技术领域
本发明涉及数字图像处理领域,具体涉及一种基于中值滤波的改进算法的图像处理方法。
背景技术
椒盐噪声通常来自图像的产生、传输、处理和存储过程,主要由图像的极值组成,在视觉上表现为黑白相间的亮暗点,会严重影响图像质量,也给图像的后续分析和处理造成困难。因此,如何有效去除椒盐噪声、保护图像细节具有十分重要的研究意义。但是,标准中值滤波(SMF)算法是一种非线性滤波方法,对椒盐噪声具有良好的平滑效果,因此,在图像降噪领域得到了广泛的应用。然而,SMF算法采用预设的固定窗口对每个像素点进行相同的处理,不区分噪声点和信号点,在去除噪声的同时容易导致图像细节模糊。为此,提出了各种改进算法。自适应中值滤波(AMF)算法可自适应调整滤波窗口的大小,并采用非噪声的中值点代替窗口中心像素点,提高了噪声的去除能力,但中值点很可能取到离窗口中心较远位置的像素点,易导致图像细节丢失。一种去除椒盐噪声的自适应开关中值滤波算法采用多级开关进行噪声检测,提出了一种自适应开关中值滤波(ASM)算法,能有效去除高密度噪声,但其图像边缘细节模糊问题尚未解决。基于噪声估计的自适应开关型中值滤波算法其利用支持向量回归(SVR)分析估计图像中的噪声比例,并对不同噪声比例的图像启动不同的滤波策略,提高了对高密度噪声的去除能力,但对低密度噪声图像的滤波效果较为一般。一种自适应双阈值的中值滤波方采用选取邻域的均值、滤波窗口内4个方向上灰度均值的最大值和最小值作为噪声检测的双阈值,但其仅利用像素点与邻域的灰度差异进行判断,易将非噪声点误判为噪声。
发明内容
本发明的目的在于提出一种基于中值滤波的改进算法的图像处理方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,本发明提出了一种基于中值滤波的改进算法的图像处理方法,所述方法包括以下步骤:
步骤1,选取一个待处理的图像;
步骤2,将待处理的图像灰度化后转变为灰度图像;
步骤3,判断所述灰度图像中的待处理像素点是否为椒盐噪声;
步骤4,根据判断结果,对灰度图像进行处理得到最终图像。
具体的,在步骤2中,使用MATLAB软件将待处理的图像灰度化后转变为灰度图像。
具体的,所述灰度图像的大小为M×N,M和N为灰度图像的像素点矩阵的长和宽,M和N为大于等于1的整数。
具体的,在步骤3中,判断所述灰度图像中的待处理像素点是否为椒盐噪声的步骤为:
步骤3.1,设置一个滤波窗口的边长为m,滤波窗口大小为m×m,令m的初始值等于3;
步骤3.2,计算灰度图像中待处理像素点Vij的灰度值,通过滤波窗口对灰度图像进行滤波,i的范围大于等于1小于等于滤波窗口的边长,j的范围大于等于1小于等于滤波窗口的边长,所述待处理像素点Vij为所述滤波窗口中的一个像素点;
步骤3.3,如果待处理像素点Vij的灰度值为0或者255,则判断待处理像素点Vij为椒盐噪声;如果待处理像素点Vij的灰度值不为0或者255,则判断待处理像素点Vij不为椒盐噪声。
具体的,步骤4中,根据判断结果,对灰度图像进行处理,得到最终图像的步骤为:
步骤4.1,如果待处理像素点Vij不是椒盐噪声,则保持待处理像素点Vij的灰度值原值输出;
步骤4.2,如果待处理像素点Vij是椒盐噪声,选定以待处理像素点Vij为中心的滤波窗口对灰度图像进行滤波;
步骤4.3,使用滤波窗口遍历灰度图像:如果剩余像素点的个数为1,则输出该剩余像素点的灰度值;如果剩余像素点的个数为2,则输出剩余像素点的平均灰度值,得到最终图像,所述剩余像素点为滤波窗口中去掉被判断为椒盐噪声后的其余待处理像素点。
具体的,步骤4.2中,如果待处理像素点Vij是椒盐噪声,选定以待处理像素点Vij为中心的滤波窗口对灰度图像进行滤波的步骤为:
步骤4.2.1,当滤波窗口中有不是所有像素点的灰度值等于0或者255,即滤波窗口中有一些像素点为椒盐噪声,还有一些像素点不为椒盐噪声,则去掉被判断为椒盐噪声的待处理像素点,对滤波窗口中其余待处理像素点进行计算,即
Vmed={V1,V2,…,Vn} (1)
其中,Vmed为剩余像素点的像素点中值,所述剩余像素点为滤波窗口中去掉被判断为椒盐噪声后的其余待处理像素点,V1,V2,……Vn-1为剩余像素点中去掉像素点中值的其余各个像素点的像素值,K,K1,K2……Kn-1为模糊权重,K等于0.5,K1,K2,……Kn-1的取值范围为大于等于0,小于等于0.5,且K1+K1+…+Kn-1等于0.5,n为大于等于1小于m的整数;
步骤4.2.2,当滤波窗口中所有像素点的灰度值都等于0或者255,即滤波窗口中的像素点都为椒盐噪声,则将滤波窗口的滤波边长增加至5,转到步骤3.2。
本发明的有益效果为:本发明提供了一种基于中值滤波的改进算法的图像处理方法,即保证了图像边缘细节信息的完整性,也防止了由于滤波窗口过大造成图像边缘模糊和耗时问题的出现,经实验证实,该改进算法对噪声的去除效果更好,运行速度更快,得到的图像更加清晰。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1为本实施例中的基于中值滤波的改进算法的图像处理方法的流程图;
图2为本实施例中的不同算法在10%椒盐噪声的除噪对比图;
图3为本实施例中的不同算法在30%椒盐噪声的除噪对比图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
为了实现上述目的,根据本发明的一方面,本发明提出了一种基于中值滤波的改进算法的图像处理方法,图1为本实施例中的基于中值滤波的改进算法的图像处理方法的流程图,如图1所示,一种基于中值滤波的改进算法的图像处理方法,所述方法包括以下步骤:
步骤1,选取一个待处理的图像;
步骤2,将待处理的图像灰度化后转变为灰度图像;
步骤3,判断所述灰度图像中的待处理像素点是否为椒盐噪声;
步骤4,根据判断结果,对灰度图像进行处理得到最终图像。
具体的,在步骤2中,使用MATLAB软件将待处理的图像灰度化后转变为灰度图像。
具体的,所述灰度图像的大小为M×N,M和N为灰度图像的像素点矩阵的长和宽,M和N为大于等于1的整数。
具体的,在步骤3中,判断所述灰度图像中的待处理像素点是否为椒盐噪声的步骤为:
步骤3.1,设置一个滤波窗口的边长为m,滤波窗口大小为m×m,令m的初始值等于3;
步骤3.2,计算灰度图像中待处理像素点Vij的灰度值,通过滤波窗口对灰度图像进行滤波,i的范围大于等于1小于等于滤波窗口的边长,j的范围大于等于1小于等于滤波窗口的边长,所述待处理像素点Vij为所述滤波窗口中的一个像素点;
步骤3.3,如果待处理像素点Vij的灰度值为0或者255,则判断待处理像素点Vij为椒盐噪声;如果待处理像素点Vij的灰度值不为0或者255,则判断待处理像素点Vij不为椒盐噪声。
具体的,步骤4中,根据判断结果,对灰度图像进行处理,得到最终图像的步骤为:
步骤4.1,如果待处理像素点Vij不是椒盐噪声,则保持待处理像素点Vij的灰度值原值输出;
步骤4.2,如果待处理像素点Vij是椒盐噪声,选定以待处理像素点Vij为中心的滤波窗口对灰度图像进行滤波;
步骤4.3,使用滤波窗口遍历灰度图像:如果剩余像素点的个数为1,则输出该剩余像素点的灰度值;如果剩余像素点的个数为2,则输出剩余像素点的平均灰度值,得到最终图像,所述剩余像素点为滤波窗口中去掉被判断为椒盐噪声后的其余待处理像素点。
具体的,步骤4.2中,如果待处理像素点Vij是椒盐噪声,选定以待处理像素点Vij为中心的滤波窗口对灰度图像进行滤波的步骤为:
步骤4.2.1,当滤波窗口中有不是所有像素点的灰度值等于0或者255,即滤波窗口中有一些像素点为椒盐噪声,还有一些像素点不为椒盐噪声,则去掉被判断为椒盐噪声的待处理像素点,对滤波窗口中其余待处理像素点进行计算,即
Vmed={V1,V2,…,Vn} (1)
其中,Vmed为剩余像素点的像素点中值,所述剩余像素点为滤波窗口中去掉被判断为椒盐噪声后的其余待处理像素点,V1,V2,……Vn-1为剩余像素点中去掉像素点中值的其余各个像素点的像素值,K,K1,K2……Kn-1为模糊权重,K等于0.5,K1,K2,……Kn-1的取值范围为大于等于0,小于等于0.5,且K1+K1+…+Kn-1等于0.5,n为大于等于1小于m的整数;
步骤4.2.2,当滤波窗口中所有像素点的灰度值都等于0或者255,即滤波窗口中的像素点都为椒盐噪声,则将滤波窗口的滤波边长增加至5,转到步骤3.2。
实验1,采用64位Windows 10操作系统,Matlab R2019a仿真软件的实验环境来验证本发明中改进算法的去噪性能,对Lena图像分别添加密度为10%和30%的椒盐噪声实验结果具体如图2和图3所示。
这里,图2中的(a)为灰度图,图2中的(b)为10%椒盐噪声图,图2中的(c)为10%椒盐噪声的高斯滤波检测图,图2中的(d)为10%椒盐噪声的中值滤波检测图,图2中的(e)为10%椒盐噪声的自适应中值滤波检测图,图2中的(f)为10%椒盐噪声的本实施例改进算法图。
图3中的(a)为灰度图,图3中的(b)为30%椒盐噪声图,图3中的(c)为30%椒盐噪声的高斯滤波检测图,图3中的(d)为30%椒盐噪声的中值滤波检测图,图3中的(e)为30%椒盐噪声的自适应中值滤波检测图,图3中的(f)为30%椒盐噪声的本实施例改进算法图。
除噪实验对比实验数据:
在图像处理中,一般用均方根误差(Mean Square Error,MSE)和峰值信噪比(PeakSignal-to-Noise Ratio,PSNR)这两项标准评价滤波算法的降噪性能,因此本实施例也用这两项标准,其公式如下:
式中,m×n表示图像大小,I′(x,y)表示原无噪声图像,I
表一和表二是四种滤波算法对不同噪声密度图像处理后的MSE和PSNR的详细数据:
表一不同噪声密度图像处理后的MSE对比
表二不同噪声密度图像处理后的PSNR对比
如表一、表二中的实验数据所示,本文采用算法图中MSE的值很小且PSNR值很大,说明本实施例中的改进的中值滤波算法不但提高了算法降噪的性能,还很好地保护了图像的边缘细节。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
机译: 基于改进的烟花算法的图像处理方法
机译: 基于内容类型相关的图像处理算法的基于对象的图像文件处理方法
机译: “财产识别方法”(“ PIM”)是一种新颖的算法,通过该算法,可以通过对文件(如市议会/房屋价格通知)进行图像处理来创建房地产管理局和/或产权转让数据。本发明建立了一种独特的算法,该算法结合了诸如深度学习分段和计算机视觉之类的技术来解码属性信息。该应用程序利用以某种方式配置的计算机实现的技术,以使运输商和房地产经纪人能够自动创建客户端文件。