一种新的基于SVC和MIVP识别图像脉冲噪声的研究

2013-06-23陆丽婷顾绮芳潘婷婷

湖北大学学报(自然科学版) 2013年2期

关键词：噪声污染像素点滤波器

陆丽婷，顾绮芳，潘婷婷

（无锡城市职业技术学院电子信息工程系，江苏无锡214153）

LU Liting，GU Qifang，PAN Tingting

（Department of Electronic Information Engineering，Wuxi City College of Vocational Technology，Wuxi 214153，China）

0 引言

数字图像中的噪声类别主要有高斯噪声、量化噪声和脉冲噪声.去除噪声是图像处理的主要内容之一，在去除噪声方面，近年来已有学者提出了许多不同的方法［1－3］，中值滤波器作为一种重要而应用广泛的非线性滤波器在抑制脉冲噪声方面由于性能高而得到了广泛的研究，中值滤波方法在改善滤波效果、去除噪声方面有一定的作用，但仍然存在许多问题，缺乏自适应性.近年来又提出了一种基于SVM分类器SVC的自适应中值滤波器［4］，这种滤波器利用训练的SVC识别待处理像素点是否被脉冲噪声污染，只对那些受污染的噪声点作中值滤波，这种滤波器的滤波效果较好，但也存在一些问题.为了进一步利用待处理像素的局部背景信息，又提出了一种基于SVM回归器SVR的自适应中值滤波器（SVR滤波器）［5］，这种滤波器在保留原图像的细节方面比基于SVC的自适应滤波器有明显的改善，但这种滤波器的主要问题是用时很长.小波理论在图像去噪中也得到了广泛的应用，最近又提出了一种基于统计理论的数字图像脉冲噪声识别法MIVP法和小波变换相结合的方法［6］，这种方法识别噪声的准确率较高，但需要有足够数量的样本图像才能提高正确识别的概率.

观察以上滤波方法，都存在一些不足，本文中主要依据统计量识别法，结合基于SVC的图像脉冲噪声自适应中值滤波器共同检测数字图像中的脉冲噪声，结合两种方法的优势，这种滤波方法在单独使用SVC和MIVP滤波的基础上进行综合，首先由SVC滤波器检测待识别像素是否受噪声污染，如果受污染即确定为噪声，就对此像素进行中值滤波，如果不是，再用MIVP检测是否受噪声污染，如果MIVP判定是，就对此像素进行中值滤波，如果两者判断都不是，就不对此像素进行处理．实验表明，这种滤波器比单独使用SVC滤波器的滤波效果要好，被污染像素的识别率也有所提高．

1 SVC自适应滤波器检测脉冲噪声的原理和方法

本文中沿用文献［7］中定义的向量作为判断输入像素x0（k）是否受脉冲噪声污染的指示向量，基于SVC的自适应图像脉冲噪声滤波器检测脉冲噪声的方法主要分为两步：训练和识别．先找到一幅被脉冲噪声污染的图像作为参考图像，采用监督学习的方法去训练SVC脉冲噪声检测器，在含有脉冲噪声的图像中随机选取n／2个被脉冲噪声污染的像素点，按照（1）式抽取n／2个向量，形成一类样本其中Oi＝（ui，vi，qi），yi＝－1，在原始图像中选取n／2个对应的像素点，同样按照（1）式抽取n／2个向量，形成另一类样本，其中Oi＝（ui，vi，qi），yi＝＋1，将这两类样本并成监督训练样本去训练SVC脉冲噪声检测器，得到相对应的参数；然后按照自左而右、自上而下的顺序取出待处理图像的每个像素点，抽取出该像素点的特征向量Oi＝（ui，vi，qi），用经过训练的SVC脉冲噪声检测器去判断该像素点是否被脉冲噪声污染，如果被污染，就对该像素点进行中值滤波，否则不作处理．

与前面提到的几种方法相比较，SVC检测图像脉冲噪声的方法在识别出脉冲噪声的时间上较快，准确性较高，不足的是需要通过经训练的脉冲噪声检测器才能够识别．

2 基于MIVP的图像脉冲噪声滤波器

2．1 MIVP统计量定义为了构造出用于识别脉冲噪声的统计量，本文中沿用文献［6］中的定义．定义1 （i－中位区）设是一数列，对该数列进行排序，得到一个升序数列，从该升序数列两端各去掉i个数（i＜n／2－1）后所得部分，称为的i－中位区，记为 Mi（X）．定义2 记

其中，MMi（X）＝mean（Mi（X））．MMi（X）是对数列X＝｛xk｝nk＝－n在去掉了其中的n－i个最大值和最小值之后的剩余部分取平均值所得的结果．在适当地选取了i的值之后，若x0（k）处于高频背景且被噪声污染，则mmi（k）的值较大．

定义3 对于输入像素x0（k），称

为输入像素x0（k）的单位指示向量IVP．

定义4 在一幅受噪污染的数字图像X中，称

其中，n是X中受污像素点总数，k是受污染像素点的序号．

2．2 MIVP检测图像脉冲噪声的原理对于每一幅被脉冲噪声污染的图像来说都有一个MIVP，所以在计算500幅污染率在1%到10%的受污染图像样本的MIVP时发现：这500幅图像的MIVP均值为（0．997 4，0．961 6）（以下简称此均值为 MIVP500），其中的方差为的方差为5．08＊10－5（以下简称这两个方差为MIVP500方差）．

MIVP检测脉冲噪声的原理是：对于每一个输入像素都可以计算其单位指示向量IVP，将此IVP值和MIVP500进行比较，若其差值小于某个范围，则认为该像素点是受到噪声污染的．MIVP500是对500幅受污染的图像计算的均值，所以它代表了脉冲噪声的共同特征，如果图像像素的IVP符合这些共同特征，那么可以判定被脉冲噪声污染，因此用IVP和MIVP500的差值去判别待处理像素是否被脉冲噪声污染这一方法是合理的，同时可以发现MIVP500方差很小，这说明用MIVP方法识别噪声的误判率很低.MIVP检测脉冲噪声的方法可以将脉冲噪声正确检测出来又避免了漏判的情况发生，提高了识别率，但是这种方法识别的正确率取决于样本图像的数量，需要样本数量足够大.

3 基于SVC和MIVP的图像脉冲噪声滤波器

单独使用SVC滤波器进行滤波，其滤波质量的高低主要取决于SVC检测器识别脉冲噪声的正确率高低，而SVC检测器需要经过样本图像的训练.而且在实验中发现，上述SVC检测器在对图像脉冲噪声识别中存在误识别现象，也就是当SVC使用高斯核函数时，SVC将正常像素判为噪声像素（即多判）的情况较多.因此本文中提出利用MIVP与SVC对图像脉冲噪声进行双重检测，利用各自的优势，在不增加时间复杂性的前提下，可以有效减少多判的情况，从而进一步提高对脉冲噪声识别的正确率.3.1新滤波方法的原理和算法提出的滤波方法的原理是在单独使用SVC和MIVP滤波的基础上进行综合，首先由SVC滤波器检测待识别像素是否受噪声污染，如果受污染即确定为噪声，就对此像素进行中值滤波，如果不是，再用MIVP检测是否受噪声污染，如果MIVP判定是，就对此像素进行中值滤波，如果两者判断都不是，就不对此像素进行处理.

具体算法框架如下.

算法：SVC结合MIVP的脉冲噪声滤波器.输入：待滤波的的图像X

输出：滤波后的的图像X.步骤：

上述算法中，X是h×m的灰度图，Xspan是对X 扩充后的2h×2m的图像，τ＝［滤波窗口尺寸／2］，本算法中取τ＝1，x0（k）是处于窗口w（k）中心位置的待处理像素，ε＝（ε1，ε2）是预设的误差范围系数向量，窗口w（k）的大小取3×3，FLGSVC＝true表示经SVC方法检测认为x0（k）被噪声污染，FLGMIVP＝true表示经MIVP方法检测认为x0（k）被噪声污染.

3.2 实验结果与分析根据上述原理和算法，对样本图像加入3%的椒盐脉冲噪声进行试验，为了使被SVC检测器漏判的脉冲噪声大幅减小，实验中SVC的核函数取高斯核函数，图1和图2给出了实验结果，用峰值信噪比PSNR衡量滤波效果，显然，SVC结合MIVP进行滤波得到的峰值信噪比高于单独使用SVC滤波器.实验结果表明，使用SVC和MIVP对脉冲噪声双重检测比原先单独使用SVC滤波器的滤波效果好，用时又不长.