1、-. z.模糊數(shù)學應(yīng)用設(shè)計報告基于模糊濾波的數(shù)字圖像去噪1.引言圖像在捕獲、傳輸、處理等過程中會由于噪聲的影響而使畫質(zhì)失真，消除噪聲是圖像預處理的一項重要任務(wù)。目前已有許多種圖像濾波技術(shù)，典型的方法是根據(jù)鄰域像素的加權(quán)平均值對像素的值進展調(diào)整。由于彩色圖像每個像素點的值是一個彩色向量，故在彩色圖像處理中，基于向量處理的濾波方法是一類有效、可行的重要方法，如將一個移動窗口中的向量排序后其末尾向量作為輸出的有序向量法；利用兩個彩色向量間的角度作為排序基準的向量方向濾波器；對向量的方向和幅值分別進展處理后再合并的混合方向濾波器；以及輸入輸出關(guān)系用有理函數(shù)進展表示的向量有理濾波器。對于受噪聲污染的像素

2、，這些濾波器能夠較好的檢出并進展有效處理，但卻不能很好地保持未受噪聲破壞的像素的特性。另一方面，模糊技術(shù)已廣泛應(yīng)用于圖像處理領(lǐng)域。在圖像濾波方面，Lee等提出了一種加權(quán)模糊均值濾波器，即任意像素的值由其所在窗口像素的加權(quán)均值所代替，權(quán)重由存放在知識庫中的隸屬度值確定，知識庫由專家給出或通過參考圖像的直方圖確定，這種方法能夠有效剔除脈沖噪聲。Choi等設(shè)計了三種不同功能的濾波器，作為規(guī)則后件相應(yīng)于不同情況規(guī)則前件下的輸出口。而Law等則利用高斯濾波器對圖像進展平滑，高斯濾波器的參數(shù)由模糊推理確定。此外，當一個像素點與鄰域像素的屬性值差異較大時，則該像素點或是邊緣點，或是噪聲點，Vail de V

3、ille等利用模糊邏輯對此進展處理，通過迭代濾波的方法消除噪聲，并利用濾波后的方差自適應(yīng)地調(diào)整隸屬度函數(shù)的參數(shù)。對于一個性能好的濾波器，要求既要有效抑制噪聲，又要保持邊緣和細節(jié)信息的完整性。然而在一些常規(guī)的濾波方法中，一些好的細節(jié)信息往往被誤認為噪聲而進展處理，導致圖像的細節(jié)信息受到破壞。這種問題就屬于噪聲和好的細節(jié)信息間的模糊性或不確定性問題，而模糊邏輯是處理不確定性問題的一種有效方法。為此，可以采用一種基于模糊邏輯的彩色圖像濾波方法，利用一個像素與鄰域像素的接近程度作為其屬于該局部區(qū)域的程度，以此對圖像進展模糊化模糊化后圖像的隸屬度值可用于判斷一個像素點是噪聲點還是好的細節(jié)點，不同情況下模

4、糊規(guī)則有不同的輸出，對模糊推理獲得的隸屬度進展反變換可以獲得濾波后的圖像。對彩色圖像，三個分量分別以同樣的方法進展處理即可。2.圖像濾波算法分類目前常用的圖像濾波算法很多，大體上可分為基于圖像域的濾波算法和基于變換域的濾波算法。前者是直接在圖像空間中進展的處理，而后者是悶接地在圖像的變換域中進展的處理?？沼驗V波是在圖像空間借助模板進展鄰域操作完成的，根據(jù)特點一般可以分為線性濾波和非線性濾波兩大類。線性濾波就是用濾波窗口中各象素灰度值的線性變換來代替被處理象素的灰度值，其濾波窗口大小為：一般的描述如下所示，其中，和分別表示位置處。濾波前和濾波后象素的灰度值，與被處理像素無關(guān)。13 * 3均值濾波

5、算法可以定義為：=該濾波算法的主要口的是對濾波窗口所有象素進展加權(quán)平均，用得到的平均灰度值來代替濾波窗口中心象素的灰度值，進而完成濾波操作。23 * 3高斯濾波算法可以定義為其中，表示圖像噪聲的標準差。經(jīng)過線性平滑濾波，相當于圖像經(jīng)過了一個二維的低通濾波器，雖然是降低了噪聲，但同時也模糊了圖像的邊緣和細節(jié)，這是這類濾波算法存在的通病。非線性濾波算法克制了線性濾波算法的缺乏，可以有效地消除一些孤立的噪聲點并且具有很好的圖像細節(jié)信息保護能力。非線性濾波算法的種類繁多，很難對它進展概括性的數(shù)學描述。從數(shù)學角度看，非線性濾波是采用微分、積分、多項式運算、坐標變換等方法對圖像進展*種形式的處理，具有方法

6、直觀、制作簡便等優(yōu)點：但當要處理較大的數(shù)字圖像數(shù)據(jù)時，由于圖像陣列很大，如果沒有發(fā)現(xiàn)比擬高效的算法，計算上會變得很煩瑣，存在著濾波的廣度和構(gòu)成方式的模糊，計算時問長，預測性差等缺點，這樣就會降低其在現(xiàn)實工作中的使用價值。同樣情況下如果采用圖像變換的方法，如傅里葉算法、沃爾什算法等間接處理技術(shù)，就可以獲得更為有效的處理方法。所謂的圖像頻譜變換則是將圖像從空間域線性傅里葉變換到頻譜域，監(jiān)測和研究圖像的頻譜特性，并且進展濾波處理，最終將處理后的頻譜經(jīng)過傅里葉逆變換恢復圖像到空間域。雖然，非線性濾波算法對線性濾波算法的缺點進展了一定的改善，然而，仍然很難在抑制噪聲和保護細節(jié)信息這一對固有的矛盾之問得到

7、較好的折衷。3.基于模糊理論的圖像濾波方法自從1965年美國加里福尼亞大學控制論專家L AZadeh教授提出模糊數(shù)學以來，模期技術(shù)被廣泛地應(yīng)用于番個領(lǐng)域。近幾年柬，模糊技術(shù)已經(jīng)成功地應(yīng)用于非線性濾波領(lǐng)域，提出了很多針對圖像濾波的模糊算法?；谀：评淼膱D像濾波算法允許人們將模糊規(guī)則與傳統(tǒng)的準確算法相結(jié)合，因而具有運算簡單、設(shè)計靈活、魯棒性強等特點。并且能夠在抑制噪聲和保護細節(jié)信息這一對固有的矛盾之間得到較好的折衷。正因為模糊濾波算法擁有這些優(yōu)點，所以得到學者們越來越多的關(guān)注，開展的速度也越來越快。Dimitri Van De Ville在IEEE TRANSACTIONS ON FUZZY S

8、YSTEMS發(fā)布了一篇名為Noise Reduction by Fuzzy Image Filtering的圖像模糊濾波去噪論文，取得了較好的處理效果，論文主要工作包括：計算中心像素點的8個方向的模糊導數(shù)；根據(jù)模糊導數(shù)的值來加權(quán)8鄰域的像素值得到偏置；將得到的與中心像素點的值相加。如圖為中心像素點的8鄰域，則導數(shù)的定義為：鄰域像素與中心像素的差值。其中圖1 中心像素點的8鄰域當圖像邊緣通過中心像素點時，中心像素點的鄰近像素點的導數(shù)較大。因此，如果一個方向的鄰近三個像素的導數(shù)有兩個導數(shù)都是較小的，說明像素點附近不是邊緣，很有可能是噪聲產(chǎn)生的。如圖2為，求解圖。圖2鄰近三個像素的導數(shù)求解圖文中將小

9、設(shè)置為模糊集，引入模糊濾波。隸屬度函數(shù)定義其中是*一方向的導數(shù)，是一個自適應(yīng)參數(shù)。如圖3為隸屬度函數(shù)示意圖。圖3 小隸屬度函數(shù)示意圖上階段得到的模糊導數(shù)不能直接與中心像素點的值相加，需要指定模糊導數(shù)的正負，論文采用一個模糊規(guī)則來描述模糊導數(shù)的正負。其中正和負的隸屬度函數(shù)示意圖分別如圖4所示。圖4 正和負的隸屬度函數(shù)示意圖最終的取8個方向的平均值，其中為灰度圖像的級數(shù)8位的灰度圖級數(shù)為255將與中心像素的值相加得到去噪后的像素值，將整幅圖像遍歷一次完成圖像的一次迭代。設(shè)計一個根據(jù)圖像噪聲強度變化的參數(shù)K，進而得到自適應(yīng)的隸屬度函數(shù)。將圖像分割成N * N的不重疊的塊，對不同的圖像塊分別計算，指出越大，圖像塊的像素值越集中。其中是指定常量，為噪聲的強度，為經(jīng)歷值。如圖5為實驗結(jié)果圖，其中圖5a為增加高斯噪聲后的圖，圖5b為采用模糊濾波后