噪声检测

噪声检测方法

将噪声和信号区分开来是影响去噪效果好坏的重要因素之一。近年来,学者们提出了诸多噪声判断方法,其中较经典的方法包括:开关阈值法、极值法、两级门限法,下面对这三种方法进行介绍,并进行对比。

1.1 常见的噪声检测方法

(1)开关阈值法

开关阈值判断法[1]基本思想是:该方法通过一定的规则将噪声点和信号点进行判断,区分成两种类别来控制开关单元。若该像素点被判断为噪声点,则开关单元与滤波器相连接,即该点经过滤波后输出;若该像素点被判断为信号点,则开关单元对该点保持原像素值输出。开关阈值法的重点在于噪声检测器的设置,
其中较为常见的一种开关阈值判断法表示如下:

$
X_(i,j=)begin{cases}
S,|f(i,j)-average(W[x_(i,j)])|<=T\
N,其他\
end{cases}
$

式中 $x_(i,j)$是像素点,$S$是信号点,$N$是噪声点 ,$f(x,y)$是像素灰度值,$averageW(x_(i,j))$是邻域系统内所有灰度值的平均值,$T$ 为开关阈值。

$
T=(1/3)[sqrt{sum_{k=-1}^{k=1}sum_{r=-1}^{r=1}[f(i+k,j+r)-average(W[x_(i,j)])]^2}$

上述开关阈值判断法的优点是利用了图像邻域内的所有灰度值信息,缺点是阈值$T$ 的值对噪声点和信号点的判断影响很大。

(2)极值法

极值法[2]的基本思想是:在一幅图像中,邻域内的像素点和其它像素点存在较大的关联性,大多数情况下信号点与邻近像素点的灰度值差别不是太大,但噪声点相差较大;被椒盐噪声污染的像素点通常以最大值或最小值(纯黑或纯白)的灰度值出现,在噪声点检测时,若灰度值在最大值和最小值的区间范围内,则判断该像素点为信号点,反之为噪声点。具体方法如下:

$$X_(i,j=)begin{cases}
S,minW[x_(i,j)]<f(i,j)<maxW[x_(i,j)]\
N,f(i,j)=minW[x_(i,j)]或者f(i,j)=maxW[x_(i,j)]\
end{cases}

$$ 其中$x_(i,j)$为像素点,$S$为像素点,$N$为噪声点,$f(i,j)$是像素灰度值。 $minW[x_(i,j)]$是某邻域内所有像素点灰度值的最小值,$maxW[x_(i,j)]$是某邻域内所有像素点灰度值的最大值。 极值判断法在一定程度上能区分噪声点和信号点,尤其椒盐噪声图像,且该方法不用设置阈值,传统的自适应中值去噪方法即采用的是极值法,但该方法对椒盐去噪时,邻域内的某些极值信号像素点在判断过程中易被误判为噪声点。 ### (3)两级门限法 两级门限法[3]的思想是:椒盐噪声点的灰度值通常是集中在 255 或 0 附近,有一个大致的范围,并不一定就以最大值或最小值的形式出现;所以通过给定一个范围来判断像素值是否为噪声点,若像素灰度值落在范围内,则判断为噪声点,反之为信号点。检测方法如下: $$

_(i,j=)begin{cases}
S,alpha<f(i,j)<255-alpha\
N,0<=f(i,j)<alpha或者255-alphaalpha\
end{cases}

$$ 其中$x_(i,j)$为像素点,$S$为像素点,$N$为噪声点,$f(i,j)$是像素灰度值。 判断方法:首先设置一个阈值$\alpha$ ,规定盐点灰度值范围为 [255-$\alpha$,255],椒点的灰度值范围为 [0,$\alpha$]。若中心像素点$x_(i,j)$的灰度值在盐点和椒点范围内,则该像素点为噪声点,反之是信号点。阈值$\alpha$既不能设置太大,否则易噪声误判;也不能设置太小,否则易造成漏判,文献[3]通过研究给出$\alpha=10$。该方法充分考虑到了椒盐噪声的特点,弥补了极值法的不足,提高了噪声点检测的准确性。但该方法仍需设置阈值。 ### 参考文献: 1. Sun T, Neuvo Y. Detail-preserving median based filters in image processing[J]. Pattern Recognition Letters, 1994, 15(4): 341-347. 2. 邢藏菊 ,王守觉 ,邓浩江 ,罗予普 .一种基于极值中值的新型去噪算法 [J].中国图 象图形学报,2001, 6A(6):533-536 3. 董继扬 , 张军英 . 一种简单的椒盐噪声去噪 算法 . 计算机工程与 应用 , 2003, 39(20): 28-31 ### 章节来源: 《图像椒盐噪声去噪算法研究及应用》-邓中东

最后修改:2020 年 08 月 02 日 10 : 46 AM
如果觉得我的文章对你有用,请随意赞赏