改進(jìn)型自適應(yīng)雙邊濾波算法
發(fā)布時(shí)間：2021-10-15 00:51
對(duì)傳統(tǒng)雙邊濾波器模型中的灰度標(biāo)準(zhǔn)差和濾波窗口進(jìn)行改進(jìn)。首先,用固定大小的正方形窗口通過概率分布函數(shù)和最大似然函數(shù)計(jì)算圖中每個(gè)像素點(diǎn)的噪聲標(biāo)準(zhǔn)差,將全圖噪聲標(biāo)準(zhǔn)差的中值作為閾值,若某像素點(diǎn)的噪聲標(biāo)準(zhǔn)差大于該閾值,則認(rèn)為該點(diǎn)的窗口內(nèi)包含圖像邊緣,用半邊旋轉(zhuǎn)窗口法重新計(jì)算該點(diǎn)的噪聲標(biāo)準(zhǔn)差和濾波窗口;然后,對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行雙邊濾波,其中,灰度標(biāo)準(zhǔn)差設(shè)為該點(diǎn)噪聲標(biāo)準(zhǔn)差的2倍;最后,根據(jù)區(qū)域相似度模型判定強(qiáng)噪聲,并利用中值濾波器去除。實(shí)驗(yàn)證明,所提算法在不同強(qiáng)度的噪聲下均可取得較好的保邊濾波效果和強(qiáng)噪聲去除效果。
【文章來源】：激光與光電子學(xué)進(jìn)展. 2020,57(04)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
Lena圖像處理。（a）加入高斯白噪聲后的Lena圖像；（b）歸一化的噪聲標(biāo)準(zhǔn)差
實(shí)驗(yàn)中選用標(biāo)準(zhǔn)的512×512的Lena圖像和Peppers圖像。在Lena圖像中加入標(biāo)準(zhǔn)差為30的高斯白噪聲和密度為0.1的椒鹽噪聲，在Peppers圖像中加入標(biāo)準(zhǔn)差為30的高斯白噪聲和密度為0.2的椒鹽噪聲，兩幅圖像的原圖、加噪圖和兩種算法的去噪圖及其局部圖分別如圖2和圖3所示。圖2(e）為L(zhǎng)ena原始圖像的局部圖，可以看出白色帽子邊緣處的邊緣特征明顯；加入噪聲并經(jīng)文獻(xiàn)[10]算法去噪后的局部圖如圖2(g）所示，該邊緣區(qū)域出現(xiàn)明顯的平滑現(xiàn)象，邊緣信息丟失；用所提算法去噪后的局部圖如圖2(h）所示，邊緣特征得到相對(duì)較好的保留。Peppers圖像相對(duì)Lena圖像加入了更多的椒鹽噪聲，對(duì)比圖3(g）經(jīng)文獻(xiàn)[10]算法去噪后的局部圖和圖3(h）經(jīng)所提算法去噪后的局部圖可以發(fā)現(xiàn)：對(duì)于平穩(wěn)區(qū)域的強(qiáng)噪聲，經(jīng)文獻(xiàn)[10]算法處理后有少量殘留，而經(jīng)所提算法處理后基本消失；對(duì)于邊緣附近的強(qiáng)噪聲，文獻(xiàn)[10]算法失效，大量噪聲得到保留，而所提算法將其大體去除，只有少量殘留。綜上可知，所提算法相對(duì)文獻(xiàn)[10]算法具有更好的保邊效果和強(qiáng)噪聲去除效果。
將常用的去噪分析指標(biāo)峰值信噪比（PSNR）、結(jié)構(gòu)相似性（SSIM）和強(qiáng)噪聲判定數(shù)目作為評(píng)價(jià)指標(biāo)。峰值信噪比描述圖像的失真程度，其值越大說明失真度越��；結(jié)構(gòu)相似性衡量去噪圖與原圖的相似程度，其值在0到1之間，值越大則相似度越高；強(qiáng)噪聲判定數(shù)目是針對(duì)兩種算法提出的指標(biāo)，用來比較兩種算法的強(qiáng)噪聲判定性能。以標(biāo)準(zhǔn)的512×512的Lena圖像、Peppers圖像和細(xì)節(jié)特征較少的Milkdrop圖像作為實(shí)驗(yàn)對(duì)象，在三幅圖像中分別加入不同強(qiáng)度的高斯白噪聲和椒鹽噪聲，如表1所示，表中D表示椒鹽噪聲的密度。由表1可知，對(duì)于Lena圖像、Peppers圖像，當(dāng)σn=30,D=0.05時(shí)，所提算法的PSNR約高出1,SSIM約高出0.01；當(dāng)σn=30,D=0.1時(shí)，所提算法的PSNR約高出1,SSIM約高出0.04；當(dāng)σn=40,D=0.1時(shí)，所提算法的PSNR約高出1,SSIM約高出0.06，說明所提算法整體優(yōu)于文獻(xiàn)[10]算法。在相同強(qiáng)度的噪聲條件下，利用文獻(xiàn)[10]算法判定強(qiáng)噪聲時(shí)，Milkdrop圖像的強(qiáng)噪聲判定數(shù)目大于Lena圖像和Peppers圖像，這是因?yàn)镸ilkdrop圖像具有更少的邊緣結(jié)構(gòu)。所提算法判定強(qiáng)噪聲時(shí)不僅不受圖像復(fù)雜度的影響，而且其強(qiáng)噪聲判定數(shù)目也明顯比文獻(xiàn)[10]算法多。
本文編號(hào)：3437127
【文章來源】：激光與光電子學(xué)進(jìn)展. 2020,57(04)北大核心CSCD
【文章頁數(shù)】：6 頁
【部分圖文】：
Lena圖像處理。（a）加入高斯白噪聲后的Lena圖像；（b）歸一化的噪聲標(biāo)準(zhǔn)差
實(shí)驗(yàn)中選用標(biāo)準(zhǔn)的512×512的Lena圖像和Peppers圖像。在Lena圖像中加入標(biāo)準(zhǔn)差為30的高斯白噪聲和密度為0.1的椒鹽噪聲，在Peppers圖像中加入標(biāo)準(zhǔn)差為30的高斯白噪聲和密度為0.2的椒鹽噪聲，兩幅圖像的原圖、加噪圖和兩種算法的去噪圖及其局部圖分別如圖2和圖3所示。圖2(e）為L(zhǎng)ena原始圖像的局部圖，可以看出白色帽子邊緣處的邊緣特征明顯；加入噪聲并經(jīng)文獻(xiàn)[10]算法去噪后的局部圖如圖2(g）所示，該邊緣區(qū)域出現(xiàn)明顯的平滑現(xiàn)象，邊緣信息丟失；用所提算法去噪后的局部圖如圖2(h）所示，邊緣特征得到相對(duì)較好的保留。Peppers圖像相對(duì)Lena圖像加入了更多的椒鹽噪聲，對(duì)比圖3(g）經(jīng)文獻(xiàn)[10]算法去噪后的局部圖和圖3(h）經(jīng)所提算法去噪后的局部圖可以發(fā)現(xiàn)：對(duì)于平穩(wěn)區(qū)域的強(qiáng)噪聲，經(jīng)文獻(xiàn)[10]算法處理后有少量殘留，而經(jīng)所提算法處理后基本消失；對(duì)于邊緣附近的強(qiáng)噪聲，文獻(xiàn)[10]算法失效，大量噪聲得到保留，而所提算法將其大體去除，只有少量殘留。綜上可知，所提算法相對(duì)文獻(xiàn)[10]算法具有更好的保邊效果和強(qiáng)噪聲去除效果。
將常用的去噪分析指標(biāo)峰值信噪比（PSNR）、結(jié)構(gòu)相似性（SSIM）和強(qiáng)噪聲判定數(shù)目作為評(píng)價(jià)指標(biāo)。峰值信噪比描述圖像的失真程度，其值越大說明失真度越��；結(jié)構(gòu)相似性衡量去噪圖與原圖的相似程度，其值在0到1之間，值越大則相似度越高；強(qiáng)噪聲判定數(shù)目是針對(duì)兩種算法提出的指標(biāo)，用來比較兩種算法的強(qiáng)噪聲判定性能。以標(biāo)準(zhǔn)的512×512的Lena圖像、Peppers圖像和細(xì)節(jié)特征較少的Milkdrop圖像作為實(shí)驗(yàn)對(duì)象，在三幅圖像中分別加入不同強(qiáng)度的高斯白噪聲和椒鹽噪聲，如表1所示，表中D表示椒鹽噪聲的密度。由表1可知，對(duì)于Lena圖像、Peppers圖像，當(dāng)σn=30,D=0.05時(shí)，所提算法的PSNR約高出1,SSIM約高出0.01；當(dāng)σn=30,D=0.1時(shí)，所提算法的PSNR約高出1,SSIM約高出0.04；當(dāng)σn=40,D=0.1時(shí)，所提算法的PSNR約高出1,SSIM約高出0.06，說明所提算法整體優(yōu)于文獻(xiàn)[10]算法。在相同強(qiáng)度的噪聲條件下，利用文獻(xiàn)[10]算法判定強(qiáng)噪聲時(shí)，Milkdrop圖像的強(qiáng)噪聲判定數(shù)目大于Lena圖像和Peppers圖像，這是因?yàn)镸ilkdrop圖像具有更少的邊緣結(jié)構(gòu)。所提算法判定強(qiáng)噪聲時(shí)不僅不受圖像復(fù)雜度的影響，而且其強(qiáng)噪聲判定數(shù)目也明顯比文獻(xiàn)[10]算法多。
本文編號(hào)：3437127
本文鏈接：http://sikaile.net/kejilunwen/dianzigongchenglunwen/3437127.html
最近更新
教材專著
