基于紋理分析的改進型Nagao濾波器
加入技術交流群
在過去的十幾年中，許多專家學者提出了多種不同的濾波方法。Czerwin ski等人提出了一種采用線形模板的多方向中值濾波器，但是由于模板都是采用線形的，因此去噪效果并不理想，而且由于該算法以中值大小來選擇模板，并將其作為進行平滑的標準(選擇中值最大的模板)，因此，使圖像中的白色線條加寬，并且會產(chǎn)生白色的偽像[1]；Tomita和Tsuji提出了一種保邊界的算法，該算法是用中心像素的5個矩形鄰域模板中最平滑的1個模板的灰度平均值來替代中心像素的灰度值，但因為該方法采用的是矩形模板，所以應用于復雜圖像時，并不能取得滿意的效果[2]；Nagao提出了一種新的保邊界平滑算法，其算法采用了9個鄰域模板(包括五邊形、六邊形和正方形的模板)，然后尋找其中方差最小的1個來平滑中心像素，這種算法雖然能夠有效降低噪聲，并保留邊界，但是圖像平滑后會產(chǎn)生一些偽像，從而影響圖像質量[3]；Wang等人提出了一種采用灰度倒數(shù)權的平滑濾波器算法，即區(qū)域內部的灰度變化小于區(qū)域之間的灰度變化，但是由于其算法忽視了方向概念，因此平滑的效果也不太理想[4]。
針對上述問題，本文在Nagao濾波器的基礎上，提出一種基于紋理分析的圖像自適應濾波方法。該方法首先對圖像進行紋理分析，然后根據(jù)紋理分析的結果決定Nagao濾波器采用何種模板(包括線形模板和矩形模板)在何種方向進行自適應濾波。采用該方法對圖像進行降噪處理，不僅能有效降低噪聲水平，而且?guī)缀跬耆梢员Ａ暨吘壓图毠?jié)；同時，該算法簡單、計算速度快，非常有利于計算機編程實現(xiàn)[5]。
1 Nagao濾波器原理
根據(jù)目前研究及應用的情況，自適應濾波是解決圖像濾波比較行之有效的方法。而Nagao自適應濾波正是其中的代表，其基本原理為：以噪聲像素點作為中心點，圍繞這個中心像素在其周圍5×5的區(qū)域內定義9個可能的模板(包括4個五邊形、4個六邊形和1個正方形)，如圖1所示。首先計算每個模板內灰度值的平均值mk和
方差，然后通過比較篩選出方差最小的模板，用該模板內的均值來替換中心像素[6]。從Nagao濾波的思想不難看出其存在的缺點，即：每次都要計算9個模板的均值和方差，計算時間長，計算量大；另外，由于有些噪聲與周圍像素點之間的區(qū)別并不是很大，使用Nagao濾波以后會使圖像存在一些偽像，從而影響濾波效果。為了克服這些缺點，在使用時應該合理地選擇模板并且進行有方向的濾波，這樣不僅可以保留圖像的真實原貌而且可以減少計算量提高計算機的處理速度。
2 紋理分析
目前比較成熟的紋理特征提取方法大致分為4大類：結構分析方法、統(tǒng)計分析方法、模型化方法以及信號處理方法，其中統(tǒng)計分析方法在紋理分析中擔任著非常重要的角色。常用的統(tǒng)計紋理分析方法有：自相關函數(shù)、邊界頻率、空間灰度依賴矩陣等，其中空間灰度依賴矩陣方法因其給出的是圖像的二階統(tǒng)計量，所以在紋理描述方面取得了非常好的效果。Haralick定義了14個能從空間灰度依賴矩陣上計算出的二階統(tǒng)計量，這些統(tǒng)計函數(shù)為：能量、對比度、相關性、方差、逆差矩、和平均、和方差、和熵、熵、差方差、差熵、相關性信息度量、另一個相關性信息度量以及最大相關性系數(shù)。在這14個紋理特征中，并不是每一個紋理特征都非常有效果，有些特征計算復雜度很高。通過實驗，Conners、Harlow建議用能量、熵、相關性、逆差距和對比度共5個特征來描述紋理就能達到非常好的效果[7-8]。
結合圖像自適應濾波，并且綜合考慮計算機處理速度等多方面因素，本文選擇能量和熵2個統(tǒng)計量作為特征參數(shù)：
評論