基于中值的图像椒盐噪声的非迭代滤除

曲线(图4)，从图4中可以看到在不同的噪声密度下峰值信噪比当a的范围在25～50之间时，随a的不同取值变化不是很大。毁坏程度当a>5时，几乎没什么变化。综合这两方面的因素，在不同的情况下，a一般在25～50之间就能达到较好的效果。这说明此方法有比较强的实用性。

因此我们建议的算法如下：

这种方法对于所含噪声比较低(少于20％)的图像非常有效，此时误探点如果非常多，就会造成细节的很大损失与边缘的光滑。而这时考虑了中心象素与其邻域象素的相似性就能方便地完成噪声探索问题，大大地降低毁坏程度，有效地保持图像的边缘和细节。

　　4 实验结果分析与讨论

我们用了两个例子将基于最大最小值的波峰波谷滤波方法(一)和本文建议的方法(二)进行了比较。表1是分辨率为256×256 cameraman图像用这两种方法处理过后的图像的峰值信噪比PSNR和噪声对原图像的毁坏程度的比较；表2是分辨率为512×512的lenna图像的处理结果比较。从表1、表2中，很容易看出当噪声密度比较低时建议方法(二)的有效性，尤其是滤波后对图像的毁坏程度远低于原来的方法(一)。当噪声密度比较大时，对参数a作相应的调整(一般应比噪声密度低时小一些)后也能达到比较满意的结果。

　　5 结 语

在这篇文章中，我们对基于最大最小值的波峰波谷滤波进行了改进，建议了一种非迭代去除椒盐噪声的有效方法。噪声识别中用了文献[7]中的极值方法，另外还考虑了中心象素与其邻域象素的相似性，然后用强有力的最大最小值的方法来估计噪声点的值。建议的方法和基于最大最小值的波峰波谷滤波方法从峰值信噪比和噪声对图像的毁坏程度上进行了比较，实验结果表明无论在消除噪声方面还是在保持图像细节上都明显优于原来的方法，能快速地达到去噪目的。