摘 要： 为了有效地抑制图像中的椒盐噪声，更好地保持图像细节，提出一种基于多级中值滤波的加权滤波算法。算法采用5×5滤波窗口，如果中心点为噪声点，则将滤波窗口划分为水平和垂直10个条形子窗口，先计算每个子窗口内所有非噪声点的均值，作为加权运算的基础值，然后求出这些基础值的中值，利用每个基础值与它们中值的差计算出每个基础值的相应权值。最后将这些基础值与对应权值进行加权运算，将结果替换中心点的像素值；如果中心点为非噪声点，则保持原值不变。实验结果表明，该算法对于高密度椒盐噪声污染的图像具有良好的去噪性能，并且较好地保持了图像的细节，效果优于传统的中值滤波算法和多级中值滤波算法。
关键词： 多级中值滤波； 椒盐噪声； 条形子窗口； 加权滤波算法
0 引 言
椒盐噪声是一种由摄像系统的物理缺陷或信号传输过程中的解码错误而产生的黑白相间的点噪声，该噪声表现为噪声点的灰度值与其邻域像素点的灰度值明显不同[1]。由于椒盐噪声的存在，使图像的后续处理（如图像识别及图像分割等）效果较差甚至无法进行，因此如何有效地去除图像中的椒盐噪声一直以来都是图像预处理领域研究的热点之一。
在去除图像椒盐噪声算法中，传统中值滤波是一种常用的有效方法，算法采用小窗口邻域像素的中值代替原图像中各个像素的灰度值，对脉冲噪声具有良好的抑制作用，图像边缘等细节保持较好，但不足的是算法对噪声图像所有像素点均利用邻域中值替换，使得算法在较高密度噪声污染情况下，滤波性能急剧下降，甚至失去去噪性能，而且边缘容易产生移位，纹理细节不太清晰。为此，一些改进的中值滤波算法[2?5]被提出，这些算法在一定程度上改善了中值滤波的性能，能够滤除较好密度的椒盐噪声，但对于图像的边缘细节的保护还不是很理想。多级中值滤波算法如文献[6?7]算法对于随机的脉冲噪声滤除很有效，而且能够较好地保持图像的边缘信息，使其不被模糊和移位，但对于较高密度的椒盐噪声不能很好地滤除。文献[8]提出了一种改进的多级中值滤波算法（VHWR），算法较好地保持了图像细节，对较高密度的椒盐噪声滤波效果有了很大的提高，但当噪声密度超过80%时，去噪效果不理想。
为了有效地去除椒盐噪声，更好地保护图像的细节信息，提出了一种改进的多级中值滤波加权算法。算法借鉴了多级中值滤波的思想，采用文献[8]划分子窗口方法的基础上，对噪声点采用了邻域子窗口均值加权的方法进行滤除，在有效去除椒盐噪声的同时，对图像边缘等细节保护良好。
2 VHWR算法
3 本文算法
传统多级中值滤波算法MLM+及改进的算法VHWR通过多子窗口的划分，采用子窗口的中值进行平滑噪声点，对图像中的边缘、细线及纹理等细节保持较好，但它们共同的特点是在高噪声密度情况下，去噪性能较差。因此，本文在借鉴多级中值滤波算法子窗口划分思想的同时，对噪声点的平滑时引入了加权方法，算法原理如下。
3.1 子窗口划分
设f（i，j）为椒盐噪声图像，对于灰度图像来说，椒盐噪声点的灰度值主要表现为0或255。算法采用开关策略，如果滤波窗口中心点为非噪声点，则保持原值输出；如果是噪声点，则进行平滑处理，则将5×5滤波窗口划分为水平和垂直共10个条形子窗口，如图3所示。
5 结 语
在多级中值滤波算法基础上，提出了一种新的滤除椒盐噪声的滤波算法。该算法借鉴了多级中值滤波子窗口划分的思想，将滤波窗口划分为水平方向和垂直方向多个子窗口，采用开关策略，在滤除噪声过程中计算各子窗口去除非噪声点的像素点的灰度均值和中值，并采用阈值优化方法进行加权运算，对噪声点进行平滑。仿真实验结果证明了本文算法在不同密度椒盐噪声情况下具有较强的去噪能力，同时较好地保持了图像的边缘等细节，算法的滤波性能明显优于其他几种算法，具有一定的应用价值。
参考文献
[2] 孙树亮，王守觉.一种基于改进的极值中值滤波算法[J].计算机科学，2009，36（6）：165?166.
[4] 王建勇，周晓光，廖启征.一种基于中值?模糊技术的混合噪声滤波器[J].电子与信息学报，2006，28（5）：901?904.
[5] 张恒，雷志辉，丁晓华.一种改进的中值滤波算法[J].中国图象图形学报，2004，9（4）：408?411.
[7] 李振春，张成玉，王清振.基于小波变换与多级中值滤波的联合去噪方法[J].石油物探，2009，48（5）：470?474.
