基于噪声分析的椒盐噪声降噪处理方法

韩丽娜

(咸阳师范学院图形图像处理研究所，陕西 咸阳 712000)

0 引言

椒盐噪声一般在图像中呈现颗粒状的点，它会大大降低图像的质量，破坏细节，对后续的识别工作造成影响。目前已经有很多去除椒盐噪声的方法，例如中值滤波算法就是公认的去除椒盐噪声较好的非线性滤波器，一些学者在此基础上，提出了许多去除椒盐噪声的算法［1-2］。其基本思想是根据高椒盐噪声图像的特性，在中值滤波算法中引入噪声判定阈值的方法来进行的，但是由于大量的椒盐噪声点汇集在一定的区域范围，因此原始的灰度信息已经受到了极大干扰和破坏，凭借其邻域灰度信息的中值滤波效果也将受到影响。因此应该对噪声进行分析，明确标识被噪声污染的点和没有污染的点，然后仅仅对噪声污染的点进行滤波。

1 椒盐噪声分析

1.1 椒盐噪声的特点

在Matlab中，通过 J=IMNOISE(I，'salt＆ pepper'，D)［3］，为图像 I添加椒盐噪声，其中 D 为噪声分布，缺省值为0.05。

椒盐噪声的模型如公式(1)所示［2］。

其中F(x，y)为原图像，G(x，y)为带噪图像，p1和p2为像素受噪声影响的概率，两者几乎相等，设为p，因此，不受噪声影响的像素概率为p3=1-2p。

1.2 Lena图像椒盐噪声分析

为了对椒盐噪声进行分析，研究了Lena图像加入D=0.05噪声前后图像和数据对比，如图1所示。

图1 lena图像加入椒盐噪声前后图像和数据的对比图

对比图1(c)和图1(d)，可以发现椒盐噪声均匀分布在Lena图像中，它仅仅改变了部分像素的灰度值，使其变为0和255，如图中画圈的像素，其余的灰度值并未发生变化。如果采用传统的中值滤波算法，根据邻域的像素灰度中值，能够去除图像中的0和255的噪声点像素，但是，它也改变了其它的非噪声点的数据，如图1(e)中数据。因此本文根据椒盐噪声的特点，结合中值滤波器，设计基于椒盐噪声特点的中值滤波降噪方法。

2 基于椒盐噪声特点的中值滤波降噪方法

降噪方法思路如下。对图像像素进行检测，若是信号像素就直接保存;若是椒盐噪声信号，则根据邻域的情况进行处理。实验发现，此种方法能够有效地去除椒盐噪声，保留图像的细节信息。具体的步骤为，首先检测图像I，并对其像素I(i，j)进行判断。

(1)若0＜I(x，y)＜255，该像素为信号像素;

(2)若I(x，y)=0或 I(x，y)=255，该像素为噪声信号，统计邻域中信号的个数，并查看其邻域中值:

①若为信号，则用此邻域中值代替噪声;

②若为噪声，则用邻域中值的信号像素代替噪声，否则若邻域中信号个数为1，则可以扩大邻域窗口，重新检测;若邻域中信号的个数大于1，则直接使用邻域中信号的均值来替代噪声。

经过如上的过程，就完成了对带有椒盐噪声的图像降噪处理。

3 实验结果及分析

图2 图像椒盐噪声降噪方法对比图

本文采用Matlab软件进行模拟实验，采用峰值信噪比(PSNR)评价去噪效果。为了检验本文方法的有效性，选择标准Cameraman图像进行对比研究。针对不同噪声分布的椒盐噪声，采用5×5中值滤波方法以及本文方法对添加椒盐噪声的Cameraman图像进行降噪处理。图2(a)、图2(d)和图2(g)为添加椒盐噪声后的Cameraman图。

表1 图像去噪方法的PSNR值

图2中带有椒盐噪声的图像是采用Matlab6.0中的 IMNOISE(I，'salt＆ pepper'，D)函数产生，分别为随机产生的不同强度的椒盐噪声图像。从主观上看，图2(c)、图2(f)与图2(i)的视觉效果明显优于图2(a)、图2(d)与图2(g)。所以对于像添加椒盐噪声的图像来说，基于噪声分析的方法能够去除椒盐噪声，并能保留图像的细节;从表1的PSNR值来看，中值滤波算法对低密度的椒盐噪声图像去噪效果好，但是对于高密度的噪声图像来说，随着噪声概率的不断增加，出现了大面积的噪声现象，因而图像的PSNR值迅速下降，中值滤波算法的效果相对不好。而本文的算法简单易实现，降噪图像的PSNR值较高，运行时间较短，不管在低密度还是高密度噪声下处理效果都比较好。尤其是对一些添加噪声的标准图像来说，处理效果更好。但同时也具有一定的局限性，因为经过噪声分析以后，在噪声判断时会出现一定误判现象，从而影响图像的滤波质量。

4 结束语

本文从椒盐噪声的特点出发，改变原有的中值滤波算法中使用阈值判断噪声，然后根据邻域信息进行噪声去除的思路。算法采用先对噪声进行分析判断，明确标识噪声点和信号点，然后仅仅对噪声污染的点，借助邻域信号点的个数决定采用某个邻域的中值进行处理。实验表明，算法不仅去除了椒盐噪声，而且还较好地保留了图像的细节。

［1］陈勇，黄席樾，唐高友，等.基于机器视觉的车道检测与二维重建方法［J］.仪器仪表学报，2007，28(7):1205-1210.

［2］郭春，艾玲梅.基于决策分析的高椒盐噪声轮胎痕迹图像滤波方法［J］.计算机工程与应用，2012，48(5):171-173，200.

［3］刘刚.Matlab数字图像处理［M］.北京:机械工业出版社，2010.

［4］蔺鹏.数字图像噪声处理典型方法的分析［J］.兰州工业高等专科学校学报，2004，11(2):23-26.

［5］张旗，梁徳群，樊鑫，等.基于小波域的图像噪声类别识别与估计［J］.红外与毫米波学报，2004，23(4):281-285.

［6］谢杰成，张大力，徐文立.小波图象去噪综述［J］.中国图象图形学报:A版，2002，7(3):209-217.

［7］崔颖冀，杨存典，韩丽娜.概率论和数理统计［M］.西安:陕西人民出版社，2010.

［8］韩丽娜，耿国华.基于小波变换的真彩图像降噪与增强［J］.计算机工程，2010，36(12):224-225，228.

［9］章毓晋，等.图像处理和分析［M］.北京:清华大学出版社，1999.

［10］阎静文.数字图像处理［M］.北京:国防工业出版社，2007.

［11］阮秋琦.数字图像处理［M］.北京:电子工业出版社，2001.

［12］高建贞，任明武，唐振民，等.路面裂缝的自动检测与识别［J］.计算机工程，2003，29(2):149-150.

［13］Gonzalez R C.Digital Image Processing Using Matlab［M］.Prentice Hall，2004.

［14］高志，余啸海.Matlab小波分析工具箱原理与应用［M］.北京:国防工业出版社，2004.

［15］韩丽娜.基于YCbCr空间的多尺度同态滤波真彩图像增强［J］.咸阳师范学院学报，2011，26(2):54-56.