文献翻译（中文） - 图文

对多脉冲噪声的自适应阈值中值滤波

通信与信息工程学院，电子科技大学成都中国中国61005与技术学院

抽象衰减噪声在图像处理中起重要作用。几乎所有的传统中值滤波器涉及去除具有单个层，其噪声灰度值是恒定的脉冲噪音。在本文中，一种新的自适应中值滤波，提出了处理这些不仅是单层噪声的图像。自适应阈值滤波器（ATMF）已开发通过组合自适应中值过滤器（AMF）和两个动态阈值。动态门限的，因为正在使用，ATMF是能够平衡在除去多脉冲噪声和图像的质量。提供该方法与传统的中值滤波的比较。一些视觉实施例用来表明所提出的滤波器的性能。

关键词：中值滤波;自适应中值过滤器（AMF）;自适应阈值中值滤波器（ATMF）;多脉冲噪声;影像处理

图像往往是由脉冲噪声是由于来自传感器或交际渠道产生的错误损坏。它的边缘检测，图像分割和目标识别过程之前，以消除图像中的噪点是非常重要的。众所周知的中值滤波器（MF）和它的衍生物已被确认为去除脉冲噪声的有效手段。中值滤波器的成功是基于两个主要性能：边缘保持高效的噪声衰减，随着对冲动型噪声的鲁棒性。边缘保持在图像处理必不可少由于视觉感知[7]的性质。

尽管它在平滑噪声效能，MF倾向于当应用于图像均匀地除去细的细节。为了消除这个缺点，一个著名的改性的中值滤波，自适应中值过滤器（AMF），已经提出了。它具有可变的窗口大小去除脉冲同时保留锐度同时。以这种方式，边缘信息和详细信息的完整性变得更好。

上面提到的过滤器不善于去除多脉冲噪声。然而，实际情况是，图像是由多脉冲噪声，包括单层噪声经常被破坏。在本文中，一个基于决策的和信号自适应中值滤波算法。它不仅实现脉冲噪声均强检测和视觉质量恢复的结果，但也确实很好地抗多的噪音。对于噪声的识别，新的标准已在AMF加入，以使效果处理多个噪声。此后，新的过滤器，命名为自适应阈值中值滤波器（ATMF），增加了当地的内核区域的两个动态阈值来帮助检测噪音。仿真结果表明，该过滤器是一样好AMF的一层脉冲噪声，但比其他许多中值滤波器更好的为多脉冲噪声。

1自适应中值滤波器

新颖滤波器处理原则基于AMF的。AMF工作在矩形内核区域Sx的y和改变（增加）Sx的y的大小，在过滤操作中，根据某些条件下面列出。如果过滤器不发现象素位于（x，y）是在内核中心噪声，像素的值将通过在Sx的y中的中间值替换。否则，该像素的灰度级值将保持不变。

考虑下面的定义： Zmin = Sx, y最小灰度值 ZMAX = Sx, y最大灰度值 Zmed = Sx, y灰度级

Z x, y =灰度级在（x，y）的坐标 Smax =最大允许值

自适应中值滤波算法工程两级，表示为电平A和B级，如下所示： Level A

A1 =Z med ?Z min A 2= Z med ?Z max

If A 1 > 0 AND A2 < 0 , go to level B Or else, increase the window size If window size≤Smax , repeat level A Or else, output Z x, y. Level B

B 1= Z x y ?Z min, B 2=Z x y ?Z med . If

B1 > 0 AND B2 < 0 , output Z x, y Or else, output Zmed .

每次算法输出值，窗口Sx的，y为移动到图像中的下一个位置。然后，该算法被重新初始化并施加到像素中的新位置。 AMF可以抑制各种密度的噪声达到很好的效果。它有时为了适应不同的条件改变其内核最大大小。一种方法是使用不同的内核的平均滤波器来处理图像，并确定AMF内核最大大小。

2自适应阈值中值滤波

在一些应用中，图像被处理通常是由多脉冲噪声破坏。实验已经表明，AMF对低密度多脉冲噪声的图像，如小于0.1的概率一定的效果。如果除去概率较高，如0.2，0.3或甚至大于0.4，AMF没有给予内容的结果。增加的籽粒大小可以做得更好抑制噪音，但在同一时间，图像将成为细节更糟。

扩展的自适应中值滤波器（EAMF）证明，脉冲噪声值有时不仅是255或0 [10]。的噪声可能会稍微小于255或大于0。因此，在EAMF算法接近255或0的滤波器窗口中的像素值计算中值之前被丢弃。因此，EAMF可以抑制更多样化的噪音，同时保持细节。

在我们的实验中，我们发现，在某些情况下EAMF不能给出一个满意的改善，从AMF。因此，我们的基础上类似的参考文献的理论改变我们的AMF。通过在参考文献开发的随机值脉冲检测机制激励。两个动态阈值T1和T2被引入到的AMF。它们的定义如下：

T1 (x , y) = X min 2? X min (1) T2 (x , y) = X max ? X max 2 (2)

其中，在Xmin是最小值，Xmin2处于初始窗口的第二小，喷射Xmax是最大的值和Xmax2是第二大。然后，我们调整AMF判断条件：

A 1= Z med? Z min? T 1 A 2=Z med ?Z max+ T 2 B 1= Z x y ?Z min ?T1 B 2= Z x y ?Z max+ T 2

然而，在一些情况下，多个噪声并不表示噪音值仅具有两个层，例如值255，253，3和0如果图像受更多层的噪音，在合理的T1和T2不能通过由方程上述方式而得到。（1）和（2）。因此，我们改变识别原理来处理这些复杂的情况。

在ATMF算法的识别原理给出如下。

1）初始化：设P是用于存储灰度级在坐标（i，j）的一个矢量并发起的所有元素P（t）的0。矢量尺寸W = = K＆times; K之中变化9，25或49对应的内核大小的3,5或7，分别?。与此同时，启动T 1 = T 2 = 0。

2）LOOP：

（1）定义P的值（T = W / 2 + 1）对应于该像素的灰度水平（X，Y）中的处理图像，在特定点（x，y）处的窗口Sx的，y为中心在一个给定的时间。

（2）重新排列的P（t）的值：存储最小的一个中（0）P时，从到较大的较小的值;最后，在（）p n，其中n等于W.最大的一个卖场

（3）获取T 1。对于T1影响按照Zmin，分析开始的P（0）到较大的。 3），直到终止条件。另外，在上述算法中，Td的是用来判断象素是否已损坏或不在图像的某些区域中。它可以从直方图得到。实时应用中，它可以从5发起?20 R =宽×帕由噪声概率霸决定。在e）和f），以便避免消除P（b）或P（B + 1个）处理作为非变质象素，让T 1 = D-1或T 2 = D-1。在D），因为算法不能与运输署决定是否P（B）已损坏或没有，让T1 = D.

对于许多图像，像素值装配在直方图的中心。一些值被分配到直方图的两

极（近似于0或255），但考虑到过滤冲击噪声时，它们将被忽略象MF和其衍生物。根据这些预设，动态阈原理是比较不同的像素值。首先，一个区域的像素值被设置从最小到最大的一个。第二，两个相邻像素的差值是从最大或最小的一个来计算。如果与运输署比较差异足够大，最小的或最大的非破坏的价值可以得到。因此，T 1通过非破坏最大值来确定的非损坏最小值或T2确定可以得到。

然后，新的T1和T2替换旧由方程得到的。（1）和（2）来调整的AMF判断条件。

3实验结果与分析

在这项工作中考虑的噪声双极脉冲噪声。在一层的脉冲噪声是指固定值255（盐）和0（辣椒），所有的冲动。脉冲噪声的概率是相等的。到多脉冲噪声，噪声的值也被推定为具有相同的概率。然而，这些值相应均匀地分布在两个极点。

对于该实验，8位272×256“血”图像和256×256'拉拉图像是由20％，单层脉冲噪声的40％和30％和多脉冲噪声的40％，分别为损坏。通过改变每个方法的内核大小进行了大量的模拟：3,5或7。对于性能测量中，我们使用的均方误差（MSE）和峰值信噪比（PSNR）。此外，为了更好地显示动态门限的功能，一个特殊ATMF静态阈值（T 1 = T 2 = 15）（ASTMF）与ATMF比较。

AMF的一个重要特征，ASTMF和ATMF是它们可以几乎衰减所有所述一个层脉冲噪声，如图1和图2。像节能血液的边缘细节时，他们的表现是比MF更好，特别是在高噪声污染。在图1，图2和表1，之后新识别原理以AMF算法引入，ATMF的性能是一样的AMF，甚至更好在静态数据。此外，它是比ASTMF更好。其原因是，动态保存比静态阈值的更多细节。

此外，由于噪声层的数量逐渐增加，提出的滤波器的性能变得更好，如图3和图4。图3（a）是由30％的多脉冲噪声，其中的值是255，253，250，6,3损坏的'拉拉'图像，和0图3（B）显示的MF除去几乎所有噪音，但在细节上都受到严重破坏。图3（c）是从AMF的结果。细节比所述中值滤波器的更好。然而，标脉冲噪声留在图像。这是不好的减少多脉冲噪声。图4（d）和（E）显示ASTMF和ATMF（TD = 7）的结果。它们的性能都明显高于AMF的更好，而不是仅在细节。他们都几乎所有的多个噪声消除。与MSE和PSNR相比，数据大多是相同的。前者是MSE和50.11 PSNR 30.13，后者MSE 49.37和31.20 PSNR。这些数据表

明，该静态阈值过滤器可以很好地去除多脉冲噪声，如果静态阈值的声音。在模拟中，相同的结果，揭示了劳拉的形象。

要显示的动态阈值的优点，我们已经设计了一些特殊图像作证两种阈值的效率。在图4中，“拉拉”的形象是由40％多脉冲噪声污染。该脉冲噪声价值235和19超出，可以通过ASTMF阈值来检测的范围。其结果示于图4。虽然与运输署= 7 ATMF不能消除所有的噪音，它可以去除噪声远远超过ASTMF。事实上，如果我们调整的TD一个合适的值，它可以做以及图3（e）根据更可能出现的情况。另一方面，虽然增加了静态阈值也可以处理更多的问题，图像的细节将连续且大幅度降低，甚至比ATMF更严重。

4 总结

在本文中，我们提出了一个新的噪声消除算法来处理多脉冲噪声。该算法ATMF集成了AMF和两个动态阈值。动态阈值提高所述滤波器来检测所述多个噪声和平衡噪声消除和图像质量的能力。根据我们的实验结果，所提出的方法优于在多脉冲噪声和感知的图像质量方面的常规方法。它提供了一个性能相当稳定，在宽范围噪声腐败的各种概率图像。同时，它可以做，以及，甚至比AMF对于正常脉冲噪声更好。

4 总结

在本文中，我们提出了一个新的噪声消除算法来处理多脉冲噪声。该算法ATMF集成了AMF和两个动态阈值。动态阈值提高所述滤波器来检测所述多个噪声和平衡噪声消除和图像质量的能力。根据我们的实验结果，所提出的方法优于在多脉冲噪声和感知的图像质量方面的常规方法。它提供了一个性能相当稳定，在宽范围噪声腐败的各种概率图像。同时，它可以做，以及，甚至比AMF对于正常脉冲噪声更好。

本文来源：https://www.bwwdw.com/article/ovar.html