第2期 闫海鹏，等：基于PCNN的图像椒盐噪声滤除方法 ·275. 逐个扫描，并对相应的(2m+1)×(2m+1)个元素排 度图像。测试客观评价结果采用峰值信噪比 序来判断噪声点。上述方法分析矩阵T中所有元 (PSNR)、均方误差(MSE)、信噪比改善因子(ISNR) 素，算法运行时间较长。根据椒盐噪声的特点，噪声 等指标对降噪性能进行客观评价并进一步分析。 将出现在灰度值最大的亮点处或灰度值最小的暗点 处，即矩阵T中元素为最大值或最小值对应的图像 位置，因此，本文算法中仅分析矩阵T中最大和最 小元素，大大缩减了算法的运行时间。本文对噪声 定位的具体过程为： 将点火时间矩阵T中所有最大及最小元素t均 与各自的(2m+1)×(2m+1)邻域元素tu相减，得到 若干个(2m+1)×(2m+1)窗口大小的矩阵D:,其中 m为正整数。如果矩阵D,中除中间元素外有一半 (a)原始Lena图像 (b)原始Deer图像 图3测试图像的原始图像 以上元素小于-1，此时神经元(i,)未能捕获邻域内 Fig.3 The original images for test 大多数神经元(k,),与它们均有较大差异，因此，可 参照文献[15]将测试参数选择为：0。=260、W= 判断神经元(i,)对应的像素点为大值噪声点（灰度 [0.510.5:101:0.510.5],取K=8K1=15、K2=8。 最大值为255)，即噪声点的灰度值为最大值，应使 图4和图5分别为Lena图像和Deer图像通过 其减小；如果矩阵D:中除中间元素外有一半以上元 添加密度为10%的椒盐噪声，并采用不同降噪方法 素大于1，此时神经元(i,)未能被邻域内大多数神 的测试结果的主观视觉图。 经元(k,)捕获，与邻域内大多数神经元(k,)亦均 从图3~图5可以看出，本文提出的降噪方法能 有较大差异，因此，可判断神经元(i,)对应的像素 够有效地滤除图像中的噪声，通过降噪所得到的视 点为小值噪声点（灰度最小值为0），即噪声点的灰 觉效果要优于中值降噪及均值降噪，不仅去除了噪 度值为最小值，应使其增大。其他情况均认定为不 声点，同时保护了图像边缘细节等信息，使图像轮廓 是噪声点。由文献[11]可知，根据噪声密度的不 清晰，改善了图像质量。 同，调节m的值来控制(2m+1)×(2m+1)窗口大小， 图6为Lena图像添加密度10%的椒盐噪声降 能够更准确辨别噪声。 噪后的局部效果图，从图中可以看出，本文方法较文 2.4PCNN滤波算法 献[10]更好地保持了图像的纹理信息。由于本文 本文方法可以将图像中噪声点准确定位，因此 方法可对噪声准确定位，并且仅对噪声点进行中值 不必对每个像素点都做滤波处理，仅对被判定为噪 滤波，不改变图像中原有的灰度值，从而减少了对图 声的像素点进行滤波。具体算法步骤如下： 像灰度值的破坏，很好地保持了图像纹理。 1)初始化PCNN,设置各个参数初始值，同时令 神经元均处于熄火状态，即Y=0。 2)输入含噪图像，在PCNN中按式(1)~(4)及 式(6)和式(7)循环迭代，直到所有神经元均点火发 放脉冲，同时记录神经元初次点火时间于点火时间 矩阵T中。 3)应用2.3小节介绍的方式定位噪声。对大值 (a)加噪图像 (b)均值降噪 噪声点和小值噪声点均采用(2m+1)×(2m+1)窗口 局部中值滤波。除以上情况外，直接输出原灰度值。 4)输出降噪后图像。 此外，对降噪后图像进行评价后，如果效果仍较 差，可对降噪后图像再执行一次降噪。 3实验验证与结果分析 (c)中值降噪 (d)本文算法 本文以常用Lena图像和作者拍摄的Deer图像 图4Lena图像添加密度10%的椒盐噪声降噪效果 来验证改进算法对图像降噪的性能。原始Lena图 Fig.4 Noise reduction results for Lena image added 像和Deer图像如图3所示，均为256×256大小的灰 the salt and pepper noise with a density of 10%逐个扫描，并对相应的（２ｍ＋１） ×（２ｍ＋１）个元素排 序来判断噪声点。 上述方法分析矩阵 Ｔ 中所有元 素，算法运行时间较长。 根据椒盐噪声的特点，噪声 将出现在灰度值最大的亮点处或灰度值最小的暗点 处，即矩阵 Ｔ 中元素为最大值或最小值对应的图像 位置，因此，本文算法中仅分析矩阵 Ｔ 中最大和最 小元素，大大缩减了算法的运行时间。 本文对噪声 定位的具体过程为： 将点火时间矩阵 Ｔ 中所有最大及最小元素 ｔ ｉｊ均 与各自的（２ｍ＋１） ×（２ｍ＋１）邻域元素 ｔ ｋｌ相减，得到 若干个（２ｍ＋１） ×（２ｍ＋１）窗口大小的矩阵 Ｄｉｊ，其中 ｍ 为正整数。 如果矩阵 Ｄｉｊ中除中间元素外有一半 以上元素小于－１，此时神经元（ｉ，ｊ）未能捕获邻域内 大多数神经元（ｋ，ｌ），与它们均有较大差异，因此，可 判断神经元（ｉ，ｊ）对应的像素点为大值噪声点（灰度 最大值为 ２５５），即噪声点的灰度值为最大值，应使 其减小；如果矩阵 Ｄｉｊ中除中间元素外有一半以上元 素大于 １，此时神经元（ ｉ，ｊ）未能被邻域内大多数神 经元（ｋ，ｌ）捕获，与邻域内大多数神经元（ ｋ，ｌ）亦均 有较大差异，因此，可判断神经元（ ｉ，ｊ）对应的像素 点为小值噪声点（灰度最小值为 ０），即噪声点的灰 度值为最小值，应使其增大。 其他情况均认定为不 是噪声点。 由文献［１１］ 可知，根据噪声密度的不 同，调节 ｍ 的值来控制（２ｍ＋１）×（２ｍ＋１）窗口大小， 能够更准确辨别噪声。 ２．４ ＰＣＮＮ 滤波算法 本文方法可以将图像中噪声点准确定位，因此 不必对每个像素点都做滤波处理，仅对被判定为噪 声的像素点进行滤波。 具体算法步骤如下： １）初始化 ＰＣＮＮ，设置各个参数初始值，同时令 神经元均处于熄火状态，即 Ｙｉｊ ＝ ０。 ２）输入含噪图像，在 ＰＣＮＮ 中按式（１） ～ （４）及 式（６）和式（７）循环迭代，直到所有神经元均点火发 放脉冲，同时记录神经元初次点火时间于点火时间 矩阵 Ｔ 中。 ３）应用 ２．３ 小节介绍的方式定位噪声。 对大值 噪声点和小值噪声点均采用（２ｍ＋１） ×（２ｍ＋１）窗口 局部中值滤波。 除以上情况外，直接输出原灰度值。 ４）输出降噪后图像。 此外，对降噪后图像进行评价后，如果效果仍较 差，可对降噪后图像再执行一次降噪。 ３ 实验验证与结果分析 本文以常用 Ｌｅｎａ 图像和作者拍摄的 Ｄｅｅｒ 图像 来验证改进算法对图像降噪的性能。 原始 Ｌｅｎａ 图 像和 Ｄｅｅｒ 图像如图 ３ 所示，均为 ２５６×２５６ 大小的灰 度图 像。 测 试 客 观 评 价 结 果 采 用 峰 值 信 噪 比 （ＰＳＮＲ）、均方误差（ＭＳＥ）、信噪比改善因子（ＩＳＮＲ） 等指标对降噪性能进行客观评价并进一步分析。 （ａ） 原始 Ｌｅｎａ 图像 （ｂ）原始 Ｄｅｅｒ 图像 图 ３ 测试图像的原始图像 Ｆｉｇ．３ Ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅｓ ｆｏｒ ｔｅｓｔ 参照文献［１５］将测试参数选择为：θ０ ＝ ２６０、Ｗ＝ ［０．５ １ ０．５；１ ０ １；０．５ １ ０．５］，取 Ｋ０ ＝ ８、Ｋ１ ＝ １５、Ｋ２ ＝ ８。 图 ４ 和图 ５ 分别为 Ｌｅｎａ 图像和 Ｄｅｅｒ 图像通过 添加密度为 １０％的椒盐噪声，并采用不同降噪方法 的测试结果的主观视觉图。 从图 ３～图 ５ 可以看出，本文提出的降噪方法能 够有效地滤除图像中的噪声，通过降噪所得到的视 觉效果要优于中值降噪及均值降噪，不仅去除了噪 声点，同时保护了图像边缘细节等信息，使图像轮廓 清晰，改善了图像质量。 图 ６ 为 Ｌｅｎａ 图像添加密度 １０％的椒盐噪声降 噪后的局部效果图，从图中可以看出，本文方法较文 献［１０］更好地保持了图像的纹理信息。 由于本文 方法可对噪声准确定位，并且仅对噪声点进行中值 滤波，不改变图像中原有的灰度值，从而减少了对图 像灰度值的破坏，很好地保持了图像纹理。 图 ４ Ｌｅｎａ 图像添加密度 １０％的椒盐噪声降噪效果 Ｆｉｇ．４ Ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｒｅｓｕｌｔｓ ｆｏｒ Ｌｅｎａ ｉｍａｇｅ ａｄｄｅｄ ｔｈｅ ｓａｌｔ ａｎｄ ｐｅｐｐｅｒ ｎｏｉｓｅ ｗｉｔｈ ａ ｄｅｎｓｉｔｙ ｏｆ １０％ 第 ２ 期 闫海鹏，等： 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法 ·２７５·