显著特征的标记图像降噪算法研究

［高聪］

1 引言

在工业产品表面质量检测中，降噪处理是数字图像处理技术中一项重要的处理方法，也是工业产品质量检测中关键的一步。降噪处理的效果直接影响到产品检测结果[1,2]。随着对工业生产效率和产品质量检测要求的提高，从而对数字图像处理的降噪提出了新的挑战[3]。针对这一难题，提出一种具有显著特征图像的降噪处理算法。

本课题图像降噪处理算法采用“显著特征标记图像”设计方案。该方案是以一个叠加椒盐噪声的显著特征标记图像为作为图像处理的核心，并给出具体降噪处理算法和处理方法。在显著特征标记图像处理过程中，首先通过叠加不同概率密度的椒盐噪声作为降噪处理的样本。其次，采用多种滤波算法对显著特征标记图像进行降噪处理和特征分析。最后，提出一种新的自适应滤波器降噪处理方法。该图像降噪算法具有较好的处理效果，适用于对工业产品表面质量检测有较高要求的场合，同时也适用于在线检测。

2 工业检测降噪处理算法

2.1 邻域均值法

领域均值法是常用的一种降噪滤波器[4,5]。其工作原理为：假设f(i，j)是一幅含有噪声的图像，(i，j)为图像f(i，j)的一个像素点。S为像素点(i，j)的领域。在领域S内计算出所有像素点的平均灰度值，将该平均灰度值替换为像素点(i，j)的值。

含有噪声的图像f(i，j)的表达式可描述为公式(1)所示。通过采用邻域平均法降噪处理后的图像为g(i，j)，其表达式如公式（2）所示。

在实际工程应用中，图像的降噪处理方法主要依据噪声特点来确定。通常采用不同的平滑模板。比较常用的滤波模板有平均平滑和高斯平滑两种。以3×3 滤波模板为例，其滤波模板如图1 所示。

图1 平均平滑模板和改进平滑模板

图1（a）中滤波方法在图像降噪处理过程中，算法简单，计算速度快，也比较容易实现。该算法在抑制噪声方面也具有较好的效果。但是在滤除噪声的过程中，会造成图像模糊，导致图像边缘细节特征丢失。因此，邻域平均法并不适用于对检测精度有较高要求的场合。

图1（b）是对平均平滑模板的一种改进，它的基本工作原理是在均值滤波器的基础上进行加权平均，也称为高斯滤波器。该算法是在领域内不同的像素点采用不同的加权值，即距离中心点较近的像素点加权值较大，对降噪结果影响较大。距离中心点较远的像素点加权值较小，对降噪结果影响较小。该方法在图像降噪方面有所提升，但同样会使图像模糊，造成边缘细节特征丢失。

2.2 中值滤波算法

式中，g(i，j)为中值滤波后的图像。

在工程应用中，通常采用不同尺寸的平滑模板。以3×3 滤波模板为例，其中值滤波模板如图2 所示。

图2 中值滤波模板

滤波模板窗口S的大小对图像降噪效果的影响较大。如果滤波模板窗口S取值过大，则表示在较大的窗口下对更多的像素点处理。虽然降噪效果好，但是计算速度变慢。如果滤波模板窗口S取值过小，则在较小的窗口下对较少的像素点处理。虽然计算速度较快，但是降噪效果变差。所以滤波模板窗口S的取值应根据图像的特征来确定。

中值滤波器在图像降噪的同时能够保留图像边缘细节特征，在图像降噪处理方面有一定的优势。该方法对于椒盐噪声的降噪效果较好，但是当椒盐噪声概率密度较大时，该方法的降噪效果下降。同时滤波模板窗口的大小难以确定。

3 自适应滤波器算法

图像降噪处理在图像预处理过程中占有重要地位。在工业生产领域，往往要求在线实时检测[8～9]。这对图像处理的效果提出了很高的要求。为了解决这一难题，这里提出一种自适应滤波器降噪处理算法。

（2）引导交流：有没有什么发现？（茉莉的特点：平淡无奇、洁白纯净、缕缕幽香、充满诗意；茉莉是本文的线索，让文章形散意不散，主题突出。）

图3 自适应滤波流程图

如果第一层级处理过程中，检索到一个脉冲，即A1＞0 且A2＜0 不成立。则该算法会调整滤波模板窗口的尺寸，然后将执行第一层。在循环遍历过程中达到了最大窗口，即不成立时，则立即返回。此时，并不能判别是噪声。该算法在滤波器窗口下对图像中的每一个像素点进行计算，直到处理完整幅图像结束，并输出结果。

该自适应滤波器的一大优点在于能够滤除不同概率密度的椒盐噪声，也能够有效的平滑其它类型的噪声，同时能够有效的保护图像边缘细节特征信息。

4 图像降噪实验

该实验通过对显著特征标记图像加入椒盐噪声来对比各种滤波方法的效果。实验分为两组进行，首先对显著特征标记图像加入概率密度为0.1 和0.25 的椒盐噪声，然后采用不同的降噪方法进行降噪处理。

（1）对显著特征标记图像加入椒盐噪声，其概率密度为Pa=Pb=0.1。

图4 椒盐噪声图像去噪（Pa=Pb=0.1）

（2）对显著特征标记图像加入椒盐噪声，该噪声的概率为Pa=Pb=0.25。

分别采用均值滤波算法、中值滤波算法和自适应滤波算法对含有噪声的显著特征标记图像进行降噪处理。其中，均值滤波算法和中值滤波算法均采用3×3 的滤波模板窗口尺寸，自适应滤波算法模板窗口的最大尺寸设置为10。则图像降噪结果如图5 所示。

图5 椒盐噪声图像去噪（Pa=Pb=0.25）

图4 中，对显著特征标记图像加入概率为Pa=Pb=0.1的椒盐噪声。均值滤波算法能够滤除一部分椒盐噪声，但是处理结果并不理想，并且使图像的边缘细节变得模糊，图像特征点丢失。由此得出，均值滤波算法降噪的代价是使图像模糊，同时边缘细节特征丢失。中值滤波和自适应滤波不仅可以较好地去除噪声，同时还可以保护图像的边缘细节特征信息。该组实验中，中值滤波和自适应滤波处理结果没有明显的区别。

图5 中，对显著特征标记图像加入概率为Pa=Pb=0.25的椒盐噪声。由于叠加的噪声概率密度较大，使显著特征标记图像变的较为模糊。此时，均值滤波算法降噪能力很差，并且使图像边缘细节变得模糊。中值滤波算法虽然在很大程度上去除了椒盐噪声，但是还有部分椒盐噪声没有被滤除。自适应滤波算法则可以很好的去除噪声，同时保护了图像的边缘细节特征。由此得出，中值滤波算法对于概率密度较大的噪声图像去噪能力有限。而自适应滤波算法的去噪能力相对较好。

针对实时性测试，该实验采用275 个显著特征标记图像进行测试。其中，主机采用K178-3L-GPI0 型；CPU 为Intel 奔腾G3250 型；主频为3.0 GHz。检测平均速度实验数据如表1 所示。

表1 检测平均速度实验数据

由表1 可知，该算法每秒处理显著特征标记图像数F1为公式（4）所示。

设定传送带的速度为35 m/min；其检测精度要求为0.01 mm；CCD 分辨率为1296×960px。则传送带每秒传送速度ν 如公式（5）所示。

根据CCD 分辨率可知每个显著特征标记图像大小为12.96×9.6 mm，以标记图像纵向进给计算，则每秒传送的套印标记图像数F2由公式（6）计算所得。

由F1＞F2可知，该算法能够满足设计要求。

5 结语

本文对显著特征标记图像降噪算法进行了研究。通过分析工业产品质量检测对图像降噪处理要求，提出一种自适应滤波算法。该算法具有较好的处理效果，能够保护显著特征标记图像的边缘细节特征，从而提高了图像降噪质量。该显著特征标记图像去噪算法适用于对图像降噪处理有较高要求的场合。