一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法的制作方法

本发明属于图像处理领域，尤其涉及一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法。
背景技术：
：在计算机高度普及的今天，数字图像处理技术在各个领域都得到了广泛的应用，数字图像处理技术也日益系统化和完善化。但图像在拍摄、采样、量化和传输等过程中，常常受到外界各种噪声的干扰,给图像的分割、识别等后续处理过程带来影响，使图像不能真实反映景物,图像质量严重下降。因此，抑制图像噪声是数字图像处理的重要环节和步骤。高斯噪声和椒盐噪声是图像中最常见的两种噪声，但多数情况下两种噪声同时存在。目前抑制混合噪声的方法有：对传统的单一使用中值、均值算法进行改进，自适应中值-加权均值混合滤波器算法，改进中值滤波和改进加权均值结合的图像混合噪声滤波算法，双边滤波思想抑制图像中的混合噪声等。这些算法对图像混合噪声虽有一定的抑制效果，但不能很好地保留图像的细节和有效提高图像的质量。为了克服现有的抑制图像混合噪声算法存在的缺陷，能够灵活的对噪声分类一一识别抑制，实现对图像混合噪声快速而高效的抑制，从而提高图像的质量，本发明提供了一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法。技术实现要素：本发明提供了一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法，该算法的的实现步骤如下：步骤一：导入一幅混有椒盐噪声和高斯噪声的灰度图像；步骤二：采用改进的中值滤波算法检测和抑制灰度图像中的椒盐噪声；步骤三：利用极限的思想选取合适的控制变量m、β构建新的小波阈值函数，从而抑制灰度图像中的高斯噪声。所述步骤二中检测和抑制灰度图像中椒盐噪声的实现方法为：首先在小窗口内初选噪声点，设是3×3模版w3的中心像素灰度值，和分别表示窗口内所有像素的最大灰度值和最小灰度值，标记矩阵F的表达式为：若，则认为是候选噪声点，标记为1；否则，标记为0；为保证噪声尽可能完全被检测，采用7×7的窗口对可疑噪声进行二次检测确认，二次检测的模型如下：上式中，F(i,j)=1表示位置(i,j)处的像素为噪声点，F(i,j)=1表示位置(i,j)处的像素为信号点。所述步骤三中通过构建新的小波阈值函数，从而抑制灰度图像中的高斯噪声的实现方法为：本发明提出了一种新的阈值函数，其表达式如下：上式中，sgn（x）是符号函数，其表达式为：是阈值，其表达式为：是噪声的标准方差，其表达式为：W是原始小波系数，是阈值化小波分解系数，α、m、β均是大于零的控制变量，其中，0＜α＜10，10＜β，其作用是调节的大小，在一定阈值范围内尽可能多的缩小与W之间的偏差；当时，的取值为0，这种处理会误将图像中的有用信息滤除掉，影响图像细节；因此，当时，取，通过不断调节m的值，在保留图像细节的情况下，从而有效滤除噪声。与现有技术相比，本发明的有益效果是：先检测图像中的椒盐噪声，并采用改进的中值滤波算法抑制椒盐噪声，比传统的中值滤波算法抑制噪声的效果更明显，噪声的抑制更彻底。针对图像中存在高斯噪声的问题，传统软、硬阈值函数在图像噪声抑制中存在过分平滑、边缘振荡和有恒定偏差的缺点，因此本发明提出了一种新的阈值函数，从而有效抑制灰度图像中的高斯噪声，其效果远远优于传统的软硬阈值函数处理高斯噪声。该发明算法对图像混合噪声的抑制快速而高效，能够有效提高图像的质量，且算法简单，易于实现。附图说明图1是本发明的流程示意图；图2是抑制椒盐噪声的流程图；图3(a)是原始图像，图3(b)是椒盐噪声图像，图3(c)是普通中值滤波抑制的椒盐噪声图像，图3(d)是极值滤波算法抑制的椒盐噪声图像，图3(e)是本发明算法抑制的椒盐噪声图像；图4(a)是传统硬阈值函数图像，图4(b)是传统软阈值函数图像，图4(c)是本发明阈值函数图像；图5（a）为本发明函数m取不同值时的图像，图5(b)为本发明函数β取不同值时的图像；图6（a）为原始图像，图6（b）为混有椒盐噪声和高斯噪声的图像，图6（c）为中值滤波噪声抑制图像，图6（d）为均值滤波噪声抑制图像，图6（e）为本发明算法噪声抑制图像。具体实施方式下面结合附图和具体实施方式对本发明作进一步的说明。本发明提出了一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法，该算法的实现步骤如图1所示，主要通过以下步骤实现：步骤一：导入一幅混有椒盐噪声和高斯噪声的灰度图像。本发明实例中导入的待处理图像是大小为的Lena图像，椒盐噪声为0.2，高斯噪声均值为0，方差为20，如图6(a)所示。步骤二：采用改进的中值滤波算法检测和抑制灰度图像中的椒盐噪声。首先在小窗口内初选噪声点，设是3×3模版w3的中心像素灰度值，和分别表示窗口内所有像素的最大灰度值和最小灰度值，标记矩阵F的表达式为：若，则认为是候选噪声点，标记为1；否则，标记为0；但是，局部极值点不一定是噪声点，若把局部极值点都作为噪声点进行滤除，必然会造成不必要的细节丢失，为保证噪声尽可能完全被检测，采用7×7的窗口对可疑噪声进行二次检测确认，二次检测的模型如下：上式中，F(i,j)=1表示位置(i,j)处的像素为噪声点，F(i,j)=1表示位置(i,j)处的像素为信号点。本发明采用改进的中值滤波处理图像中的椒盐噪声，针对椒盐噪声图像，滤波窗口的尺寸一般大于或等于3×3，为使图像中的椒盐噪声得到大程度的抑制，一次滤波很难得到好的滤波效果。因此本发明采取3×3的正方形模版进行反复迭代滤波。其迭代思想是用3×3的窗口在图像上滑过，若窗口内像素都为噪声，则先不进行处理，转而去处理后面那些窗口内不全为噪声的像素，反复如此操作，直至迭代结束，具体流程如图2所示。步骤三：利用极限的思想选取合适的控制变量m、β构建新的小波阈值函数，从而抑制灰度图像中的高斯噪声。针对图像中存在高斯噪声的问题，传统软、硬阈值函数在图像噪声抑制中存在过分平滑、边缘振荡和有恒定偏差的缺点，本发明提出了一种新的阈值函数，其表达式如下：上式中，sgn（x）是符号函数，其表达式为：是阈值，其表达式为：是噪声的标准方差，其表达式为：W是原始小波系数，是阈值化小波分解系数，α、m、β均是大于零的控制变量，其中，0＜α＜10，10＜β，其作用是调节的大小，在一定阈值范围内尽可能多的缩小与W之间的偏差；当时，的取值为0，这种处理会误将图像中的有用信息滤除掉，影响图像细节；因此，当时，取，通过不断调节m的值，在保留图像细节的情况下，从而有效滤除噪声。传统软阈值函数如图3(a)所示，硬阈值函数如图3(b)所示，本发明阈值函数曲线如图3(c)所示，其中x表示W，y表示。由图可知，本发明算法克服了硬阈值函数不连续的缺点，并且改进了软阈值函数存在恒定偏差的缺点。图5(a)为固定α、β，当m取不同值时本发明阈值函数的曲线图，其中x表示W，y表示。由图可知当m取值大于5时，函数曲线过分接近于x轴，当m取值小于1时，函数曲线过分接近于y轴。通过试验验证，本发明将m取值为1.8。图5(b)为固定α、m，当β取不同值时本发明阈值函数的曲线图，其中x表示W，y表示。由图可知β值越大在一定阈值范围内W越无限接近于，本发明将β值定为100，当β＞100时，在一定阈值范围内曲线变化幅度极小。由于变量的作用是保证本文阈值函数的连续性，改变α的值对图像的变化幅度影响不是太大，本发明确定其范围是0＜α＜10，取其值为2。分别使用中值滤波、均值滤波以及本发明算法对噪声图像的抑制进行对比，图6(a)为原始图像，图6(b)为混有椒盐噪声和高斯噪声的图像，图6(c)为中值滤波噪声抑制图像，图6(d)为均值滤波噪声抑制图像，图6(e)为本发明算法噪声抑制图像。本发明采用均方误差MSE与峰值信噪比PSNR作为评价参数，其中上式中，f(x,y)为原始图像，为估计图像，M×N为图像尺寸，PSNR的单位为dB。将本发明噪声抑制方法与现有的噪声抑制方法的信噪比增益和均方差比较见下表：参数中值滤波均值滤波本发明算法PSNR23.711722.692525.8772MSE276.6344349.8085168.0198通过上表的客观数据可知，本发明与其他算法相比提高了峰值信噪比，降低了最小均方误差。本发明提出的一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法，，在检测出椒盐噪声的前提下，能够有效抑制椒盐噪声，是处理后续图像噪声的前提。针对高斯噪声，本发明利用极限的思想采用新的小波阈值函数，并选取合适的控制变量m、β，有效的减少了小波系数和原小波系数之间的偏差，抑制了高斯噪声，本发明在有效抑制图像中的混合噪声的同时，在一定程度上也保留了图像的细节，有效提高了图像的质量。当前第1页1 2 3