基于噪声检测和动态窗口的图像去噪算法

王文豪，严云洋，姜明新，高尚兵，于永涛



基于噪声检测和动态窗口的图像去噪算法

王文豪，严云洋，姜明新，高尚兵，于永涛

(淮阴工学院计算机与软件工程学院，江苏 淮安 223003)

针对中值滤波算法在去除脉冲噪声时易造成图像细节丢失的问题，提出了一种基于噪声检测和动态窗口的自适应滤波方法。首先借鉴BDND方法，将图像的像素初分成信号点和疑似噪声点，以减少需要处理的像素点；然后设计一种窗口自适应的噪声检测方法对疑似噪声点进一步检测，判断其是真噪声点还是细节点，以加强图像细节信息的保护；最后通过改进的自适应中值滤波器滤除检测出的噪声，并融入窗口自适应控制，窗口的大小可以根据噪声情况自适应地调整，在去除噪声的同时尽可能地保护图像细节。实验表明，该算法在噪声处理和细节保护上要优于其他典型算法，能有效地提高图像的峰值信噪比，对于高密度噪声的图像，也可以获得较好的去噪效果。

脉冲噪声；噪声检测；自适应窗口；噪声去除

在当今信息化社会里，图像在信息传播中所发挥的作用越来越大，而图像在获取、处理和传播过程中，不可避免地会遭到噪声的干扰。如果噪声太大，则会严重影响图像的质量，使图像细节模糊，丢失需要的信息，因此有必要对图像进行去噪，减少或者消除图像中混杂的噪声，保护图像的细节。

研究表明，脉冲噪声在可能出现的噪声中尤为突出，因此在图像去噪研究中，消除脉冲噪声具有重要的意义。为消除脉冲噪声，人们提出了多种滤波方法，其中标准中值滤波(standard median filter，SM)对脉冲去噪效果良好，其将窗口内的像素点灰度值从小到大排列，取中间值作为窗口中心像素点的灰度值，具有简单、高效的优点，但该方法在抑制噪声的同时也丢失了图像部分细节信息[1]；于是许多学者对其进行了研究，提出了一些改进的算法，如加权中值滤波(weighted median filter，WM)、中心权中值滤波(center-weighted median filter，CWM)和三态中值滤波(tri-state median filter，TSM)等算法。WM通过对窗口内各像素加权以改变其重要程度，使噪声点更易被去除，图像的细节更好地保留[2]；CWM只给窗口中心像素点指定权值，其他像素点权值为1，便可达到与WM同样去噪效果[3]。TSM在SM和CWM基础上引入噪声检测机制，判断当前像素点是否被噪声污染，若未被污染，则像素点的灰度值保持不变，若被污染，则采用SM或者CWM进行去噪[4]。随着自适应控制技术的发展，有学者提出了一种自适应中值滤波(adaptive median filter，AM)，该方法通过中值的前后两个灰度值进行自适应调整，具有较好的噪声去除和细节保护的性能[5]。

传统的中值滤波方法需要对图像中的每个像素点进行处理，因此不可避免地会破坏未遭到噪声污染的像素点，从而使得滤波后的图像质量下降。为了有效地去除脉冲噪声和避免改变图像中的真实像素点，在滤波前可进行噪声检测，于是学者们又提出了有关开关中值滤波方法[6-10]。这些方法在各自的领域都较好地解决了去除噪声与细节保护之间的矛盾，但面对高密度噪声图像时，去噪效果不佳。针对以上不足，本文提出了一种基于噪声检测和窗口动态变化的中值滤波算法。在噪声检测阶段，设计了一种窗口自适应策略，将图像中每个像素划分为噪声点或信号点，从而保护图像中的真实像素点，以减少需要滤波处理的像素点数目，提高算法运行效率。在滤波处理阶段，设计了一种窗口自适应的中值滤波算法，对检测出的噪声点进行滤除。该方法对于高密度噪声能有效地进行处理，实验表明该方法有效。

1 脉冲噪声模型

脉冲噪声是指持续时间较短而间隔时间较长的一种噪声，类似于在图像上随机分布的胡椒和盐粉颗粒，对图像的质量造成极大的影响，其概率密度函数表达式为[11]

2 脉冲噪声检测

针对脉冲噪声对图像灰度值分布的影响，本文设计了一种脉冲噪声检测方法，首先，借鉴文献[12]中的BDND方法，将图像的像素初步划分为信号点和疑似噪声点；然后对疑似噪声点通过其自身与邻域像素灰度差值进一步划分为噪声点和细节点。这种二次判别方法不仅使得图像的边缘细节得到了进一步加强，而且对高密度噪声图像也可以取得较好的滤波效果。

2.1 定义噪声标识矩阵F。

其中，，为待检测噪声图像的大小。(,)取值为0或1，0表示对应的像素点为信号点，1表示对应的像素点为脉冲噪声点，初始时矩阵中各元素均为1。

2.2 疑似噪声点检测

2.3 噪声点的检测

窗口的大小对噪声的检测也有着很大的影响，对于高密度噪声图像，应选用较大的窗口，对于低密度的噪声图像，应选用较小的窗口[10]。图1是噪声密度为0.6图像某局部区域的灰度值矩阵，在3×3窗口内有6个噪声点，窗口中心像素与其他8个像素差值的均值较小，则窗口中心像素被判定为未受噪声污染；如果将窗口扩大，变成5×5，此时窗口中心像素与其他24个像素差值的均值较大，则窗口中心像素就被判定为受噪声污染，由此可见窗口大小应随噪声密度的变化而变化。

图1 噪声密度为0.6的图像局部信息

基于此，本文设计了一种基于邻域信息和窗口自适应的噪声检测算法。通过窗口中心像素点与其邻域像素点灰度差值的均值mean来反应窗口中心像素点与其他像素点的关联程度；通过窗口SM值是否处于图像的极大和极小值之间来调整窗口的大小，具体算法流程如图2所示。

图2 基于动态窗口的噪声点判别算法流程

3 脉冲噪声的滤除

滤波窗口大小对滤波器的去噪性能有着重大影响，如果滤波窗口较小，则图像边缘细节可以得到较好的保护，但噪声去除能力就受到影响；反之，如果滤波窗口较大，则可以较好地去除噪声，但图像的细节保护就受到影响[13]。此矛盾在高密度噪声图像中表现得尤为明显，为了提高滤波后的图像质量，本文在自适应中值滤波器的基础上引入窗口动态变化策略，通过自适应策略调整滤波窗口大小，获得更多的信息以弥补噪声带来的影响，提高AM对高密度噪声和细节丰富图像处理的性能，窗口自适应原理与前面噪声检测基本一致。具体方法如下：

通过噪声检测，图像中的像素点被分成噪声点和信号点，因此可依据像素点的类型，采用不同的方法进行处理。若是信号点则保留原值不变，若是噪声点，则使用本文方法进行滤波。

4 实验与分析

在MatlabR2010a平台上编程实现本文算法，选取标准灰度图像“Lena”、“Peppers”和“Barb”进行测试，实验中的噪声图像是通过对原始图像施加噪声获得，加入的噪声强度始终为0或255，加入的噪声密度分别为0.1，0.2，0.3，···，0.8，使用SM、CWM、AM和本文方法对噪声图像分别进行处理。

4.1 去除噪声能力

图3~5分别是噪声密度为0.2、0.4和0.8时4种方法的滤波结果。从图中不难看出，4种方法在噪声密度较低时均可获得较好效果，但随着噪声密度的增加，SM、CWM、AM去噪效果明显下降。在噪声密度达到0.4时，噪声就不能被完全去除，而本文方法仍可以去除，其原因在于本文的滤波窗口大小能随着噪声密度的大小自动调整，噪声密度高时，使用大窗口进行噪声点检测与滤波，以获得更多的信息来弥补噪声带来的影响，提高去噪性能。

图3 噪声密度0.2的Lena图像和4种算法处理结果

图4 噪声密度0.4的Lena图像和4种算法处理结果

图5 噪声密度0.6的Lena图像和4种算法处理结果

4.2 细节保护能力

Barbara图像含有大量的条纹细节信息，对其施加40%的噪声强度，分别使用SM、CWM、AM和本文方法对其进行处理，结果如图6所示。SM和CWM滤波后已无法看清条纹，而且在SM中含有大量的黑白斑点；AM处理后虽然能看清条纹，但变得模糊了；由于本文方法在处理噪声时，窗口大小不仅随着噪声强度的变化而变化，而且还与图像的局部信息的分布有关，本文方法处理后条纹细节信息明显要丰富的多。一旦窗口的SM值在图像的极大和极小值之间，窗口大小就确定了，因此优选较小的窗口，使得图像的细节得到更好地保护。

图6 噪声密度0.4的Barbara图像和4种算法处理结果

4.3 PSNR分析

图像去噪声评价的方法很多，其中峰值信噪比(peak signal to noise ratio，PSNR)是最常用的评价方法。其计算公式为

对Peppers图像分别加入0.1，0.2，···，0.8的噪声密度，使用SM、CWM、AM和本文方法进行测试，其结果见表1。从表中的数据可以看出本文方法在不同噪声密度条件下PSNR值均高于其他3种方法，特别是在噪声密度比较高时，PSNR值仍然较高，显示了本文算法的有效性。

4.4 噪声检测分析

表1 对Peppers图像4种滤波方法的PSNR值

图7 不同T值下的滤波结果

图8 T取不同值时PNSR值

5 结束语

在分析经典中值滤波和脉冲噪声模型的基础上，提出了一种新的脉冲噪声去除方法。在此方法中，设计了一种窗口自适应的噪声检测机制，能有效地区分图像中噪声点和信号点，从而更好地保护了图像细节信息，减少需要进一步处理的像素点，同时对于检测出的噪声点，采用改进的自适性中值滤波算法进行滤除，在该滤波算法中融入了窗口自适应控制，对于高密度噪声图像能获得较好的处理效果。

[1] GOYAL P, CHAURASIA V. Application of median filter in removal of random valued impulse noise from natural images [C]//Proceeding of the International Conference on Electronics, Communication and Aerospace Technology (ICECA). New York: IEEE Press, 2017: 125-128.

[2] CHITHIRALA N, NATASHA B, RUBINI N, et al. Weighted mean filter for removal of high density salt and pepper noise [C]//Proceeding of the 3rd International Conference on Advanced Computing and Communication Systems (ICACCS). New York: IEEE Press, 2016, 1: 1-4.

[3] LOKHANDE A R, DAS M, SALUNKE D. Efficient removal of impulse noise and analyze performance of median filter and center weighted median filter [J]. International Journal of Engineering Science, 2016, 6(3): 2883-2889.

[4] ZHAN L, ZUO Z, ZHU S. An improved three states filter algorithm for impulse noise removal [C]// Proceeding of the 11th International Conference on Signal Processing (ICSP). New York: IEEE Press, 2012: 162-165.

[5] VERMA K, SINGH B K, THOKE A S. An enhancement in adaptive median filter for edge preservation [J]. Procedia Computer Science, 2015, 48: 29-36.

[6] 余应淮, 谢仕义. 滤除椒盐噪声的开关核回归拟合算法[J]. 计算机应用, 2017, 37(10): 2921-2925.

[7] 齐现英, 刘伯强, 徐建伟, 等. 融合方向特性与不确定性的脉冲噪声滤波[J]. 中国图象图形学报, 2017, 22(6): 0754-0766.

[8] 张才, 陈优广. 基于噪声自检测的分段非线性组合Adaboost改进算法[J]. 计算机工程, 2017, 43(5): 163-168.

[9] 王义, 王江云, 宋晓, 等. 基于模糊转换的图像椒盐噪声检测和去除[J]. 电子测量与仪器学报, 2017, 31(4): 537-542.

[10] 江巨浪, 章瀚, 朱柱, 等. 高密度椒盐噪声的多方向加权均值滤波[J]. 计算机工程与应用, 2016, 52(6): 204-208.

[11] 刘鹏宇, 哈睿, 贾克斌. 改进的自适应中值滤波算法及其应用[J]. 北京工业大学学报, 2017, 43(4): 581-586.

[12] THANAKUMAR G, MURUGAPPRIYA S, SURESH G R. High density impulse noise removal using BDND filtering algorithm [C]//Proceeding of the International Conference on Communications and Signal Processing (ICCSP). New York: IEEE Press, 2014: 1958-1962.

[13] 刘玉兰, 刘小平, 邹艳妮. 改进的自适应权值核范数最小化去噪算法[J]. 计算机工程与设计, 2018, 39(1): 212-217.

Image Denoising Algorithm Based on Noise Detection and Dynamic Window

WANG Wen-hao, YAN Yun-yang, JIANG Ming-xin, GAO Shang-bing, YU Yong-tao

(Faculty of Computer & Software Engineering, Huaiyin Institute of Technology, Huai’an Jiangsu 223003, China)

Aimed at the loss of image details caused by median filtering when removing the impulse noise, this study proposes an adaptive filtering method based on noise detection and dynamic window. Firstly, using BDND method, the image pixel is divided into signal points and suspected noise points to reduce the number of pixels that need to be processed. Then a method of the window adaptive noise detection is designed to further distinguish the suspected noise points into the noise points and the fine points, which strengthen the protection of the details of the image. Finally the detected noise is removed by an improved adaptive median filter. The window adaptive control is integrated into this filter algorithm. The size of the window can be adaptively adjusted according to the noise condition. The image details are protected as much as possible while removing the noise. The experiments show that the algorithm in this paper is superior to other conventional algorithms in noise removal and detail protection, and can effectively improve the peak signal to noise ratio of the image. This method can also obtain better denoising effect for images with high density noise.

impulse noise; noise detection; adaptive window; noise removal

TP 391

10.11996/JG.j.2095-302X.2019010111

A

2095-302X(2019)01-0111-06

2018-07-04；

2018-07-18

国家自然科学基金项目(61603146)；江苏省六大人才高峰项目(XYDXXJS-012)；江苏省高等学校自然科学研究重大项目(18KJA520002)；江苏省自然科学基金项目(BK20171267)；淮安市科技计划项目(HAP201605，HAA201738)；江苏省第五期333高层次人才培训项目(BRA2018333)

王文豪(1973-)，男，江苏淮安人，副教授，硕士。主要研究方向为图形图像处理、模式识别。E-mail：wangwenhao1407@163.com