没有合适的资源?快使用搜索试试~ 我知道了~
中值滤波及其变体去除灰度图像中的脉冲噪声的功能、时间复杂度和相对性能比较
制作和主办:Elsevier沙特国王大学学报中值滤波及其变型去除灰度图像Anwar Shaha,Javed Iqbal Bangashb,Abdul Waheed Khanc,Imran Ahmedd,Abdullah Khanb,Asfandyar Khanb,Arshad Khanba计算机科学系,FAST-国立计算机和新兴科学大学(NUCES),白沙瓦校区,KPK,巴基斯坦b巴基斯坦白沙瓦农业大学计算机科学和信息技术研究所c计算学院,FAST-国家计算机和新兴科学大学,伊斯兰堡校区,巴基斯坦d巴基斯坦KPK白沙瓦管理科学研究所信息技术英才中心阿提奇莱因福奥文章历史记录:收到2019年2020年1月27日修订2020年3月21日接受2020年3月27日在线提供关键词:图像去噪预处理脉冲噪声中值滤波功能时间复杂度相对性能A B S T R A C T图像去噪是图像预处理的一个重要环节,用于改善图像质量并使其更具信息性。图像去噪的算法很多,各有优缺点。本文对中值滤波及其不同的变体进行了全面的研究,以减少或去除灰度图像中的脉冲噪声这些过滤器进行比较,就其功能,时间复杂度和相对性能。对于现有算法的性能评估,广泛的基于MATLAB的模拟已经进行了一组图像。为了对相对性能进行基准测试,我们使用峰值信噪比(PSNR)、均方根误差(RMSE)、通用图像质量指数(UQI)、结构相似性指数(SSIM)和边缘强度相似性(ESSIM)作为质量评估指标。扩展中值滤波器(EMF)和修改的BDND是最好的相对统计比和愉快的视觉效果,其中IAMF是现有算法中具有最好的时间复杂度。©2020作者(S)。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 5062.基于功能的比较分析5062.1.简单中值滤波器(SMF)5072.2.MF 509的各种变体的类别2.2.1.切换滤波器5092.2.2.自适应滤波器5102.2.3.混合滤波器5112.2.4.基于区域位置的过滤器5122.2.5.基于SMF噪声检测器513的3.基于计算的比较分析4.基于相对业绩的比较分析5144.1.峰值信噪比(PSNR)514*通讯作者。电子邮件地址:p18-0402@nu.edu.pk(A. Shah),javed. aup.edu.pk(J.I. Bangash),abdul. nu.edu.pk(A.W. Khan),imran. imsciences.edu.pk(I.Ahmed),abdullah_khan@aup.edu.pk(A. Khan),asfandyar@aup.edu.pk(A. Khan),arshadkhan@aup.edu.pk(A. Khan)。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2020.03.0071319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.com506A. Shah等人/Journal of King Saud University4.2.均方根误差(RMSE)5144.3.结构相似性(SSIM)指数5154.4.通用图像质量指数(UQI)5154.5.边缘强度相似度(ESSIM)5165.福利、限制和未来工作5176.结论518竞争利益声明参考文献5181. 介绍噪声是一种不需要的信号,在图像中,它可能是由不同的来源引起的,它是以分散的白色和黑色像素的形式。许多滤波器已被设计用于减少或去除脉冲噪声,并再现接近原始图像的近似值。由于去噪过程中的不模糊性或去噪算法的不精确性等因素,使得处理后的原始图像很难得到精确的拷贝。例如,由一个或多个像素组成的小黑点位于均匀的绿色区域中,图像不一定是噪声。 其次,这些像素可以是规则或不规则的形状。由于传感器中的缺陷,可能产生规则形状,而不规则形状可能是图像的真实特征。此外,在某些情况下,减少冲动并不是提取的大问题一点信息隐藏在一团噪音中,比如天文图像。此外,不完美的算法会导致一些问题,例如在处理过程中删除重要特征或留下一些噪声。长期使用的中值滤波技术(Gonzalez andWoods,2008)也存在一些不足。它无法保留处理图像的边缘(Leavline和Singh,2013),并且相对昂贵,时间复杂度高(中值滤波器,2017)。它还以相同的方式对待每个像素,无论是损坏还是未损坏。在脉冲噪声的抑制和去除方面,不同的研究者已经做了大量的工作。基于中值滤波器的方法或算法是对脉冲噪声去除或减少的一种这样的贡献。所有这些基于中值的算法在图像去噪方面都有各自的优点和缺点,因此需要进一步的研究,以在这一研究领域带来更多的改进。即使在今天,中值滤波器也实际上在行业中。有许多应用,如相机调整。其次,这些滤波器用于可以容忍一点延迟的情况,例如医学图像处理。因此,不能完全忽视它们,因为它们是客观的(Gonzalez和Woods,2008年),因此仍在使用。在这项比较研究中,我们分析了中值滤波器及其用于图像的噪声去除和质量保持的不同变体算法在文献中可以找到几个类似的贡献,侧重于比较过滤技术。Leavline和Singh(2013)分析了不同的图像去噪技术。Teoh和Ibrahim(2012)对灰度图像上的脉冲噪声检测和去除技术进行了比较研究另一项针对超声图像中不同空间滤波技术的比较研究(Mohan和Aroquiaraj,2014)。类似地,评估用于航空图像去噪的各种滤波技术可以在(Tania 和Rowaida,2016)中找到我们比较分析了中值滤波器及其各种变体的功能,时间复杂度和相对性能。这些算法是针对灰度图像进行测试的,因为它们的使用在各种领域中具有很高的需求,使用磁共振成像(MRI)、计算机断层扫描(CT)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)和X射线图像积极地促进了医学诊断。基于功能性的比较描述了每个特定算法的噪声处理方式、其相对改进以及差异,其中基于时间复杂度的分析检查过程完成所需的算法时间基于性能的比较分析进行了使用五个评估指标的脉冲噪声影响的图像去噪。算法的性能可以用图像质量来衡量图像质量可以主观或客观地测量主观测量是由一组专业的人类观察员进行的,这更耗时,更不经济。利用数学公式进行客观测量,可以自动预测图像它又分为两大类:一类是完全基于统计误差的质量预测指标,如PSNR 、MSE、MAE、VSNR等;另一类是基于人类视觉系统(HVS)的质量预测指标,如SSIM、FSIM、VIF、ESSIM等。我们分析了所有算法在这两个类别上的性能,因为它们都具有不同的图像质量评级标准。我们考虑SSIM和ESSIM用于基于HVS的测量,因为ESSIM具有基于语义信息的质量判断的思想它认为,对于相同的噪声,人类可以对图像的质量进行不同的评价,例如,与眼睛或鼻子上有噪声的图像相比,人眼可以很容易地识别带有噪声的脸颊的图像类似地,人眼可以识别具有密集噪声的高度退化的脸颊的图像本文中使用的各种质量评价指标有峰值信噪比(PSNR)、均方根误差(RMSE)、通用图像质量指数(UQI)、结构相似性指数(SSIM)和边缘强度相似性(ESSIM)。本文系统地论述如下。第2描述了由许多研究人员贡献的用于脉冲噪声去除的各种算法及其基于功能的比较。第3节提出了基于时间复杂度的比较,其中第4致力于通过使用不同度量对各种滤波技术进行脉冲噪声去除的许多实验来比较分析第五是对未来工作的展望,第六部分是对全文的总结。2. 基于功能的比较分析在下面的部分中,我们将讨论中值滤波器及其变体在从退化图像中去除脉冲噪声方面的功能。这些滤波器在某些方面类似于它们的同伴算法,因此,很难将它们完全分开。为了简单起见,我们根据算法逻辑、流程机制和成就感将简单中值滤波器(SMF)的各种变体分类为:A)切换滤波器,B)自适应滤波器,A. Shah等人/Journal of King Saud University507ters,C)混合滤波器,D)基于区域局部性的滤波器和E)基于SMF噪声检测器的滤波器。在讨论的最后,表1列出了所有算法的一整套使用方法、优点和缺点。另一方面,每个滤波器的性能可以在图1中直观地看到,对于具有椒盐噪声的80%失真图像。此外,熵(E)并且还为每个滤波图像计算标准偏差(SD)。在讨论传统中值滤波器的所有不同变体类别之前,我们首先将简单中值滤波器本身描述如下:2.1. 简单中值滤波(SMF)SMF是一种去除脉冲噪声的非线性方法(Petrouand Petrou,2010)。它用作预处理技术,表1中值滤波及其各种变体的比较分析。标题方法优势局限SMF(Petrou和Petrou,2010)用窗口的中值替换每个像素。分裂噪声治理所有像素都被平等对待。无法保留边缘PSMF(Wang和Zhang,1999)通过迭代和比较进行与阈值把盐和胡椒去掉。进步。选择合适的阈值。SMF-BDND(Ng和Ma,2006)用于像素分类的二元决策图。去除脉冲噪声。修复了漏分类问题。以聚类为目的的边界选择。DBA(Jayaraj和Ebenezer,2010)使用固定大小的3× 3处理的中位数窗口克服切换复杂性问题。无法处理高度损坏的图像。MDBUl(Esakkirajan等人, 2011年)不对称的中位数和平均值。所有邻居损坏问题面对DBU不适用于噪声密度为80%及以上AMF(Hwang和Haddad,1995年)像素是嘈杂的,如果它不配备其邻居ACWMF(Novoselac和Pavic,2015年)估计腐败率和中心权重低噪声污染的图像。把盐和胡椒去掉。保留边缘。去除脉冲噪声。根据噪音密度对于高于20-30%噪声的图像无效腐败率的估计并不总是正确的,并不适合所有的像素。IAMF(Wang和Li,2010)根据噪声密度中值滤波密集区域的高计算能力SAMF(Das等人, 2016)自适应窗口(最大值>中位数>最小值)满意度IAMF(Ha等人, 2016)如果不满足条件I,则自适应窗口,如果不满足条件II,则细化(详细信息见B.5)选择性过滤高度密集地区非常有选择性的过滤由于自适应,在高噪声密度的情况下图像模糊TSMF(Chen等人, 1999)SMF和CWM。比较结果以获得更高的准确性。SMF不能保留边缘。NASMF(Eng and Ma,2001)像素分为三组。SMF和模糊加权中值滤波器。FRMF(Singh,2011)基于秩条件和荒川RAA(Sathua等人, 2017)噪声的自适应窗口。如果N≥ W Wmax(用中值代替处理像素),Wmax=W> N去除脉冲噪声。解决了由于固定阈值而导致的问题。只处理受影响的像素,减少误命中和误命中。以不同的方式处理不同的噪声错过机密像素。视觉上不愉快的过滤图像,噪声密度为50%。无法保留边缘使用均值滤波器,IDBA(Ketchet al., 2017)仅考虑“+”像素。如果所有元素都已损坏,则使用中点;否则使用修剪的0和255并查找中位数)处理高噪声图像由于修剪而导致的HFFLND(Selvi和Sukumar,2018)均值,自适应中位数,中位数和模糊噪声检测器在一个单一的方法使用模糊方法均值滤波和自适应中值滤波TSF(Ramachandran和Kishorebabu,2019)不对称的修剪中位数,非对称截尾修正winsorized均值,非对称截尾全局均值。高噪声密度下的图像模糊NSPF(Biswal和Bohi,2013)均值和非对称修剪均值。去除脉冲噪声。中的边缘可以保存图像。FEMF(Mu等人, 2013)使用前向信息的像素恢复时间复杂度非常可以接受的修剪平均值不适用于中等情况,会导致图像模糊。使用边界像素信息作为先验可能导致不良结果。AMF-LPD(Gao,2018)许多信息像素和有偏阈值表明噪声比。对退化像素区域均匀性偏置阈值,自适应加窗SSMF(Horng等人, 2013)使用直方图进行噪声检测。修剪中位数。噪声模型各种噪音TSND(Ma和Nie,2018)均值滤波器,改进的自适应均值滤波器改进的噪声检测机制直方图追漏和修剪使用均值改进均值滤波器IEMF(Shu-Liang和Shou-Jue,2009)中位数与最大值和最小强度ADPSMF(Thanakumar,2016)像素分类,所有像素的中值除了处理像素之外的元件,与中值滤波在一定程度不确定的噪声范围随着漏判而上升,对像素的误分类,效果与中值相同。IMFA(Zhu和Huang,2012)相关性和统计直方图非常可接受的时间复杂度噪声检测MBDND(Sangave和Jain,2012)欧几里得距离算法脉冲噪声去除。适用于彩色和灰度图像。EMF(Charmandy等人, 2017)abs(Processing Pixel- Median)≤ d边缘保留最多a最大限度在噪声密度为70%及以上的图像情况下不正确。高噪声密度下的错误判决508A. Shah等人/Journal of King Saud University图1.一、(1)原始图像(2)80%损坏的图像(3)AMF-LPD(4)IDBA(5)EMF(6)TSND(7)TSF(8)IMFA(9)HFFLND(10)SSMF(11)MBDND(12)IEMF(13)MDBUILD(14)DBA(15)ADPSMF(16)RAA(17)SMF-BDNF(18)NSPF(19)FRMF(20)IAMF(21)ACWMF(22)AMF(23)SAMF(24)IMF(25)SMF(26)PSMF(27)TSMF(28)FEMF(29)NASMF。提高退化图像的质量,以便进行边缘检测和目标提取等后处理。其思想是交换处理窗口(5× 5或3× 3等)的中值和中心像素。处理像素可以是255(白色)、0(黑色)或介于0和255.每个像素都通过相同的方法进行同等处理。这种方法的一个严重缺陷是用相同的方法处理所有受影响或未受影响的像素中间文件-A. Shah等人/Journal of King Saud University509×图1(续)ter也不能保持边缘。考虑在下面的奇异行图像上应用中值滤波器,采用31调整窗口大小并顺序处理每个像素I =(3,89,8,6)然后,中值滤波的输出图像IR将是:I1= med(3,3,89)= 3,I2 = med(3,89,8)= med(3,8,89)= 8,I3 = med(88,8,6)= med(6,8,89)= 8,I4 = med(8,6,6)= med(6,6,8)= 6,因此,细化图像是IR=(3,8,8,6)。2.2. MF各种变体的类别以下是不同的类别,我们根据传统中值滤波器的各种变体的内部机制或逻辑行为的一些相似性进行了分类。2.2.1. 开关滤波器第一类变体是基于切换的算法。这种算法的基本思想是其切换性质的损坏和未损坏的像素的识别,在后面的阶段与细化之前它们或者考虑阈值用于噪声确认,或者使用某种映射策略用于噪声像素下面讨论一些这样的过滤器2.2.1.1. 渐进开关中值滤波器(PSMF)。 在Wang和Zhang(1999)中提出的PSMF,用于改善由于盐和胡椒噪声而退化的数字图像。该算法采用了一种耦合的图像细化方法:切换法和渐进法. 第一步是脉冲检测,它只过滤限制像素的一部分。该算法的第二阶段涉及脉冲检测,然后是噪声滤波机制。这些步骤在连续的迭代中工作该算法的主要问题是由于在滤波之前预先确定了一个固定的脉冲检测阈值,因此它不能适应绝望的噪声密度,这导致性能不佳。该滤波器在几次迭代中工作,这也增加了其时间复杂度(Boo等人, 2009年)。2.2.1.2. 具有边界鉴别噪声检测(BDND)的开关中值滤波器(SMF)。中值滤波器的这种变体(Ng和Ma,2006)处理严重损坏的图像,并减少像素误分类的问题。BDND算法用于使用二进制决策图来检测退化像素,该二进制决策图将像素分为三个不同的组,包括未破坏的、低强度的和高强度的退化像素。噪声密度用于设置处理窗口的大小,以使其容纳至少一半的未损坏像素。该方法只处理退化的像素,这降低了其时间复杂度,并且需要两个定义良好的边界来将像素分成三组。当然,分组的准确性依赖于检测到的边界的精度。此外,用于容纳未损坏的像素以使它们成为处理窗口中的元素的至少一半的窗口扩展导致额外的模糊。该滤波器使用非退化元素的中值,其使输出图像中的边缘不锐利(Thanakumar,2016)。2.2.1.3. 基 于 切 换 决 策 的 算 法 ( DBA ) 。 DBA ( Jayaraj 和Ebenezer,2010)使用非自适应3× 3处理窗口,510A. Shah等人/Journal of King Saud University××图像细化如果处理像素的强度为0或255,则仅用处理窗口的中值替换处理像素在处理窗口的计算中值为0或255时的高度降级图像的情况下,处理像素将被最后处理的相邻像素替换每当使用DBA处理高度损坏的图像时,所得图像的质量非常低,并且具有条纹效应(Elaiyaraja和Kumaratharan,2010)。2.2.1.4. 一种改进的基于判决的非对称裁剪中值滤波器。 为了克服DBA所面临的问题,Aiswarya等人提出了一种称为基于决策的非对称修剪中值滤波器(Decision Based Un-symmetric Trimmed MedianFill- ter,DBU)的改进版本。(2010年)。DBUI修复了DBA面临的问题,但无法恢复高度损坏的图像,因为它使用了修剪中值的概念,这无法解决处理窗口的所有元素都损坏的情况。因此,在Esakkirajan 等人 ( 2011 ) 中提出 了解 决上述 问题 的修改 版本(MDBUILDER)在不均匀地修剪损坏的像素后,它将受影响的像素替换为修剪的中值。当窗口的所有元素都是0和255时,它计算平均值。该算法仅处理退化像素0和255,而缺乏精确定义的噪声检测机制。2.2.2. 自适应滤波器自适应滤波器也被称为智能滤波器,因为它们根据特定区域中的噪声密度来扩展窗口。与深度神经网络不同,它们是客观的,可以很容易地在不同的情况下使用(Gonzalez和Woods,2008)。扩展窗口,并使用各种方法检查结果,直到满足算法条件。下面讨论一些这样的算法2.2.2.1. 自适应中值滤波器(AMF)。AMF (Hwang和Haddad,1995)本质上是非线性的,并且在低噪声图像的情况下给出最佳结果。该技术将每个像素与其相邻像素进行比较,并将其分为两个不同的组,即受影响的组和未受影响的组。这种方法声明一个像素为噪声,如果它是从它的邻居的大部分是不分离的,不能与周围几乎相同的强度框。该算法检查每个像素是否存在盐或胡椒。其主要思想自适应中值滤波的一个优点是其处理窗口大小相对于图像特性让我们考虑AMF的3×3滤波器Sxy,其中:Zmin是Sxy中的最小强度(灰度级) Zmax是Sxy中的最大强度(灰度级)Zmed是SxyZxy是(x,y)坐标处的强度(灰度级)。Smax是Sxy的最大可能或允许大小。AMF工作在两个连续的步骤如下:步骤1:S1= Z中S2= Z中如果S1> 0且S20.转到步骤2否则,如果窗口的大小= Smax,则递增处理窗口的大小。重复第1步,否则输出将为Zmed步骤2:S3=Zxy-Zmin如果S3> 0且S4为 0,则输出为Zxy否则处理像素的输出为Zmed在滤波过程中,根据待处理区域的特点,自适应调整窗口和阈值的大小。与标准中值滤波器相比,它具有保留边缘的能力。它在噪声密度为20- 30%的图像中工作得非常好。在噪声密度高于20-30%的图像中,该滤波器的有效性会下降2.2.2.2. 自 适 应 中 心 加 权 中 值 滤 波 器 ( ACWMF ) 。 ACWMF(Novoselac和Pavic,2015)是中值滤波器的自适应版本。该算法基本上是针对低污染率的噪声图像引入的。该方法先粗略估计一个相关系数,然后自适应地计算中心权值.由于其自适应性,它对噪声图像执行不同级别的平滑,例如对高度损坏的图像或高度密集的区域进行更多平滑,反之亦然(Nandhini和Nalini,2014)。2.2.2.3. 改进的自适应中值滤波算法(IAMF). IAMF(Wang和Li,2010)根据该区域的噪声密度使用自适应窗口大小来检测噪声,然而,随着噪声密集区中窗口大小的增加,计算量会增加2.2.2.4. 用选择性自适应中值滤波器(SAMF)去除椒盐噪声。Das et al.(2016)提出了一种选择性自适应方法。该算法首先将像素点检测为噪声,然后采用3 × 3窗口计算处理窗口的最大值、最小值和中值。然后如果条件(最大值>中值>最小值)被满足,中值被处理像素替换;否则,窗口被递增,对照最大可用尺寸进行检查,并将上述条件转换为最大给定尺寸。 在最大窗口尺寸的情况下,处理像素将根据情况用中值替换。这个过滤器工作正常,直到遇到高度损坏的图像,因为它们在最大窗口大小的情况下没有满足标准。它还具有高的时间复杂度和不可接受的结果,特别是在高度损坏的图像中。2.2.2.5. 改进的自适应中值滤波算法及其应用(IMF). Ha等人(2016)提出了一种改进的自适应中值滤波算法。在利用中值进行噪声检测的算法中,每当处理窗口中的损坏像素的数量超过整个机群的50%时,中值ian作为降低的强度值出现。这是其中一基本中值滤波方法的主要局限性。该算法解决了中值滤波器利用有效像素进行窗口扩展并计算中值的问题用下面的方式。第1步:选择3 3窗口,如果处理像素被检测为无效,则:计算W中值、W最小值和W最大值,它们是处理窗口的中值、最小值和最大值如果A 1 = W中值<-W 最 小 值 >0 且 A2=W 中 值 -W 最大 值 0 , 则 进 入 下 一 步 骤 ; 否 则 根 据 2 n+1 , ( W+2 ) 扩 展 窗 口 并 重 复 步 骤 1 。步骤2:计算扩展窗口B的新的W中值、W最小值和W最大值如果B1= Wi,j像素的有效性检查如下:A. Shah等人/Journal of King Saud University511....伊季设Wi,j,a,b和M分别为处理像素、最大灰度噪声强度、最小灰度噪声强度和初始尺寸。具有b强度a的窗口群是有效像素。2.2.3. 混合滤波器混合滤波器是利用中值滤波器与其他一些滤波器相结合来实现滤波过程成功和更高效的滤波器集合。许多研究人员使用这种方法,将各种滤波器与中值滤波器相结合,以处理灰度图像中的椒盐噪声下面列出了一些这样的2.2.3.1. 三态中值滤波器(TSMF)。TSMF是中值滤波器的扩展变体(Chen等人,1999),其提出了一种用于脉冲检测的混合框架,该混合框架由标准中值滤波器(SMF)和随后的中心加权中值(CWM)滤波器组成。过滤器只处理损坏的像素。通过将SMF和CWM的结果与固定的预定阈值进行比较来确定像素是否为噪声。阈值是在处理之前选择的偏置值,位于0和255之间,这降低了其在分散和分布在图像的各个区域中的不同噪声密度方面的该算法考虑了三个条件,并采用最合适的,因此它被称为三态。算法评估-将CWM和SMF的输出分别作为YCWM和YSM进行评估。智慧的堕落如果像素不属于interrelated像素的队列,则该值将更改为以下值:计算的中值+[(处理强度和计算的中值之间的差) *(隶属度值)],其中隶属度值由处理像素的损坏程度确定2.2.3.4. 灰度和彩色图像中椒盐噪声的自适应去除. 在Sathua等人(2017)中,使用自适应方法来检测和恢复椒盐噪声图像。该算法在初始阶段将像素识别为损坏的或未损坏的。在处理像素被破坏(0或255)的情况下,算法将检查一些考虑因素,诸如未被破坏的像素的数量(N)、当前处理窗口(W)和处理窗口的可能的最大尺寸(W_max)。根据情况以多种方式处理损坏的像素,例如W N(用窗口 的 中 值 替 换 处 理 像 素 ) , NW Wmax ( 窗 口 大 小 将 增 加 直 到Wmax),N≥ W Wmax(用中值替换处理像素),Wmax= W > N除了集中噪声分布在图像的多个区域的情况外,结果是非常好的;它通过促进噪声在特定区域的有效性而给出了一些模糊的结果伊季活泼地然后,根据以下等式来决定处理像素的替换。2.2.3.5. 用改进的基于决策的算法(IDBA)去除椒盐噪声。M. S. A.N.J.,N.Ibrahim和Z.M. 锌亲-8>:YSMd26Td1;<第二天:噪声消除该算法考虑每个像素,探测它,将其声明为已损坏或未损坏。在核心的情况中断的像素,窗口),以便采取进一步行动。 每个哪里d1¼Xij-YSM,d2¼ Xij-YCWM和不是偏置阈值2.2.3.2. 噪声自适应软开关中值滤波器(NASMF)。NASMF(Eng andMa,2001)是一种用于灰度图像的脉冲检测和细化的两步算法。第一部分是一个噪声检测系统,包括三个不同的水平,在四个特征组之一的像素分类:未受影响的像素,边缘像素,非孤立的像素,孤立的像素。根据分类,将每个元素的强度标记为未破坏、边缘、孤立或非孤立像素。孤立和非孤立的像素处理与传统的中值滤波器,其中边缘像素处理使用模糊加权中值滤波器在随后的步骤。该算法无法细化噪声密度为50%及以上的图像(Toh和Isa,2010)。另一个缺点是由于大量未分类像素而导致处理图像的视觉质量恶化。2.2.3.3. 模糊规则中值滤波(FRMF)。FRMF(Singh,2011)被提出来减少像素的错误检测,即误命中(将未损坏的像素声明为损坏的)和误命中(将损坏的像素声明为未损坏的)。该算法使用两种不同的方法来确定和确认要降级的像素第一步是基于秩条件(Singh和Bora,2002),根据其幅度对处理窗口的所有像素进行如果所考虑的像素位于末端,则将其声明为噪声,并且第一步足以进行检测;否则,算法将移动到第一步。2.在这里,像素将面临荒川它将使两组像素为清晰和模糊。属于清晰集的像素是100%健康的,其他-如果所有元素都有噪声(0或255),则在此处检查元素,它将处理元素替换为处理的中点ing窗口;否则,所有0和255都将被修剪,并将处理元素替换为剩余像素的中值该算法在具有一些限制的高度损坏的图像的情况下工作良好。该算法使用修剪,这会导致图像模糊。此外,它在所有0和255的情况下使用中点(中值),这自动地固有了传统中值滤波器在图像的那些区域中的缺点。2.2.3.6. 使用混合滤波器和模糊逻辑噪声检测器(HFFLND)从图像中去除椒盐噪声。S e l v i 和Sukumar(2018)提出了一种混合滤波器。该算法综合了均值、自适应中值、中值和模糊噪声检测器的效果给定图像的每个像素通过均值滤波器以去除强度方差,然后进行自适应中值滤波以进行主观滤波。第1级的输出用作第2级的输入。这里,使用模糊逻辑检测器检测噪声,并且用处理窗口的中值替换所识别的噪声该算法采用模糊逻辑进行噪声检测,对于噪声像素点的识别绝对是一个很好的工作。该算法由于在第一阶段使用均值滤波器对图像进行平滑处理而面临局限性。该算法的其余部分作用于该平滑图像,这限制了高度损坏的处理图像的最终质量。2.2.3.7. 三态滤波器用于去除乳房X线照片图像(TSF)中的椒盐噪声。Ramachandran和Kishorebabu(2019)提出了TSF。该算法根据噪声像素相对于其邻域的位置和特性来处理噪声像素。将处理像素与IJ512A. Shah等人/Journal of King Saud University≤≥≤≤××××条件0处理像素(PP)255。如果不满足条件,则算法将转移到下一阶段。下一个阶段从按升序对像素进行排序开始,并检查四个最近的邻居。在所有四个相邻像素都被降级的情况下,它用所有四个元素的平均值替换处理像素;否则,不同的方法用于以下四种可能性。1. PP =不对称修剪中位数,如果NC2。2. PP =非对称修剪修正的Winsorized平均值(Vasanth等人,2015),如果3NC5.3. PP =非对称修剪中点,如果NC6。4. PP =如果组合为0 255,则为非对称修剪的全局平均值;否则,如果全部为0或255,则保留。其中PP是处理像素,NC是未损坏像素的数量。将对所有像素重复相同的过程。该滤波器是超类的,具有使用修剪滤波的限制,这在高噪声密度的情况下使图像模糊2.2.3.8. 一种新的去除椒盐噪声的滤波器(NSPF)。NSPF(Biswaland Bohi,2013)是经典中值滤波器的改进,用于检测和细化灰度图像中的噪声像素。该算法处理图像的每个像素。检查处理像素,如果检测到噪声,则在降级像素的细化过程中考虑其相邻像素。如果所有neighh- bors都被脉冲噪声(0和255)破坏,则计算平均值;否则计算非对称修剪平均值并与处理像素互换。修剪均值是调整后的均值,在中等噪声的情况下会导致图像模糊2.2.4. 基于区域局部性的此类别中的过滤器检查处理像素及其相邻元素。他们认为像素必须在某些方面与其相邻像素相匹配。如果处理像素与相邻元素不匹配,则将其视为噪声。这种策略在改进过程中的质量改进方面给出了有趣的结果。2.2.4.1. 快速有效的中值滤波器(FEMF )。FEMF (Mu等人,2013)是中值滤波器的另一个版本它利用一种先验信息,不需要迭代就能恢复图像它只会发现和处理损坏的像素。噪声像素的检测观察到不准确性。该算法根据该区域的噪声密度对每个像素使用自适应中值机制在计算最大和最小强度时考虑了整个图像作为噪声阈值。一旦设置了阈值,将对照阈值检查像素。像素根据其腐败率进行处理。在低噪声像素的情况下,用于处理像素的窗口具有小尺寸,而该尺寸随着处理像素的噪声强度的提升而2.2.4.2. 基 于 局 部像 素 分 布 的 椒盐 噪 声 自 适 应中 值 滤 波 ( AMF-LPD)。Gao(2018)提出了一种自适应中值滤波器。它检查噪声detec- tion的本地像素。然后采用自适应窗口机制的方法设置处理窗口的大小,用处理窗口的中值代替处理像素该算法的工作原理是:算法的第一阶段是寻找有效像素即发现像素遵循一定的规律性。第二阶段使用距离(阈值)检测噪声像素,如果像素被声明为噪声并且其被信息元素包围,则将其替换为处理窗口中的信息像素的中值此外,如果处理窗口信息量不足,处理窗口的大小从3.3增加到5.5,等等,整个过程不断重复。这种方法考虑了相似性,这是非常有用的,因为它根据周围环境诊断像素另一方面,阈值的使用不被赞赏。2.2.4.3. 排序开关中值滤波器去除高密度脉冲噪声(SSMF)。排序切换中值滤波器(SSMF)(Horng等人,2013)基于对区域元素的考虑,分三个步骤来细化噪声图像。第一阶段是使用直方图检测噪声直方图使用噪声模态识别所有有效位置处的可能噪声,并以成功找到损坏的像素结束。然后,这些最后一个阶段是对受影响的区域进行细化。该阶段用修剪中值滤波器的中值替换损坏的处理像素。该滤波器的缺点是在第一阶段中丢失了噪声像素,并且使用了修剪均值,这在中等噪声的情况下会导致图像模糊。2.2.4.4. 采用基于特征差分参数的噪声检测器和自适应方向均值滤波器(TSND)的两级滤波器去除椒盐噪声。 TSND(Ma和Nie,2018)是一个两步算法。在第一步中,如果相邻像素的特征与处理像素的灰度极值存在差异,则将其指定为噪声像素,并使用改进的自适应中值滤波器来处理噪声强度。这也被称为初级过滤步骤。第二步用于恢复图像,并通过均值和自适应方向均值滤波器进行滤波。2.2.4.5. 改进的中值滤波器(IEMF)。IEMF (Shu-Liang andShou-Jue,2009)是传统中值滤波器的扩展版本。噪声检测是通过比较3 3或5的中心像素来执行的5窗口的最小和最大强度值,如果它们的数字值相等,则被认为是噪声。它给出了比较好的结果。噪声检测未确定特定强度范围,因此,误识别噪声像素的比率较高即错误命中。2.2.4.6. 基于绝对差的渐进式开关中值滤波器,用于有效去除脉冲噪声(ADPSMF)。Thanakumar(2016)提出了在处理像素和相邻像素之间使用绝对差(AD)的开关中值滤波器。与BDND类似,它也在算法的第一步中检测噪声,但它使用三种情况进行像素分类以避免误分类。如果AD是一个非常小的值,或者小差异的数量高于大差异的计数,则处理像素被声明为未损坏,并且将不受滤波器的影响该算法的第二阶段是对受损像素的细化该算法不使用像MBDND那样的扩展窗口方法,避免了模糊。它用滤波下的corrupted元素替换除处理像素之外的所有元素的这种方法产生了很好的结果,但误分类的问题没有得到解决,特别是在高噪声密度的情况在高噪声图像的情况下,这样的中值给出与中值滤波器类似的结果。2.2.4.7. 改进的中值滤波图像去噪算法(IMFA). IMFA(Zhu和Huang,2012)使用了A. Shah等人/Journal of King Saud University513××≤×þþ××þ××用于滤波窗口的特征处理的退化图像像素掩模的大小根据劣化图像的不同区域中的噪声密度而变化它引入了一种统计直方图,用于快速搜索噪声像素。该算法是计算经济的,但统计观测可能导致误导噪声像素。该算法对噪声检测的滤波模板进行了如下改进。掩码初始化为n = 3。然后计算掩模中元素的最大值、最小值、中值和平均值,并根据以下标准进行检查。A1=中位数如果A1为负且A2为正,则处理掩码的大小从n增加到n + 2;否则,算法将转移到阶段2。第二阶段是改进的中值滤波,其基于像素与其相邻或周围像素密切相关的事实因此,将对照邻域检查像素。如果处理像素强度小于掩模中元素的计算平均值,则将不对其进行处理;否则将用窗口的中值替换处理元素该算法由于采用了窗口扩展和中值滤波,时间复杂度较高,且存在模糊效果。2.2.5. 基于SMF噪声检测器的滤波器这组滤波器使用SMF进行噪声检测,然后使用噪声去除机制。使用SMF得到的结果进行检查,对一些标准,这引起了噪声识别。下面讨论一些这样的过滤器2.2.5.1. 改进的边界判别噪声检测和去除技术(MBDND)。MBDND(Sangave和Jain,2012)用于Salt and Pepper Noise Removal是一个两步滤波器。该算法的第一步处理噪声检测。第二步是专门使用欧几里德距离算法的损坏的像素的细化。它同样适用于灰度以及噪声密度范围高达70%的彩色图像。该算法的工作原理如下:步骤1:处理窗口(自适应33至7 7,占70%<噪声密度50%)检查中心像素,并且如果它位于0和255之间则不对其进行进一步处理。否则,它将对元素进行排序,找到中值,并计算中值和所有像素之间的强度差。接下来,找到中值以下的强度的最大差,并将相应像素的强度标记类似地,它还找到高于中值的强度的最大差,并将其相应像素的强度标记2.2.5.2. 扩 展 中 值 滤 波 器 ( EMF ) 。 EMF ( Charmandy 等 人 ,2017)是对传统中值滤波器的扩展,其仅处理损坏的像素。EMF在算法的第一步中计算处理窗口的中值该算法的第滤波机制进一步分为两个阶段;在第一阶段中使用公式:abs(处理像素-中值)d,其中d是任何正整数,来决定像素是损坏的还是未损坏的d是一个值,当添加到像素时,它不会有效地改变该点的外观颜色。第二阶段在公式实现时被激活,并且用处理窗口的中值改变所考虑的像素在高噪声密度的某些情况下,d的选择3. 基于计算的比
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- Java集合ArrayList实现字符串管理及效果展示
- 实现2D3D相机拾取射线的关键技术
- LiveLy-公寓管理门户:创新体验与技术实现
- 易语言打造的快捷禁止程序运行小工具
- Microgateway核心:实现配置和插件的主端口转发
- 掌握Java基本操作:增删查改入门代码详解
- Apache Tomcat 7.0.109 Windows版下载指南
- Qt实现文件系统浏览器界面设计与功能开发
- ReactJS新手实验:搭建与运行教程
- 探索生成艺术:几个月创意Processing实验
- Django框架下Cisco IOx平台实战开发案例源码解析
- 在Linux环境下配置Java版VTK开发环境
- 29街网上城市公司网站系统v1.0:企业建站全面解决方案
- WordPress CMB2插件的Suggest字段类型使用教程
- TCP协议实现的Java桌面聊天客户端应用
- ANR-WatchDog: 检测Android应用无响应并报告异常
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功