基于中值滤波和小波包变换的低剂量CT图像的去噪毕业设计(4)

训练方法方面还需要进一步研究。还有就是其运算速度和硬件实现的优化和简化的问题。

(5) 基于遗传算法的滤波方法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法。它主要用于处理最优化问题和机器学习等问题。隐含并行性和对全局信息的有效利用能力是遗传算法的两大显著特点。该算法尤其适用于处理传统搜索方法解决不了的复杂和非线性问题。遗传算法应用于滤波操作，大部分是为其他滤波器寻找最优的参数。与传统的寻优算法相比，遗传算法有着以下几点明显不同之处：随机的同时并行的搜索策略，避免陷入局部极值的具体措施，以及统一的表达为方便处理的符号序列方法等。

小波滤波由于其优秀的时频特性，较以往频率域滤波器有了一定发展。其小波模极大值法，对于噪声处理也有很好的效果。不过对于二维的图像信息，在处理噪声之后如何无失真的完全恢复图像信息，重建图像方面还需要进一步研究。由于小波滤波也属于变换域的滤波方法[14]，其实时性能也需要加强。

模糊数学与神经网络的结合，使得滤波有了一定的人工智能成分，可以通过人为地训练和经验的归纳，取得良好的滤波效果。不过由于人为的因素和样本训练，这种滤波方法的适应就比较受限制。同时训练的方法也是一个值得研究的方向。对于实时性和硬件实现方面也还存在弊端。

遗传算法是一种较快的寻优算法，对于加快某些滤波器滤波速度有着一定的作用。相信在硬件速度不断提高的现实情况下，这些算法将发挥出较大的优势，将会在某些方面发挥优秀的滤波作用。

2.7 本章小结

本章主要介绍的是图像去噪的理论基础。首先介绍了图像的噪声的来源和分类。图像有噪声，有着众多的去噪方法，但是去噪方法的好坏究竟用什么方法来评价，接着本章介绍了图像去噪的质量评价方法。在图像去噪的时候经常会遇到一些有关数字图像的概念，本章将一些常用的概念做了阐述。

图像去噪有着众多的方法，本章主要介绍了图像去噪的一些常用方法，也介绍了几中新型的图像的去噪方法。中值滤波对脉冲噪声滤波效果好，并且在图像的细节保护以及算法的效率性上做出了一定的贡献。对于特定性质的噪声，可以起到快速良好的滤波效果，是一类简单有效的滤波器。其缺点在于对混合型噪声没有太好的效果，无法克服中值滤波器本身对中拖尾等性质噪声滤波性能差的缺点。新型的滤波方法采用了新的数学理论，对噪声滤波都是一种较新的尝试。形

态学滤波有比较好的数学基础，其性能也与中值类滤波器近似，但还存在着一些缺陷，需要进一步发展[6]。

第三章 自适应中值滤波去噪

3.1 自适应中值滤波方法

自适应中值滤波器[15]的滤波方式和常规的中值滤波器一样，都使用一个矩形区域的窗口ｓｘｙ ，不同的是在滤波过程中，自适应滤波器会根据一定的设定条件改变滤波窗的大小，同时当判断滤波窗中心的像素是噪声时，该值用中值代替，否则不改变其当前像素值，这样用滤波器的输出来替代像素 ( x ,y)处(即目前滤波窗中心的坐标)的值。自适应中值滤波器可以处理噪声概率更大的脉冲噪声，同时能够更好地保持图像细节，这是常规中值滤波器做不到的[6]。 自适应中值滤波总体上可以分为三步： (1) 对图像各区域进行噪声检测；

(2) 根据各区域受噪声污染的状况确定滤波窗口的尺寸； (3) 对检测出的噪声点进行滤波。 自适应中值滤波器具体算法如下： 其中：

Zmin 是在滤波窗内灰度的最小值； Zmax 是在滤波窗内灰度的最大值； Zmed 是在滤波窗内灰度的中值； Zxy 是坐标处的灰度值； Smax 是指定所允许的最大值。

自适应中值滤波算法由两个部分组成，称为第一层(Leve1A)和第二层(Leve1B)。

Level A：

(3.1) (3.2)

如果 A1>0 并且 A2<0，转到 LevelB，否则增加滤波窗Sxy 的尺寸。如果滤波窗Sxy 的大小≤ Smax，则重复执行 Leve1A，否则把Zxy 作为输出值。

Level B：

(3.3) (3.4)

如果 B1>0 并且 B2<0，把Zxy 作为输出值，否则把Zmed 作为输出值。

自适应中值滤波器流程图如下所示：

图 3.1 自适应中值滤波流程图

3.2 实验分析

3.2.1 自适应中值滤波对标准图像的滤波效果

现以标准的Lena（256*256）图像为例进行实验，分别加入两种不同的噪声（如：椒盐噪声、高斯噪声），以及加入不同信噪比的椒盐噪声和高斯噪声。通过自适应中值滤波对不同的加噪图片进行去噪，以三种不同的客观方法对图像去噪质量的评价。具体效果如下：

1、中值滤波对加入的不同噪声的去噪效果：

图3.2、用自适应中值滤波对加入两种不同噪声的去噪结果

表3.1、去噪前后均方误差(MSE)、峰值信噪比(PSNR)和信噪比(SNR)的值

评价 指标 MSE PSNR SNR 含椒盐 噪声 中值 滤波后 含高斯 噪声 621.0362 20.1996 10.8095 中值 滤波后 153.3595 26.2737 16.8836 含两种 噪声 中值 滤波后 1105.5824 17.4625 17.6949 8.3048 35.7097 26.3196 1594.3337 169.5723 16.105 6.7149 25.8373 16.4471 实验所得结论：主观上，从图3.2中可以看出图像去噪较为明显，加入的椒盐噪声和高斯噪声基本去除。客观上，对加入椒盐噪声和高斯噪声前后分别与原灰度图像对比，从表3.1中可以看出均方误差(MSE)的值减小、峰值信噪比(PSNR)和信噪比(SNR)的值增大，由此可以得出用自适应中值滤波对加入两种不同噪声

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于中值滤波和小波包变换的低剂量CT图像的去噪毕业设计(4)在线全文阅读。