基于图像去噪的混合噪声滤波算法-科技论文

根据上述判断方法，若滤波窗口内像素受椒盐噪声污染，则求出滤波窗内灰度最大值和最小值。把滤波窗内每个像素与最大值和最小值进行比较，除去那些等于最大值或最小值的像素点，如果滤波窗内剩余像素N不为零，则求出剩余像素的平均值M，并计算平均像素灰度值与滤波窗中点像素灰度值的差的绝对值。此绝对值与设定的阈值T比较，若绝对值d大于阈值T则输出剩余像素均值M，若绝对值d小于阈值T，则输出滤波窗中点像素灰度值。其中阈值T的选择，与图像的局部性质相联系。根据韦伯定理，人的视觉在亮区域对噪声的敏感程度比暗区时小，因此在亮区域可以适当减弱去噪，而保存细节，在暗区域，则尽量抑制噪声。由此知，阈值的设置域是滤波窗平均灰度值的一次函数。即：。K和b的值由多次试验决定。本文试验中。若滤波窗口内剩余像素n为零，则扩大滤波窗口尺寸为5×5，并重以上算法。如果剩余像素仍为零则图像输出为：
若判断滤波窗内未被椒盐噪声污染，则先计算出滤波窗内像素的梯度绝对值：
如果梯度值大于某一给定的阈值T，，其中则直接输出原像素。否则，则输出滤波窗像素灰度值均值。
重复上述算法直至完成所有像素点的滤波处理，最后得到除噪后的图像f。
二、仿真实验及分析
将本文算法和传统滤波算法（中值滤波和均值滤波）进行对比试验，采用归一化均方误差NMSE和峰值信噪比PSNR作为客观评价标准，其中
式（4）、（5）中的为未受污染的图像，为滤波后的图像，P、Q为图像的尺寸，L为图像的灰度级。从式（4）、（5）中可以看出NMSE越小滤波效果越好，PSNR越大滤波效果越好。
本文实验中，采用大小为256×256的lenna灰度图像。首先调用MatlAb
中的imnoise函数给原图像加噪声，得到受噪声污染的图像。然后对含不同混合噪声强度的图像采用传统滤波方法和本文算法进行滤波，滤波后恢复图像。实验可以采用:1.lenna图像被的椒盐噪声和均方差
的高斯噪声污染后的图像及其滤波结果；2.lenna图像被的椒盐噪声和均方差的高斯噪声污染后的图像及其滤波结果。
本文在传统滤波算法的基础上，提出了一种新的自适应混合噪声滤波算法，该算法结合了线性滤波和非线性滤波的优点，即均值滤波对高斯噪声有较好的去噪能力，中值滤波对椒盐噪声有较好的去噪能力的特点，利用一个设定的阀值，合理的选择滤波方法，理论上该算法能很好的滤除混合噪声，仿真实验结果及分析也表明了本文算法能很好地滤除高斯噪声与椒盐噪声的混合噪声，滤波效果比传统的滤波算法更为理想。