一种图像椒盐噪声的去除方法

摘要

本发明公开了一种图像椒盐噪声的去除方法，包括下列步骤：输入含椒盐噪声的数字图像，如果像素点的灰度值为0或255，则进行去噪处理，否则不处理；去噪处理为，在四连通区域中，剪切灰度值为0或255的像素点，若剩余像素点个数≥2，进行均值滤波；否则，在八连通区域中，剪切掉灰度值为0或255的像素点，对剩余像素点进行均值滤波；如果剩余像素点为空集，在5×5区域中，剪切掉灰度值为0或255的像素点，进行均值滤波；如果剩余像素点为空集，采用递归形式的滤波窗口，输出左方、左上、上方、右上四个像素点灰度的平均值；重复直至完成所有像素点的处理。本发明无需设计模糊规则；不需要进行阈值的选取，提高了计算效率，能适应不同污染程度的图像的噪声去除。

权利要求

1.一种图像椒盐噪声的去除方法，包括下列步骤：

(1) 输入含椒盐噪声的数字图像，图像中的像素点(i,j)的灰度值为g(i,j)，经过去噪处理后的灰度值为f(i,j)，其中，(i,j)为像素点在整幅图像中的坐标；

(2) 如果g(i,j)为0或255，则进行步骤(3)，否则该像素点视为未受椒盐噪声污染，f(i,j) = g(i,j)，转向步骤(7)；

(3) 以(i,j)为中心点，其上、下、左、右四个相邻像素点作为四连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，若剩余像素点个数大于等于2，对剩余像素点灰度值进行平均运算得到该点的输出f(i,j)，转向步骤(7)，否则转步骤(4)；

(4) 以(i,j)为中心点，其周围八个相邻像素点作为八连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(5)，否则对剩余像素点进行平均运算得到输出f(i,j)，转向步骤(7)；

(5) 以(i,j)为中心点的5×5区域中，外周的16个像素点构成滤波窗口W，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(6)，否则其中集合N表示滤波窗口内外层16个像素点中灰度值在0到255之间的像素值的集合，sum(N)表示集合N中各元素之和，card(N)为集合N中的元素个数，转向步骤(7)；

(6) 采用递归形式的滤波窗口，输出灰度值为：

；

(7) 对待处理图像中的各像素点重复步骤(2)至(6)，直至完成所有像素点的处理，得到滤波处理后的图像。

说明书

一种图像椒盐噪声的去除方法

技术领域

[0001] 本发明涉及一种图像处理方法，具体涉及一种对受到椒盐噪声污染的图像进行噪声去除的方法。

背景技术

[0002] 椒盐噪声是图像在产生、传输、获取过程中比较常见的一种噪声污染，该噪声的特点为被污染的像素灰度值急剧增大或缩小，形成与近邻像素点不同的黑色或者白色的像素点，这给图像处理的后续处理带来了极大干扰，比如对图像的边缘检测、模式识别等会产生直接影响。所以采取合适的方法对椒盐噪声图像进行预处理是非常重要的。

[0003] 传统中值滤波是可以用来去除椒盐噪声的一种非线性滤波器。中值滤波器将滤波窗口内所有像素灰度值进行排序，然后取中值作为滤波窗口中心点的输出，与线性平滑滤波器相比，能够相对地减少图像模糊，并且能够滤除低密度的椒盐噪声。中值滤波在面对高密度椒盐噪声时需要增大滤波窗口，随着滤波窗口的增大，虽然能够有效去除噪声，但是恢复出的像素失真情况严重，图像细节遭到破坏。

[0004] 为了更好地保护图像细节，一些改进型中值滤波器应运而生，例如，《模糊系统与数学》2012年第1期166-174，“基于模糊中值滤波的椒盐噪声去除方法”一文中，通过比较图像各像素点的灰度值，定义基于图像梯度信息的各点被类别为噪声点的模糊隶属函数，利用此模糊隶属函数对中值滤波方法进行加权，得到一种加权中值滤波器，可实现边缘处椒盐噪声的有效滤除。《计算机工程与应用》2014，50（17）：134-136，“一种新型的自适应模糊中值滤波算法”中，通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系统，利用此模糊滤波系数对滤波方法进行加权，得到加权中值滤波器。

[0005] 模糊加权算法的主要内容是设计规则，基于窗口内各个像素不同的权值，最后求出中心像素的灰度值。该方法的难点是模糊规则的产生，因为尚没有理论能够证明采取的规则是否科学合理，很多模糊规则的阈值都是进行大量实验然后依赖于结果来取阈值的，并且阈值对于不同图像不具有普遍的适应性，很可能需要重新取值。

[0006] 因此，有必要提供新的图像椒盐噪声的去除方法。

发明内容

[0007] 本发明的发明目的是提供一种图像椒盐噪声的去除方法，在保证去噪效果的同时，不使用模糊规则，不需要进行阈值的选取，从而提高计算效率。

[0008] 为达到上述发明目的，本发明采用的技术方案是：一种图像椒盐噪声的去除方法，包括下列步骤：

[0009] (1) 输入含椒盐噪声的数字图像，图像中的像素点(i,j)的灰度值为g(i,j)，经过去噪处理后的灰度值为f(i,j)，其中，(i,j)为像素点在整幅图像中的坐标；

[0010] (2) 如果g(i,j)为0或255，则进行步骤(3)，否则该像素点视为未受椒盐噪声污染，f(i,j) = g(i,j)，转向步骤(7)；

[0011] (3) 以(i,j)为中心点，其上、下、左、右四个相邻像素点作为四连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，若剩余像素点个数大于等于2，对剩余像素点灰度值进行平均运算得到该点的输出f(i,j)，转向步骤(7)，否则转步骤(4)；

[0012] (4) 以(i,j)为中心点，其周围八个相邻像素点作为八连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(5)，否则对剩余像素点进行平均运算得到输出f(i,j)，转向步骤(7)；

[0013] (5) 以(i,j)为中心点的5×5区域中，外周的16个像素点构成滤波窗口W，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(6)，否则[0014]

[0015] 其中集合N表示滤波窗口内外层16个像素点中灰度值在0到255之间的像素值的集合，sum(N)表示集合N中各元素之和，card(N)为集合N中的元素个数，转向步骤(7)；

[0016] (6) 采用递归形式的滤波窗口，输出灰度值为：

[0017] ；

[0018] (7) 对待处理图像中的各像素点重复步骤(2)至(6)，直至完成所有像素点的处理，得到滤波处理后的图像。

[0019] 由于上述技术方案运用，本发明与现有技术相比具有下列优点：

[0020] 1、本发明基于一致权重均值滤波实现图像的椒盐噪声去除，在滤波窗口内剪切掉椒盐噪声后对剩余像素点给予相同权重进行加权计算，最后得到输出图像，因此无需设计模糊规则；不需要进行阈值的选取，提高了计算效率。

[0021] 2、本发明通过滤波窗口中剪切掉椒盐噪声后的剩余像素点的数量判断污染严重程度，从而选择相对应的滤波窗口进行均值滤波，能适应不同污染程度的图像的噪声去除。

附图说明

[0022] 图1是本发明实施例的流程图；

[0023] 图2是实施例中四连通区域的示意图；

[0024] 图3是实施例中八连通区域的示意图；

[0025] 图4是实施例中5×5区域的示意图；

[0026] 图5是实施例中递归窗口的示意图；

[0027] 图6是实施例中滤波效果示意图，其中，a为原始图像，b为80%噪声图像，c为实施例去噪后的图像。

具体实施方式

[0028] 下面结合附图及实施例对本发明作进一步描述：

[0029] 实施例一：参见图1所示，一种图像椒盐噪声的去除方法，包括下列步骤：

[0030] (1) 输入含椒盐噪声的数字图像，图像中的像素点(i,j)的灰度值为g(i,j)，经过去噪处理后输出的灰度值为f(i,j)，其中，(i,j)为像素点在整幅图像中的坐标；

[0031] (2) 如果g(i,j)为0或255，则进行步骤(3)，否则该像素点视为未受椒盐噪声污染，不做任何处理直接输出，对应的输出图像的像素点f(i,j)的值为：f(i,j) = g(i,j)，转向步骤(7)；

[0032] (3) 以(i,j)为中心点，其上、下、左、右四个相邻像素点作为四连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，若剩余像素点个数大于等于2，对剩余像素点灰度值进行平均运算得到该点的输出f(i,j)，例如，如附图2所示，假设g(i,j)四连通区域里只有g(i-1,j)是0或255，其他三个像素点均在0到255之间，即存在1个被剪切的像素，则输出为

[0033] ，

[0034] 完成后转向步骤(7)；

[0035] 否则，四连通区域中只剩下1个像素点时，转步骤(4)；

[0036] (4) 以(i,j)为中心点，其周围八个相邻像素点作为八连通区域构成滤波窗口，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(5)，否则对剩余像素点进行平均运算得到输出f(i,j)，转向步骤(7)；

[0037] 例如，如附图3所示，假设g(i,j)八连通区域剪切掉0或255灰度值后只剩下图中三个像素，则输出为

[0038]

[0039] (5) 如附图4所示，以(i,j)为中心点的5×5区域中，外周的16个像素点构成滤波窗口W，剪切掉滤波窗口内所有灰度值为0或255的像素点，如果剩余像素点为空集，转向步骤(6)，否则

[0040]

[0041] 其中集合N表示滤波窗口内外层16个像素点中灰度值在0到255之间的像素值的集合，sum(N)表示集合N中各元素之和，card(N)为集合N中的元素个数，即，此时的输出为最外层16个像素剪切掉0或者255后的均值，转向步骤(7)；

[0042] (6) 采用递归形式的滤波窗口，输出灰度值为：

[0043] ；

[0044] 当椒盐噪声密度很大时，5×5的滤波窗口有可能全被灰度值为0或255的噪声充满，所有像素都被极值剪切掉了，则进入本步骤。此时，采用如附图5所示的递归形式的滤波窗口，当处理g(i,j)时，在它的上方区域以及左边的像素都已经处理好了，可以利用这些基本不含噪声的像素来求得f(i,j)；

[0045] (7) 对待处理图像中的各像素点重复步骤(2)至(6)，直至完成所有像素点的处理，得到滤波处理后的图像。

[0046] 如图6所示，其中，a为原始的Lake图像，b为加入80%椒盐噪声后的图像，采用上述方法对其进行处理。

[0047] c为滤波处理后的效果图。可见，本实施例能有效去除椒盐噪声。

[0048] 分别采用中值滤波法（MF，median filtering algorithm）、模糊中值滤波法（FMF，fuzzy median filtering）、自适应模糊中值滤波法（NAMF，adaptive fuzzy median filtering）和本实施例的方法对加入不同椒盐噪专用密度的Lake图像进行处理，获得的恢复信噪比（PSNR，peak signal to noise ratio）如表1所示。

[0049] 从表中数据可见，当噪声密度较大时，MF和FMF两种方法效果都较差，几乎无法恢复图像，而NAMF算法和本文算法能够在噪声密度较大的情况下较好的恢复图像；而相对于NAMF算法，本文方法在噪声密度较低时亦能够大幅提高去噪效果，因此本发明所提供方法具有较好效果。

[0050] 表1 Lake图像上各方法的PSNR实验结果

[0051] 。