第1页共7页基于改进多级中值滤波的加权滤波算法摘要：为了有效地抑制图像中的椒盐噪声，更好地保持图像细节，提出一种基于多级中值滤波的加权滤波算法。算法采用5×5滤波窗口，如果中心点为噪声点，则将滤波窗口划分为水平和垂直10个条形子窗口，先计算每个子窗口内所有非噪声点的均值，作为加权运算的基础值，然后求出这些基础值的中值，利用每个基础值与它们中值的差计算出每个基础值的相应权值。最后将这些基础值与对应权值进行加权运算，将结果替换中心点的像素值；如果中心点为非噪声点，则保持原值不变。实验结果表明，该算法对于高密度椒盐噪声污染的图像具有良好的去噪性能，并且较好地保持了图像的细节，效果优于传统的中值滤波算法和多级中值滤波算法。关键词：多级中值滤波；椒盐噪声；条形子窗口；加权滤波算法第2页共7页：TN911.73?34；TP391.41文献标识码：A：1004?373X（2015）12?0085?040引言椒盐噪声是一种由摄像系统的物理缺陷或信号传输过程中的解码错误而产生的黑白相间的点噪声，该噪声表现为噪声点的灰度值与其邻域像素点的灰度值明显不同[1]。由于椒盐噪声的存在，使图像的后续处理（如图像识别及图像分割等）效果较差甚至无法进行，因此如何有效地去除图像中的椒盐噪声一直以来都是图像预处理领域研究的热点之一。在去除图像椒盐噪声算法中，传统中值滤波是一种常用的有效方法，算法采用小窗口邻域像素的中值代替原图像中各个像素的灰度值，对脉冲噪声具有良好的抑制作用，图像边缘等细节保持较好，但不足的是算法对噪声图像所有像素点均利用邻域中值替换，使得算法在较高密度噪声污染情况下，滤波性能急剧下降，甚至失去去噪性能，而且边缘容易产生移位，纹理细节不太清晰。为此，一些第3页共7页改进的中值滤波算法[2?5]被提出，这些算法在一定程度上改善了中值滤波的性能，能够滤除较好密度的椒盐噪声，但对于图像的边缘细节的保护还不是很理想。多级中值滤波算法如文献[6?7]算法对于随机的脉冲噪声滤除很有效，而且能够较好地保持图像的边缘信息，使其不被模糊和移位，但对于较高密度的椒盐噪声不能很好地滤除。文献[8]提出了一种改进的多级中值滤波算法（VHWR），算法较好地保持了图像细节，对较高密度的椒盐噪声滤波效果有了很大的提高，但当噪声密度超过80%时，去噪效果不理想。为了有效地去除椒盐噪声，更好地保护图像的细节信息，提出了一种改进的多级中值滤波加权算法。算法借鉴了多级中值滤波的思想，采用文献[8]划分子窗口方法的基础上，对噪声点采用了邻域子窗口均值加权的方法进行滤除，在有效去除椒盐噪声的同时，对图像边缘等细节保护良好。2VHWR算法在传统多级中值滤波算法的基础上，文献[8]提出了一种纵横窗第4页共7页口关联的多级中值滤波算法（VHWR）。算法采用开关策略，将（2N+1）×（2N+1）方形滤波窗口划分为水平和垂直4N+2个条形子窗口，其中N为大于等于1的整数。子窗口如图2所示。图2中的Wx1～Wx（2N+1）代表水平方向的2N+1个条形子窗口，Wy1～Wy（2N+1）代表垂直方向的2N+1个条形子窗口。算法先求出每个子窗口内像素的中值，然后用这些中值的中值替换滤波窗口中心的噪声点灰度值。VHWR算法充分利用了邻域相关性原理，对椒盐噪声图像具有良好的去噪效果，同时较好地保持了边缘及纹理等细节，但算法在高密度噪声情况下，去噪效果不是很理想。本文借鉴了多级中值滤波思想，采用VHWR算法划分子窗口的方法，提出了一种改进多级中值滤波的加权滤波算法。算法在高密度噪声的去除及细节保持等性能均有了较大的提高。3本文算法传统多级中值滤波算法MLM+及改进的算法VHWR通过多子窗口的划分，采用子窗口的中值进行平滑噪声点，对图像中的边缘、细线第5页共7页及纹理等细节保持较好，但它们共同的特点是在高噪声密度情况下，去噪性能较差。因此，本文在借鉴多级中值滤波算法子窗口划分思想的同时，对噪声点的平滑时引入了加权方法，算法原理如下。3.1子窗口划分设f（i，j）为椒盐噪声图像，对于灰度图像来说，椒盐噪声点的灰度值主要表现为0或255。算法采用开关策略，如果滤波窗口中心点为非噪声点，则保持原值输出；如果是噪声点，则进行...