一种改进的快速中值滤波算法

一种改进的快速中值滤波算法

1自适应中值滤波算法图像采集过程中不可避免地会产生噪声。这些噪声恶化了图像质量,使图像模糊,甚至淹没和改变特征,给图像分析和识别带来困难,因此常采用滤波的方法来消除噪声。噪声信号的滤除主要有线性滤波和非线性滤波。线性滤波方法一般具有低通特性,而图像边缘信息对应于高频信号,因此线性滤波方法会导致图像边缘变模糊。中值滤波是一种较少边缘模糊的非线性滤波方法,不仅能够去除或者减少随机噪声和脉冲干扰,还能较好地保留图像边缘信息。但是标准的中值滤波方法,需要进行大量的排序工作,计算量很大。因此人们对标准中值滤波进行改进。文献先利用粗糙集对图像进行分类:被噪声点破坏的像素和未被噪声破坏的像素;然后根据窗口内像素点的均值与当前像素点的值的差值是否大于某一阈值来判断,然后进行中值滤波。此算法对传统的中值滤波进行了改进,滤除了图像的噪声,保持了图像的清晰度,使图像获得了较好的滤波效果。但粗糙集中值滤波算法复杂,计算量大,并且在图像的边缘也留有少量的噪声。文献采用两级噪声检测,减小噪声的误检率,然后根据噪声检测结果,噪声密度越大,选择较大的窗口进行滤波。此算法复杂,实现起来较为困难。文献采用对滤波像素点的判断来选择合适的滤波窗口。此混沌优化自适应中值滤波算法很好地解决了标准中值滤波难以兼顾去噪效果与保护图像细节的问题,但是每个像素点都要做中值滤波、最大值滤波、最小值滤波,且要比较三个值与该点像素值之间的关系,因此,此算法较为耗时。文献采用了人眼视觉特性的噪声敏感度系数来区分噪声点,根据窗口内噪声点个数自适应地选择合适的滤波窗口,对噪声点应用迭代中值滤波,信号点保留其灰度值不变。上述的各种方法,在去噪的效果上都取得了一定的效果,但是都没有考虑到滤波的耗时问题。本文针对标准滤波的排序方法,根据窗口在移动过程中,前后窗口之间的相关性,采用二分法插入移入数据,删除移出数据,来降低比较次数,提高图像处理的速度;同时根据窗口内像素间的统计特性,采用方差和均值对像素点进行噪声判断,来降低对边缘细节信息的影响,提高滤波效果和滤波的自适应性。2改进的高速中值滤波算法此改进的快速中值滤波算法主要包括:中值的确定、噪声点的确定和滤波处理三个环节。2.1窗口编码中的自动扫描数据,将其按以下的文本进行排序由于较大的窗口会倍增滤波时间,且窗口越大,图像边缘细节丢失越多,因此实际实验中我们采用3×3窗口进行滤波。表1为建筑馆的部分数据,对数据加3×3窗口,实线是当前窗口,虚线为移动到下一点的窗口数据,由此可以看出两个窗口中有六个数据是相同的,可以采用在第一个窗口排序的基础上,将第一个窗口的第一列像素删除,则剩下的六个数据已经排好顺序,再加入第二窗口的第三列像素。具体步骤如下:(1)对每一行首像素加窗时,将其窗口内的前两列6个数值存入数组A中,然后进行排序;(2)采用二分法,将窗口的第三列三个数值加入数组A中,取其中值;(3)采用二分法将窗口第一列元素的灰度值从已排序的数组A中删除;(4)窗口平移,判断是否为此列最后一个元素,如果是,继续往下进行;否则转入(2)继续处理;(5)判断行扫描是否结束,如果是,则退出;否则再转入(1)继续处理。2.2噪声点的估计噪声点的确定主要是判断该像素点的灰度值是否大于某一个阈值,如果大于则为噪声,反之则为信号点。关于此阈值主要有两种途径得到,一是根据长期处理去噪的经验得来,二是采用窗口内像素点的均值来粗略估计。这两种方法噪声判断率不高。本文根据像素点之间的统计特性,采用均值和方差同时作用来确定噪声点。以噪声图像的像素Z(i,j)为中心,选取像素为3*3的窗口,求出该窗口内像素的均值M和方差δ:δ2=19∑n=11∑m=11[Z(i−n,j−m)−M]2M=19∑n=11∑m=11Z(i−n,j−m)δ2=19∑n=11∑m=11[Ζ(i-n,j-m)-Μ]2Μ=19∑n=11∑m=11Ζ(i-n,j-m)根据噪声的特性,该像素点值Z(i,j)如果满足:Z(i,j)≥M+3δ或者Z(i,j)≤M-3δ,则该像素点为噪声点。2.3该像素点的图像点的长度值的建立根据上面噪声点确定的结果,如果为噪声点,则用中值取代该像素点灰度值,否则,该像素点的灰度值不变。此处理过程有效的降低了去噪过程对图像边缘细节信息的影响,提高了图像的信噪比。3改进中值滤波算法的运算量本次仿真实验主要从两个方面进行:滤波效果和滤波耗时。滤波效果采用峰值信噪比作为评价的标准;滤波耗时主要比较排序比较次数和算法运行时间。在162×128×8bit的标准图像“校徽”中,分别加入10%,20%,30%和40%的椒盐噪声,采用基于粗糙集理论的图像中值滤波、去除脉冲噪声的自适应开关中值滤波、基于混沌优化的自适应中值滤波、基于人眼视觉特性的自适应中值滤波算法和本文算法对图像进行滤波处理,并采用峰值信噪比(PSNR)作为评价的标准。PSNR定义为:PSNR=MN255∑m=1M∑n=1N(Z(m,n)−f(m,n))2ΡSΝR=ΜΝ255∑m=1Μ∑n=1Ν(Ζ(m,n)-f(m,n))2其中Z(m,n)为原始图像的灰度值;f(m,n)是滤波后图像的灰度值。表2为五种滤波方法对应的PSNR值。由表2可见,在不同噪声干扰下,本文算法的PSNR值基本上均高于其他滤波算法,特别是比3×3窗口标准中值滤波的PSNR值高出很多。这表明,改进的快速中值滤波算法在去噪和保护细节方面优于其它算法,且随着噪声密度的加大,这种优势越来越明显。中值滤波耗时的主要原因是需要对每点像素加窗,然后排序取中值,则标准的3×3窗口中值滤波排序过程中需要进行比较的运算量为:(M-2)×(N-2)×36,其中M,N为图像尺寸。因此要提高滤波的速度,就要降低中值滤波排序的比较次数。采用本文改进中值滤波算法的理论运算量为(M-2)×(N-2)×2×3×(log29)。对加入10%椒盐噪声的162×128×8bit的标准“校徽”图像进行处理,采用标准的3×3窗口中值滤波需要的运算量是:725760,而采用本文的改进的快速中值滤波算法为:262185,两者耗时前者为0.355s,后者为0.094s,改进中值滤波速度比标准滤波算法快了3.5倍。前面提到的几种改进中值滤波算法,都是以牺牲速度来达到较好的滤波效果,因此在速度上,本文算法占有绝对的优势。下图1为各中值滤波效果图,由图可以看出,改进的中值滤波将标准中值滤波处理不掉的一些噪声点去除了,同时保留了更多的细节信息;在运算速度上改进中值滤波算法又远远优于混沌优化的自适应中值滤波、去脉冲噪声的自适应开关中值滤。4统计特性滤波本文针对标准滤波的排序方法,根据窗口在移动过程中,前后窗口之间的相关性,采用二分法插入移入数据,删除移出数据,来降低比较次数,同时根据窗口内像素间的统计特性,采用方差和均值对像素点进行噪声判断;最后根据噪声判断的结果进行中值滤波。通过实验对比在不同大小的噪声干扰下峰值信号比的值,多数数据都