Академический Документы
Профессиональный Документы
Культура Документы
МЕДИАННАЯ ФИЛЬТРАЦИЯ
Методические указания
Ярославль 2006
Медианная фильтрация: Метод. указания / Сост. А.Л. Приоров,
В.В. Хрящев; Яросл. гос. ун-т. Ярославль, 2006. 53 с.
2
ВВЕДЕНИЕ
3
цифровой обработки сигналов, и преодоления ограничений,
присущих методам линейной фильтрации, в настоящее время активно
внедряются методы нелинейной фильтрации. Наиболее известными
классами нелинейных фильтров являются:
─ гомоморфные фильтры;
─ морфологические фильтры;
─ фильтры, основанные на порядковых статистиках, и их
разновидности: L-, R-, M-фильтры, медианные фильтры;
─ расширенные фильтры Калмана;
─ нейронные фильтры и сети;
─ полиномиальные фильтры.
Данная классификация, не претендуя на полноту,
демонстрирует лишь многообразие видов нелинейной фильтрации. В
отличии от теории линейной фильтрации построение единой теории
нелинейной фильтрации вряд ли возможно. Каждый из
перечисленных классов имеет свои преимущества и область
применения. Например, фильтрация Калмана, гомоморфная
фильтрация, имеют достаточно долгую историю. Другие направления
появились совсем недавно и активно разрабатываются в настоящее
время. К таким новым направлениям относится цифровая фильтрация
на основе ранговой статистики. Самым известным представителем
данного класса нелинейных фильтров являются медианные фильтры,
которые и рассматриваются в данной работе. Ниже приводятся
определения одномерного и двумерного медианных фильтров, их
статистические характеристики, а также описания самых известных
модификаций медианных фильтров.
4
1. ОПРЕДЕЛЕНИЕ МЕДИАННЫХ ФИЛЬТРОВ
yi = медиана xi ≡ медиана
n
(xi −ν , ..., xi , ..., xi +ν ) ,
5
1.2. Двумерный медианный фильтр
Будем считать, что цифровые изображения представляются
набором чисел на квадратной решетке {xi , j }, где (i, j ) изменяются по
[ ]
yi , j = медиана xi , j ≡ медиана xi + r , j + s ; (rs ) ∈ A , (i, j ) ∈ Ζ 2 .
A
(1)
Рис. 1. Примеры апертур (масок) типа квадрат и типа крест размером 3х3
6
2. СТАТИСТИЧЕСКИЕ СВОЙСТВА МЕДИАННОЙ
ФИЛЬТРАЦИИ
(r , s )∈ A (− r , − s ) ∈ A, (0,0 )∈ A , (2)
7
2.2. Подавление шумов с помощью медианной фильтрации
Как утверждалось выше, медианные фильтры могут
использоваться для подавления шумов. Далее будут приведены
некоторые соотношения для дисперсии, которые в количественной
форме оценивают степень подавления шума. Медианные фильтры
нелинейны, и это усложняет математический анализ их
характеристик. Нельзя разграничить влияние этих фильтров на сигнал
и шум, что для линейных фильтров делается очень просто.
Ограничимся рассмотрением простейшего случая постоянного
сигнала.
x =m+ z,
где E ( z ) = 0 и, следовательно, E ( x ) = m .
d
Пусть F (x ) и f (x) = F ( x) обозначают функции
dx
распределения и плотности вероятностей величин x. Запишем два
известных результата из теории вероятностей, касающихся медиан
независимых, одинаково распределенных случайных величин.
Плотность распределения y = медиана (x1 , ..., xn ) для нечетных n :
8
n −1
g ( y ) = n ⋅ ⋅ f ( y ) ⋅ F ( y ) ⋅ [1 − F ( y )]
( n −1) / 2 ( n −1) / 2
. (3)
(n − 1) / 2
Распределение y = медиана (x1 , ..., xn ) для больших n является
~
приблизительно нормальным N (m, σ n ) , где m
~ - теоретическая
~
медиана, определяемая из условия F (m ) = 0,5 и
1
σ n2 = ~ ) = Var [медиана ( x1 , ..., xn )] .
n ⋅ 4 ⋅ f 2 (m
(4)
1
b= ~) ⋅ σ 2 − 1 .
4 ⋅ f 2 (m x
9
вида, т.е. полями с независимыми значениями отсчетов, нельзя
получить простые точные формулы для распределения медиан. Тем
не менее, существуют предельные теоремы, аналогичные (4).
Условия, необходимые для предельных теорем, состоят в том, что
процессы {xi } , {xi , j } стационарны и перемешаны. Согласно условиям
перемешивания отсчеты процесса, расположенные далеко друг от
друга, должны быть практически независимыми. Для стационарного
перемешанного нормального процесса с ковариационной функцией
Cov( xi , xi +τ ) = rx (τ ) = σ x2 ⋅ ρ x (τ ), τ = 0, ± 1, ... ,
σ x2 n −1 j
Var[медиана (x1 , ..., x n )] ≈ ⋅ 1 − ⋅ arcsin[ρ x ( j )] . (5)
n + π / 2 − 1 j = − ( n −1) n
x=
x i
n случайных величин:
n
σ x2 n −1 j
Var ( x ) =
n
⋅
j = − ( n −1)
1 − ⋅ ρx ( j ) .
n
(6)
ρ x (τ ) ≥ 0, τ = 0, ± 1, ... ,
10
получаем при больших n , используя (5), (6) и тот факт, что
π
ρ x (τ ) ≤ arcsin ρ x (τ ) ≤ ρ x (τ ) ⋅ :
2
π
1 ≤ Var ( медиана ) / Var ( x ) ≤ . (7)
2
11
участков можно вывести несколько несложных формул для
вероятности правильного воспроизведения. Рассмотрим две модели
импульсного шума. В первой модели (в англоязычной литературе
обозначаемой как «salt-and-pepper») все выбросы шума имеют
одинаковое значение, во второй («random valued») шум принимает
значения, выбранные случайно из всего диапазона от черного до
белого.
d с вероятностью p,
xi , j =
si , j c вероятностью (1 − p ) ,
yi , j = медиана xi , j .
12
Тогда значение выходной величины y i′, j ′ будет верным, т.е.
13
Импульсный шум. Модель 2
Эта модель отличается от модели 1 только тем, что искаженные
точки приобретают случайные, а не фиксированные, значения z i , j .
Предполагается, что они являются независимыми случайными
величинами с равномерным распределением на интервале [0, d ], т.е.
zi , j с вероятностью p,
xi , j =
si , j c вероятностью (1 − p ) .
k − (n − 1) / 2 n k
[ (x )] = d ⋅
n
⋅ ⋅ p ⋅ (1 − p ) ,
n−k
E медиана i′, j ′
( ) k = n +1 / 2 k +1 k
[
E медиана (x )
i′, j ′ | ошибочное воспроизведение в точке (i ′, j ′) = ]
[ ]
= E медиана xi′, j′ /[1 − Q(n, p )] .
14
2.2.4. Перепад плюс шум
Ранее показано, что медианные фильтры сохраняют перепады (в
отсутствии шума), тогда как усредняющая линейная фильтрация
смазывает такие перепады. Кроме того, для случая нормального
белого шума (на постоянном фоне) усреднение уменьшает такой шум
несколько эффективнее, чем медианные фильтры с тем же размером
апертуры. В этом разделе рассмотрим фильтрацию перепадов при
наличии аддитивного белого шума, т.е. фильтрацию
последовательностей, или изображений с
x=s+z,
( )
является N (hk ) / n, σ n / n , где k - число точек в пределах
апертур, имеющих значение s = h . Поведение математического
ожидания значений медианы также свидетельствует о некотором
смазывании, хотя и меньше, чем для скользящего среднего. Чтобы
иметь возможность сравнить эффективность фильтров на
последовательностях типа перепад плюс шум, нужны меры точности
передачи перепада. Воспользуемся мерой среднеквадратичной
ошибки (СКО), усредненной по N точкам вблизи перепада:
15
1
⋅ E ( yi − si ) 2 , (10)
N i
16
3. ДЕТЕРМИНИРОВАННЫЕ СВОЙСТВА
МЕДИАННОЙ ФИЛЬТРАЦИИ
17
что произвольный входной сигнал при повторной многократной
медианной фильтрации будет сходиться к одной из стабильных точек
фильтра. Стабильные точки можно разделить на две категории.
Стабильные точки первой категории можно рассматривать как
некоторые обобщенные монотонные последовательности. Ко второй
категории относятся точки более специального вида. Результаты,
полученные в одномерном случае, будут перенесены на двумерный.
Свойство 2
Если g ( x) монотонна,
то медиана[ g ( x1 ),..., g ( x2 k +1 )] = g[ медиана( x1 ,..., x2 k +1 )].
18
Для медианного фильтра, из свойства 1 можно сделать вывод,
что монотонная последовательность {xn } , т.е. последовательность с
19
окна. Однако требование абсолютной монотонности является
необязательным. Поскольку медианный фильтр имеет фиксированные
и конечные размеры апертуры, понятно, что монотонность должна
сохраняться только в пределах каждого сегмента, совпадающего по
размерам с апертурой. На самом деле это требование можно ослабить
еще сильнее.
Определение. Последовательность {xn } является локально-
монотонной на отрезке m [ЛОМО (m)] , если ( xn ,...., xn+m−1 ) монотонна
для каждого n .
Очевидно, что ЛОМО (m ) является также ЛОМО( p) , если
p < m . Допустим, что {xn } есть ЛОМО(m) . Тогда последовательности
(xn ,...xn+m−1 ) и (xn+1 ,...xn+m ) монотонны. Если xn < xn+ m−1 и xn+1 > xn+ m , то
20
Теорема 1. ЛОМО (m ) - последовательность инвариантна к
МФ2 h+1 для всех k , k ≤ m − 2 .
21
a0 , a1 , a 2 ,..., a k ; − a0 ,− a1 ,..., − ak , (11)
где ai = 1 или − 1 . Очевидно, что эта последовательность является
стабильной точкой МФ2 k +1 . Если (a0 ,..., ak ) монотонна, то эта
последовательность есть ЛОМО(k + 2) и, следовательно, она
принадлежит к стабильным точкам первого типа. Если (a0 ,..., ak ) не
монотонна, то легко увидеть, что эта последовательность есть
НЕЛОМО(k + 1) и, следовательно, она принадлежит к стабильным
22
чем мы остановимся на получении таких обобщенных медианных
фильтров, приведем теорему, обратную теореме 1.
Теорема 4. Если последовательность {xn }инвариантна к МФ2 p−1
для всех p = 1,2,..., k , то она является ЛОМО(k + 2) .
До сих пор мы рассматривали только двусторонние
бесконечные последовательности; для последовательностей с
конечной длиной используются сразу несколько определений
концевых точек. Например, для МФ2 k +1 мы можем уменьшать размер
апертуры на 2 для каждого шага по направлению к концу
последовательности, как только центр апертуры окажется только на
k отсчетов от ее конца. При таком определении теоремы 1 и 2
остаются справедливыми, однако, теорема 3 нуждается в
незначительном изменении для концевых точек.
Была замечена очень тесная связь между медианными
фильтрами и их стабильными точками. Начнем с рассмотрения этой
связи для стабильных точек первого типа. Локально-монотонные
последовательности обладают некоторым типом гладкости,
выражающейся в монотонности. Возьмем в качестве примера
последовательности ЛОМО(m) ; в пределах сегмента из
последовательных m отсчетов не допускается никаких изменений,
или, что то же самое, для любого изменения сигнала он должен
оставаться постоянным в течение следующих (m − 1) отсчетов, а
между плоскими участками сигнал является монотонным. Это
исключает возможность появления изолированных пиков или
выбросов с длительностью, меньшей или равной (m − 2) . Они не
имеют должной поддержки и медианные фильтры с размером
23
апертуры, большим или равным (2m − 3) , способны устранять их. С
другой стороны, разрывы в виде перепадов допускаются независимо
от перепада, поскольку сигнал локально-монотонен, и следующий
перепад, который, по предположению, будет иметь противоположное
направление, не может встретиться в пределах (m − 1) отсчетов. Точно
так же медианные фильтры с размером апертуры, меньшим или
равным (2m − 3) , способны сохранить их. Конечно, не все свойства
ЛОМО -последовательностей полезны. Например, плоские участки,
которые неизбежны для любого изменения в ЛОМО -
последовательностях, могут оказаться нежелательными, а медианная
фильтрация имеет тенденцию создавать большое их число. Так как
требуется только локальная монотонность, сигналы такого рода
локально не должны быть полиномами малого порядка. Это
непосредственно подтверждается медианной фильтрацией
зашумленного пилообразного сигнала. Выходной сигнал фильтра
будет больше напоминать лестницу с регулярно расположенными
ступеньками, чем пилообразную кривую.
Медианной фильтрацией можно восстановить только
монотонность, но не линейность или другие свойства полинома
низкого порядка, присущие сигналу. В этом случае можно
рекомендовать после медианной фильтрации использовать
симметричные линейные сглаживающие фильтры с малой апертурой.
Малые апертуры выбираются во избежание искажений на перепадах.
Что касается плоских участков, образованных при медианной
фильтрации, то искаженный сигнал может быть частично
восстановлен с помощью специальной процедуры огрубления.
24
Преимущества и недостатки медианной фильтрации обсуждались
выше, исходя из характеристик локально - монотонных
последовательностей, которые являются также стабильными точками
первого типа. Теперь рассмотрим стабильные точки второго типа.
Представляется, что стабильные точки второго типа - это
последовательности фиксированной формы, которые редко
встречаются в отрезках реальных сигналов. Однако возможно, что
части последовательности данных быстро флуктуируют, принимая
два значения. Если требуется восстановить взвешенное среднее
каждой части, то медианные фильтры, вряд ли будут пригодны. Здесь
опять после медианной фильтрации можно использовать
симметричные линейные сглаживающие фильтры с малой апертурой.
Однако более интересны нелинейные сглаживающие фильтры,
которые строятся на простых медианных фильтрах и не имеют таких
стабильных точек второго типа. Основная причина интереса к
нелинейным сглаживающим фильтрам состоит в том, что они
сохраняют перепады.
25
стабильной точкой МФ3, тем не менее это – стабильная точка МФ23. В
целом известно очень немного о рекуррентных последовательностях
медианных фильтров. Несколько примеров дают возможность
предположить, что они должны быть бинарными, флуктуирующими
и иметь фиксированную форму. Однако нет математического
доказательства правильности этих наблюдений. Если существование
стабильных точек второго типа делает медианные фильтры
бесполезными в качестве сглаживающих, то следует искать
альтернативные пути, свободные от этих точек. Точно так же
хотелось бы избежать и рекуррентных точек. В этом направлении
получено немного результатов и некоторые из них, касающиеся МФ3,
даны ниже без доказательства.
n
Теорема 5. Пусть a 0 ≠ 1, a k ≥ 0 и a
k =0
k = 1. Тогда стабильными
26
можно только, если рассматривать сглаживающий фильтр T для, по
крайней мере, четных k и нечетных j, причем ak и aj должны быть
положительны. Например, вместо простого МФ3 можно использовать
T1 = βI + (1 − β ) МФ3 , где 0 < β < 1 , I – тождественный оператор, или
T2 = МФ3 + (1 − β ) МФ 2 3 = МФ3 ∗ T1 . В самом деле, оба они свободны от
стабильных точек второго типа и рекуррентных точек. Далее можно
показать, что верны следующие теоремы.
Теорема 6. Для T = βI + (1 − β ) МФ3 , 0 < β < 1 , последовательность
T m {x n } сходится поточечно к ЛОМО(3) – последовательностям при
m→∞.
27
пойти дальше простой теории стабильных точек. В литературе при
изучении устойчивости медианных и связанных с ними нелинейных
фильтров применялся иной подход к изучению сглаживающих
свойств этих фильтров. Исследованные сигналы имели вид чистой
синусоиды. Сначала брались отсчеты чистой синусоиды с нулевой
фазой. Затем после выполнения медианной или другой нелинейной
фильтрации вычислялись: мощность или амплитуда основной
гармоники (которая имела частоту входного сигнала), а также
несколько первых гармоник (или их смеси). Тем самым можно
определить мощность, пропускаемую фильтром на частоте входного
сигнала, а также мощность, перешедшую к каждой из ее гармоник.
Подобно передаточной функции по мощности линейной системы, для
рассматриваемого нелинейного фильтра можно также построить
график, отражающий часть мощности, переданной на входной
частоте при чистой синусоиде с нулевой фазой на входе.
Хотя принцип суперпозиции к нелинейным фильтрам не
применим, определение переданной мощности и мощности,
перешедшей в гармоники, все-таки дает важную информацию о
поведении и свойствах каждого нелинейного фильтра. Например,
численные результаты показывают, что передаточные функции
медианных фильтров с апертурой, размеры которой – нечетные
числа, имеют довольно большие боковые лепестки. Так, при частоте
дискретизации 128 отсчет/с для МФ5 возникают большие боковые
лепестки на частотах 32 и 64 Гц. Интересно, что это явление тесно
связано с стабильными и рекуррентными точками МФ5. Рассмотрим
это подробнее.
Пусть выходной сигнал xn – дискретная синусоида с частотой f и
28
фазой φ . Частота дискретизации равна 128 отсчет/с. Имеем
2πfn
x n = sin +φ.
128
При f = 32 Гц
(− 1) sin φ , n − четное,
n/2
xn =
(−1) ( n −1) / 2 cos φ , n − нечетное.
π
2(sin φ ) 2 dφ = 0,363,
0
29
этой частоте пик, равный 1.
Для устранения нежелательных боковых лепестков было
предложено использовать МФ4 после МФ2, т. е. МФ4 ∗ МФ2 . Здесь
выходной сигнал медианного фильтра с апертурой, размеры которой
являются четными числами, определяется выражениями:
{y n+1 / 2 } = МФ2 к {x n }, y n +1 / 2 = медиана( x n − k +1 , , x n +1 ),
30
знакопеременной последовательностью, есть стабильная точка МФ5 и
рекуррентная точка МФ3; находя среднее между ними, мы опять-таки
получаем нуль. Так как фильтр 0,5МФ3 + 0,5МФ5 не имеет других
стабильных точек, кроме последовательности ЛОМО(4). Для нас
неважно, что он имеет некоторую рекуррентную точку, поэтому
можно предположить, что боковые лепестки его передаточной
функции будут гораздо меньше, чем у МФ3 и МФ5. Это
подтверждается результатами моделирования. Они показывают, что
максимальное значение бокового лепестка составляет 13 дБ при f =
51 Гц, а следующее наибольшее значение равно -23,3 дБ при f = 37
Гц.
31
обобщенных медианных фильтров, мы высказали весьма полезные
соображения относительно их общих характеристик. Кроме того,
когда апертура двумерного медианного фильтра (которая не
вырождается в линейный сегмент) сдвигается на один шаг, то
вводится или пропадает более одного отсчета. Интуитивно ясно, что
это расширяет наши возможности и стабильные точки двумерных
медианных фильтров, будут значительно сложнее или менее
структурированы, чем их одномерные аналоги. Примеры стабильных
точек показывают, что они могут сильно напоминать стабильные
точки второго типа в одной области, оставаясь локально-
монотонными в другой; для одномерного случая это неверно.
Известно, что изображения с перепадами сохраняются после
двумерной медианной фильтрации, если апертура симметрична и
имеет центр. Благодаря своей практической важности ранее
рассматривались только апертуры этого типа, и именно такие
апертуры будут подразумеваться в этом разделе. Изображение
перепада напоминает ступенчатую функцию в одномерном случае; в
обоих случаях это простейшие монотонные функции. Как указано
ранее локальной монотонности достаточно, чтобы сделать
последовательность стабильной точкой. По аналогии можно ожидать,
что изображение будет инвариантно медианной фильтрации с
апертурой A до тех пор, пока оно остается монотонным в пределах
апертуры, когда ее центр продвигается от одного элемента
изображения к другому. Необходимо точное определение
монотонности, которое будет дано позднее. Сначала разложим
двумерную апертуру на строки и предположим, что то, что требуется
от всей апертуры, истинно также для каждой строки. Будем считать,
32
что апертура содержит начало координат (0,0) и симметрична
относительно него.
Лемма 2. Пусть A – апертура и L – произвольная линия в R2.
Если
медиана( xi , j (i,j ) ∈ L ∩ A) = x0, 0
33
локально-монотонны на длине ( N L, A + 3) / 2 , то {xi , j } инвариантно к
медианной фильтрации с p-симметричной апертурой, равной A или
являющейся подмножеством A.
Аналогично теореме 4 для данной теоремы также существует
обратная.
Теорема 9. Если изображение {xi , j } инвариантно к любой
медианной фильтрации с p-симметричной апертурой, которая
аналогична A или является ее подмножеством, где A p-симметрична,
то отсчеты xi , j на любой линии локально-монотонны ( N i , A + 3) / 2 .
Если изображение инвариантно к любой медианной фильтрации
с p-симметричной аппретурой, то согласно теореме 9 ее пересечение с
любой линией L из Ζ 2 должно быть монотонным. Изображения,
обладающие этим свойством, называются монотонными во всех
направлениях и, как оказывается, имеют простую структуру.
Юстуссуном был обнаружен следующий результат.
Теорема 10. Если {xi , j } монотонно во всех направлениях, то
существует наклон b, такой, что xi , j ≥ x r , s для всех j − bi > s − br . В
случае b = ±∞ неравенство j − bi > s − br заменяется более простым
неравенством i > r . Наклон b единствен, если только xi , j не является
константой.
Достаточные условия, приведенные в лемме 3 или в теореме 8,
обычно трудно выполнить, особенно для больших апертур. На рис. 2
показаны некоторые двоичные изображения, которые для нескольких
р-симметричных апертур удовлетворяют достаточному условию
теоремы 8 (оно является менее жестким, чем условие леммы 3). Эти
двоичные изображения могут рассматриваться либо как однородные
34
объекты на однородном белом фоне, либо как выходные сигналы
функций уровня ga(⋅). Они строятся следующим образом.
а) б) в) г) д)
е) ж) з) и) к)
35
расположенными в порядке возрастания или уменьшения θ, причем
основание каждого связано с верхушкой предыдущего. Поэтому
объект является выпуклой группой в Z2 с указанной границей. Не все
двоичные изображения, полученные этим способом, являются
локально монотонными в смысле теоремы 8. Например, ели
используемая апертура имеет форму креста, состоящего из пяти
точек (0, 0) и (i, j), где i = j = 1, то объект, построенный таким образом
имеет граничные точки (1, 0), (0, 1), (-1, 0) и локальная монотонность
в смысле теоремы 8 в центре объекта не сохраняется. Однако она, по-
видимому, сохраняется, если апертура А удовлетворяет следующему
условию:
lim A n = Z 2 ,
n ←∞
36
L,A, оказывается, что в случае конечного выпуклого объекта
достаточное условие теоремы 8 является также необходимым для
того чтобы объект сохранялся при медианной фильтрации. Наконец,
по аналогии с тем, как построена граница каждого выпуклого
объекта, можно было бы предположить, что, в общем, для того чтобы
двоичное изображение гладких объектов на равномерном фоне было
инвариантным к медианной фильтрации с невырожденной р-
симметричной апертурой, будет необходимым и достаточным
следующее условие: выпуклая часть границ объектов или фона
должна складываться из хорд длиной, большей или равной размерам
апертуры, и соответствующие хорды любых двух связанных
сегментов контуров должны также являться смежными хордами
апертуры. Это наложило бы некоторые ограничения на контуры
сохраняемых изображений. К сожалению, такое условие является ни
необходимым, ни достаточным. В самом деле, определение таких
понятий, как граница или линейные сегменты границы для двоичных
изображений общего вида, является достаточно широким.
В начале этого раздела было упомянуто, что в отличие от
стабильных точек МФ2k+1, которые являются либо ЛОМО(k+2), либо
НЕЛОМО (k+1), стабильные точки двумерных медианных фильтров
могут быть смешанными. Некоторые примеры показаны на рис. 3.
Рассмотрим периодическое продолжение изображений, показанных
на рис. 3. Очевидно, они аналогичны во всем кроме масштаба, и все
три инвариантны к медианному фильтру с квадратной апертурой 3х3,
обозначенной через А. Если о гладкости судить по локальной
монотонности в квадратной апертуре 3х3, то а и б нигде не являются
локально-монотонными по отношению к А. Изображение в локально-
37
монотонно по отношению к А везде, кроме тех седловых точек типа
a, b, c и d, где это неверно. При еще меньшем масштабе изображение,
которое остается стабильной точкой медианного фильтра с апертурой
А, становится более гладким; однако указанные седловые точки
также сохраняются. Следовательно, изображение на рис. 3в можно
рассматривать как стабильную точку смешанного типа.
a b
c d
а) б) в)
Рис. 3. Примеры стабильных точек для квадратной апертуры 3х3
38
4. МОДИФИКАЦИИ МЕДИАННЫХ ФИЛЬТРОВ
1 1 1 3 1 3
1 3 1 1 5 1 ,
или
1 1 1 3 1 3
тогда соответствующие массивы будут составляться из 11 и 21 чисел.
Целочисленные веса должны удовлетворять двум условиям:
─ их сумма должна быть нечетной (для возможности выбора
медианы);
─ каждый вес должен быть меньше половины суммы (иначе
применение фильтра бессмысленно).
Результат обработки тестового изображения «Барбара»,
зашумлённого импульсным шумом модели 1, взвешенным
медианным фильтром представлен на рис. 4.
39
а) ПОСШ=11,30 дБ б) ПОСШ=21,15 дБ
255
ПОСШ = 20 log10 ,
СКО
N
1
СКО =
N
( xi − y i ) 2 ,
i =1
40
4.2. Адаптивный медианный фильтр
A2 = Z med − Z max .
Шаг B : B1 = Z i , j − Z min ;
41
B 2 = Z i , j − Z max .
42
алгоритм возвращает величину Z i , j . Заметим, что нет гарантии, что
это значение не импульс. Чем меньше шумовая вероятность p или
большие S max достижимы, тем менее вероятно, что произойдет
преждевременный выход из алгоритма. Как только плотность шумов
возрастает, мы нуждаемся в большем размере окна для очищения
шумовых импульсов.
Последний этап – проведение обработки аналогичной алгоритму
стандартного медианного фильтра. Каждый раз, после того как
алгоритм выдает значение на выходе, апертура S i , j перемещается по
изображению. Алгоритм переинициализируется и применяется к
пикселям в новом расположении окна.
Таким образом, рассмотренная модификация медианного
фильтра преследует следующие три основные цели:
− оптимальное удаление импульсного шума;
− сглаживание других типов шумов;
− уменьшение искажений, таких, как чрезмерное утоньшение
или утолщение границ объектов на изображении.
Результат обработки тестового изображения «Танк 1»,
зашумлённого импульсным шумом модели 1, адаптивным медианным
фильтром представлен на рис. 5. Наглядно показано, что адаптивный
медианный фильтр позволяет удалять импульсный шум типа «соль-и-
перец» даже из очень сильно зашумленных изображений. Некоторым
недостатком данного подхода следует считать повышенную по
сравнению с медианным фильтром вычислительную сложность
алгоритма.
43
а) ПОСШ=12,79 дБ б) ПОСШ=34,72 дБ
в) ПОСШ=6,80 дБ г) ПОСШ=20,24 дБ
44
Пусть Ak (k = 1, ..., K ) - различные апертуры. Тогда фильтр,
полученный с помощью линейной комбинации медиан, определяется
следующим образом:
K
y i , j = a k ⋅ медиана ( xi , j ) ,
Ak
k =1
K
yi, j = a k ⋅ x 0 i, j .
k =1
Это следует из того, что каждая медиана в комбинации сохраняет
перепад. Заметим, что если a k = 0 , то y i , j = 0 .
45
ЗАКЛЮЧЕНИЕ
46
ВОПРОСЫ ДЛЯ САМОКОНТРОЛЯ
47
СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
48
images // IEEE Trans. on image processing. 1996. V. 5, №. 6.
P. 1012-1025.
11. Zhang D., Wang Z. Impulse noise detection and removal using fuzzy
techniques // Electron. lett. 1997. V. 33, P. 378-379.
12. Kong H., Guan L. A neural network adaptive filter for the removal of
impulse noise in digital images // Neural networks. 1996. V. 9, №. 3.
P. 373-378.
13. Wang Z., Zhang D. Progressive switching median filter for the
removal of impulse noise from highly corrupted images // IEEE Trans.
circuits systems – II. 1999. V. 46, №. 1. P. 78-80.
14. Apalkov I., Khryashchev V., Priorov A., Zvonarev P. Image denoising
using adaptive swithching median filter // Proc. IEEE int. conf. on
image processing (ICIP’05). Genoa. Italy. 2005. V. I, P. 117-120.
15. Apalkov I., Khryashchev V., Priorov A., Zvonarev P. Adaptive
switching median filter with neural network impulse detection step
// Proc. of the 15th international conference on artificial neural
networks (ICANN-2005). Warsaw. Poland. 2005. LNCS 3696,
Springer-Verlag, P. 537-542.
16. R. Chan, C. Ho, M. Nikolova. Salt-and-pepper noise removal by
median-type noise detectors and detail-preserving regularization
// IEEE Trans. on image processing. 2005. V. 14, № 10. P. 1479-1485.
17. Pitas I., Venetsanopoulos A. Nonlinear Digital Filters: Principles and
Applications. – Boston, MA: Kluwer, 1990.
18. Russ J. The image processing handbook. – CRC, 1995.
19. Mitra S., Sicuranza G. Nonlinear Image Processing. Academic Press,
2000.
49
20. Aubert G., Kornprobst P. Mathematical Problems in Image
Processing: Partial Differential Equations and the Calculus of
Variations. – Springer Verlag, 2002.
21. Мушкаев С.В. Реализация ранжирующих и медианных фильтров
на процессоре NM6403 // Цифровая обработка сигналов. 2004.
№ 4. С. 44-46.
22. Хрящев В.В., Соколенко Е.А., Звонарев П.С., Куйкин Д.В.
Усовершенствование алгоритмов восстановления изображений
на основе ранговой статистики // Докл. 7-й Междунар. конф.
«Цифровая обработка сигналов и ее применение» (DSPA-2005).
Москва, 2005. Т. 2, С. 304-306.
23. Колкер А.Б. Взвешенные и рекурсивные алгоритмы векторной
медианной фильтрации // Сб. науч. тр. НГТУ. - Новосибирск:
Изд-во НГТУ, 2000. Вып. 5(22). С. 8-12.
24. Радченко Ю.С. Эффективность приема сигналов на фоне
комбинированной помехи с дополнительной обработкой в
медианном фильтре // Журнал Радиоэлектроники. 2001. №7. С.
21-24.
25. Радченко Ю.С., Радченко Т.А., Назарьев А.Л. Вероятностные
характеристики случайных процессов на выходе медианного
фильтра // Тез. докл. LI науч. сессии, посвященной Дню радио,
Москва. 1996. Т. 2, С. 169.
26. Ярославский Л.П. Введение в цифровую обработку изображений.
- М.: Советское радио, 1979.
27. Прэтт У. Цифровая обработка изображений. - М.: Мир, 1982.
50
28. Быстрые алгоритмы в цифровой обработке изображений / Под
ред. Т.С. Хуанга. – М.: Радио и связь, 1984.
29. Павлидис Т. Алгоритмы машинной графики и обработки
изображений. Пер. с англ. – М.: Радио и связь, 1986.
30. Цифровая обработка телевизионных и компьютерных
изображений. Под ред. Ю.Б. Зубарева и В.П. Дворковича – М.:
МЦНТИ, 1997.
31. Шлихт Г.Ю. Цифровая обработка цветных изображений. – М.:
Эком, 1997.
51
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ЗАКЛЮЧЕНИЕ
52
Учебное издание
МЕДИАННАЯ ФИЛЬТРАЦИЯ
Методические указания
Отпечатано на ризографе.
ООО “РИО Гранд”.
Ярославль, ул. Свердлова, 18.
Тел. (0852) 30-75-98, 72-95-78.
53
54