一种保持边缘的自适应图像滤波方法

摘要

本发明涉及一种保持边缘的自适应图像滤波方法，技术特征在于：首先使用极值法检测噪声图像中被椒盐噪声所污染的像素，然后使用自适应滤波方法修正噪声像素的灰度值，得到去除了椒盐噪声的图像；接着对该图像进行平稳小波分解，得到相应的低频分量和高频分量；保持低频分量不变，对高频分量使用系数相关法将其像素标记为噪声或边缘，如果某一像素被标记为边缘，则保持其值不变，否则采用自适应邻域法收缩小波系数；最后对经过处理的小波系数进行平稳小波反变换得到去噪图像。本发明的高斯噪声滤波方法能在有效去除混合噪声的同时较好的保持图像的细节信息，其性能优于一些传统的图像滤波方法。

主权项

1.一种保持边缘的自适应图像滤波方法，其特征在于：a)使用极值法检测噪声图像中被椒盐噪声所污染的像素；b)对被污染的像素使用自适应滤波法修正其灰度值，而未受噪声污染的像素则保持其灰度值不变，得到去除椒盐噪声后的图像；c)对步骤b得到的图像进行平稳小波分解，得到低频分量和不同频带、不同方向的高频分量，低频分量及高频分量的大小与原始噪声图像的大小相同；d)由于小波分解后的低频分量已经比较平滑，故保持其系数值不变；对于高频分量中的噪声和边缘，利用边缘在不同尺度的对应位置上具有较强的相关性，而噪声的相关性则很弱的特性，将高频分量中的像素标记为边缘或噪声；e)如果高频分量的某一像素被标记为边缘，则保持其系数值不变；如果被标记为噪声，则采用以下步骤对其系数值进行收缩：(1)对某一像素(x，y)，求以其为中心的某一大小邻域内像素小波系数Dji的平方和$S_{x,y}^2=\underset{m,n\in ϵ(x,y)}{\Sigma }{\left[D_j^i(m,n)\right]}^2$其中(m，n)∈ε(x，y)表示(m，n)是以(x，y)为中心的邻域内的点；(2)计算如下三式的值，得到收缩后的小波系数值$\lambda =\sqrt{2{\sigma }_n^2\log L}$$\beta (x,y)=\left\{\begin{array}{cc}1-({\lambda }^2/S_{x,y}^2)& {\lambda }^2/S_{x,y}^2\le 1\\ 0& {\lambda }^2/S_{x,y}^2>1\end{array}\right.$$\mathrm{new}{D}_j^i(x,y)=\beta (x,y)D_j^i(x,y)$式中log是对数函数，σn2是噪声方差，L表示图像的大小；f)当噪声强度较大时，用上述步骤e收缩后最小尺度的高频分量中会出现一些孤立的亮点和暗点，但是次小尺度即最小尺度的上一层高频分量中的噪声已经被去除，则采用以下步骤将这些孤立点去除：(1)分别计算次小尺度三个方向的高频分量收缩后系数绝对值的均值mean；(2)设mask为一个标记矩阵，其大小等于次小尺度高频分量图像的大小，如果次小尺度高频分量中某一像素(i，j)小波系数的绝对值小于mean，则置mask(i，j)的值为1；(3)由于平稳小波分解后各尺度分量的大小等于原始图像的大小，因此相邻两层之间很容易找到对应的像素。如果mask(i，j)等于1，则将最小尺度高频分量各小波系数D1(i，j)的值置为0；g)对经过上述处理的高频分量和低频分量进行平稳小波重构得到滤波图像。