基于分层滤波技术的冲击噪声检测与去除算法

本文提出了一种基于分层滤波技术的图像随机值冲击噪声检测和去除算法。为了解决经典自适应中心加权中值滤波技术在较高噪声比率下漏检严重的问题，我们采取逐级设置由高到低的噪声值判决门限来层层筛选噪声，利用不同高度的门限甄别出不同信赖度的冲击噪点，同时更新已检测出的噪声点值。每一层均得到一幅中间去噪图像，并继续进行噪声点的判决，最终得到完整的噪声点空间以及终极去噪图像。通过对多幅不同噪声比率的噪声图进行图像恢复的仿真实验验证后，得出结论：本文所提算法无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声，漏检和误检像素数相对较低，同时获得了较好的图像去噪效果，极大地扩展了原算法的应用范围。

数字图像在获取、存储、传输的过程中容易遭受噪声的污染，这一方面导致用户无法从被污染的图像中获取正确的关键信息，另一方面使诸多图像后处理算法(例如：边缘检测、目标识别、特征提取等)难以获得满意的结果。因此，如何有效地去除被污染图像中的噪声，同时又保持本真图像中的关键细节特征一直是图像处理领域的研究热点。冲击噪声作为一种常见的噪声类型倍受研究者的关注，它对图像的污染通常是由于传感器上某些不良阵元的影响所致或是受传输信道内与信号无关的噪声干扰而产生， 所污染的图像中部分比例的像素点值被冲击噪声值所篡改，而其余像素点值与本真值完全一致[1]。按照冲击噪声值的不同可将这种噪声分为两类：固定值冲击噪声和随机值冲击噪声，前者通常具有较极端的值(比如0 或者255)， 因此也被称为椒盐噪声， 而后者的噪声值则是均匀分布在图像的灰度范围中[2] [3]。

最经典的去除冲击噪声的方法是中值滤波法[4]，不仅操作简单而且有较强的去噪能力。但是这种方法将中值滤波作用于图像中所有像素点，因此那些并没有受到污染的点就或多或少偏离了本真值，导致图像中很多细节有所失真。

基于决策的改进中值滤波法[5]-[7]弥补了经典中值滤波的漏洞， 它首先对全图做一次噪声检测，然后仅对噪声点进行处理，未检测为噪声的像素点值被保存。在基于决策的去噪算法中，噪声检测性能至关重要，过高的漏检率或误检率都会对后续图像恢复效果产生不良影响。相对于固定值冲击噪声而言，随机值冲击噪声由于某些噪声点值与邻近非噪像素值之间差异并不那么明显，因此在检测上难度较大。近些年来涌现了许多如何处理随机值冲击噪声的算法，例如基于非局部平均滤波的去噪算法[8] [9]，然而由于算法时间复杂度较高，在实际应用中难以被接受。在此问题上，由Tao Chen等人提出的自适应中心加权中值滤波技术[6] (Adaptive Center Weighted Median Filter，ACWMF)在较低噪声比率的情况下可以取得很好的噪声检测效果，由于该算法使用便捷效果良好，因此被广泛应用于诸多其他的去噪算法中[10]-[12]。然而，当噪声污染率大于30%时，这种技术的漏检率迅速攀升，对后续去噪算法产生了负面影响。针对ACWMF 的固有优点与缺点，本文提出了一种分层自适应中心加权中值滤波技术，在保留ACWMF 算法优势的同时能解决其在高噪声比率下漏检严重的问题。大量实验证明，本