本文提出了一种基于分层滤波技术的图像随机值冲击噪声检测和去除算法。为了解决经典自适应中心加权中值滤波技术在较高噪声比率下漏检严重的问题,我们采取逐级设置由高到低的噪声值判决门限来层层筛选噪声,利用不同高度的门限甄别出不同信赖度的冲击噪点,同时更新已检测出的噪声点值。每一层均得到一幅中间去噪图像,并继续进行噪声点的判决,最终得到完整的噪声点空间以及终极去噪图像。通过对多幅不同噪声比率的噪声图进行图像恢复的仿真实验验证后,得出结论:本文所提算法无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声,漏检和误检像素数相对较低,同时获得了较好的图像去噪效果,极大地扩展了原算法的应用范围。<br/>In this paper, an algorithm about random-valued impulse noise detection and removal based on the hierarchical filter technology is proposed. In order to solve the problem of severe miss detection of classical adaptive center-weighted median filter in the situation of high noise ratios, we set the noise judgment thresholds from high values to low values to select noisy pixels hierarchically. The impulse noise with different reliable degrees is selected through different thresholds and at the same time the detected pixel values are updated. The interim denoised image is generated in each denoising layer and the noise detection continues in the next denoising layer. Lastly, we get all the locations of noisy pixels and the final denoised image is obtained. Extensive experimental results for different noisy images with different noise ratios show that our proposed algorithm can obtain the good performance of random-valued impulse noise detection in the situations of not only low noise ratios but also high noise ratios. The miss and false noise detection ratios are both low relatively. At the same time, the good denoised images can be obtained. Our algorithm expands the application range of the classical adaptive center-weighted median filter.
周颖玥,臧红彬
西南科技大学信息工程学院,特殊环境机器人技术四川省重点实验室,四川 绵阳
Email: zhouyingyue@swust.edu.cn, zanghongb@163.com
收稿日期:2015年6月15日;录用日期:2015年6月28日;发布日期:2015年7月2日
本文提出了一种基于分层滤波技术的图像随机值冲击噪声检测和去除算法。为了解决经典自适应中心加权中值滤波技术在较高噪声比率下漏检严重的问题,我们采取逐级设置由高到低的噪声值判决门限来层层筛选噪声,利用不同高度的门限甄别出不同信赖度的冲击噪点,同时更新已检测出的噪声点值。每一层均得到一幅中间去噪图像,并继续进行噪声点的判决,最终得到完整的噪声点空间以及终极去噪图像。通过对多幅不同噪声比率的噪声图进行图像恢复的仿真实验验证后,得出结论:本文所提算法无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声,漏检和误检像素数相对较低,同时获得了较好的图像去噪效果,极大地扩展了原算法的应用范围。
关键词 :图像去噪,分层策略,中值滤波,噪声检测
数字图像在获取、存储、传输的过程中容易遭受噪声的污染,这一方面导致用户无法从被污染的图像中获取正确的关键信息,另一方面使诸多图像后处理算法(例如:边缘检测、目标识别、特征提取等)难以获得满意的结果。因此,如何有效地去除被污染图像中的噪声,同时又保持本真图像中的关键细节特征一直是图像处理领域的研究热点。冲击噪声作为一种常见的噪声类型倍受研究者的关注,它对图像的污染通常是由于传感器上某些不良阵元的影响所致或是受传输信道内与信号无关的噪声干扰而产生,所污染的图像中部分比例的像素点值被冲击噪声值所篡改,而其余像素点值与本真值完全一致[
最经典的去除冲击噪声的方法是中值滤波法 [
本文的结构安排如下:第二部分重点讲解所提出的分层自适应中心加权中值滤波法是如何对冲击噪声图像进行去噪处理的,第三部分进行仿真实验验证,包括数据及图像分析,并对相关细节进行讨论,第四部分对全文进行总结。
假设
上式中,
自适应中心加权中值滤波法 [
其中
当局部邻域方形窗大小为
HACWMF的核心思想是从高到低逐级设置噪声值判决门限
进行如下判决:
然后递增层级:
我们将HACWMF算法总结于表1当中。HACWMF的优势在于当噪声比率较高时,依然可以有效检测出噪声的位置,通过逐级恢复图像最终获得鲁棒的去噪图像,我们将在实验验证中给出结果。
为了验证HACWMF算法的性能,我们选取了六幅典型灰度图像来进行仿真测试实验,它们分别是“Barbara”、“Lena”、“House”、“Monarch”、“Baboon”和“Fingerprint”。为模拟不同比率的冲击噪声对图像的干扰,我们将10%至60%的随机值冲击噪声点加入到测试图像中,形成了不同噪声比率的带噪图像。同时,选择了三种有代表性的、并与HACWMF相关的冲击噪声去噪算法进行横向对比,它们分别是:中值滤波器(Median Filter,MF)、ACWMF [
在定量评估图像质量时,我们选用峰值信噪比PSNR (Peak Signal-to-Noise Ratio)和结构相似性指数(Structure Similarity Index Measure,SSIM)来对去噪后的图像进行质量评估。PSNR主要利用了像素点间的平均灰度差异来衡量
输入:一幅受随机值冲击噪声污染后的含噪图像 |
---|
<1>初始化设置: |
表1. 分层自适应加权中值滤波法
为了从主观视觉上衡量HACWMF算法的性能,我们将30%和60%随机值冲击噪声比率下几种算法对“Lena”和“Monarch”图像的去噪效果图展示于图1~4中。从中可以看出:即使在噪声比率只有30%时,ACWMF所生成的去噪图像中也残留了很多冲击噪点,当噪声比率达到60%时,漏检情况十分严重,图像恢复效果极差;分层自适应加权中值滤波算法通过逐级筛选噪声并恢复图像的思路,有效地抑制了可能残留在图像中的噪声,极大地扩展了原算法的应用范围,无论冲击噪声的污染比率如何,都可以获得较好地图像恢复效果;与DWMF算法相比,HACWMF所获得的去噪图更接近于本真图像。
分层自适应加权中值滤波算法的一大优点是在较高噪声比率的情况下较好地检测出冲击噪声,在这一节中,我们通过对比几种冲击噪声检测方法的误检(本来是非噪声却被判为噪声)和漏检(本来是噪声却被判为非噪声)像素数目来验证HACWMF所具有的这一优势。表5所示为ACWMF、DWMF和HACWMF三种算法对含有40%~60%随机值冲击噪声的“Lena”图像进行噪声检测的结果。可见:在较高噪声比率的情况下(>30%),HACWMF检测噪声的总错误数(漏检数与误检数之和)最小;原始的ACWMF算法的漏检数量非常高,是该算法的致命缺陷;DWMF在检测效果上逊色于HACWMF。这一结果充分说明了分层筛选噪声的思路是正确的,通过设置由高到低的噪声判决门限,具有不同灰度偏移量的噪声逐步被甄选出来。
Method | p = 10% | |||||
---|---|---|---|---|---|---|
Lena | Barbara | House | Monarch | Baboon | Fingerprint | |
Noisy image | 19.3011 (0.3184) | 18.8234 (0.4199) | 19.3967 (0.3329) | 18.8414 (0.4568) | 19.0645 (0.5228) | 18.9251 (0.6688) |
MF | 33.8303 (0.9103) | 24.9169 (0.7954) | 33.0810 (0.8761) | 28.8623 (0.9386) | 22.8266 (0.6468) | 29.0805 (0.9401) |
ACWMF | 37.5512 (0.9732) | 26.9300 (0.9186) | 36.6726 (0.9681) | 30.6611 (0.9699) | 23.7564 (0.7258) | 32.5637 (0.9779) |
DWMF | 36.8559 (0.9588) | 26.1494 (0.8925) | 37.0857 (0.9566) | 29.4774 (0.9528) | 22.8848 (0.6804) | 32.7265 (0.9778) |
HACWMF | 38.1950 (0.9774) | 26.9424 (0.9188) | 37.4692 (0.9743) | 31.4846 (0.9739) | 23.8406 (0.7305) | 33.1143 (0.9797) |
表2. 10%污染图像的量化恢复结果PSNRs (MSSIMs)
Method | p = 30% | |||||
---|---|---|---|---|---|---|
Lena | Barbara | House | Monarch | Baboon | Fingerprint | |
Noisy image | 14.4710 (0.1156) | 14.1205 (0.1910) | 14.4742 (0.1253) | 14.1301 (0.2275) | 14.5946 (0.2657) | 14.2163 (0.3655) |
MF | 28.1232 (0.7941) | 23.0284 (0.6744) | 27.4977 (0.7517) | 24.4974 (0.8233) | 21.3585 (0.5545) | 24.3551 (0.8593) |
ACWMF | 28.0009 (0.7978) | 23.5396 (0.7361) | 27.5895 (0.7807) | 24.5828 (0.8192) | 21.5185 (0.6073) | 24.7538 (0.8827) |
DWMF | 32.5379 (0.9241) | 24.0494 (0.7844) | 31.8547 (0.9169) | 25.9910 (0.9090) | 21.2732 (0.5384) | 26.8416 (0.9118) |
HACWMF | 32.6111 (0.9283) | 24.6469 (0.8298) | 31.3281 (0.9043) | 26.9374 (0.9168) | 21.9967 (0.6340) | 26.9777 (0.9220) |
表3. 30%污染图像的量化恢复结果PSNRs (MSSIMs)
Method | p = 60% | |||||
---|---|---|---|---|---|---|
Lena | Barbara | House | Monarch | Baboon | Fingerprint | |
Noisy image | 11.4823 (0.0462) | 11.0497 (0.0772) | 11.4676 (0.0515) | 11.0543 (0.0979) | 11.6838 (0.1131) | 11.1905 (0.1563) |
MF | 18.9989 (0.3350) | 17.1431 (0.2871) | 18.8102 (0.3080) | 17.2960 (0.3967) | 17.7309 (0.2995) | 17.4795 (0.5506) |
ACWMF | 18.2813 (0.2833) | 16.6429 (0.2782) | 18.1018 (0.2758) | 16.7550 (0.3597) | 17.1458 (0.3116) | 17.0594 (0.5371) |
DWMF | 26.2927 (0.7438) | 21.6882 (0.5989) | 25.3499 (0.7233) | 21.0555 (0.7137) | 19.7285 (0.4076) | 20.6056 (0.7156) |
HACWMF | 26.4936 (0.7819) | 21.8537 (0.6006) | 25.7494 (0.7758) | 21.0574 (0.7313) | 19.8061 (0.3775) | 19.9103 (0.6394) |
表4. 60%污染图像的量化恢复结果PSNRs (MSSIMs)
method | 40% | 50% | 60% | ||||||
---|---|---|---|---|---|---|---|---|---|
Undetected | False-hit | Total error | Undetected | False-hit | Total error | Undetected | False-hit | Total error | |
ACWMF | 25,802 | 2076 | 27,878 | 39,450 | 3745 | 43,195 | 55,796 | 5720 | 61,516 |
DWMF | 17,702 | 3897 | 21,599 | 18,484 | 6162 | 24,646 | 18,969 | 9849 | 28,818 |
HACWMF | 10,870 | 5339 | 16,209 | 12,083 | 8638 | 20,721 | 16,358 | 9153 | 25,511 |
表5. 三种算法对不同噪声比率的“Lena”图进行随机值冲击噪声检测的性能比较
图1. 几种算法对30%的噪声Lena图进行恢复的结果,(a)~(e)分别为:含30%随机值冲击噪声的Lena图、中值滤波器对(a)的去噪结果图、ACWMF算法对(a)的去噪结果图、DWMF算法对(a)的去噪结果图、HACWMF算法对(a)的去噪结果图、理想Lena图
图2. 几种算法对60%的噪声Lena图进行恢复的结果,(a)~(e)分别为:含60%随机值冲击噪声的Lena图、中值滤波器对(a)的去噪结果图、ACWMF算法对(a)的去噪结果图、DWMF算法对(a)的去噪结果图、HACWMF算法对(a)的去噪结果图、理想Lena图
图3. 几种算法对30%的噪声Monarch图进行恢复的结果,(a)~(e)分别为:含30%随机值冲击噪声的Monarch图、中值滤波器对(a)的去噪结果图、ACWMF算法对(a)的去噪结果图、DWMF算法对(a)的去噪结果图、HACWMF算法对(a)的去噪结果图、理想Monarch图
图4. 几种算法对60%的噪声Monarch图进行恢复的结果,(a)~(e)分别为:含30%随机值冲击噪声的Monarch图、中值滤波器对(a)的去噪结果图、ACWMF算法对(a)的去噪结果图、DWMF算法对(a)的去噪结果图、HACWMF算法对(a)的去噪结果图、理想Monarch图
本文描述了一种基于分层自适应中心加权中值滤波技术的随机值冲击噪声去除算法。经典的“自适应中心加权中值滤波技术”在高噪声比率的情况下存在噪声漏检严重,图像去噪能力有限的问题,针对这一缺陷,我们通过从高到低逐级设置噪声值判决门限来分层次甄别噪声点,同时更新已检测出的噪声点值,生成中间去噪图像后继续进行噪声判决和筛选,逐级得到所有噪声点以及最终的去噪图。通过大量实验数据验证:分层自适应中心加权中值滤波技术无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声,同时获得很好的图像去噪效果,不仅充分利用了原算法在低噪声比率下噪声检测和图像去噪上的优势,还扩展了原算法的适用范围。随着近些年来稀疏表示理论、深度学习理论在图像处理上的广泛应用,已有大量文献报道用这些前沿技术来解决图像去噪等传统问题,如何解决前沿理论算法复杂度较高与图像去噪高时效的矛盾是我们在后续科研中重点解决的问题。
本论文所研究的课题受国家自然科学基金(基金编号:NSFC-61401379)、四川省教育厅项目(项目编号:14ZB0107)、西南科技大学博士基金(编号:13zx7148)资助。
周颖玥,臧红彬, (2015) 基于分层滤波技术的冲击噪声检测与去除算法An Algorithm about Impulse Noise Detection and Removal Based on the Hierarchical Filter Technology. 图像与信号处理,03,27-35. doi: 10.12677/JISP.2015.43004