改进型自适应双边滤波算法
发布时间：2021-10-15 00:51
对传统双边滤波器模型中的灰度标准差和滤波窗口进行改进。首先,用固定大小的正方形窗口通过概率分布函数和最大似然函数计算图中每个像素点的噪声标准差,将全图噪声标准差的中值作为阈值,若某像素点的噪声标准差大于该阈值,则认为该点的窗口内包含图像边缘,用半边旋转窗口法重新计算该点的噪声标准差和滤波窗口;然后,对图像中的每个像素点进行双边滤波,其中,灰度标准差设为该点噪声标准差的2倍;最后,根据区域相似度模型判定强噪声,并利用中值滤波器去除。实验证明,所提算法在不同强度的噪声下均可取得较好的保边滤波效果和强噪声去除效果。
【文章来源】：激光与光电子学进展. 2020,57(04)北大核心CSCD
【文章页数】：6 页
【部分图文】：
Lena图像处理。（a）加入高斯白噪声后的Lena图像；（b）归一化的噪声标准差
实验中选用标准的512×512的Lena图像和Peppers图像。在Lena图像中加入标准差为30的高斯白噪声和密度为0.1的椒盐噪声，在Peppers图像中加入标准差为30的高斯白噪声和密度为0.2的椒盐噪声，两幅图像的原图、加噪图和两种算法的去噪图及其局部图分别如图2和图3所示。图2(e）为Lena原始图像的局部图，可以看出白色帽子边缘处的边缘特征明显；加入噪声并经文献[10]算法去噪后的局部图如图2(g）所示，该边缘区域出现明显的平滑现象，边缘信息丢失；用所提算法去噪后的局部图如图2(h）所示，边缘特征得到相对较好的保留。Peppers图像相对Lena图像加入了更多的椒盐噪声，对比图3(g）经文献[10]算法去噪后的局部图和图3(h）经所提算法去噪后的局部图可以发现：对于平稳区域的强噪声，经文献[10]算法处理后有少量残留，而经所提算法处理后基本消失；对于边缘附近的强噪声，文献[10]算法失效，大量噪声得到保留，而所提算法将其大体去除，只有少量残留。综上可知，所提算法相对文献[10]算法具有更好的保边效果和强噪声去除效果。
将常用的去噪分析指标峰值信噪比（PSNR）、结构相似性（SSIM）和强噪声判定数目作为评价指标。峰值信噪比描述图像的失真程度，其值越大说明失真度越小；结构相似性衡量去噪图与原图的相似程度，其值在0到1之间，值越大则相似度越高；强噪声判定数目是针对两种算法提出的指标，用来比较两种算法的强噪声判定性能。以标准的512×512的Lena图像、Peppers图像和细节特征较少的Milkdrop图像作为实验对象，在三幅图像中分别加入不同强度的高斯白噪声和椒盐噪声，如表1所示，表中D表示椒盐噪声的密度。由表1可知，对于Lena图像、Peppers图像，当σn=30,D=0.05时，所提算法的PSNR约高出1,SSIM约高出0.01；当σn=30,D=0.1时，所提算法的PSNR约高出1,SSIM约高出0.04；当σn=40,D=0.1时，所提算法的PSNR约高出1,SSIM约高出0.06，说明所提算法整体优于文献[10]算法。在相同强度的噪声条件下，利用文献[10]算法判定强噪声时，Milkdrop图像的强噪声判定数目大于Lena图像和Peppers图像，这是因为Milkdrop图像具有更少的边缘结构。所提算法判定强噪声时不仅不受图像复杂度的影响，而且其强噪声判定数目也明显比文献[10]算法多。
本文编号：3437127
【文章来源】：激光与光电子学进展. 2020,57(04)北大核心CSCD
【文章页数】：6 页
【部分图文】：
Lena图像处理。（a）加入高斯白噪声后的Lena图像；（b）归一化的噪声标准差
实验中选用标准的512×512的Lena图像和Peppers图像。在Lena图像中加入标准差为30的高斯白噪声和密度为0.1的椒盐噪声，在Peppers图像中加入标准差为30的高斯白噪声和密度为0.2的椒盐噪声，两幅图像的原图、加噪图和两种算法的去噪图及其局部图分别如图2和图3所示。图2(e）为Lena原始图像的局部图，可以看出白色帽子边缘处的边缘特征明显；加入噪声并经文献[10]算法去噪后的局部图如图2(g）所示，该边缘区域出现明显的平滑现象，边缘信息丢失；用所提算法去噪后的局部图如图2(h）所示，边缘特征得到相对较好的保留。Peppers图像相对Lena图像加入了更多的椒盐噪声，对比图3(g）经文献[10]算法去噪后的局部图和图3(h）经所提算法去噪后的局部图可以发现：对于平稳区域的强噪声，经文献[10]算法处理后有少量残留，而经所提算法处理后基本消失；对于边缘附近的强噪声，文献[10]算法失效，大量噪声得到保留，而所提算法将其大体去除，只有少量残留。综上可知，所提算法相对文献[10]算法具有更好的保边效果和强噪声去除效果。
将常用的去噪分析指标峰值信噪比（PSNR）、结构相似性（SSIM）和强噪声判定数目作为评价指标。峰值信噪比描述图像的失真程度，其值越大说明失真度越小；结构相似性衡量去噪图与原图的相似程度，其值在0到1之间，值越大则相似度越高；强噪声判定数目是针对两种算法提出的指标，用来比较两种算法的强噪声判定性能。以标准的512×512的Lena图像、Peppers图像和细节特征较少的Milkdrop图像作为实验对象，在三幅图像中分别加入不同强度的高斯白噪声和椒盐噪声，如表1所示，表中D表示椒盐噪声的密度。由表1可知，对于Lena图像、Peppers图像，当σn=30,D=0.05时，所提算法的PSNR约高出1,SSIM约高出0.01；当σn=30,D=0.1时，所提算法的PSNR约高出1,SSIM约高出0.04；当σn=40,D=0.1时，所提算法的PSNR约高出1,SSIM约高出0.06，说明所提算法整体优于文献[10]算法。在相同强度的噪声条件下，利用文献[10]算法判定强噪声时，Milkdrop图像的强噪声判定数目大于Lena图像和Peppers图像，这是因为Milkdrop图像具有更少的边缘结构。所提算法判定强噪声时不仅不受图像复杂度的影响，而且其强噪声判定数目也明显比文献[10]算法多。
本文编号：3437127
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3437127.html
