基于边缘检测的噪声滤波

对于被椒盐脉冲噪声污染的灰度图像，提出了一种新的图像滤波方法。新滤波方法将中值滤波器，边缘

数字图像在其获取、传输过程中因种种原因可能导致在正常的图像数据中混入噪声信号。这些噪声信号降低了数字图像的质量，也影响了后续应用的开发[1]。为解决这一问题，相关领域研究人员已提出了许多图像去噪的方法。

图像中一般既有较为平滑的区域，也有丰富的细节或边缘，这些细节或边缘通常包含重要的视觉感知信息。因此，图像滤波的目的除了去除噪声外，还要尽可能地保留细节或边缘等信息。在针对被脉冲噪声污染的图像滤波技术中，非线性滤波的效果要优于线性滤波，因为线性滤波会造成图像的细节和边缘模糊，影响图像的视觉效果。标准中值滤波[2](SMF)方法是一种经典的非线性滤波方法，它用预先定义的滤波窗口中所有像素的灰度值的中值来替换该窗口中心点像素的灰度值。该方法简洁有效，能很好地滤除图像中的脉冲噪声。为进一步提高SMF 的滤波性能，O. Yli-Harja 等提出了加权中值滤波器[3](WMF)， S. J. Ko 等提出了中心加权中值滤波器[4](CWMF)， 这两类滤波器给予滤波窗口内特定的像素更多的权值。

以上这三种滤波器对于噪声图像中所有的像素都采用相同的滤波处理，这就在滤波的同时不可避免地破坏未被噪声污染的像素。因为对于脉冲噪声图像，只是图像中的部分像素会被噪声污染，所以在实际应用中，我们希望滤波方法仅对噪声像素进行处理，而对非噪声像素则保持不变。因此，在滤波前， 可采用一个噪声检测器，把图像中的噪声像素和非噪声像素区分开来。如果一个像素被检测出是噪声像素，它将被中值滤波器的输出替代；反之，该像素保持不变。对于这类开关型中值滤波器，脉冲噪声检测器的性能好坏是至关重要的。

基于这一思想， Z. Shuqun 等提出了EDMF 方法[5]， C. Tao 等提出了MSMF方法[6]，E. Abreu 等提出了SDROMF 方法[7]，Z. Wang 等提出了PSMF 方法[8]。这些滤波器能够较好滤除图像中的脉冲噪声，但算法中需确定一些参数的值，而如何得到这些参数的最优值，这是一个比较困难的问题。

当图像被噪声污染后，使得滤波器很难精确地区分细节或边缘与噪声之间的区别，并且在滤波过程中会不可避免地出现信息的不确定性和不完整性，而模糊理论正好能适应这些非确定性，因此在图像滤波过程中应用模糊理论可以取得较好的噪声去除效果。F. Russo 等将模糊系统理论应用于图像滤波，提出了FF 方法[9]。人工神经网络方法与传统方法相比表现出很大的优越性，人工神经网络具有高度并行处理能力，具有自学习、自组织能力，能够根据学习样本找出输入与输出数据之间的内在联系，具有非线性映射功能，特别适合图像处理中许多非线性问题。近年来，神经模糊理论综合了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，逐渐应用在图像的滤波[10]-[17]中。

对于被椒盐脉冲噪声污染的灰度图像，在本文中，我们提出了一个新的图像滤波方法，该方法将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合。该ANFIS 是一个三输入单输出的一阶Sugeno 模糊推理系统[18]。我们所提出的滤波方法可分两步进行，在使用该系统对噪声图像进行