陳家益,曹會(huì)英,熊剛強(qiáng),徐秋燕
(1.廣東醫(yī)科大學(xué) 信息工程學(xué)院,廣東 湛江 524023;2.湛江中心人民醫(yī)院 外科ICU,廣東 湛江 524037)
基于灰度修剪和均衡化的加權(quán)均值濾波算法
陳家益1,曹會(huì)英1,熊剛強(qiáng)1,徐秋燕2
(1.廣東醫(yī)科大學(xué) 信息工程學(xué)院,廣東 湛江 524023;2.湛江中心人民醫(yī)院 外科ICU,廣東 湛江 524037)
針對現(xiàn)行的均值濾波算法存在的局限性,基于灰度修剪和均衡化的加權(quán)均值濾波算法對其進(jìn)行改進(jìn).算法根據(jù)高斯噪聲的特點(diǎn)及其對原圖像的影響,對處于灰度概率峰值附近所對應(yīng)的灰度進(jìn)行修剪,再進(jìn)行加權(quán)均值濾波.加權(quán)系數(shù)同時(shí)考慮灰度相關(guān)性與距離相關(guān)性,是灰度測度因子和距離測度因子的乘積.算法最后對加權(quán)均值濾波后圖像進(jìn)行分段的灰度均衡化.濾波實(shí)驗(yàn)的結(jié)果表明,相對于現(xiàn)行的均值濾波算法,本算法有著更好的濾波性能,在濾除噪聲的同時(shí),很好地保持圖像的邊緣和細(xì)節(jié)部分.
均值濾波算法; 峰值灰度區(qū)間; 灰度修剪; 灰度均衡化; 灰度相關(guān)性; 距離相關(guān)性
濾波的目標(biāo)是在濾除噪聲的同時(shí),保持圖像的邊緣和細(xì)節(jié)部分,但噪聲在圖像上表現(xiàn)出與圖像的邊緣和細(xì)節(jié)部分有很大的相似性,在濾除噪聲的同時(shí)往往也將部分邊緣和細(xì)節(jié)部分誤當(dāng)做噪聲濾除,結(jié)果使濾波圖像變得模糊[1-2].高斯噪聲是圖像中最常見的噪聲,具有密度大、強(qiáng)度的波動(dòng)范圍寬等特點(diǎn),對圖像污染的程度會(huì)隨著圖像灰度的變化而變化,而在同一圖像灰度上也存在著差異[3-5].高斯噪聲不易定位和濾除.標(biāo)準(zhǔn)的均值濾波算法(SMF)根據(jù)高斯噪聲的特點(diǎn)(均值和方差),設(shè)定一個(gè)固定大小的濾波窗口.對圖像中的每個(gè)像素,都應(yīng)用其所對應(yīng)的濾波窗口中所有像素灰度的算術(shù)均值取代[6-7].濾波窗口Wij的中心像素f(i,j)的響應(yīng)為
(1)
其中,g為濾波圖像,f為噪聲圖像,m×n為濾波窗口Wij的尺寸.SMF算法不能很好地保持圖像的細(xì)節(jié),在濾除噪聲的同時(shí)也破壞了圖像的細(xì)節(jié)部分,從而使濾波圖像變模糊.濾波窗口內(nèi)各像素分別與中心像素的相關(guān)性和相似性是不同的,所以各像素分別對中心像素的影響不相同,應(yīng)該根據(jù)具體的因素決定各像素對應(yīng)的權(quán)值系數(shù)[8].
針對SMF算法的局限性,很多學(xué)者提出了多種改進(jìn)的均值濾波算法,包括基于中值的自適應(yīng)均值濾波算法[9]、自適應(yīng)加權(quán)均值濾波算法[10-13]和對加權(quán)系數(shù)進(jìn)行綜合改進(jìn)的均值濾波算法等[14-16].文獻(xiàn)[9]提出了基于中值的自適應(yīng)均值濾波算法,各像素的灰度分別與濾波窗口的灰度中值的差方作為因子,決定各像素對應(yīng)的權(quán)值系數(shù),以進(jìn)行加權(quán)均值濾波.但是,窗口的灰度中值有可能是大大偏離了原信號像素的噪聲點(diǎn),算法選取灰度中值作為標(biāo)準(zhǔn),可能會(huì)使得濾波像素的灰度大大偏離原信號像素[17].文獻(xiàn)[10]提出一種自適應(yīng)加權(quán)均值濾波算法,用一個(gè)分段非線性函數(shù)給出各鄰域像素對應(yīng)的權(quán)值系數(shù),但只有2個(gè)不同的權(quán)值系數(shù),缺乏自適應(yīng)性.另外,閥值k0和k1的選取具有主觀性,對不同特性的圖像,所取的最優(yōu)值k0和k1不一樣,算法缺乏普適性[18].文獻(xiàn)[14]提出一種改進(jìn)的均值濾波算法(IMF).像素對應(yīng)的權(quán)值系數(shù)是灰度相似度因子和空間近鄰度因子的乘積.但是,灰度相似度因子由鄰域像素的灰度與中心像素的差方?jīng)Q定,可能會(huì)使得濾波像素的灰度大大偏離原信號像素.另外,灰度相似度因子和空間近鄰度因子以e為底數(shù)的指數(shù)函數(shù)表示,像素與像素之間的加權(quán)系數(shù)差別過大,缺乏平滑的過渡性[19-20].
針對現(xiàn)行的均值濾波算法的局限性,本文提出了基于灰度修剪和均衡化的加權(quán)均值濾波算法(WMFGTE).
1.1 算法概述和理論依據(jù)WMFGTE算法根據(jù)高斯噪聲所服從的正態(tài)分布的特點(diǎn),從概率的角度出發(fā),將噪聲圖像中灰度概率峰值附近所對應(yīng)的像素進(jìn)行修剪,再求加權(quán)均值.灰度概率峰值附近所對應(yīng)的像素,受高斯噪聲污染最嚴(yán)重,是在灰度值上與原信號像素偏差最大的噪聲,將其修剪掉以提高濾波像素與原信號像素的相關(guān)性.
WMFGTE算法在計(jì)算鄰域像素的加權(quán)系數(shù)時(shí),同時(shí)考慮了灰度相關(guān)性與距離相關(guān)性,由灰度測度因子和距離測度因子的乘積得出相應(yīng)的加權(quán)系數(shù),進(jìn)而求得相關(guān)性更高的加權(quán)均值.
高斯噪聲的均值(μ>0)整體提高原圖像的灰度.根據(jù)噪聲圖像與原圖像的灰度直方圖曲線可以看出,噪聲圖像的灰度概率曲線相對原圖像整體向右移,左邊出現(xiàn)空缺.WMFGTE算法對加權(quán)均值濾波后的圖像進(jìn)行分段的灰度均衡化,以弱化均值μ對原圖像灰度的影響.
1.2 高斯噪聲的分析
1) 高斯噪聲概率分布的特點(diǎn).高斯噪聲的灰度x服從正態(tài)分布,分布滿足概率密度函數(shù)
(2)
其中,μ是變量x的均值,σ是變量x的標(biāo)準(zhǔn)差.
如圖1所示,均值μ決定概率密度曲線的位置,μ越大,曲線越向右靠.
如圖2所示,盡管正態(tài)變量x的取值范圍是(-∞,+∞),但x落在(μ-σ,μ+σ)的概率是68%,落在(μ-2σ,μ+2σ)的概率是95%,落在(μ-3σ,μ+3σ)的概率是99.7%[21].
2) 高斯噪聲的均值與標(biāo)準(zhǔn)差對圖像的影響.高斯噪聲是加性噪聲,以正態(tài)分布的概率疊加于原圖像的所有像素上.當(dāng)高斯噪聲的灰度均值μ>0,噪聲會(huì)整體提高噪聲圖像的灰度;當(dāng)μ=0,噪聲圖像的整體灰度與原圖像相當(dāng).高斯噪聲的標(biāo)準(zhǔn)差σ是高斯噪聲致使原圖像灰度偏離的程度,σ越大,噪聲圖像的灰度相對原圖像偏離越大,噪聲圖像質(zhì)量越差.
根據(jù)高斯噪聲分布的特點(diǎn),噪聲圖像中灰度概率越接近峰值的像素,受污染的程度越大.為提高圖像濾波的性能,將灰度概率峰值附近所對應(yīng)的像素視為“噪聲”,在求加權(quán)均值之前給予修剪.
2.1 峰值灰度區(qū)間的確定
1) 峰值灰度區(qū)間的理論依據(jù).為了在求加權(quán)均值時(shí)將灰度概率峰值附近所對應(yīng)的像素修剪掉,必須確定噪聲圖像灰度概率的峰值所對應(yīng)的灰度(以下統(tǒng)稱:峰值灰度,設(shè)為p),然后確定以峰值灰度p為中心的一個(gè)區(qū)間(以下統(tǒng)稱:峰值灰度區(qū)間).峰值灰度區(qū)間半徑的選取很重要.根據(jù)圖2所示,將近2/3的像素是落在區(qū)間(μ-σ,μ+σ).同時(shí)根據(jù)實(shí)驗(yàn)測定,峰值灰度區(qū)間的半徑取為高斯噪聲標(biāo)準(zhǔn)差σ的一半(即σ/2)比較合適,因此峰值灰度區(qū)間表示為(p-σ/2,p+σ/2).
2) 峰值灰度區(qū)間(p-σ/2,p+σ/2)中參數(shù)p的確定.噪聲圖像的灰度概率可以用對應(yīng)的灰度直方圖來表示.根據(jù)直方圖確定灰度概率的峰值,再根據(jù)峰值確定峰值灰度p.注意因?yàn)榛叶?和255對應(yīng)的灰度概率往往非常大,確定灰度概率峰值的時(shí)候,將灰度0和255排除在外.
3) 峰值灰度區(qū)間(p-σ/2,p+σ/2)中參數(shù)σ的確定.利用噪聲圖像中灰度中等的均勻區(qū)域,對高斯噪聲的參數(shù)進(jìn)行估計(jì).因?yàn)榫鶆騾^(qū)域的灰度近似為常數(shù),區(qū)域內(nèi)的灰度變化主要是由噪聲引起.假設(shè)S為一灰度中等的均勻區(qū)域,利用以下式子對該區(qū)域的灰度均值u和高斯噪聲的標(biāo)準(zhǔn)差σ進(jìn)行估計(jì):
(3)
其中,x∈[0,255]是灰度級,h(x)是由區(qū)域S的灰度直方圖所確定的灰度概率,u是區(qū)域S的灰度均值.注意:不是高斯噪聲本身的均值,σ是高斯噪聲本身的標(biāo)準(zhǔn)差.
2.2 加權(quán)系數(shù)的確定根據(jù)峰值灰度區(qū)間(p-σ/2,p+σ/2),對噪聲圖像中處于區(qū)間內(nèi)的像素進(jìn)行修剪,用其余像素求加權(quán)均值.加權(quán)系數(shù)同時(shí)考慮了灰度相關(guān)性與距離相關(guān)性.對于當(dāng)前像素,如果鄰域像素的灰度與鄰域灰度均值的偏差越小,則其對當(dāng)前像素的影響越大;如果鄰域像素在距離上與當(dāng)前像素越近,則其對當(dāng)前像素的影響越大.
設(shè)當(dāng)前像素的灰度是f(i,j),Wij是中心在(i,j)處的修剪峰值灰度區(qū)間像素后的濾波窗口,f(s,t)是Wij內(nèi)(s,t)處像素的灰度,M(i,j)是Wij的灰度均值.
定義(s,t)處像素的灰度測度因子
(4)
為防止f(s,t)與灰度均值M(i,j)的差為0而出現(xiàn)灰度測度因子無窮大這種極端化因子,給灰度絕對差加上1.
定義(s,t)處像素的距離測度因子(特別地,(i,j)處的wd(i,j)=1)
(5)
(s,t)處像素的加權(quán)系數(shù)
(6)
(s,t)處像素的歸一化加權(quán)系數(shù)
(7)
2.3 濾波圖像的灰度均衡化根據(jù)高斯噪聲所服從的正態(tài)分布的相關(guān)參數(shù),高斯噪聲對原圖像的影響分為2個(gè)方面:標(biāo)準(zhǔn)差σ和均值μ.對圖像進(jìn)行加權(quán)均值濾波,目標(biāo)就是克服高斯噪聲的標(biāo)準(zhǔn)差σ對原圖像的影響.而對于均值μ,當(dāng)μ>0,噪聲會(huì)整體提高噪聲圖像的灰度;當(dāng)μ=0,噪聲圖像的整體灰度與原圖像相當(dāng).
g為灰度歸一化圖像,式中系數(shù)4.45是經(jīng)過多次實(shí)驗(yàn)比較選取的最優(yōu)值.
2.4 算法的總體流程Wij為正被處理的、中心在(i,j)處的濾波窗口,S0為默認(rèn)的初始窗口大小,Smax為允許的最大窗口大小,f(i,j)為(i,j)處的像素灰度.
1) 根據(jù)噪聲圖像的灰度直方圖,確定峰值灰度p(將灰度0和255排除在外).
2) 選取噪聲圖像中一塊灰度中等的均勻區(qū)域,根據(jù)其灰度直方圖,應(yīng)用(3)式對區(qū)域的灰度均值u和高斯噪聲的標(biāo)準(zhǔn)差σ進(jìn)行估計(jì).
對每個(gè)像素執(zhí)行以下步驟3)~5):
3) 將Wij中灰度處于峰值灰度區(qū)間(p-σ/2,p+σ/2)的像素進(jìn)行修剪,其余各像素根據(jù)(4)和(5)式分別計(jì)算灰度測度因子和距離測度因子,再根據(jù)(6)式計(jì)算相應(yīng)的權(quán)值系數(shù).如果修剪后Wij剩下的像素為0個(gè),增大濾波窗口,轉(zhuǎn)5).
4) 根據(jù)加權(quán)系數(shù)輸出加權(quán)均值
(8)
5) 如果Wij的尺寸≤Smax,轉(zhuǎn)3);否則,輸出2)所估計(jì)的區(qū)域的灰度均值u.
根據(jù)本文提出的WMFGTE算法,運(yùn)用計(jì)算機(jī)軟件Matlab 2013b進(jìn)行仿真實(shí)驗(yàn),以檢驗(yàn)算法的有效性以及相對現(xiàn)有算法的優(yōu)越性,從主觀視覺和客觀數(shù)據(jù)2個(gè)方面,對算法的濾波性能進(jìn)行比較評價(jià).對于客觀數(shù)據(jù)的比較,采用峰值信噪比(PSNR)作為客觀評價(jià)的標(biāo)準(zhǔn).
PSNR定義為
PSNR=
(9)
其中,m、n為圖像的大小,f(i,j)為原圖像(i,j)處像素的灰度,g(i,j)為濾波圖像(i,j)處像素的灰度.
3.1 灰度修剪的性能比較根據(jù)WMFGTE算法,運(yùn)用實(shí)驗(yàn)驗(yàn)證修剪峰值灰度區(qū)間的像素對圖像濾波的有效性,對680×1 024、256級灰度的圖像Building添加參數(shù)(0.05,0.05)的高斯噪聲,分別用不修剪峰值灰度的WMFGTE算法與完整的WMFGTE算法進(jìn)行濾波,結(jié)果如圖3所示.
圖3中2種濾波效果的差別明顯.將峰值灰度修剪后的濾波效果(見圖3(d))明顯比不修剪峰值灰度的濾波效果(見圖3(c))好,清晰度明顯增加.
上述2種不同情況濾波圖像對應(yīng)的PSNR如表1所示.
表1 不修剪與修剪峰值灰度濾波圖像對應(yīng)的PSNRTable 1 The PSNR of trimmed peak gray and not in image filtering
不修剪與修剪峰值灰度的濾波圖像所對應(yīng)的PSNR,從客觀上證明了修剪峰值灰度對濾波的有效性.
3.2 算法總體濾波結(jié)果的比較SMF算法[6]是最常用的算法,對于改進(jìn)的均值濾波算法,文獻(xiàn)[14]提出的IMF算法的濾波性能較好.為了證明WMFGTE算法的濾波性能,同時(shí)實(shí)現(xiàn)SMF算法和IMF算法以進(jìn)行比較分析,對680×1 024、256級灰度的圖像建筑物,添加不同參數(shù)(u,σ)的高斯噪聲,同時(shí)用3種算法進(jìn)行濾波,從主觀視覺和客觀數(shù)據(jù)2個(gè)方面,對3種算法的濾波性能進(jìn)行比較評價(jià).
1) 主觀視覺的比較.如圖4所示,當(dāng)高斯噪聲的參數(shù)(u,σ)比較小時(shí),比如(0.01,0.01),IMF算法的濾波效果比SMF好一點(diǎn),圖像的邊緣輪廓較清晰;對于WMFGTE算法,其濾波效果相對前兩者較好,對圖像的細(xì)節(jié)部分進(jìn)行比較,樹枝以及樓層的輪廓濾波效果明顯比前2種算法清晰明朗,如圖4(e)、(h)和(k)三者的比較.
當(dāng)高斯噪聲的參數(shù)(u,σ)中等大小時(shí),比如(0.05,0.05),SMF算法雖然濾除了高斯噪聲,但模糊度比較嚴(yán)重;IMF算法雖然模糊度比較小,但是還殘留有部分高斯噪聲;對于WMFGTE算法,在清晰度與濾除噪聲2個(gè)方面的效果都比前兩者較好,如圖4(f)、(i)和(l)三者的比較.
當(dāng)高斯噪聲的參數(shù)(u,σ)比較大時(shí),比如(0.10,0.10),3種算法的濾波效果的差異更加顯著.SMF算法的濾波效果非常模糊,IMF算法模糊度不明顯,但是還明顯留有部分高斯噪聲,噪聲濾除效果大大降低.對于WMFGTE算法,濾波效果雖然出現(xiàn)了微小的模糊,但幾乎徹底濾除了高斯噪聲,如圖4(g)、(j)和(m)三者的比較.
2) 客觀數(shù)據(jù)的比較.為了客觀而準(zhǔn)確地說明WMFGTE算法的濾波性能,對3種算法的濾波性能進(jìn)行量化比較.3種算法同時(shí)對含3種不同參數(shù)(u,σ)的高斯噪聲圖像進(jìn)行濾波,對應(yīng)的PSNR如圖5所示.
對3種算法進(jìn)行濾波后的PSNR進(jìn)行統(tǒng)計(jì)和比較分析,顯而易見,不管是對較小參數(shù)(u,σ)的高斯噪聲圖像,還是對較大參數(shù)(u,σ)的高斯噪聲圖像,相對于SMF算法和IMF算法,WMFGTE算法的PSNR較高.
3.3 算法對標(biāo)準(zhǔn)圖像的濾波結(jié)果的比較對512×512、256級灰度的標(biāo)準(zhǔn)圖像Lenna,添加不同參數(shù)(u,σ)的高斯噪聲,同時(shí)運(yùn)用SMF、IMF和WMFGTE算法進(jìn)行圖像濾波,從主觀視覺和客觀數(shù)據(jù)2個(gè)方面,對3種算法的濾波性能進(jìn)行比較評價(jià).
1) 主觀視覺的比較.如圖6所示,(b)是加了參數(shù)(0.01,0.01)的高斯噪聲圖像,SMF算法的濾波效果(e)出現(xiàn)輕度模糊,IMF算法的濾波效果(h)比SMF的濾波效果(e)好,相對SMF算法和IMF算法,WMFGTE算法的濾波效果(k)的清晰度明顯優(yōu)于(e)和(h).
(c)是加了參數(shù)(0.05,0.05)的高斯噪聲圖像,SMF算法的濾波效果(f)出現(xiàn)明顯的模糊;IMF算法的濾波效果(i)噪聲濾除不夠干凈,還留有少部分噪聲;WMFGTE算法的濾波效果(l)徹底濾除了噪聲,并且細(xì)節(jié)部分也較清晰.
(d)是加了參數(shù)(0.10,0.10)的高斯噪聲圖像,SMF算法的濾波效果(g)出現(xiàn)嚴(yán)重的模糊,感覺圖像在抖動(dòng);IMF算法的濾波效果(j)有輕微的模糊,并且明顯殘留有高斯噪聲;WMFGTE算法的濾波效果(m)在噪聲濾除和清晰度2個(gè)方面的效果比前兩者較好.
2) 客觀數(shù)據(jù)的比較.對含3種不同參數(shù)(u,σ)的高斯噪聲圖像,3種算法同時(shí)對其進(jìn)行濾波,對應(yīng)的PSNR如圖7所示.
對3種算法進(jìn)行濾波后的PSNR進(jìn)行統(tǒng)計(jì)和比較分析,結(jié)果顯示:不管是對較小參數(shù)(u,σ)的高斯噪聲圖像,還是對較大參數(shù)(u,σ)的高斯噪聲圖像,相對于SMF算法和IMF算法,WMFGTE算法的PSNR較高.
3.4 算法對醫(yī)學(xué)圖像的濾波結(jié)果的比較對490×600、256級灰度的醫(yī)學(xué)圖像X射線,添加不同參數(shù)(u,σ)的高斯噪聲,將SMF算法、IMF算法和WMFGTE算法同時(shí)應(yīng)用于噪聲圖像.從主觀視覺和客觀數(shù)據(jù)2個(gè)方面,對3種算法的濾波性能進(jìn)行比較評價(jià).
1) 主觀視覺的比較.如圖8所示,當(dāng)高斯噪聲的參數(shù)(u,σ)比較小時(shí),比如(0.01,0.01),根據(jù)圖8(e)、(h)和(k)三者的比較,同時(shí)參照原圖,IMF算法的濾波效果比SMF好一點(diǎn),圖像的整體邊緣輪廓較清晰;WMFGTE算法的濾波效果圖最接近于原圖,肋骨的邊緣線條明顯比前2種算法清晰柔和.
當(dāng)高斯噪聲的參數(shù)(u,σ)中等大小時(shí),比如(0.05,0.05),根據(jù)圖8(f)、(i)和(l)3者的比較,SMF算法的濾波效果圖出現(xiàn)模糊;相對于SMF算法,IMF算法的模糊度較小,但是還殘留有部分高斯噪聲;對于WMFGTE算法,其濾波效果圖在清晰度與濾除噪聲2個(gè)方面的效果都比前兩者較好,肋骨和人體的邊緣輪廓依然很清晰.
當(dāng)高斯噪聲的參數(shù)(u,σ)比較大時(shí),比如(0.10,0.10),根據(jù)圖8(g)、(j)和(m)三者的比較,3種算法的濾波效果差異顯著:SMF算法的濾波效果出現(xiàn)明顯的模糊,感覺有明顯的晃動(dòng);IMF算法的濾波效果圖出現(xiàn)輕度的模糊,同時(shí)噪聲濾除不徹底,明顯留有部分高斯噪聲;對于WMFGTE算法,濾波效果圖雖然出現(xiàn)了微小的模糊,但幾乎徹底濾除了高斯噪聲,與原圖相比較,相差微小.
2) 客觀數(shù)據(jù)的比較.對含3種不同參數(shù)(u,σ)的高斯噪聲圖像,3種算法同時(shí)對其進(jìn)行濾波,對應(yīng)的PSNR如圖9所示.
對3種算法進(jìn)行濾波后的PSNR進(jìn)行統(tǒng)計(jì)和比較分析,結(jié)果顯示:不管是對較小參數(shù)(u,σ)的高斯噪聲圖像,還是對較大參數(shù)(u,σ)的高斯噪聲圖像,相對于SMF算法和IMF算法,WMFGTE算法的PSNR較高.
同時(shí)運(yùn)用3種算法對生活圖像、標(biāo)準(zhǔn)圖像以及醫(yī)學(xué)圖像分別進(jìn)行仿真實(shí)驗(yàn).根據(jù)實(shí)驗(yàn)的濾波效果圖以及對應(yīng)的PSNR數(shù)據(jù)進(jìn)行比較與分析,結(jié)果顯示:WMFGTE算法相對于現(xiàn)行的均值濾波算法,有著更加良好的濾波性能.
本文提出的基于灰度修剪和均衡化的加權(quán)均值濾波算法,將噪聲圖像中灰度概率峰值附近所對應(yīng)的像素進(jìn)行修剪后,再求加權(quán)均值,以減少對噪聲濾除的負(fù)面影響.算法在計(jì)算鄰域像素的加權(quán)系數(shù)時(shí),同時(shí)考慮了灰度相關(guān)性與距離相關(guān)性,以此提高濾波圖像像素與原信號像素的相關(guān)性.算法最后對加權(quán)均值濾波后的圖像進(jìn)行分段的灰度均衡化,以此弱化高斯噪聲對原圖像整體灰度的影響.實(shí)驗(yàn)的結(jié)果證明:相對于現(xiàn)行的均值濾波算法,基于灰度修剪和均衡化的加權(quán)均值濾波算法有著更加良好的濾波性能.
[1] TANG W,TANG J.An improved mean filter algorithm for impulse noise elimination[J].Advanced Materials Research,2014,936:2281-2285.
[2] 鄭秀清,何坤,張健.基于Prewitt 算子的TV 圖像去噪算法[J].四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,36(3):456-462.
[3] 武英,吳海勇.一種自適應(yīng)圖像去噪混合濾波方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(7):168-170.
[4] 羅丹.基于圖像增強(qiáng)的改進(jìn)自適應(yīng)加權(quán)均值濾波算法[J].電視技術(shù),2013,37(23):15-22.
[5] 楊吉宏,胡順波,張民,等.灰度圖像加權(quán)有向平滑濾波算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(1):153-156.
[6] GONZALEZ R C,WOODS R E.Digital Image Processing[M].北京:電子工業(yè)出版社,2010.
[7] SAKTHIVEL N,PRABHU L.Mean-median filtering for impulse noise removal[J].Inter J Basic and Appl Sci,2014,2(4):47-57.
[8] FANG J,XU D C,FU X.An improved hybrid median-mean filter algorithm[J].Appl Mechanics Materials,2015(701/702):288-292.
[9] 常瑞娜,穆曉敏,楊守義,等.基于中值的自適應(yīng)均值濾波算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(16):4257-4259.
[10] KANG J Y,MIN L Q,LUAN Q X,et al.Novel modified fuzzy C-means algorithm with application [J].Digital Signal Processing,2009,19(2):309-319.
[11] ZHANG P X,LI F.A new adaptive weighted mean filter for removing salt-and-pepper noise[J].IEEE Signal Processing Letters,2014,21(10):1280-1283.
[12] 常瑞娜,穆曉敏,楊守義,等.基于局部空間像素特征的自適應(yīng)加權(quán)濾波算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(6):45-67.
[13] 曹萌,張有會(huì),王志巍,等.基于城區(qū)距離的自適應(yīng)加權(quán)均值濾波算法[J].計(jì)算機(jī)應(yīng)用,2013,33(11):3197-3200.
[14] 朱士虎,游春霞.一種改進(jìn)的均值濾波算法[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(12):97-116.
[15] MIAO Z W,JIANG X D.Weighted iterative truncated mean filter[J].IEEE Transactions on Signal Processing,2013,61(16):4149-4160.
[16] 劉書,王慈.基于自適應(yīng)非局部均值濾波的圖像去塊算法[J].上海交通大學(xué)學(xué)報(bào),2013,47(12):1930-1933.
[17] 李佐勇,湯可宗,胡錦美,等.椒鹽圖像的方向加權(quán)均值濾波算法[J].中國圖象圖形學(xué)報(bào),2013,18(11):1407-1415.
[18] 曹潔,李偉.一種高精度自適應(yīng)粒子濾波算法[J].蘭州理工大學(xué)學(xué)報(bào),2011,37(3):83-88.
[19] 彭良玉,楊輝,黃滿池.一種新的基于脈沖噪聲點(diǎn)檢測的自適應(yīng)中值濾波算法[J].蘭州理工大學(xué)學(xué)報(bào),2009,35(1):77-80.
[20] 李玲,胡學(xué)剛,蔣偉.一種基于LIP 的全變分圖像去噪新模型[J].四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,34(1):134-138.
[21] 盛驟,謝式千,潘承毅.概率論與數(shù)理統(tǒng)計(jì)[M].北京:高等教育出版社,2013:46-50.
(編輯 鄭月蓉)
Weighted Mean Filtering Algorithm Based on Gray Trimmed and Equalization
CHEN Jiayi1,CAO Huiying1,XIONG Gangqiang1,XU Qiuyan2
(1.CollegeofInformationEngineering,GuangdongMedicalUniversity,Zhanjiang524023,Guangdong;2.SurgicalICU,CenterPeople’sHospitalofZhanjiang,Zhanjiang524037,Guangdong)
Against the limitation of existing mean filtering algorithms,an improved weighted mean filtering algorithm is proposed by gray trimmed and equalization.According to Gaussian noise characteristics and its effect on original image,the corresponding gray is firstly trimmed to gray probability peak,and then the noise image is filtered by weighted mean.The weighted coefficient is the product of gray measure factor and distance measure factor,which takes gray correlation and distance correlation into consideration.Finally,the algorithm piecewise equalizes the image gray of weighted mean filtered.Experimental results demonstrate that the proposed algorithm has a significant better filtering performance in comparison with the existing mean filtering algorithms,which maintains image edges and details well in filtering noise.
mean filtering algorithm; peak gray interval; gray trimmed; gray equalization; gray correlation; distance correlation
2016-05-30
國家自然科學(xué)基金(61170320和11347150)和廣東省自然科學(xué)基金(2015A030310178和2014A030310239)
陳家益(1983—),男,講師,主要從事數(shù)字信號處理的研究,E-mail:beyond38@163.com
TP391
A
1001-8395(2017)02-0277-08
10.3969/j.issn.1001-8395.2017.02.022