论文部分内容阅读
数字图像在获取或传输的过程中容易被脉冲噪声污染,因此如何有效地抑制噪声一直被作为一个经典问题研究至今。传统的滤波器在抑制噪声时,无论像素是否已经被污染,都一律进行滤波处理。因而造成了对噪声图像的过度操作,这不仅严重破坏了图像的细节信息,还大幅降低了图像的质量。为了弥补这一不足,研究者们提出了开关式滤波器这一新的解决方案。它会先对像素进行检测,然后仅对被识别成噪声的像素进行滤波处理。这种方案大幅提升了滤波器抑制噪声的性能。不确定性是世间万物的内在属性,当然也存在于脉冲噪声中。在噪声的诸多不确定性中,模糊性和随机性的特征尤为突出。在抑制噪声时,传统的滤波器只考虑了随机性,而开关式滤波器却考虑到两者。不过遗憾的是,开关式滤波器对噪声的隶属度设置过“硬”,导致了在检测噪声时产生了许多错误。此外,传统的开关式滤波器在检测噪声时还存在着一定的盲目性。它们通常只使用中值、极值和被检测像素的灰度值作为辅助信息,并结合预先设定好的经验阈值进行噪声判别。因为,它们并没找出噪声和原始像素之间典型的差异特征,所以也很难获得较高的检测精度。在复原图像时,大多数传统的开关式滤波器还忽视了一些会影响处理过程的因素。例如:不同灰度值或空间位置的像素会在复原图像的过程产生不同的贡献,图像中的各向异性等。这些相关因素的考虑缺失,降低了滤波器保持图像细节的能力。针对上述这些问题,论文提出了相应的解决方案,其主要内容可分为三部分。首先,以MMEM滤波器为原型,针对它在设计上的不足(例如:检测窗口尺寸太小、全局性的阈值设置过“硬”、AVG的取值不当等),给出了相应的解决方案(例如:自适应的检测窗口、局部性的“软”阈值、更新AVG的取值范围等)。并在此基础上,提出了自适应的MMEM滤波器。实验数据显示,自适应的MMEM滤波器在噪声检测和图像复原两方面的性能均获得了大幅提升。然后,以自适应MMEM滤波器为基础,针对传统的开关式滤波器中存在的缺陷,论文提出了一维云模型滤波器。该滤波器由两个部分组成,一个是基于一维云模型的噪声检测器,另一个是基于一维云模型的模糊加权均值滤波器。其检测器借一维云模型对噪声和原始像素之间最大差异的表征,找出了这种差异的数字特征,并有效地消除了检测过程中的盲目性;同时也通过云滴的确定度“软化”了像素的隶属度。而模糊加权均值滤波器则通过云滴的确定度对像素贡献度的描述,展示了在复原图像时,不同灰度值的像素会产生不同的贡献度。实验数据表明,相对于自适应的MMEM滤波器,云模型滤波器更具有效性和普适性。甚至在噪声密度高达95%时,一维云模型滤波器也能复原图像,并较好地保持图像的细节信息。最后,在一维云模型滤波器之上,针对其不足,论文提出了二维云模型滤波器。该滤波器在复原图像时,通过二维云模型融合了像素的灰度值和空间信息;同时还展现了图像中的各向异性。实验数据显示,相对于一维云模型滤波器,虽然二维云模型滤波器在计算效率上略低一点,但在保持图像细节方面却更具优势。特别是在细节复杂的图像上,这种优势会更为显著。