[发明专利]一种自适应的图像椒盐噪声滤除方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种自适应的图像椒盐噪声滤除方法。

背景技术

成像过程中短暂停留引入的椒盐噪声是图像中一种典型的噪声源。该噪声不仅严重干扰人类对图像的认知，并且经常影响后续的图像处理，导致不正确的结果。因此对椒盐噪声的滤除是图像处理中一个重要的环节，往往决定着最终结果的成败。

最典型的椒盐噪声滤除方法是中值滤波。但该方法存在两个明显的弊端，一是执行全局滤波，在滤噪的同时必然会破坏图像的真实信息；二是采用中值输出，往往并不能很好地还原滤波像素的值。该方法在噪声密度较小时效果很好，但随着噪声增多，其性能急剧下降。为此，众多学者提出了各种改进算法，如加权中值滤波、自适应中值滤波、开关中值滤波、递进开关中值滤波、基于相似度函数的滤波、基于统计信息的滤波、大范围相关滤波，等等。这些算法主要从两个方面进行改进，一是采取某种策略对噪声点进行检测，从而执行有针对性的滤波，保护图像原有信息；二是在滤波输出上，选取能够尽可能逼近滤波像素真实值的方法，如加权中值输出、加权均值输出、基于相关性滤波、模糊滤波等。相对于传统中值滤波，这些算法都有明显的性能改善。然而，由于事先并不知道图像中噪声的多少，因此在执行滤波时，带有很大的盲目性，无论是对噪声点的检测还是滤波输出方面，都无法根据实际情况自适应地选择最佳的方式，因而其滤噪性能有限。特别是其中一些算法随着噪声密度增大，又退化成传统的中值滤波，不能胜任高椒盐噪声的滤除。

发明内容

本发明的目的在提供一种自适应的图像椒盐噪声滤除方法，解决了现有方法滤波性能有限，对于高椒盐噪声的滤除效果不是很好的问题。

本发明采用的技术方案是按照以下步骤进行：

步骤1，对图像的噪声密度进行计算，根据图像噪声密度检测出具有灰度极值的前K个像素；

步骤2，从前面K个像素点中选取出L个噪声点。我们采用检测点做为中心点，其灰度值与其3×3邻域中其余八个点的灰度均值之差的绝对值作为相关性ρ，按照ρ值从大到小排序，选取前L个像素点作为最终确定的噪声点；

步骤3，对步骤2得到的L个噪声点按照它们的3×3邻域中包含的噪声点数目从小到大进行排序，然后按照排序的顺序进行滤波，得到滤波后的图像。

本发明的特点还在于步骤1中，对图像的噪声密度进行计算是采用《基于小波域的图像椒盐噪声密度估计》（北京航空航天大学学报2012年第38卷第2期）一文中提出的方法，对图像中噪声密度进行计算，从而判断出图像中总的噪声点数量；所述K个像素的选取是我们在图像全局范围内检测具有极大值与极小值的前L个像素。

步骤2中，选取L个像素点作为最终确定的噪声点的过程为采用将这K个检测点做为中心点，每个检测点的灰度值与其3×3邻域中其余八个点的灰度均值之差的绝对值来代表这种相关性ρ，公式：

ρ=abs(f(m,n)-18Σ(x,y)∈Ωf(x,y)),]]>

式中abs(·)表示取绝对值，(m,n)为中心像素，f(m,n)代表中心像素的灰度值，f(x,y)代表像素(x,y)的灰度值，而Ω代表像素(m,n)的3×3邻域中其余八个像素组成的集合，ρ取值越小，则表示检测点与其邻域的相关性越大，反之，则相关性越小，K个像素分别计算它们与其邻域的相关性ρ，然后按计算出的ρ值将它们从大到小排序，选取排名前L的像素点作为最终确定的噪声点。