基于连通性检测的图像椒盐噪声滤波算法
发布时间：2021-06-17 09:30
为了在滤除图像椒盐噪声的同时保护图像边缘细节,提出了一种基于连通性检测的图像椒盐噪声滤波算法。由于椒盐噪声点的灰度值与正常像素点的灰度值相比往往存在较大差异,本算法先通过比较像素点灰度值与其邻域像素点灰度值,将差异较大的像素点列为疑似噪声点,然后通过检测疑似噪声点是否是图像连通区域的一部分来判断该点是否是噪声点,最后通过中值滤波器将噪声点滤除。该算法可以有效区分图像区域边缘与椒盐噪声。实验结果表明,该算法可以有效去除密度范围从0～0.9的椒盐噪声,在0.9的噪声密度下,算法的峰值信噪比仍可达到30dB。满足有效去除不同密度范围的椒盐噪声的同时保护图像细节的要求。
【文章来源】：液晶与显示. 2020,35(02)北大核心CSCD
【文章页数】：6 页
【部分图文】：
算法处理加噪图像效果图
为了直观评价算法效果，现分别用标准中值滤波（Standard median filter,SFM）算法、极值中值滤波（Extreme median filter,EM）算法[14]、自适应中值滤波（Improved adaptive median filter,IAM）算法[15]、基于直方图的加权均值滤波算法（Histogram weighted filter,HWF)[16]和本文的连通检测中值滤波算法（Connectivity detection median filter,CDM）分别处理加入0.1,0.3,0.5,0.7,0.9椒盐噪声的图像，可以发现本文算法处理结果的视觉效果优于其他算法。图2中分别展示了对比算法中表现最好的改进自适应中值滤波算法、基于直方图的加权均值滤波（HWF）算法与本文算法处理加入了0.1,0.5,0.9密度的椒盐噪声图像的效果。
观察图3，可以发现整个噪声率范围内本文的连通检测滤波算法效果都要优于其他算法。在0.1～0.7噪声密度情况下，本文算法的PSNR值分别为42,36,33,32dB，始终比用于其他4个算法中表现最好的HWF算法高3dB；而在0.9的噪声密度下，PSNR值为30dB，较HWF算法高5.5dB。从表1可知，在0.1～0.9的噪声密度下，本文算法处理噪声所需时间都要长于其他的4种算法，且所需时间随着噪声密度的增加而增加。这是因为在高密度噪声的情况下，本文算法需要增加循环次数以消除噪声点聚集在一起形成的更大的黑（白）斑块。但即使是在0.9的噪声密度下，算法的运行时间也只是85.54ms，仍在可接受的范围内。
【参考文献】：
期刊论文
[1]基于开关二级检测的图像椒盐噪声滤波算法[J]. 郑亮,方恩印,朱明. 液晶与显示. 2019(01)
[2]改进的自适应中值滤波算法[J]. 黄文笔,战荫伟,陈家益,徐秋燕. 计算机系统应用. 2018(10)
[3]动态测量的高光谱图像压缩感知[J]. 闫歌,许廷发,马旭,张宇寒,王茜,谭翠媚. 中国光学. 2018(04)
[4]稀疏阈值的超分辨率图像重建[J]. 何阳,黄玮,王新华,郝建坤. 中国光学. 2016(05)
[5]对等组的快速开关型矢量中值滤波[J]. 钟灵,章云. 计算机工程. 2010(22)
[6]基于极值检测的图像滤波算法[J]. 王红梅,李言俊,张科. 激光与红外. 2007(10)
[7]一种基于直方图的加权均值滤波方法[J]. 唐彩虹,蔡利栋. 微计算机信息. 2006(13)
[8]一种基于极值的自适应中值滤波算法[J]. 苟中魁,张少军,李忠富,金剑. 红外与激光工程. 2005(01)
本文编号：3234938
【文章来源】：液晶与显示. 2020,35(02)北大核心CSCD
【文章页数】：6 页
【部分图文】：
算法处理加噪图像效果图
为了直观评价算法效果，现分别用标准中值滤波（Standard median filter,SFM）算法、极值中值滤波（Extreme median filter,EM）算法[14]、自适应中值滤波（Improved adaptive median filter,IAM）算法[15]、基于直方图的加权均值滤波算法（Histogram weighted filter,HWF)[16]和本文的连通检测中值滤波算法（Connectivity detection median filter,CDM）分别处理加入0.1,0.3,0.5,0.7,0.9椒盐噪声的图像，可以发现本文算法处理结果的视觉效果优于其他算法。图2中分别展示了对比算法中表现最好的改进自适应中值滤波算法、基于直方图的加权均值滤波（HWF）算法与本文算法处理加入了0.1,0.5,0.9密度的椒盐噪声图像的效果。
观察图3，可以发现整个噪声率范围内本文的连通检测滤波算法效果都要优于其他算法。在0.1～0.7噪声密度情况下，本文算法的PSNR值分别为42,36,33,32dB，始终比用于其他4个算法中表现最好的HWF算法高3dB；而在0.9的噪声密度下，PSNR值为30dB，较HWF算法高5.5dB。从表1可知，在0.1～0.9的噪声密度下，本文算法处理噪声所需时间都要长于其他的4种算法，且所需时间随着噪声密度的增加而增加。这是因为在高密度噪声的情况下，本文算法需要增加循环次数以消除噪声点聚集在一起形成的更大的黑（白）斑块。但即使是在0.9的噪声密度下，算法的运行时间也只是85.54ms，仍在可接受的范围内。
【参考文献】：
期刊论文
[1]基于开关二级检测的图像椒盐噪声滤波算法[J]. 郑亮,方恩印,朱明. 液晶与显示. 2019(01)
[2]改进的自适应中值滤波算法[J]. 黄文笔,战荫伟,陈家益,徐秋燕. 计算机系统应用. 2018(10)
[3]动态测量的高光谱图像压缩感知[J]. 闫歌,许廷发,马旭,张宇寒,王茜,谭翠媚. 中国光学. 2018(04)
[4]稀疏阈值的超分辨率图像重建[J]. 何阳,黄玮,王新华,郝建坤. 中国光学. 2016(05)
[5]对等组的快速开关型矢量中值滤波[J]. 钟灵,章云. 计算机工程. 2010(22)
[6]基于极值检测的图像滤波算法[J]. 王红梅,李言俊,张科. 激光与红外. 2007(10)
[7]一种基于直方图的加权均值滤波方法[J]. 唐彩虹,蔡利栋. 微计算机信息. 2006(13)
[8]一种基于极值的自适应中值滤波算法[J]. 苟中魁,张少军,李忠富,金剑. 红外与激光工程. 2005(01)
本文编号：3234938
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3234938.html
