脉冲噪声，去除椒盐噪声的常规方法是采用传统中值滤波，在本文中对传统中值滤波算法进行改进，结合FLANN图像特征匹配方法，提出了一种适用于椒盐强噪声环境的自适应中值滤波算法。该算法能很好地过滤高强度的椒盐噪声，恢复受椒盐噪声干扰的图像，提高图像的信息量，具有自适应特点，通用性强，结构简单，运行速度快。

1  特征提取方法

1.1  自适应中值滤波

中值滤波就是利用图像邻近像素内的中值，进行计算实现图像的平滑降噪。本文以3×3滤波窗口为例，通过对窗口内的灰度值进行按升高的顺序排列，最后用窗口的中间值最为整个窗口的值，称为统计中值。然而在是适应中值滤波过程中，统计中值还需要跟图像中的期待值进行计较，如果满足的就选用这个值，如果这个统计中值等于滤波窗口的最大值或最小值的话，那么这个点很有可能为噪声点，在这种情况下就需要对滤波窗口大小增加2，再次进行中值计算，直至满足条件为止。

自适应中值滤波器的原理图如图1所示，实现过程如下：

1）在自适应中值滤波的处理过程中，输入图像信号x（n）为初始化信号窗口大小为M×M，输出图像信号y（n）终止窗口大小N×N，记像素灰度值为Zxy；

2）在运算的过程中，需要统计窗口内像素的灰度的最大值Zmax、最小值Zmin、中值Zmed，记α1=Zmed-Zmin、α2=

Zmed-Zmax。

3）将α1、α2两个计算值与期待值d（n）进行比较，判断是否满足条件α1＞d（n） & α2＜d（n），如果满足条件跳到步骤（4），如果不满足，窗口尺寸大小增加2，直至e（n）的均方值最小，跳出终止条件，输出值Zxy。

4）记b1=Zxy-Zmin、b2=Zxy-Zmax，如果满足条件b1＞0 & b2＜0，则滤波器输出值为Zxy，否则滤波器输出值为Zmed。

1.2  SIFT算法

SIFT算法是由Lowe与1999提出的一种基于不变量技术的特征检测方法，用来提取局部特征，能够在尺度空间中捕捉极值点，提取位置、旋转和尺度中的不变量。具备良好的独特性、高速性、可扩展性的特点，可以在海量的特征点中迅速准备的匹配到，图片所需要的特征点，对图像的噪声处理和匹配具有一定的鲁棒性，可以在椒盐噪声的图片中，高效快速的找到特征点，其中运用了高斯核有效的解决角点损失的现状，主要是通过建立高斯金字塔，在不同尺度空间下进行高斯卷积，公式为：

高斯差分金字塔中的极值点的求取，需要将该层与其上下两层进行比较，看起是否比他的图像域和尺度空间的相邻点大或者小，比如在二维空间内3×3领域内，中心值与相邻的8个点对比，在同一组内的尺度空间上，中心点和上下相邻的两层图像的2×9个点进行对比，如图3所示。该方法用于判断测点是否为极值，如果是在此区域内是最大或者最小值，则将该点视为极值点，这样能保证加测到的关键点在尺度空间和二维图像空间上都是局部的极值点。在比较过程中，每一階段的最前两层和最后两层都是不可检测的，因此至少有存在三层高斯差分金字塔和四层高斯金字塔。

在图像特征匹配中，使用描述符描述提取的特征点。在SIFT特征匹配中，利用特征点场中的梯度方向来确定特征点的主方向，使得特征匹配旋转不变。特征点的梯度公式如式（8）所示：

式中，m（x， y）表示梯度的模，θ（x， y）表示梯度的方向角，L表示特征点所在的高斯差分金字塔的空间尺幅函数。为了确定一个SIFT特征区域，需要每一个关键点的位置，尺度，方向这3个信息。

1.3  图像的特征点匹配

FLANN最快邻近区特征匹配方法，是通过欧式距离来寻找与实际点最邻近的点，这个数值越小，特征点的相似度就更好。FLANN匹配，首先用K-means算法创建大量的层次化的随机树，树的节点为聚类的中心，如果其中的某个聚类点内的数量小于阈值K，就选这个数据节点为叶子节点，然后从根节点N开始搜索，如果N是叶子节点，则这节点就加入搜索结果，如果不是，就与邻近的子节点进行比较，选取最接近的节点加入同层次的其他节点继续搜索，直至小于阈值K。FLANN匹配方法在进行批量特征匹配时，速度快，精度高，能够充分挖掘图片固有的特征，有利于大数据集和高维向量进行最近邻搜索算法。经过SIFT算法跟FLANN特点匹配后，匹配点比较多，这里面存在了一部分是错误的匹配，这里就用RANSAC算法进行筛选。

RANSAC算法是一种计算机视觉的随机抽样一致性算法，通过使用观测到的数据点来估计模型参数的迭代方法：在进行估算的时候，首先需要初始化模型参数，确定模型的阈值，然后加入到计算模型参数进行一系列的计算，如果其中的参数正确，就回去重新开始计算模型，如果参数错误就回到数据集中重新抽取新的子集，再次回到初始化模型進行计算，直至满足所有的图像内点。通过这个算法以后就可以有效地去除FLANN特征匹配出现的伪特征点，提高匹配的精准度。

2  实验结果分析

本次实验中，通过对一幅图像进行，先添加噪声，再滤波，最后提取特征点的操作，来检测该组合算法的抗干扰性以及匹配的成功率。

2.1  添加椒盐噪声

在本次实验中，通过对图片添加信噪比为0.02的椒盐噪声来模拟照片在拍摄过程中受到的干扰，如图4为原图，图5为添加了噪声的图片。在图像中，能够明显的看出添加了噪声后图像变模糊了。

2.2  自适应中值滤波

在滤波过程中，先将图片转化为灰度图像，这样便于后期效果的对比，如图6是添加噪声后的灰度图像，图7是图6经过中值滤波处理后呈现的图像，图8是图7经过自适应中值滤波处理后呈现的图像，通过对比可以看出图8的滤波效果明显优于图7，可见自适应中值滤波的效果更优。

2.3  FLANN特征点匹配

在对图像进行特征点匹配之前，需要将图像进行自适应中值滤波处理，将图像转化为灰度图像更有利于后期的效果对比。本文中通过FLANN算法对自适应滤波前后的图片的特征点进行预匹配，再采用RANSAC算法对错误的匹配进行剔除从而实现精确匹配。在信噪比0.02下对图像进行滤波前后的图像匹配效果如图9～10所示。由图可见，经过自适应中值滤波后的图片的特征点与原图的特征点匹配度更高，效果更佳。

3  结  论

抑制噪声、特征点提取是图像处理领域必不可少的一个环节，是图像匹配的前提。本文采用了SIFT算法提取特征点，分别在有噪声的环境下、中值滤波后和自适应中值滤波后三种情况下进行特征点提取，最后用了FLANN算法将滤波后的图片与原图进行了特征匹配。根据上述的仿真实验，能够得出自适应中值滤波算法能够更加有效的抑制图片中的噪声，可以更精确地进行特征点检测，可以提高特征点匹配的准确度。但是本文的算法组合也存在一定的缺陷，主要问题在于应用了自适应中值滤波算法后，输出的图片只能是灰度图像，这样对特征点匹配存在一定的影响。在后期的研究中，需要对算法进行调整，使其输出彩图便于提高特征匹配精确读。

参考文献：

[1] 陈斌，东一舟，朱晋宁.非控场景下主成分稀疏表示与低秩分解的人脸识别 [J].液晶与显示，2019，34（8）：816-824.

[2] 杨雷，唐瑞尹，王兴朝.中值滤波在噪声图像匹配中的应用 [J].现代计算机，2021（17）：135-139.

[3] 周志伟，袁锋伟，张亢，等.SURF与FLANN算法结合的图像匹配方法 [J].智能计算机与应用，2019，9（6）：160-163+167.

[4] 朱成德，李志伟，王凯，等.基于改进RANSAC-GMS算法的图像匹配 [J].计算机应用，2019，39（8）：2396-2401.

[5] 杨帆.图像匹配若干关键技术研究及其应用 [D].成都：电子科技大学，2018.

[6] 董永峰，雷晓辉，董瑶，等.改进ORB特征提取与匹配算法研究 [J].传感器与微系统，2020，39（4）：59-62.

作者简介：包子洪（1994—），男，汉族，浙江东阳人，助教，硕士研究生，研究方向：机器视觉与图像处理。