改进的自适应中值滤波算法

本文算法比AMF更好地保持了图像的细节(帽子的纹理和眼睫毛);3×3MF仅能除掉小部分噪声,5×5MF去掉了大量噪声,但效果不理想。当噪声密度非常大(0.9)时,MF已经失效;AMF效果非常不理想;而本文算法能基本还原原始图像信息。 3.2客观比较为了客观地说明本文算法的滤波性能,采用峰值信噪比PSNR作为客观评价的尺度,PSNR定义为: PSNR10lg(4) 其中,M、N表示图像的尺寸,f(m,n)表示原始图像的灰度值,f′(m,n)表示滤波后的图像灰度值。各种算法对不同噪声密度的图像处理后的PSNR(单位:dB)比较如图6所示。图5各种算法对不同噪声密度图像滤波结果图6各种算法下PSNR比较从图6可以看出本文算法的有效性。随着噪声密度的增大,标准中值滤波性能急剧下降,而本文算法的性能比较稳定。 4结语中值滤波算法能有效地去除脉冲噪声。为了准确地检测噪声,本文在极大极小中值滤波的思想上,用二级检测的方法,将像素点分为信号点及噪声点。只用3×3滤波模板重复去除噪声,可以很好地保持图像的细节;大的噪声团块采用均值的思想,能有效地去除图像的噪声。实验结果表明,该算法能有效地滤除大量噪声并极好地保持了图像的细节。尤其当噪声密度较大时,与其他算法相比,更能体现出本算法的有效性。参考文献: [1]CHANGSG,YUB,VETTERLIM.pression[J].IEEETransactionsonImageProcessing,2000,9(9):1532-1546. [2]PIZURICAA,PHILIPSW,LEMAHIEUI,etal.Aversatilewaveletdomainnoisefilterationtechniqueformedicalimaging[J].IEEETransactionsonMedicalImaging,2003,22(3):323-331.