[发明专利]一种自适应密度的图像椒盐噪声开关滤波方法

说明书

技术领域

本发明涉及一种图像噪声滤波方法，更具体地说是一种自适应密度的图像椒盐噪声开关滤波方法。

背景技术

椒盐噪声是图像在传输和处理过程中由于多种原因常引入的一种噪声，它使得图像的质量下降，影响图像的后续处理。目前，中值滤波是最常用的处理方法，运算简单而且速度快，其滤波效果受到滤波窗口大小的影响，可能会造成图像的模糊，丢失重要的细节。开关中值滤波方法的思想是先判断某一点是否可能为噪声点，若是则进行相应的中值滤波处理，若不是则保持原值不变，以此减少图像的失真，其优点在于噪声的预先判断，但未提出一个较好的噪声点判断过程和滤波方法。极值中值法(EM)提出根据窗口极值和中值关系检测噪声点，但像素误判率较高。递进开关中值滤波(PSM)可以检测出较大块状中的噪声，但是不同的图像需要设置适合的参数，通用性不够强。自适应中值滤波(AMF)的方法无需人为设置太多参数，并且在滤波性能上取得令人满意的效果，其主要缺点就是当噪声密度变大时，由于检测和滤波的迭代计算使得运算时间也随之加大。选择性滤波对噪声检测的性能提出了较高的要求。近几年，人们引入了神经网络，滤波性能得到了一定改善，其效果仍不理想。ROLD(Rank Ordered Logarithmic Difference)因子是目前最先进的噪声检测器，其特点是检测性能很好，但是需要设置其判断阈值，且如果想要得到更好的检测效果的话，需要根据噪声密度来设置参数。目前，缺乏一种能够全自动的自适应噪声密度的椒盐噪声滤波方法。

发明内容

本发明解决的技术问题是提供一种无人工干扰真正实现自动滤噪的自适应密度的图像椒盐噪声开关滤波方法。

为解决背景技术中存在的技术问题，本发明提供的一种自适应密度的图像椒盐噪声开关滤波方法，包括以下步骤：

步骤一、使用不同噪声密度的训练图像训练出能够适应在一定噪声密度下精确检测噪声位置的多个神经网络，具体为：设置一个噪声密度阈值T1，所述阈值属于0到1之间，对噪声密度低于该阈值的训练图像的训练时，使用3*3的窗口，对高于等于该阈值的训练图像的训练时，使用5*5的窗口，获得窗口中心的像素值、窗口中所有像素的中值、ROLD统计量作为神经网络的输入端，计算训练图像中每个像素是噪声点的可能性y(i，j)；设置噪声点的阈值T2，其中T2属于0到1之间，如公式(1)所示，当噪声点的可能性大于等于T2的点判定为噪声点，低于T2的像素判定为非噪声点，然后把噪声点的位置作为神经网络的输出端，这样训练出两个神经网络，当噪声点的可能性大于等于T2的点判定为噪声点，低于T2的像素判定为非噪声点，然后把噪声点的位置作为神经网络的输出端，这样训练出两个神经网络，

Y(i,j)=1ify(i,j)≥T20ify(i,j)<T2---(1)]]>

其中，y(i，j)为位置在横向坐标为i纵向坐标为j的像素点为噪声点的可

能性，Y(i，j)为位置在i、j的像素是否为噪声点。