【正文】 用的濾波窗口大小是固定不變的，所以我們在選擇窗口大小和保護(hù)細(xì)節(jié)兩方面只能做到二選一，這樣矛盾始終不能解決。因此，單單采用常規(guī)中值濾波的方法在圖像去噪應(yīng)用中是遠(yuǎn)遠(yuǎn)不夠的，我們就要尋求其他的改進(jìn)算法來解決這一矛盾。窗口自適應(yīng)中值濾波器的濾波方式和常規(guī)的中值濾波器一樣，都使用一個矩形區(qū)域的窗口，不同的是在濾波過程中，自適應(yīng)濾波器會根據(jù)一定的設(shè)定條件改變(即增加)濾波窗的大小，同時當(dāng)判斷濾波窗中心的像素是噪聲時，該值用中值代替，否則不改變其當(dāng)前像素值，這樣用濾波器的輸出來替代目前濾波窗中心的坐標(biāo)像素的值。自適應(yīng)中值濾波器可以處理噪聲概率更大的脈沖噪聲，同時能夠更好地保持圖像細(xì)節(jié)，這是常規(guī)中值濾波器做不到的。自適應(yīng)中值濾波總體上可以分為三步:（1）對圖像各區(qū)域進(jìn)行噪聲檢測；（2）根據(jù)各區(qū)域受噪聲污染的狀況確定濾波窗口的尺寸；（3）對檢測出的噪聲點(diǎn)進(jìn)行濾波。 窗口自適應(yīng)開關(guān)中值濾波算法描述窗口自適應(yīng)開關(guān)中值濾波的算法可以簡要描述為以下幾點(diǎn)：（1）設(shè)最大濾波窗口尺寸為,初始濾波窗口尺寸為,初始濾波窗口內(nèi)信號點(diǎn)的個數(shù)；（2）根據(jù)噪聲檢測階段得到的二進(jìn)制影射圖判斷，若當(dāng)前像素為信號點(diǎn)，則不進(jìn)行濾波處理；（3）若或，則以當(dāng)前像素點(diǎn)為中心，根據(jù)噪聲檢測得到的二進(jìn)制影射圖，提取窗口內(nèi)的信號點(diǎn)，并計(jì)算信號點(diǎn)的個數(shù)；（4）若或﹥（﹥0），則取窗口內(nèi)信號點(diǎn)的中值作為濾波輸出；否則，,轉(zhuǎn)步驟3。 窗口自適應(yīng)開關(guān)中值濾波算法分析在實(shí)現(xiàn)過程中，若過大，則可能造成圖像模糊和失真。根據(jù)經(jīng)驗(yàn)，取,初始。通常，當(dāng)時，即滿足條件﹥。若當(dāng)時，仍不能滿足﹥，則只要﹥0，就不再繼續(xù)擴(kuò)大窗口尺寸了。但在極端情況下，當(dāng)時，則要繼續(xù)擴(kuò)大濾波窗口尺寸，直到﹥0為止。 本章小結(jié)在這一章里，本文著重介紹多種濾波方法及其利弊，結(jié)合本文噪聲檢測方法的特點(diǎn)，采用一種新的窗口自適應(yīng)開關(guān)中值濾波方法，其特點(diǎn)就是首先根據(jù)檢測結(jié)果做出噪聲密度估計(jì)，依噪聲密度的不同而自適應(yīng)調(diào)整濾波窗口的大小并選擇性取樣濾波，并且得出了窗口自適應(yīng)開關(guān)中值濾波的算法及其分析。第5章 實(shí)驗(yàn)結(jié)果與討論 性能評價指標(biāo)定義（1）MD表示噪聲點(diǎn)被檢測為信號點(diǎn)的像素數(shù)量；（2）FA表示信號點(diǎn)被檢測為噪聲點(diǎn)的像素數(shù)量；（3）PSNS表示信噪比，其表達(dá)式如公式(12)、（13）所示。 視覺效果對比圖51（A），（B），（C）為原始測試圖像，分別為Lena，Peppers和Baboon的255256灰度圖像；圖51（D），（E），（F）分別為圖51（A），（B），（C）按噪聲模型Ⅰ的加噪圖像，這里噪聲密度p=70%，噪聲分布范圍長度m=（A），（B），（C）為已知噪聲分布的情況下，理想窗口自適應(yīng)開關(guān)的中值濾波結(jié)果；圖52（D），（E），（F）分別為圖52（A），（B），（C）按本文方法的處理結(jié)果；圖52（G），（H），（I）分別為圖52（A），（B），（C）按BDND方法處理的結(jié)果。由圖52可見，本文方法恢復(fù)圖像的視覺效果略差于理想窗口自適應(yīng)開中值濾波，但明顯優(yōu)于BDND方法。 噪聲檢測性能對比表51列出了噪聲檢測過程的對比實(shí)驗(yàn)結(jié)果，選用噪聲模型Ⅰ加噪，噪聲范圍長度為m=10，噪聲密度p=10%，20%，30%，…，90%。由表51可見，本文方法在噪聲密度為10%~80%時能夠有效檢測噪聲，并且將信號點(diǎn)檢測為噪聲點(diǎn)（FA）的數(shù)量略高于BDND方法，但噪聲點(diǎn)檢測為信號點(diǎn)(MD)的數(shù)量明顯低于BDND方法。相對而言，指標(biāo)MD對去噪性能影響較大，MD過高將直接導(dǎo)致大量噪聲點(diǎn)不做濾波處理，造成圖像質(zhì)量嚴(yán)重退化，而指標(biāo)FA過高將會造成圖像模糊，不能很好地保護(hù)圖像細(xì)節(jié)。事實(shí)上，檢測過程的誤判是不可避免的，因?yàn)樾盘栔涤锌赡艹霈F(xiàn)在噪聲值范圍內(nèi)，當(dāng)噪聲值與信號值很接近時，可以將噪聲判定為信號點(diǎn)。隨著噪聲范圍的擴(kuò)大，檢測難度也會越來越大。圖51 原始測試圖像和由噪聲模型Ⅰ生成的加噪圖像圖52 被污染圖像的去噪效果對比表51 本文方法與BDND方法噪聲檢測結(jié)果對比噪聲（%）Lena圖像Peppers圖像Baboon圖像MDFAMDFAMDFA本文BDND本文BDND本文BDND本文BDND本文BDND本文BDND107424011181060683111244117101162232084433123812251124641380136924463113011649613511342147524125112263505518401625711324131920761812921185512093645019468812651254224703120311780211655260201793957953241815105910340341934870240987949952262103679184437316147803661251806793362134363563215910651073690520558437677435193564581079250535379546231 去噪性能對比本文給出二組對比實(shí)驗(yàn)，考察本文方法在噪聲密度、噪聲范圍、噪聲強(qiáng)度比例變化等情況下的去噪性能。表52和表53為去噪性能對比實(shí)驗(yàn)數(shù)據(jù)。其中，表2選用噪聲模型工加噪，噪聲密度為p =70%,噪聲值范圍不斷變化；表53選用噪聲模型2加噪，噪聲范圍長度為m =10，噪聲密度為p=70%，但低強(qiáng)度脈沖噪聲與高強(qiáng)度脈沖噪聲比例不同。由表52和表53可見，本文方法的性能明顯優(yōu)于BDND方法。 表52 低強(qiáng)度和高強(qiáng)度脈沖噪聲范圍不斷變化時的信噪比（PSNR）對比結(jié)果 噪聲范圍 信噪比（PSNR）/dB低強(qiáng)度脈沖高強(qiáng)度脈沖BDND方法本文方法[0,9][246,255] 3 8[0,19][236,255] 2 6[0,29][226,255] 9 1[0,39][216,255] 5 0[0,49][206,255] 6 4[0,59][196,255] 6 2[0,69][186,255] 0 0 續(xù)表52[0,79][176,255] 5 6[0,89][166,255] 8 5[0,99][156,255] 2 1[0,109][146,255] 7 8[0,119][136,255] 3 6[0,255][0,255] 9 4表53 低強(qiáng)度和高強(qiáng)度脈沖噪聲比例不斷變化時的信噪比（PSNR）對比結(jié)果 噪聲密度（%） 信噪比（PSNR）/dB低強(qiáng)度脈沖高強(qiáng)度脈沖BDND方法本文方法2050 6 22545 8 33040 1 23535 1 44030 2 44525 0 85020 5 9 實(shí)驗(yàn)結(jié)果討論經(jīng)過以上實(shí)驗(yàn)可以表明，使用本文所述的方法恢復(fù)后的圖像其主觀視覺效果及客觀性能指標(biāo)均優(yōu)于相關(guān)中值濾波方法，而且適用于噪聲模型Ⅰ和Ⅱ的各種情況。但文中的算法較為復(fù)雜且運(yùn)算代價較傳統(tǒng)的中值濾波方法要高許多。結(jié)論本文所采用的噪聲檢測方法是在噪聲檢測階段利用BP神經(jīng)網(wǎng)絡(luò)將若干弱分類器訓(xùn)練成強(qiáng)分類器，此種強(qiáng)分類器能夠綜合考慮各弱分類器的分類能力及分類器間的聯(lián)系，使得噪聲檢測精度大幅度地提高。使得我們的系統(tǒng)在濾波階段充分的利用了噪聲檢測的結(jié)果，具體特點(diǎn)如下：（1）系統(tǒng)只對噪聲點(diǎn)進(jìn)行濾波，從而避免了對信號點(diǎn)濾波處理造成的圖像模糊；（2）在濾波窗口內(nèi)，選擇性取樣，即只有信號點(diǎn)參與濾波處理，避免了噪聲點(diǎn)對濾波過程的干擾；（3）在濾波階段，系統(tǒng)會根據(jù)噪聲密度估計(jì)，自適應(yīng)調(diào)整濾波器窗口的大小，從而避免了窗口過大或過小造成圖像的模糊和失真，可以有效保護(hù)圖像細(xì)節(jié)。由第五章實(shí)驗(yàn)結(jié)果可知，使用本文方法恢復(fù)后圖像的主觀視覺效果及客觀性能指標(biāo)均優(yōu)于相關(guān)中值濾波方法，適用于噪聲模型Ⅰ和Ⅱ的各種情況，魯棒性好。雖然本文方法具有以上諸多優(yōu)點(diǎn)，但是還需指出的是本文的算法相當(dāng)復(fù)雜，步驟繁多，實(shí)現(xiàn)良好濾波的結(jié)果是以付出較大的計(jì)算量為代價的。另外對于BP神經(jīng)網(wǎng)絡(luò)的樣本選取與訓(xùn)練存在諸多限制與條件，這是本文方法的不足之處。而我本人在論文完成的階段，對BP神經(jīng)網(wǎng)絡(luò)仿真這一點(diǎn)做的不足，沒有完全實(shí)現(xiàn)MATLAB對神經(jīng)網(wǎng)絡(luò)的仿真，在訓(xùn)練樣本的選取上還有待進(jìn)一步精簡與優(yōu)化，并且對大量的數(shù)據(jù)與算法處理能力不足，在以后的學(xué)習(xí)工作中還要繼續(xù)學(xué)習(xí)與提高。參考文獻(xiàn)[1] 劉積平,[J].華南理工大學(xué)學(xué)報,2008,28（2）:6063.[2] [J].中國國像圖形學(xué)報,2001,6A（6）:533536.[3] 張旭明，[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖像圖形學(xué)報，2005,17（2）:295299.[4] [J].計(jì)算機(jī)工程與應(yīng)用，2004,27:102104.[5] 黃全品，[J].計(jì)算機(jī)仿真，2005,22（5）:111114.[6] 、設(shè)計(jì)及應(yīng)用[M].化學(xué)工業(yè)出版社，2001:4360.[7] Wang Zhou, Zhang D. Progressive Switching Median Filter for the Removal of Impulse Noise from Highly Corrupted Images[J]. IEEE Transactions Circuits Systems Ⅱ, 1999, 46(1):7880.[8] [M].國防科技大學(xué)出版社，2003：5659.[9] [M].西安電子科技大學(xué)出版社，2000:4960.[10] [M].西北工業(yè)大學(xué)出版社，2003:1018.[11] Bovik of Image and VideoProcessing[M].NewYork:Academic,2000.[12] 周開利，[M].清華大學(xué)出版社，2007:185197.[13] Brownrigg DRK TheWeightedMedianFilter[J].CommunACM,1984,27(8):807818.致 謝值此論文完成之際，謹(jǐn)向所有關(guān)心和幫助我的人表示誠摯的謝意。首先感謝我的導(dǎo)師張震副教授。在論文完成的過程中，始終得到張老師全面、耐心、具體的指導(dǎo)和教誨，為我創(chuàng)造了優(yōu)越的學(xué)習(xí)和科研環(huán)境，并在生活上給予了無微不至的關(guān)懷和照顧。他淵博的知識、開闊的思路、嚴(yán)謹(jǐn)認(rèn)真的科研態(tài)度、寬廣深厚的學(xué)術(shù)功底、敏銳的洞察力、對事業(yè)孜孜不倦的追求精神以及平易近人的工作風(fēng)格，都體現(xiàn)了當(dāng)代學(xué)者的風(fēng)范，使我受益匪淺。在我論文完成的整個過程中，他提供了許多有用的資料，一起討論計(jì)算方法，給予我悉心的指導(dǎo)，使我得到了很大的幫助。本論文的完成，離不開張老師的指導(dǎo)和幫助。在此，表示忠心的感謝。感謝信071班全體同學(xué)的幫助。感謝我的父母這么多年來對我的教育和養(yǎng)育之恩，是他們在精神和物質(zhì)上給予我巨大的關(guān)心和幫助，使我能夠順利完成論文的研究。感謝我的舍友們，感謝他們對我的關(guān)心和照顧。最后，向?qū)忛啽疚牡膶＜医淌诒硎旧钌畹闹x意