基于圖像去噪的混合噪聲濾波算法-科技論文

根據(jù)上述判斷方法，若濾波窗口內(nèi)像素受椒鹽噪聲污染，則求出濾波窗內(nèi)灰度最大值和最小值。把濾波窗內(nèi)每個像素與最大值和最小值進行比較，除去那些等于最大值或最小值的像素點，如果濾波窗內(nèi)剩余像素N不為零，則求出剩余像素的平均值M，并計算平均像素灰度值與濾波窗中點像素灰度值的差的絕對值。此絕對值與設定的閾值T比較，若絕對值d大于閾值T則輸出剩余像素均值M，若絕對值d小于閾值T，則輸出濾波窗中點像素灰度值。其中閾值T的選擇，與圖像的局部性質(zhì)相聯(lián)系。根據(jù)韋伯定理，人的視覺在亮區(qū)域?qū)υ肼暤拿舾谐潭缺劝祬^(qū)時小，因此在亮區(qū)域可以適當減弱去噪，而保存細節(jié)，在暗區(qū)域，則盡量抑制噪聲。由此知，閾值的設置域是濾波窗平均灰度值的一次函數(shù)。即：。K和b的值由多次試驗決定。本文試驗中。若濾波窗口內(nèi)剩余像素n為零，則擴大濾波窗口尺寸為5×5，并重以上算法。如果剩余像素仍為零則圖像輸出為：
若判斷濾波窗內(nèi)未被椒鹽噪聲污染，則先計算出濾波窗內(nèi)像素的梯度絕對值：
如果梯度值大于某一給定的閾值T，，其中則直接輸出原像素。否則，則輸出濾波窗像素灰度值均值。
重復上述算法直至完成所有像素點的濾波處理，最后得到除噪后的圖像f。
二、仿真實驗及分析
將本文算法和傳統(tǒng)濾波算法（中值濾波和均值濾波）進行對比試驗，采用歸一化均方誤差NMSE和峰值信噪比PSNR作為客觀評價標準，其中
式（4）、（5）中的為未受污染的圖像，為濾波后的圖像，P、Q為圖像的尺寸，L為圖像的灰度級。從式（4）、（5）中可以看出NMSE越小濾波效果越好，PSNR越大濾波效果越好。
本文實驗中，采用大小為256×256的lenna灰度圖像。首先調(diào)用MatlAb
中的imnoise函數(shù)給原圖像加噪聲，得到受噪聲污染的圖像。然后對含不同混合噪聲強度的圖像采用傳統(tǒng)濾波方法和本文算法進行濾波，濾波后恢復圖像。實驗可以采用:1.lenna圖像被的椒鹽噪聲和均方差
的高斯噪聲污染后的圖像及其濾波結(jié)果；2.lenna圖像被的椒鹽噪聲和均方差的高斯噪聲污染后的圖像及其濾波結(jié)果。
本文在傳統(tǒng)濾波算法的基礎上，提出了一種新的自適應混合噪聲濾波算法，該算法結(jié)合了線性濾波和非線性濾波的優(yōu)點，即均值濾波對高斯噪聲有較好的去噪能力，中值濾波對椒鹽噪聲有較好的去噪能力的特點，利用一個設定的閥值，合理的選擇濾波方法，理論上該算法能很好的濾除混合噪聲，仿真實驗結(jié)果及分析也表明了本文算法能很好地濾除高斯噪聲與椒鹽噪聲的混合噪聲，濾波效果比傳統(tǒng)的濾波算法更為理想。