文档介绍：利用图像统计特征的的自适应中值滤波算法
摘要：椒盐噪声是图像中一种常见的噪声，如何去除椒盐噪声一直是图像处理研究的热门领域。自适应中值滤波是去除椒盐噪声较好的算法，该算法认为极值点是噪声点，实际上极值点有可能是噪声点也有可能是图像细节点。本文针对极值点提出了基于局部区域均值和方差信息和细节点在某一方向上是连续的特性进行极值点两次判定的算法。
关键词：椒盐噪声均值与方差方向性图像去噪
中图分类号：：A文章编号：16723791〔2021〕11〔b〕-0021-02
在处理椒盐噪聲时，自适应中值滤波算法是一种效果较好的算法【1】。该算法根据滤波窗口内中值与极大值和极小值的关系，判断中心点是否是噪声点【2】。当中心点在极大值和极小值之间认为是图像中的像素。当中心点该算法认为极值点是图像中的噪声点，但实际情况是有可能是图像的细节点【3】。
本文根据局部均值与方差的信息设定一个阈值，来判断极值点是否是噪声点。再根据图像中的细节点在某一方向是连续的、噪声点是孤立的不同特性，对极值点进行是否有方向性的二次判断。
1基于两次判断的自适应中值滤波算法
针对极值点是是噪声还是细节可以通过阈值来判定。在信号处理领域，方差是信号平坦程度的反应，能较好的表达信号的局部特性【4】，方差较大时，说明该点偏离中心点较大，可能是噪声点，在这个根底上设置阈值比较适宜，将均值和方差作为区分噪声和图像像素的阈值，即：
〔1〕
〔2〕
和为判断噪声的上下界限，其中k1和k2为调整系数。
中值滤波判断噪声的依据是考虑噪声点的灰度值与周围像素灰度值是否发生突变。判断图像边缘的依据同样是考虑该点像素灰度值与周围点是否发生突变。两者唯一的区别是边缘点在某一方向上是连续的【5】，即边缘具有方向性。可以对当前点进行周围8方向的连续性检测。假设8方向上均不连续，那么认为当前点是噪声点，否那么是信号点。假设连续的话，那么沿着某一方向上的点与当前像素点的偏离程度较小，设定一个阈值范围，来判定是否连续。
设〔3〕
〔4〕
式中，为中心点像素值，和为调整系数。
2实验结果
利用MATLAB仿真平台，用Lena图像用本文算法做仿真测试。对图像参加70%的椒盐噪声，分别用自适应中值滤波、均值与方差处理和两步算法进行处理。结果如图1所示，为了更清楚地观察图像处理后的细节，选取图像中的局部区域〔图中深色方框局部〕来进行讨论，见图2。可以看出，当噪声浓度为70%时，自适应中值滤波处理后的图像已经明显含有噪声点，本文算法在局部区域依然能较好地保持图像的细节。
本文采用的客观的评价标准主要有均方误差〔MSE〕和峰值信噪比〔PSNR〕。
均方误差计算公式为：
〔5〕
式中，为经过本文算法处理后的图像的灰度值，为原始图像的灰度值。