一種自適應雙閾值模糊中值濾波算法範文

噪聲對圖像處理十分重要，其會影響圖像處理的輸入、採集、處理的各個環節以及輸出結果的全過程。其中，椒鹽噪聲一般是由於傳輸誤差或比特丟失造成的。椒鹽噪聲與其他的像素點有明顯的區別，一般是鄰域中的像素值的極值點。但是極值點並不一定是噪聲點。椒鹽噪聲在圖像上表現出黑白相間的亮暗點，會嚴重影響圖像的質量。傳統中值濾波算法(smf)[1]能夠減弱或消除傅里葉空間的高頻分量，但是同時會影響低頻分量。由於高頻分量對應圖像中的邊沿灰度值具有較大較快變化的部分，所以smf算法可將這些分量濾除，使圖像平滑，破壞圖像的邊緣和細節。

文獻[2]提出了模糊開關中值濾波算法(fsm)，fsm算法處理效果比smf算法要好一點。提出了自適應模糊開關中值濾波(nafsm)算法。文獻提出了edpa算法。文獻[5]和文獻[6]提出基於神經網絡的模糊中值濾波算法，對於受密度噪聲污染的圖像取得了不錯的效果，但是計算量很大。文獻[7]、文獻[8]、文獻[9]、文獻[10]提出了一種自適應模糊中值濾波算法(afm)。afm算法對傅里葉空間的低頻分量具有較好的濾除效果，但對高頻分量的處理效果不是很好，主要是沒有考慮椒鹽噪聲對圖像的污染程度。所以本文在afm的基礎上提出了一種雙閾值模糊中值濾波算法，該算法能很好地保護圖像的細節，具有高效地處理椒鹽噪聲的能力。

利用模糊系統，計算輸入參數的模糊係數權值。因爲處理的是椒鹽噪聲，所以只需輸入濾波窗口中原值與中值的差，最後通過去模函數去模糊化，濾波輸出。

濾波窗口s由w×w(w默認值爲3，一般爲奇數)的方陣組成。對s裏的像素點值進行快排序，可得濾波窗口中像素的最小值爲smin，最大值爲smax，中值爲smed，均值爲smean。x(i，j)表示噪聲圖像在(i，j)的灰度值。模糊系統首先是計算參數s1(i，j)=x(i，j)-smed。在圖像處理的時候一般對像素的污染程度進行閾值的設置。這裏假設最小閾值爲tmin，最大閾值爲tmax，同時設置參數s2=|x(i，j)-smean|。當s2tmax時，認爲像素點嚴重污染，這時就用最近鄰域已處理的像素點求均值代替。