【正文】 x1 = x 2。 x2 = x + 2。 y1 = y 2。 y2 = y + 2。 if x1 1 x1 = 1。 end if x2 width x2 = width。 end if y1 1 y1 = 1。 end if y2 height y2 = height。 end window = f(y1:y2, x1:x2)。 window = window(:)。 window1=[window。repmat(f(y,x),m,1)]。 g(y, x) = median(double(window))。 endendg = uint8(g)。 %imshow(g)。 三態(tài)中值濾波 三態(tài)中值濾波器原理 為了增強圖像質(zhì)量，去除數(shù)字圖像中夾雜的脈沖噪聲，Tukey等人設(shè)計了中值濾波進行圖像濾波。標(biāo)準(zhǔn)中值濾波作為一種非線性濾波器，在去噪效果和保持圖像質(zhì)量兩方面的效果都要優(yōu)于一般的線性濾波器，但還是在一定程度上使圖像細(xì)節(jié)模糊，丟失圖像邊緣信息。為了權(quán)衡去除噪聲與保護圖像質(zhì)量的關(guān)第，Ko和Lee基于Tukey的理論，提出了一種中心權(quán)值的濾波算法。該算法在給窗口內(nèi)像素點排序前，給窗口中心像素點設(shè)置一個權(quán)值，使窗口中心像素點更大可能性被選中保留下來，如此操作可以更好的保留圖像的信息，提高過濾后圖像的質(zhì)量。 為了更有效的去除圖像中的脈沖噪聲，并最大程度上提高濾波后圖像質(zhì)量，最理想的辦法是對圖像中所有被噪聲影響的像素點進行濾波，而其他像素點則保留不變。同時對于脈沖噪聲，簡單而有效的去除方法就是SM和CWM濾波。于是Chen和Ma等人結(jié)合SM與CWM，并提出一種噪聲檢測機制，設(shè)計出一種新的濾波器：tristate median filter(TSM)。 簡單的來講，tristate中值濾波方法首先通過噪聲檢測機制，判斷當(dāng)前像素點是否被噪聲感染。如果未被感染，則輸出仍為該像素點的灰度值。如果被感染，則根據(jù)之前檢測的結(jié)果選擇采用CWM或者SM進行濾波操作，以去除噪聲。其算法結(jié)構(gòu)可以用圖32表示：圖 32根據(jù)TSM的特性，TSM濾波器的輸出值可以用以下公式表達： （），是對于經(jīng)過CWM濾波器得到的輸出值則是通過SM濾波器得到的輸出值。d1和d2分別代表與和的差值。根據(jù)SM與CWM濾波器的計算方法不難證明，d2d1。 （）通過保持輸出灰度值與輸入灰度值一致可以保護圖像的細(xì)節(jié)信息，而采用SM和CWM濾波器則可以有效的去除椒鹽噪聲。而TSM作為基于SM與CWM提出來的新濾波方法，其優(yōu)勢在于，可以根據(jù)SM與CWM濾波器的結(jié)果，通過閾值T檢測噪聲并調(diào)節(jié)輸出結(jié)果。因此對于SM和CWM兩種方法能處理的噪聲點，TSM都可以有效的進行濾除；而對于檢測表明未受椒鹽噪聲感染的像素點，則保持不變。因此TSM相對于SM和CWM，在處理噪聲并保持圖像細(xì)節(jié)信息的處理上更為合理有效。 三態(tài)中值濾波算法的實現(xiàn)以下是三態(tài)中值濾波算法代碼：function I_tsm = tri_state_filter(im,m1)%三態(tài)中值濾波%%m1是中心權(quán)值 %標(biāo)準(zhǔn)中值濾波I_sm = medfilt2(im)。%中心加權(quán)中值濾波I_cwm = C_W_median_filter(im,m1)。 I_tsm = zeros(size(im))。[X Y]=size(im)。I_tsm(:,1) = im(:,1)。I_tsm(:,Y) = im(:,Y)。I_tsm(1,:) = im(1,:)。I_tsm(X,:) = im(X,:)。 for i=2:X1 for j=2:Y1 d1 = abs(im(i,j)I_sm(i,j))。 d2 = abs( im(i,j)I_cwm(i,j) )。 L = 3。 Win = im(i1:i+1,j1:j+1)。 s = sum(sum(Win))。 average = s/(L*L)。 if average=d1 I_tsm(i,j)=im(i,j)。 elseif average=d2 I_tsm(i,j)=I_cwm(i,j)。 else I_tsm(i,j)=I_sm(i,j)。 end endend以上就是關(guān)于三態(tài)中值濾波的主要代碼。 自適應(yīng)中值濾波 自適應(yīng)中值濾波原理在中心帶權(quán)值中值濾波方法的作者在其文獻中，提及了CWM的一些特性，針對這些特性進行了實驗分析。通過對CWM濾波器窗口中心的權(quán)值進行系統(tǒng)的分析。結(jié)果表明，中心權(quán)值必需要奇數(shù)，才可以保證序列長度為奇數(shù)，可以取得一個確切的中值。中值濾波所采用的窗口大小為奇數(shù)，不妨假定這2K+1。除去窗口中心點，其他像素點權(quán)值均為一，即序列中其他像素點數(shù)量為2K。假定窗口中心點權(quán)值為m，則序列長度為2K+m。又因為序列長度必需為奇數(shù)，才能確定序列的中值，即2K+m為奇為，也即m必需為奇數(shù)。通過對中心權(quán)值進行分析，不難得出：當(dāng)權(quán)值為1時，CWM則退化成為SM，而當(dāng)權(quán)值大于或等于窗口大小時，CWM濾波器的輸出值始終為窗口像素中心點的初始值，即CWM失去了去噪效果。通過實驗表明，當(dāng)中心權(quán)值取3時，可以得到最好的濾波效果。由以上結(jié)論可知，在CWM當(dāng)中心權(quán)值為3時，通過增加序列里中心像素點的比重，可以得到更好的去噪效果。那對于SM，通過增加序列中值左右兩個值的影響，其去噪效果會發(fā)生什么變化呢？關(guān)于這一點，Chang等人分析CWM的原理及結(jié)論，得到以下結(jié)論：對于SM濾波器，除了序列中值外，序列中中值前面一個值與中值后面一個值對去噪的效果也會起到了明顯作用。于是結(jié)合CWM的這些優(yōu)點，并整合了TSM和NASWF等濾波器設(shè)計的思想，設(shè)計了一個改進的自適應(yīng)中值濾波器( Adaptive Median Filter, AM)。其主要濾波方法如下： （）上式中，ws表示窗口大小，Ri表示序列中第i個元素的值，rank（X）表示元素在序列中的位置，點（i，j）表示元素在窗口中心像素點。對于點（i，j），經(jīng)過AM濾波后輸出值為。根據(jù)TSM中設(shè)計的閥值策略，Chang在其設(shè)計中也加入了類似的策略，通過閥值T來判斷是否需對當(dāng)前像素點采用上式進行濾波，或者保留原值： （）該濾波結(jié)構(gòu)可以由下圖來表示：圖 33 自適應(yīng)中值濾波結(jié)構(gòu)圖 自適應(yīng)中值濾波算法的實現(xiàn)自適應(yīng)中值濾波的程序如下：clear all。close all。clc。img=mat2gray(imread(39。39。))。[m n]=size(img)。subplot(1,2,1),imshow(img)。title(39。椒鹽噪聲圖像39。)。Nmax=10。 %確定最大的濾波半徑%下面是邊界擴展，圖像上下左右各增加Nmax像素。imgn=zeros(m+2*Nmax+1,n+2*Nmax+1)。imgn(Nmax+1:m+Nmax,Nmax+1:n+Nmax)=img。imgn(1:Nmax,Nmax+1:n+Nmax)=img(1:Nmax,1:n)。 %擴展上邊界imgn(1:m+Nmax,n+Nmax+1:n+2*Nmax+1)=imgn(1:m+Nmax,n:n+Nmax)。 %擴展右邊界imgn(m+Nmax+1:m+2*Nmax+1,Nmax+1:n+2*Nmax+1)=imgn(m:m+Nmax,Nmax+1:n+2*Nmax+1)。 %擴展下邊界imgn(1:m+2*Nmax+1,1:Nmax)=imgn(1:m+2*Nmax+1,Nmax+1:2*Nmax)。 %擴展左邊界re=imgn。for i=Nmax+1:m+Nmax for j=Nmax+1:n+Nmaxr=1。 %濾波半徑開始while r~=Nmax W=imgn(ir:i+r,jr:j+r)。 W=sort(W)。 Imin=min(W(:))。 Imax=max(W(:))。 Imed=W(uint8((2*r+1)^2/2))。if IminImed amp。amp。 ImedImax %如果當(dāng)前鄰域中值不是噪聲點，那么就用此次的鄰域 break。 else r=r+1。 %否則擴大窗口，繼續(xù)判斷 end end if Iminimgn(i,j) amp。amp。 imgn(i,j)Imax %如果當(dāng)前這個像素不是噪聲，原值輸出 re(i,j)=imgn(i,j)。 else %否則輸出鄰域中值 re(i,j)=Imed。 end endendfigure。subplot(1,2,2),imshow(re(Nmax+1:m+Nmax,Nmax+1:n+Nmax),[])。title(39。自適應(yīng)中值濾波后圖象39。）；以上便是自適應(yīng)中值濾波器的代碼。基于噪聲檢測的模糊自適應(yīng)中值濾波（VAM）4 基于噪聲檢測的模糊自適應(yīng)中值濾波（VAM) 模糊自適應(yīng)中值濾波的提出近年來，針對椒鹽噪聲的中值濾波方法在保留圖像細(xì)節(jié)信息上的研究已經(jīng)成為非線性濾波方法研究的一個重要方向。比如上一章節(jié)中提到的加權(quán)中值濾波方法，標(biāo)準(zhǔn)中值濾波方法，三態(tài)中值濾波方法，這些方法對于濾波器去噪性能及保留圖像細(xì)節(jié)效果這兩方面的研究提供了寶貴的經(jīng)驗和意見。但是這些方法還都存在一定的局限性，普遍對于高密度噪聲效果去噪效果不良，同時對于多細(xì)節(jié)圖像的邊緣處理能力不佳。為了解決這些問題，許多人也針對中值濾波進行了大量的研究以尋找改進方法。針對椒鹽噪聲的特點，有學(xué)者提出極值中值濾波方法，該方法對于擁有高密度噪聲的圖像可以達到較好的處理效果，但僅針對于此類圖像有效果，對于較低密度的圖像處理不佳，并且對圖像的模糊程度較大。另有學(xué)者引入模糊多極值開關(guān)的方法，在保留圖像細(xì)節(jié)及邊緣信息上有了很大的改進，但對于圖像的去噪處理并不理想。在上文中我們介紹了一種自適應(yīng)中值濾波方法，本章節(jié)將基于該種方法，并通過分析圖像噪聲信息，提出一種基于噪聲檢測的自適應(yīng)中值濾波，以克服對于高密度噪聲及多細(xì)節(jié)圖像去噪不理想的問題。 噪聲檢測機制在生活中，經(jīng)常由于照相機傳感器精度不夠、設(shè)備出現(xiàn)異?；蛘邆鬏斖緩胶性肼?，使得生成或者接收到的圖像會含有一定的噪聲。而此類噪聲主要表現(xiàn)為將圖像中像素點灰度值突變得極大或者極小，即所謂的脈沖噪聲(椒鹽噪聲)。本文則針對灰度圖像中含有的椒鹽噪聲進行分析及處理，以希望得到一個理想的去噪方案，以提高圖像質(zhì)量。椒鹽噪聲在圖像中表現(xiàn)為極大或者極小。當(dāng)噪聲點極大時，假定其灰度值為255，則該噪聲點在圖像中表現(xiàn)為一個亮點，即鹽點；當(dāng)噪聲點極小時，假定灰度值為0，此時圖像上表示為一個暗點，即椒點。針對受椒鹽噪聲影響的圖像灰度值分布情況的特殊性，本文設(shè)定了一種具有針對性的噪聲檢測機制。如圖41所示，本文所設(shè)計的噪聲點檢測機制可以將像素點分成三類：1)非噪聲點，2)噪聲點，和3)圖像細(xì)節(jié)點。對于這三類點的檢測也是根據(jù)圖41所示的樹形結(jié)構(gòu)的層次進行判斷。圖 41 非噪聲點、細(xì)節(jié)點和噪聲點檢測1) 非噪聲點檢測噪聲檢測的第一層次檢測是區(qū)分像素點是否為可能被噪聲污染。在此階段可以區(qū)分出大部份的非噪聲點，從而在圖像去噪階段中大量的減少了需要進行濾波操作的像素點，大幅度的降低了濾波算法執(zhí)行的時間。該階段的非噪聲點檢測是根據(jù)全局范圍內(nèi)的圖像灰度值分布情況，通過對像素點灰度值特征進行判斷分析是否有可能被脈沖噪聲污染。因為在受噪聲影響的圖像中，噪聲點一定分布在圖像灰度值的極大值端或者極小值端。如果其灰度值與圖像的極大值或極小值接近，則當(dāng)前像素點極有可能是噪聲點。反之若處在極大和極小值中間，則可以斷定當(dāng)前點未被噪聲干擾，可以不用處理保留原值。當(dāng)然，對于處于極值的像素點，我們還不能斷定它就為噪聲點，它也有可能是圖像的細(xì)節(jié)或者邊緣點，對圖像信息的完整性有著重要的作用。在本文中通過設(shè)一個閾值T，設(shè)圖像灰度值中極大值為Gmax，極小值為Gmin，對于當(dāng)前像素點灰度值G，若滿足下式關(guān)系，則可以說明當(dāng)前像素點并未受到噪聲污染，無須進行濾波操作。|GGmin|〉T 并且 |GGmax|〉T由于在實驗中，我們更多的是通過對原始圖像進行加噪，以得到噪聲圖像。對于256色的灰度圖，所采用的加噪函數(shù)所加入的噪聲始終為最大值255或者最小值0，因此實驗