马炼 李林

摘要： 大数据量高清视频流在拍摄、传输等过程中可能受到干扰而产生椒盐噪声。由于其具有数据传输速度快的特点，为了确保它的实时性，进一步提高滤波算法的时间效率和计算效率，对现有的自适应中值滤波进行了改进，提出了一种高速自适应中值滤波算法。滤波过程主要分为噪声点检测和噪声去除两个阶段。其中，在噪声点检测阶段，根据椒盐噪声的极值特性，将图像的像素点分为噪声点和信号点;在噪声去除阶段，信号点保持原值，噪声点根据自适应中值进行赋值。实验结果表明，该算法相较于多种中值滤波方法具有很好的滤波作用，以及很大的速度提升。

关键词： 图像去噪; 中值滤波; 自适应; 椒盐噪声; 高速

中图分类号：TP391          文献标识码：A     文章编号：1006-8228（2021）10-68-04

A high speed adaptive median filtering algorithm for salt and pepper noise removing

Ma Lian， Li Lin

（School of Electrical and Electronic Engineering， Wuhan Polytechnic University， Wuhan， Hubei 430000， China）

Abstract： The high-definition video stream with large amount of data may be interfered in the process of shooting and transmission， resulting in salt and pepper noise. Because of its fast data transmission speed， in order to ensure its real-time performance， further improving the time efficiency and calculation efficiency of the filtering algorithm， the existing adaptive median filter is improved， and a high-speed adaptive median filter algorithm is proposed. The filtering process is divided into two stages： noise point detection and noise removing. In the noise point detection stage， according to the extreme value characteristics of salt and pepper noise， the image pixels are divided into noise points and signal points; in the noise removing stage， the signal points keep the original value， but the value of the noise points are assigned according to the adaptive median. The experiment results show that the algorithm has a good filtering effect compared with a variety of median filtering methods， and greatly improves the speed.

Key words： image denoising; median filtering; self-adaptive; salt and pepper noise; high speed

0 引言

随着社会智能化不断推进，图像的处理需求越来越大。无论是零件制造还是红外成像技术、监控视频技术，每一类都对图像处理有数以亿计的需求。而在图像采集、傳输和接收的过程中，由于环境、温度等不稳定因素，常常会使得图像受到脉冲噪声的影响。噪声的加入会使得图像处理的过程变得复杂，更可能影响到图像分析与处理的最终结果。因此如何有效快速的去除噪声具有十分现实及重要的意义。

一般随机噪声分为脉冲噪声、窄带噪声和起伏噪声。本文研究的主要是脉冲噪声，而固定值脉冲噪声也称为椒盐噪声，其灰度以等概率取最小灰度值和最大灰度值，属于突发性的，对数字通信影响大。

针对椒盐噪声的传统滤波算法是中值算法，而传统中值算法仍然存在对于相对大概率的保留噪声点的情况，因此学者对其进行了改进，如采用快速均值滤波[1]，采用自适应加权均值滤波算法[2]。通过对处理点所在模板内其余各点与该点的距离进行加权计算求均值，最终将均值赋予该点。均值滤波很好的解决了噪声点保留的问题，但其仍然改变了原有信号点的灰度，使得其更加的圆滑，细节保留方面不足。因此，有学者对传统中值滤波加以改进，根据中值滤波改进的自适应算法[3-4]对疑似噪声点加以处理，对信号点加以保留。这些算法极大限度的保留原有的细节，但对于噪声点的判断不同，存在通过对于邻近点的相关性确定[3]，也存在通过对于模板内中值，最小值，最大值的关系反复判断确定[4]。在实际处理中，例如50%噪声情况下，至少有半数的点是未受到污染的，整体计算将会极大的增加计算时间。

为解决上述问题，本文采用一种基于中值算法的快速滤除椒盐噪声的自适应中值滤波算法。对于疑似噪声点做标定，保留原有信号点，从而有针对性的对噪声点进行处理。整体算法不需要阀值，细节保留效果好，滤波效果好，大幅度减少了运算时间。对于当下普遍高像素图像处理有很强的实用性。

1 算法的基本思想及实现

本文算法主要思想是根据椒盐噪声的极值特性，将疑似噪声点和信号点区分出来。对信号点进行保留;对疑似噪声点进行自适应的中值滤波，根据模板中值是否是疑似噪声点，动态地改变中值滤波器的窗口尺寸，最终得到处理后的灰度值。

1.1 噪声检测

通常情况下用Maxgray和Mingray，即图像最大灰度值和图像最小灰度值，来表示椒盐噪声。而通常情况下在八位的灰度图之中Maxgray和Mingray的值一般为Maxgray= 255和Mingray=0。倘若不是，则椒盐噪声点的灰度值应该在255和0附近。在此使用Maxgray=255和Mingray=0。即若图像该点的灰度值为Maxgray和Mingray则将该点标定为疑似噪声点：

[Noise（i，j）=0，x（i，j）=δ，255-δ1，otherwise] ⑴

式⑴中，Noise（i，j） = 1代表该点为疑似噪声点，Noise（i，j） =0代表该点为信号点;δ代表灰度偏差，一般为1。

疑似噪声点包含了噪声点以及部分原本灰度为255或0的信号点，因此进入下一阶段，对疑似噪声点进行处理。

1.2 噪声滤除阶段

⑴ 对疑似噪声点用3×3模板进行中值滤波，判断滤波后的图像是否还存在疑似噪声点，若不存在，噪声滤除结束;若存在，则进行下一步。

⑵ 对上一步3×3模板滤波后还剩余的疑似噪声点用5×5模板进行中值滤波，判断滤波后的图像是否还存在疑似噪声点，若不存在，则噪声滤除结束;若存在，则进行下一步。

⑶ 对上一步5×5模板滤波后还剩余的疑似噪声点用7×7模板进行中值滤波，判断滤波后的图像是否还存在疑似噪声点，若不存在，噪声滤除结束;若存在，根据图像是否存在黑白背景，分两种情况。如果图像有黑白背景，则认为其疑似噪声点为图像的背景部分，噪声滤除结束。如果图像没有黑白背景，则对剩余的疑似噪声点在7×7模板噪声滤除后的图像上进行中值滤波。

2 仿真结果与分析

为了验证算法的可行性，本文利用Matlab仿真軟件进行仿真。结合实际需求，采用的示例图是由智能手机拍摄的3072×4096的图像三张“乡村、风景、灯笼”以及典型图例“lena”。分别代表了全白、适中、全黑、无黑无白四种场景，以此来比较传统中值算法（TMF）、原始自适应中值滤波（AMF）和本文的高速自适应中值滤波（HSMF），其中初始模板和最大模板均设置为3×3和7×7。

本文主要通过三个角度对三种算法进行优劣评判：①主观保真度准则;②客观保真度准则;③算法的计算时间。

为了评价图像滤噪算法的性能，首先，可以采用主观保真度准则来定性评判，即通过人眼对图像效果进行主观判断。观察图2、图3、图4、图5，可以发现，在滤波效果方面，除了中值滤波以外，本文算法以及自适应中值滤波均弥补了普通中值滤波的不足之处，较好的保留了细节。

另外，可以采用客观保真度准则来对图像去噪效果进行定量评判，本文选定均方误差（MSE）以及峰值信噪比PSNR（PeakSignaltoNoiseRatio）作为定量评价指标。PSNR是一个图像领域客观的评价方法，它通常通过对于图像均方差（MSE）进行定义。方差定义如下：

[MSE=1mni=0m-1j=0n-1I（i，j）-K（i，j）2] ⑵

其中m，n分别代表图像的高度和宽度。信噪比定义如下：

[PSNR=10?log10（MAX2IMEX）] ⑶

其中MAXI代表输入图像颜色点的最大值，由于本文采用的是八位二进制灰度图像，所以MAXI取255。通常情况下图像的PSNR值越大，MSE值越小，代表图像滤噪的效率就越高。

根据图6我们可以得到很清晰的结果，在0～99%噪声密度的范围内，本文算法高于自适应中值滤波算法的峰值信噪比，以及有更小的均方差，即在客观条件下的，本文算法超越原自适应滤波算法具有更好的滤波效益。

在通过实验得出了本文算法具有更高滤波水平的前提下，根据表1能够很清晰的看出在相似的滤波效果之下，本文高速自适应中值滤波算法（HSMF）相较于原自适应滤波算法（AMF）的计算时间缩短了15%～50%。而受限于中值计算，假设噪声污染超过50%时，有小部分点会保留噪声值，因此60%噪声密度之后的时延优化比不予赘述。综合比较，在图像去噪的质量方面，以及滤波速度方面，本文都超越了平时常用的自适应中值滤波算法，具有极强的实用性。

3 结束语

本文提出了一种针对椒盐噪声的高速自适应中值滤波算法。实验结果表明相较于其他种类自适应中值滤波，极大提高了计算速率，节约了大量的计算时间。而相对于传统中值滤波图像处理结束后依旧存在大量噪声的处理结果，它极好的保留了细节，滤除了噪声。

考虑到现实条件下，滤波图像绝大多数处在50%以下的噪声密度环境中，而且如今大数据时代，每秒钟处理的视频图像数据以亿计数，对实时性的要求较高。因此，本文算法具有很好的实用性。

参考文献（References）：

[1] 何海明，齐冬莲，张国月等. 快速高效去除图像椒盐噪声的均值滤波算法[J].激光与红外，2014.44（4）：469-472

[2] 查兵，江巨浪，刘国明等.去除高密度椒盐噪声的自适应加权均值滤波算法[J].池州学院学报，2020.3406：43-45

[3] 万丰丰，周国民，周晓.一种去除椒盐噪声的自适应模糊中值滤波算法[J].浙江大学学报（理学版），2019.46（4）：445-453

[4] 刘智嘉，夏寅辉，杨德振等.基于中值滤波器的红外图像噪声处理的改进方法[J].激光与红外，2019.49（3）：376-380