3.改进的滤波去噪算法
3.1算法思想
在充分分析了常用的滤波器，查阅滤波器资料后，本文中分析了文献[4]中一种基于邻域信息的改进的椒盐噪声滤波算法，首先是判断图像中每个像素点与其邻域像素点的区别度，根据得到的区别度将图像像素点分为两类：高噪声像素点和低噪声像素点。对于高噪声像素点，本文采用中值滤波算法进行处理，而对于低噪声像素点则用均值滤波算法来进行处理。公式7为的区别度的计算方法如：
(7)
这样既避免图像的模糊现象又保留了图像中的细节。对于图像边缘的噪声本文也采用的是中值滤波算法来进行平滑，避免了图像边缘模糊的现象，基于这样的思想，提出了下面的滤波算法。
3.2算法的实现步骤
表示大小为的输入图像， 表示去噪后的图像在像素处的灰度值,其中 和分别表示图像的像素点处的灰度值。中均值滤波采用8-邻域像素点，如图1所示。算法的具体实现步骤如下：
(1)读取像素点的灰度值；
(2)据步骤(1)计算出像素点处的区别度,如果大于0.3且小于1，对像素点用中值滤波去噪；否则用均值滤波，处理后灰度值为；
(3)重复步骤(2)的操作，完成图像F的每一个像素点(边缘点除外)；
(4)将对图像的边缘点，为了保护细节，均采用中值滤波处理。
4.仿真结果
图2以原始图为例来说明本文所提出的滤波算法的效果。其中，图(a)是原始图像，图(b)是加入密度为 0.05 后的椒盐噪声图像。分别对图(b)进行均值滤波、中值滤波、文纳滤波及本文的滤波算法效果图如图(c)、图(d)、图(e)、图(f)和图(g)所示。
（a）原灰度图像 (b)0.05的椒盐噪声 (c)3*3的均值滤波 (d)中值滤波
(e)文纳滤波一次 (f)文纳滤波二次 (g) 本文算法
图2 滤波比较效果图
由图2中的滤波效果图我们可以明显的看到，均值滤波算法模板越大噪声抑制效果越好，但同时使图像更加模糊；文纳滤波算法计算量太大，噪声一次比一次减少，却使图像变的越来越模糊；中值滤波算法对噪声处理也比较好，但它使图像中的一些细节变得模糊不清；而本文算法的效果虽然有一些细小的噪声存在，但要比其它滤波算法的效果要清晰，细节保留的比较好。
我们看到均值滤波和文纳滤波算法明显不能有效去除椒盐噪声，虽然视觉上不能看出本文算法是否比中值滤波好，为了证明本文的算法优于中值滤波，下面我们对原始图像的实验效果用均方误差 MSE (如公式8)、峰值均方误差PMSE (如公式9）进行定量评价。
上一页 [1] [2] [3] [4] [5] [6] 下一页
MATLAB邻域信息优化方法的图像恢复算法研究+滤波去噪算法 第5页下载如图片无法显示或论文不完整，请联系qq752018766
