改进的自适应中值滤波算法

第31卷第7期 2011年 7月 计算机应用 Journal of Computer Applications Vo1．3l No．7 July 2011 文章编号：1001—9081(2011)07—1835—03 doi：10．3724／SP．J．1087．201 1．01835 改进的自适应中值滤波算法 黄宝贵 ，卢振泰 ，马春梅 ，赵景秀 (1．曲阜师范大学 计算机科学学院，山东 13照 276826； 2．南方医科大学 生物医学工程学院，广州 510515) (hjbaogui@163．corn) 摘 要：中值滤波窗口大小影响滤波器性能，3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中 值滤波方法。将 3×3窗口中心的极值点作为候选噪声点，若候选噪声点仍然是7×7窗口的极值点，则该点即是噪声 点。若以噪声点为中心的3×3滤波窗口的中值不是噪声，则噪声用中值替换。重复以上过程，直到没有噪声点被替 换。如果图像中仍然存在大的噪声团块，则噪声用相邻的三个信号点的灰度均值替换。实验结果表明，该方法能够有 效去除脉冲噪声，并在抑制噪声的同时很好地保护图像的细节。 关键词：脉冲噪声；中值滤波；噪声检测；自适应 中图分类号：TP391．41 文献标志码 ：A Improved adaptive median filtering algorithm HUANG Bao—gui ，LU Zhen—tai ，MA Chun—mei ，ZHAO Jing-xiu (1．School of Computer Science，Q Normal University,Rizhao Shandong 276826，China； 2．School of Biomedical Engineering,Southern Medical University,Guangzhou Guangdong 510515，China) Abstract：The size of median filtering window influences the capability of filter and 3×3 filtering window can preserve image details．An adaptive median filtering method was proposed．The extreme value point in 3×3 filter window was taken as candidate noise．If the candidate noise is extreme value in 7×7 window．then it is a sure noise．If the median value of 3×3 filter window is not noise，then the central noise would be replaced with the median value．The steps above were repeated until there was no noise replaced．If there still existed large noise cluster，the noise would be replaced with the mean of the three signals near it．The experimental results show that the method Can denoise impulse noise and protect the image details effectively． Key words：impulse noise；median filtering；noise detection；adaptive 0 引言 图像滤波就是去除图像中的噪声，减少噪声对图像的影 响，提高图像的信噪比。图像滤波器总体可以分为两大类：线 性滤波器和非线性滤波器。线性(卷积)滤波在去除噪声污 染的同时会造成图像边缘的模糊，使图像特征的定位精度及 特征的可抽取性降低，无法保留陡变边缘。基于小波分析的 小波去噪算法 是常见的一种非线性滤波算法。 一 幅自然图像往往有大量的冗余信息，在进行图像处理 时，不仅要考虑局部像素信息，还要考虑整幅图像的信息。 Buades等人提出了一种非局部均值滤波算法(NL-Means算 法) 。NL—Means算法充分利用了图像局部结构的相似性， 具有很好的去噪效果，对高斯噪声滤波效果尤其明显。这种 方法仅仅考虑了图像中像素点的灰度属性，而忽略了它还具 有的几何属性，而且，算法时间复杂度高。WANG等人 提 出了加速的非局部均值算法，首先计算相邻窗口的相似度，通 过引入积分图(Summed Square Image，SSI)和快速傅里叶变换 (Fast Fourier Transform，Frr)对算法进行了加速。刘艳丽等 人。。。 进而提出了一种鲁棒有效的非局部均值去噪方法，把 图像分解成不同时频分辨率的组元，在每个组元上以像素的 非局部相似度作为权重对图像进行调整。这些方法不但能有 效地抑制图像噪声，而且可以保持图像的细节。 中值滤波 也是一种经典的非线性滤波方法，它将每一 像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度 值的中值，对消除椒盐噪声非常有效。传统中值滤波采用固 定大小的滤波窗口，对窗口内的所有像素排序找到中值，用中 值替换窗口中心像素值。即使窗口中心值不是噪声也进行替 换，所以模糊了图像的细节。窗口大小也影响滤波效果：小尺 寸窗口滤波能力低，但较好地保持了图像细节；大尺寸窗口有 较强的滤波能力，同时也模糊 了图像细节。学者们相继提出 基于中值滤波的改进方法。基于极值均值的自适应滤波算 法 J、开关中值滤波算法 “ 等，通过对图像像素点的判 断，将图像像素分为噪声点和信号点，保持信号点像素值不 变，将噪声点进行中值替换，从而减少不必要的细节丢失。如 果滤波窗口内的噪声点个数大于或等于窗 口元素个数的一半 时，中值滤波失效。为了提高滤波性能，相应地应增大窗 口的 尺寸。文献[12]提出一种根据噪声干扰程度自适应地调整 滤波窗口的尺寸方法，兼顾了噪声抑制和细节保护两方面的 性能，但是噪声干扰程度的判断区间不容易确定。文献[13] 不仅改变窗口尺寸，也改变窗口的形状，更全面地保留了图像 的细节和边缘，但是随着窗口尺寸的增加，算法的运算量急剧 增大，所以该方法的运算效率较低，不适于图像的实时处理。 一 般情况下，随着窗口尺寸的增大，窗口内像素排序占用大量 的时间，图像处理的时间较长，不利于图像的实时处理。一般 收稿日期：2010—12—14；修回13期：2011—01—29。 基金项目：国家自然科学基金资助项 目(31000450)。 作者简介：黄宝贵(1977一)，男，山东l临沂人，讲师，硕士，主要研究方向：数字图像处理、模式识别； 卢振泰(1981一)，男，山东济宁人，副 教授，博士，主要研究方向：图像配准与融合、图像分割； 马春梅(1978一)，女，山东威海人，讲师，硕士，主要研究方向：数字图像处理； 赵景秀 (1968一)，男，山东泰安人，副教授，硕士，主要研究方向：数字图像处理、模式识别。 1836 计算机应用 第31卷 认为，对 Ⅳ个元素进行排序时所需的比较次数在理论上的最 小值为0(Ⅳin N)，当原始数据序列较长或窗口较大时，用这 种传统中值滤波算法十分费时。从滤波窗口的中值元素的特 点及滤波窗口移动的相关性上进行考虑 ，充分利用前一个滤 波窗口的排序结果，可以对当前滤波窗VI内的像素不进行全 排序，从而减少了查找中值的时间，将传统算法的时间复杂度 从 0( )简化为0(Ⅳ) 或是更小 ，极大地提高了滤波 速度。传统中值滤波未考滤中心像素与其邻域内像素之间的 联系及图像的纹理特征。加权中值滤波器 刮根据周围像素 值与中心像素的相关性，给周围像素点赋以不同的权值，然后 对周围像素进行加权求和，作为中心像素的替代值，从而提高 中值滤波性能。 本文提出一种基于中值滤波的脉冲噪声滤除方法。对图 像的所有像素用二级检测的方法，准确地将像素点分为信号 点及噪声点，只处理噪声点。使用3 X 3的滤波窗VI，若窗FI 内所有像素的中值不是噪声值，则用中值替换中心噪声，否则 中心噪声不进行处理。如此重复地用 3×3窗口 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 进行滤 波，直到图像中没有噪声或者噪声无法用 3×3窗口模板进行 滤波为止。若图像中仍然存在大的噪声团块，则噪声团块中 的噪声点，用相邻信号点的均值替换。 1 自适应中值滤波 1．1 噪声点初级检测 脉冲噪声是图像处理中常见的一类，中值滤波器对消除 脉冲噪声非常有效。噪声脉冲可以是正的(盐点)，也可以是 负的(胡椒点)，所以也称这种噪声为“椒盐噪声”。椒盐噪声 一 般总表现为图像局部区域的最大值或最小值，并且受污染 像素的位置是随机分布的，正负噪声点出现的概率通常相等。 图像噪声点往往对应于局部区域的极值，反之不然，区域极值 点不一定都是噪声点。如图l(a)的中心像素是 3 X 3邻域极 小值，与周围像素值差别较大，认为是噪声干扰点；而图1(b) 的中心像素值是3 X 3邻域虽然是极大值，但与周围像素值差 别较小，应该是信号点。 ll8 ll9 120 ll7 0 120 120 122 125 118 119 120 1l7 123 120 120 122 120 (a)中心为噪声点 (b)中心为信号点 图1 3×3邻域像素值 设 ． 是3 X 3窗VI 的中心像素灰度值， 和 分 别表示窗口 内所有像素的最大灰度和最小灰度。若 ，= 或 ． ， = 。 ， 则标记 ，，是候选噪声点；否则 ，标记 ． 是 信号点。 Ff。g( 。 )：f ， ， ax或／= n (1) 【0， ． ≠ 且 ．， ≠ i 1．2 噪声点二级检测 正如前面所述，局部极值不一定是噪声点，若把局部极值 点都作为噪声进行中值替换，势必造成不必要的细节丢失。 一 幅自然的平滑图像，平滑区域的像素值是相近甚至相同的， 只有在图像的边缘或是细节非常丰富的区域内，图像像素值 的差别才比较大。根据人的视觉特性，对平滑区域内的噪声 比细节丰富的区域内的噪声更敏感。如果候选噪声点在更大 的窗口范围内依然是极值点，那么，该点即为噪声点。表 1是 分别采用3×3窗口和7×7窗口对不同噪声密度下噪声的检 测结果。采用大的窗121判断噪声点，大大提高了噪声检测的 准确度，又因为只针对小区域内的极值点才进行大窗口判断， 所以并不会增加算法的执行时间。本文采用7×7的窗口对 可疑噪声点进行二次确认。增大确认窗口至7 X 7，标记为 ， 和 i 分别表示窗口 的最大灰度和最小灰度， ， 表示 窗VI的可疑噪声。若 ． = 或 ．， = 。 ， 则标记 ．，是噪声点 ；否则，标记 ．，是信号点。 r1， ，， = 且 ．， = 或 Flag(i， )={ ，，= 且 ．，= (2) L0 ， 其他 表 1 不同窗口尺寸对噪声检测结果 1．3 窗口尺寸选择 滤波窗口尺寸的选择影响滤波效果，大尺寸窗口滤波能 力强，但细节保持能力较弱；小尺寸窗口能保持图像大量细节 但其滤波性能较低。根据噪声密度的大小自适应地选择滤波 窗口可以缓和滤波性能与细节保持之间的矛盾，同时也增加 了算法的时间复杂度。如果某噪声的3×3窗口内所有像素 的中值仍然是噪声，则滤波失败。如图2(a)的中心像素。如 果将滤波窗口增加到 5 X 5，然后再取其 中值并替换中心噪 声，滤波成功。事实上，如果用 3×3窗 口无法滤波，可以先不 进行处理，转而处理后面能够用 3 X3窗口滤波的噪声点。把 所有能用 3 X 3窗 口滤波的噪声替换以后 ，该中心噪声点就可 以用 3 X3窗口进行滤波了。两种方法的滤波结果相同，如图 2(b)所示。 121 123 124 125 125 l2l 122 122 l2l l2l 122 l2l 255 255 1l7 122 255 255 255 l2l 122 122 122 122 l2l l21 ]23 124 125 125 l21 122 122 121 l21 l22 l2l l22 l22 ll7 122 122 122 122 l2l 122 122 122 122 121 121 123 124 125 125 121 122 122 121 121 122 l2l l‘20 1l8 ll7 122 122 122 121 121 122 122 122 122 121 (a)5x 5窗口内像素值 (b)滤波结果 (c)原像素值 图2 5 x5窗口内噪声滤波结果 对两种方法的时间复杂度进行比较。一般认为，对 Ⅳ个 元素进 行排序 时所需 的 比较 次数 在理论 上 的最 小值 为 0(ⅣInⅣ)。用自适应改变滤波窗VI的方法，首先对 3×3窗 口中的9个像素排序，然后再对 5×5窗 口中的 25个像素排 序 ，算法时间复杂度为 9 X In 9+25 X In 25=100．25。而用 3×3窗口中的9个像素排序，只需进行两次 ，算法时间复杂度 为 9×In 9 X 2=39．55，仅是 自适应改变滤波窗 口算 法的 39．5％ 。 1．4 噪声团块的处理 如果图像受噪声污染较轻 ，用3×3的滤波窗口进行重复 滤波，能够处理掉所有的噪声。但是，如果图像受噪声污染比 较严重，则较大的噪声团块不能用 3×3的滤波窗口进行滤 波。如图3所示。其中，0表示信号点，1表示噪声点。实验 结果表明，当噪声密度不大于 0．5时，用 3×3的滤波窗 口进 行重复滤波即可去除掉所有的噪声。 对于噪声团块内的噪声，本文结合均值滤波的思想进行 处理。噪声团块外围的噪声，用与其相邻的像素点的灰度值 第7期 黄宝贵等：改进的自适应中值滤波算法 1837 的均值进行替换。如图4所示，1表示噪声，0表示信号点。 若 是大噪声团块内的噪声，用与 相邻的信号点的灰度 均值进行替换。式(3)即是图4中第一个图所用的替换公 式。 。 =÷( 一 一 + 一 + 一 ) (3) 0 O 0 l l 0 O 0 0 l 1 l l 0 0 1 l 1 1 l O 1 1 0 0 l l 0 1 l 0 1 l O 0 0 1 l l l 0 O 0 0 l l 0 O 0 PSⅣR作为客观 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 的尺度， ^定义为： PSNR ：10 lgT (4) ∑∑(，(m，n)一 (m，n)) 其中，肘、Ⅳ表示图像的尺寸，_厂(m， )表示原始图像的灰度 值，， (m，n)表示滤波后的图像灰度值。各种算法对不同噪 声密度的图像处理后的 PSNR(单位 ：dB)比较如图6所示。 一一■■ (a)Lena~．图 (b)噪声密度0．1 (c)噪声密度0．5 (d)噪声密度0．9 2)若Flag(i√)=1，求得以( √)为中心的3×3窗口中 所有像素的中值 Med；若中值Med不是噪声，则用 Med替换 中心像素，同时修改Flag(i√)=0，replace=1；否则，中心像 素不做处理。 3)所有 Flag( ， )=1的点处理完毕，将结果输出，作为 待处理图像。 4)如果 replace=1，则重复2)、3)；否则，说明图像中不 存在噪声或者有大的噪声团块但不能用3×3窗口进行替换。 6)若∑Flag≠0，说明图像中仍有噪声团块，噪声 ． 用 与． 相邻的信号点的灰度均值进行替换。 7)输出滤波结果。 3 实验结果与分析 为验证本文算法的有效性，对512×512、256级灰度图像 Lena加不同密度的脉冲噪声，用本文算法及传统中值滤波 (MF)、自适应中值滤波(AMF，最大窗口尺寸7×7)进行比 较。滤波结果如图5所示。其中，图(e)是分别用 3×3 MF、 5×5 MF、AMF、本文算法对图5(b)(密度是 0．1)的滤波结 果；图(f)是分别用3×3 MF、5×5 MF、AMF、本文算法对图5 (c)(密度是0．5)的滤波结果 ；(g)是分别用 3×3 MF、5×5 MF、AMF、本文算法对图5(d)(密度是0．9)的滤波结果。 3．1 主观比较 当噪声密度比较小(0．1)时，AMF和本文算法在滤除掉 所有噪声的同时，很好地保持了图像的细节；3 x 3 MF保持了 图像的大量细节，但图像仍有噪声；5×5 MF能去掉所有噪 声，但平滑了图像的细节，模糊了图像。当噪声密度较大 (0．5)时，本文算法比AMF更好地保持了图像的细节(帽子 的纹理和眼睫毛)；3×3 MF仅能除掉小部分噪声，5×5 MF 去掉了大量噪声，但效果不理想。当噪声密度非常大(0．9) 时，MF已经失效；AMF效果非常不理想；而本文算法能基本 还原原始图像信息。 3．2 客观比较 为了客观地说明本文算法的滤波性能，采用峰值信噪比 (f)图(c)的滤波结果(密度为o．s) ■■一■ 3×3MF 5×5MF AMF 本文结果 (g)图(d)的滤波结果(密度为0．9) 图5 各种算法对不同噪声密度图像滤波结果 霎 噪声密度 图6 各种算法下PSNR比较 从图6可以看出本文算法的有效性。随着噪声密度的增 大， 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 中值滤波性能急剧下降，而本文算法的性能比较稳定。 4 结语 中值滤波算法能有效地去除脉冲噪声。为了准确地检测 噪声，本文在极大极小中值滤波的思想上，用二级检测的方法， 将像素点分为信号点及噪声点。只用3×3滤波模板重复去除 噪声，可以很好地保持图像的细节；大的噪声团块采用均值的 思想，能有效地去除图像的噪声。实验结果表明，该算法能有 效地滤除大量噪声并极好地保持了图像的细节。尤其当噪声 密度较大时，与其他算法相比，更能体现出本算法的有效性。 参考文献： 【1】 CHANG S G，YU B，VETTERLI M．Adaptive wavelet thresholding for image denoising and compression[J]．IEEE Transactions on Im— age Processing，2000，9(9)：1532—1546．(下转第1883页) 第7期 昌燕：Web服务信任类型动态定义 1883 信任类别个数 图 1 基于直觉模糊集和普通模糊集划分信任类别的最大相关度 此外，在真实的网络环境中，网上交易行为可能有正常行 为，也可能有恶意行为。一般，正常行为向他人提供真实服务 或对其他服务进行真实评价 ，而恶意行为则正好相反，它要么 提供虚假评价，要么伪装提供真实服务。为防止恶意行为的 破坏，可以从保障服务信息本身安全和恶意行为识别两个方 面来考虑。若从保障服务信息本身安全性出发，可以适当调 整安全性信任贡献度的权重；若从识别恶意行为出发，可以适 当提高能力信任贡献度的权重，降低声誉属性信任贡献度的 权重。实际的信任分类情况也可能会随着网络环境和应用环 境的不同而有不同的要求，可以根据实际情况调整A取值，获 得不同的分类结果，也可以通过调整信任属性的权重值来动 态调整信任管理的侧重点，进而得到针对不同性能要求的动 态信任分类。 4 结语 本文提出的web服务信任类型动态定义机制以直觉模 糊聚类为基础 ，用直觉模糊数的隶属度、非隶属度和犹豫度来 更加细腻地描述web服务的信任属性。考虑到 Web环境的 开放性、自治性、不确定性和欺骗性等特征以及 Web服务的 实际情况，本文从能力、安全性和声誉三个方面描述信任度。 并用直觉模糊聚类的方法，先构造信任直觉模糊集的相似矩 阵，再由求传递闭包的方式得到直觉模糊等价矩阵，最后通过 设定不同的A值得到不同的A一截矩阵，从而得到不同的分类 结果。实验证明，直觉模糊数所刻画的Web服务的信任属性 更接近真实情况，基于直觉模糊聚类的Web服务信任类型动 态定义机制可以获得有效合理的分类结果。本文所提出的 Web服务信任类型动态定义机制为Web信任管理研究提供 了一个新思路。 参考文献： [1] BETH T，BORCHERDING M，KLEIN B．Valuation of trust in open network[C】／／Proceedings of the European Symposium on Research in Security．LNCS 895．Berlin：Springer-Verlag．1994：3—18． 【2] 唐文，陈钟．基于模糊集合理论的主观信任管理模型研究[J】．软 件学报，2003，14(8)：1401—1408． 【3】 张仕斌，何大可，速藤誉．基于模糊聚类的信任类型动态定义机 制研究[J】．计算机工程，2006，32(9)：19—21． [4】 李海华，杜小勇，田萱．一种能力属性增强的 Web服务信任评估 模型【J】．计算机学报，2008，31(8)：1471—1477． 【5] 李小勇，桂小林．可信网络中基于多维决策属性的信任量化模型 [J]．计算机学报，2009，32(3)：405—416． [6] 李建欣，怀进鹏，李先贤，等．DTM：一种面向网络计算的动态信 任管理模型[J]．计算机学报，2009，32(3)：493—505． 【7] 雷英杰，王宝树，胡军红．直觉模糊等价矩阵构造方法[J]．系统 工程理论与实践，2007，16(7)：127—131． [8】 张洪美，徐泽水，陈琦．直觉模糊集的聚类方法研究[J】．控制与 决策，2007，22(8)：882—888． 【9] ATANASSOV K．Intuitionistic fuzzy sets[J]．Fuzzy Sets and Sys- tems，1986，20(1)：87—96． 【1O】申晓勇，雷英杰，蔡茹，等．直觉模糊集合数据的聚类有效性分析 [J]．数据采集与处理，2009，24(4)：493—496． (上接第 1837页) [2] PIZURICA A ，PHILIPS W ，LEMAHIEU I，et a1．A versatile wavelet domain noise filteration technique for medical imaging[J]． IEEE Transactions on Medical lmaging，2003，22(3)：323—331． [3] 韩丽娜，耿国华．基于小波变换的真彩图像降噪与增强[J]．计 算机工程，2010，36(12)：224—225． [4] BUADES A，COLL B，MOREL J M．A non—local algorithm for image denoising[C]／／Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition． New York：IEEE，2005：60—65． [5] WANG JIN，GUO YANWEN，YING YITING，et a1．Fast non local algorithm for image denoising[C]／／IEEE International Conference on Image Processing．New York：IEEE，2006：1429—1432． [6] LIUYANLI，WANG JIN，CHENXI，et a1．Arobust andfast non— local algorithm for image denoising[J]．Journal of Computer Science and Technology，2008，23(2)：270—279． [7] 刘艳丽，郭延文，王进，等．噪声方差未知的小波域中非局部均 值图像去噪[J]．计算机辅助 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 与图形学学报，2009，21(4)： 526—532． [8] TUKEY J W．Nonlinear(Nonsuperposable)methods for smoothing datal C J／／Proceedings of the IEEE Electronics and Aerospace Systems Conference．New York：IEEE，1974：673—681． [9] 秦虹，王耀南，朱江，等．一种改进的极值均值 自适应滤波算法 [J]．计算机工程与应用，2009，45(32)：180—182． [1O] WANG ZHOU，ZHANG D．Progressive switching median fiher for the removal of impulse noise from highly corrupted images[J]． IEEE Transactions on Circuits and Systems，1999，46(1)：78—8O． [11] 陈初侠，丁勇，刘栎莉．去除椒盐噪声的自适应开关加权均值 滤波[J]．计算机工程，2010，36(4)：210—212． [12] 张旭明，徐滨士，董世运．用于图像处理 的自适应中值滤波 [J]．计算机辅助设计与图形学学报，2005，17(2)：295—299． [13] 王晓凯，李锋．改进的 自适应 中值滤波 [J]．计算机工程与应 用，2010，46(3)：175—176． [14] 肖听，李岩．中值滤波编码算法的设计原理与实现[J]．计算机 辅助设计与图形学学报 ，2004，16(9)：1256—1259． [15] 张欣，刘英，高秀艳．自适应投票快速中值滤波算法研究[J]． 计算机工程与应用，2010，46(6)：148—150． [16] 李秀玲，何劲松．基于旋转不变像素相关性的加权中值滤波器 [J]．中国图象图形学报，2010，15(1)：56—62．