CN106373098B - 基于非相似像素统计的随机脉冲噪声去除方法 - Google Patents

Abstract

本发明涉及图象处理领域，为提出一种新的随机脉冲噪声点检测方法，并依据检测结果对噪声图像应用改进的中值滤波，具有较好的噪声检测能力，并且能够有效地去除图像中的随机脉冲噪声。为此，本发明采用的技术方案是，基于非相似像素统计的随机脉冲噪声去除方法，步骤是：首先确定图像边缘的大致分布情况，并依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T；同时对图像中每一个像素点周围的像素进行处理，判定子窗口中心像素是否为被检测像素点的非相似像素，最后统计检测点周边的非相似像素个数NDP，通过与非相似像素个数阈值NDPCT进行比较确定该检测点是否为噪声；对噪声点运用中值滤波处理。本发明主要应用于图象处理。

Description

基于非相似像素统计的随机脉冲噪声去除方法

技术领域

本发明涉及图象处理领域，尤其涉及在对图像进行随机脉冲噪声去除处理时，对于噪声点的区分判定以及滤除问题。具体讲,涉及利用分块排序检测噪声的图像降噪方法。

背景技术

图像的随机脉冲噪声主要来源于图像获取、传输和模数转换等过程，其特点是噪声位置和灰度值是随机的并且与周围的点不连续，看上去像是随机散布在图像上的亮或暗的斑点。图像中的噪声严重影响了图像的质量，有效地去除图像中存在的随机脉冲噪声噪声,同时又能保留图像的细节结构,譬如边缘和纹理是图像处理研究的一个重要问题。线性滤波往往不能随机抑制脉冲噪声，因此需要使用非线性滤波。中值滤波是一种最常用的非线性滤波方法，能够较好的抑制图像中的随机脉冲噪声，但由于其并没有区分图像像素和噪声像素，对图像中所有像素点进行处理，滤波后的图像较易丢失图像边缘和细节信息。如何精准地确定随机脉冲噪声的位置，即噪声检测是随机脉冲噪声去除的一个关键步骤。

发明内容

为克服现有技术的不足，本发明旨在提出一种新的随机脉冲噪声点检测方法，并依据检测结果对噪声图像应用改进的中值滤波，具有较好的噪声检测能力，并且能够有效地去除图像中的随机脉冲噪声。为此，本发明采用的技术方案是，基于非相似像素统计的随机脉冲噪声去除方法，步骤是：首先确定图像边缘的大致分布情况，并依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T；同时对图像中每一个像素点周围的像素进行处理，以被检测像素点x_i,j为中心建立一个(2N+1)×(2N+1)的掩膜，从这个大窗口中提取出8个子窗口，子窗口划分的划分方式是逆时针排列，这些子窗口均包含被检测像素点；分别计算各个子窗口中心像素点与被检测点x_i,j的绝对像素灰度差值d_k，下标k代表第k个窗口，对于子窗口Ω₁，其中心像素点x_i-1.j-1，d_k定义为：

d_k＝|x_i,j-x_i-1.j-1|

如果满足d_k≥T，继续进行判定，在该子窗口中计算像素平均差异性指标AD，如果满足d_k≥AD_k即判定该子窗口中心像素为被检测像素点的非相似像素，最后统计检测点周边的非相似像素个数NDP，通过与非相似像素个数阈值NDPCT进行比较确定该检测点是否为噪声；其余子窗口以此类推；对噪声点运用中值滤波处理。

依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T具体步骤是，分别计算逆时针排列的Ω₁，Ω₂，Ω₃，Ω₄四个子窗口所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄，根据这四个灰度值的数值和排序粗略地确定这个掩膜中的边缘分布；令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值分为三种情况，并据此三种情况判断出这个中心像素周围边缘的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时取阈值T_r；第一种情况表示当ΔM_I≥T_r时，判断这个窗口内有较强的细节或纹理分布；第二种情况表示ΔM_I≤T_r而ΔM_E≥T_r时，即判断这个窗口内有部分边缘分布，即弱边缘；第三种情况表示当ΔM_E≤T_r时，判断这个窗口是平滑的，没有图像边缘；强弱程度不同的边缘分别采用不同的阈值T来判定非相似像素。

像素平均差异性指标AD是衡量周边像素点与中心点平均差异性的指标，各个子窗口中心点像素x₀周围有m个邻域像素，邻域像素值为x_i则AD定义为

将噪声检测的结果记入指导矩阵中，指导矩阵与图像大小相同，且只有两个值，“1”代表图像相应位置为噪声像素点，“0”代表图像相应位置为正常像素点，对噪声图像采用中值滤波即可对图像进行去噪，由于在指导矩阵中已经标明正常像素的位置，滤波时选取噪声像素周边的正常像素点并求得中值替代当前噪声像素点。

在对噪声图像运用中值滤波处理时，根据指导矩阵中的噪声检测结果，将噪声像素的灰度值设置为该噪声点3×3邻域窗口内所有正常像素点灰度值的中值。

采用迭代的方法进行多次检测并恢复图像可以取得较好的噪声滤除效果，而在进行多次噪声滤除时，上一次漏检的噪声像素在恢复图像中包含更多的近似正常灰度值的邻域像素，其邻域中的非相似像素的个数随之增加，非相似像素个数比较阈值NDPCT也要随着迭代次数增加而增加。

本发明的特点及有益效果是：

1.本发明提出了一种针对常见随机脉冲噪声进行检测并去除的改进中值滤波算法，在进行噪声检测时，首先根据不同强度的边缘或细节确定粗略的比较阈值，这既减少了像素平均差异性指标计算的子窗口个数，又提高了脉冲噪声的检测率。

2.改进的中值滤波方法与检测结果紧密结合，滤波时剔除掉已经被检测为噪声的像素点，改善了中值滤波模糊图像边缘的去噪效果，保护了图像的细节。

附图说明：

图1噪声检测流程图。

图2噪声检测时子窗口划分示意图。

图3边缘检测纹理判断示意图。

(a)强边缘 (b)弱边缘 (c)平滑区域。

具体实施方式

本发明提出了一种新的随机脉冲噪声点检测方法，并依据检测结果对噪声图像应用改进的中值滤波，该方法具有较好的噪声检测能力，并且能够有效地去除图像中的随机脉冲噪声。

图1为噪声检测流程图，本发明首先确定图像边缘的大致分布情况，并依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T；同时对图像中每一个像素点周围的像素进行处理，以被检测像素点x_i,j为中心建立一个(2N+1)×(2N+1)的掩膜，5×5的掩膜优选但不局限于掩膜的尺寸，从这个大窗口中提取出8个子窗口，子窗口划分方法如图2所示，这些子窗口均包含被检测像素点。分别计算各个子窗口中心像素点与被检测点x_i,j的绝对像素灰度差值d_k，以子窗口Ω₁(中心像素点x_i-1.j-1)为例，d₁定义为：

d₁＝|x_i,j-x_i-1.j-1|,

如果满足d_k≥T，继续进行判定，在该子窗口中计算像素平均差异性指标AD，如果满足d_k≥AD_k，即可判定该子窗口中心像素为被检测像素点的非相似像素，下标k代表第k个窗口，最后统计检测点周边的非相似像素个数NDP，通过与非相似像素个数阈值NDPCT进行比较确定该检测点是否为噪声。

边缘检测时，分别计算图2中Ω₁，Ω₂，Ω₃，Ω₄四个子窗口所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄，根据这四个灰度值的数值和排序可以粗略地确定这个掩膜中的边缘分布。令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I可以提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值大致分为如图三种情况，并据此判断出这个中心像素周围边缘的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时取阈值T_r。图中(a)情况表示当ΔM_I≥T_r时，可判断这个窗口内有较强的细节或纹理分布。图中(b)情况表示ΔM_I≤T_r而ΔM_E≥T_r时，即可判断这个窗口内有部分边缘分布，即弱边缘；图中(c)情况表示当，ΔM_E≤T_r时，可判断这个窗口是平滑的，几乎没有图像边缘；强弱程度不同的边缘分别采用不同的阈值T来判定非相似像素。

像素平均差异性指标AD是衡量周边像素点与中心点平均差异性的指标。各个子窗口中心点像素x₀周围有m个邻域像素(这里m＝8)，邻域像素值为x_i(1≤i≤8)则AD定义为

将噪声检测的结果记入指导矩阵中，指导矩阵与图像大小相同，且只有两个值，“1”代表图像相应位置为噪声像素点，“0”代表图像相应位置为正常像素点，对噪声图像采用改进的中值滤波即可对图像进行去噪，由于在指导矩阵中已经标明正常像素的位置，滤波时选取噪声像素周边的正常像素点并求得中值替代当前噪声像素点。

在去除随机脉冲噪声的过程中，由于噪声位置及灰度值具有随机性，一次检测往往不能获得精确的检测结果，包含很多漏检的噪声像素，所以采用迭代的方法进行多次检测并恢复图像可以取得较好的噪声滤除效果。而在进行多次噪声滤除时，上一次漏检的噪声像素在恢复图像中包含更多的近似正常灰度值的邻域像素，其邻域中的非相似像素的个数随之增加，为了减少多次迭代引起正常像素点被误检这种情况的发生，非相似像素个数比较阈值NDPCT也要随着迭代次数增加而增加。

本发明实施步骤分检测噪声和去除噪声两步进行。在对噪声检测时，对加入随机脉冲噪声的图像进行检测，图像中的每一个像素作为中心像素通过边缘和噪声检测，采用的是对比度为255的灰度图，图像尺寸为512×512，邻域大小选取为5×5，边缘检测时的阈值T_r设为40，并针对不同强度的边缘采用不同的比较阈值T，即平滑区域、弱边缘、强边缘比较阈值分别为T1、T2、T3，满足以下条件T1≤T2≤T3.这里分别选择[10,25,40]作为不同边缘的比较阈值。非相似像素个数比较阈值NDPCT随着迭代次数n增加而增加，迭代次数越多，会有更多的正常像素被误检测为噪声像素，模糊图像的边缘，本发明统一采用两次迭代次数，在两次噪声检测过程中，非相似像素个数比较阈值NDPCT分别设为5,6来提高脉冲噪声检测率。

在对噪声图像运用改进的中值滤波处理时，根据指导矩阵中的噪声检测结果，将噪声像素的灰度值设置为该噪声点3×3邻域窗口内所有正常像素点灰度值的中值。

本发明实施步骤分检测噪声和去除噪声两步进行。在对噪声检测时，对加入随机脉冲噪声的图像进行检测，图像中的每一个像素作为中心像素通过边缘和噪声检测，采用的是对比度为255的灰度图，图像尺寸为512×512，邻域大小选取为5×5，边缘检测时的阈值T_r设为40，并针对不同强度的边缘采用不同的比较阈值T，即平滑区域、弱边缘、强边缘比较阈值分别为T1、T2、T3，满足以下条件T1≤T2≤T3.这里分别选择[10,25,40]作为不同边缘的比较阈值。非相似像素个数比较阈值NDPCT随着迭代次数n增加而增加，迭代次数越多，会有更多的正常像素被误检测为噪声像素，模糊图像的边缘，本发明统一采用两次迭代次数，在两次噪声检测过程中，非相似像素个数比较阈值NDPCT分别设为5,6来提高脉冲噪声检测率。

在对噪声图像运用改进的中值滤波处理时，根据指导矩阵中的噪声检测结果，将噪声像素的灰度值设置为该噪声点3×3邻域窗口内所有正常像素点灰度值的中值。

Claims (4)

1.一种基于非相似像素统计的随机脉冲噪声去除方法，其特征是，步骤是：首先确定图像边缘的大致分布情况，并依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T；同时对图像中每一个像素点周围的像素进行处理，以被检测像素点x_i,j为中心建立一个(2N+1)×(2N+1)的掩膜，从这个大窗口中提取出8个子窗口，子窗口划分的划分方式是逆时针排列，这些子窗口均包含被检测像素点；分别计算各个子窗口中心像素点与被检测点x_i,j的绝对像素灰度差值d_k，下标k代表第k个窗口，对于子窗口Ω₁，其中心像素点x_i-1.j-1，d_k定义为：

d_k＝|x_i,j-x_i-1.j-1|

如果满足d_k≥T，继续进行判定，在该子窗口中计算像素平均差异性指标AD，如果满足d_k≥AD_k即判定该子窗口中心像素为被检测像素点的非相似像素，最后统计检测点周边的非相似像素个数NDP，通过与非相似像素个数阈值NDPCT进行比较确定该检测点是否为噪声；其余子窗口以此类推；对噪声点运用中值滤波处理；

像素平均差异性指标AD是衡量周边像素点与中心点平均差异性的指标，各个子窗口中心点像素x₀周围有m个邻域像素，邻域像素值为x_i则AD定义为：

将噪声检测的结果记入指导矩阵中，指导矩阵与图像大小相同，且只有两个值，“1”代表图像相应位置为噪声像素点，“0”代表图像相应位置为正常像素点，对噪声图像采用中值滤波即可对图像进行去噪，由于在指导矩阵中已经标明正常像素的位置，滤波时选取噪声像素周边的正常像素点并求得中值替代当前噪声像素点。

2.如权利要求1所述的基于非相似像素统计的随机脉冲噪声去除方法，其特征是，依据边缘强弱程度的不同确定用于非相似像素粗判定的阈值T具体步骤是，分别计算逆时针排列的Ω₁，Ω₂，Ω₃，Ω₄四个子窗口所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄，根据这四个灰度值的数值和排序粗略地确定这个掩膜中的边缘分布；令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值分为三种情况，并据此三种情况判断出这个中心像素周围边缘的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时取阈值T_r；第一种情况表示当ΔM_I≥T_r时，判断这个窗口内有较强的细节或纹理分布；第二种情况表示ΔM_I≤T_r而ΔM_E≥T_r时，即判断这个窗口内有部分边缘分布，即弱边缘；第三种情况表示当ΔM_E≤T_r时，判断这个窗口是平滑的，没有图像边缘；强弱程度不同的边缘分别采用不同的阈值T来判定非相似像素。

3.如权利要求1所述的基于非相似像素统计的随机脉冲噪声去除方法，其特征是，在对噪声图像运用中值滤波处理时，根据指导矩阵中的噪声检测结果，将噪声像素的灰度值设置为该噪声点3×3邻域窗口内所有正常像素点灰度值的中值。

4.如权利要求1所述的基于非相似像素统计的随机脉冲噪声去除方法，其特征是，采用迭代的方法进行多次检测并恢复图像可以取得较好的噪声滤除效果，而在进行多次噪声滤除时，上一次漏检的噪声像素在恢复图像中包含更多的近似正常灰度值的邻域像素，其邻域中的非相似像素的个数随之增加，非相似像素个数比较阈值NDPCT也要随着迭代次数增加而增加。