CN107392864A - 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 - Google Patents

Abstract

本发明公开了一种去除高斯噪声和脉冲噪声的混合噪声滤波方法。该方法步骤如下：对于受电弓图像中高斯噪声和脉冲噪声的混合噪声，采用先进边界区分噪声检测算法即ABDND算法对脉冲噪声进行抑制，所述ABDND算法包含噪声像素检测、噪声像素核实、噪声像素滤除；针对对脉冲噪声进行抑制后的图像，采用滑动窗口对像素点进行处理，将窗口内所有点根据灰度值大小进行排序，去除极大值和极小值点，对剩余的像素点进行权值分配并进行加权计算，计算结果作为滤波窗口中心点的输出灰度值，代替该点原有的灰度值；重复上述步骤中两种算法进行递进滤波，最终滤除受电弓图像中的混合噪声。本发明原理简单、滤波效果好，对数字图像处理具有重要意义。

Description

一种去除高斯噪声和脉冲噪声的混合噪声滤波方法

技术领域

本发明属于数字图像滤波技术领域，特别是一种去除高斯噪声和脉冲噪声的混合噪声滤波方法。

背景技术

图像在产生和传输过程中常常会受到各种噪声的污染，致使图像的质量下降。在应用中，有两种噪声可以充分代表大部分图像中的噪音，即高斯噪声和脉冲噪声，这两种噪声和混合噪声在实际中也是难以避免的，对这种混合噪声的去除是图像处理中重要而又富有挑战性的课题。

随着图像处理技术的不断发展，混合噪声滤波问题一直是国内外学者关注的问题。方先成等针对高斯-脉冲混合噪声滤波问题提出了基于BM3D的两种不同去噪方法，当高斯噪声的方差和脉冲噪声浓度变化时，两种方法呈现出不同的优势。吴德刚先根据脉冲噪声的特点和局部能量信息提取出脉冲噪声，采用中值滤波加以去除，然后采用均值滤波对高斯噪声进行去噪。肖孟强等针对医学图像中的混合噪声滤除问题,综合考虑中值滤波算法和均值滤波算法的各自优点,提出了一种针对混合噪声的滤波算法，更完整的保存了图像细节信息。Liu等提出一个加权范数能量最小化模型以去除图像中的混合噪声，并通过实验结果验证该方法的可行性。Camarena等针对彩色图像引入一种基于模糊加权向量中值滤波器(FWMF)模型来检测和去除噪声，试验结果表明该方法能够有效地去除噪声并保留边缘信息。上述方法都能在一定程度上滤除图像中的混合噪声，但原理复杂，算法复杂度较高，图像处理速度较慢。

发明内容

本发明的目的在于提供一种简单方便、效果显著的去除高斯噪声和脉冲噪声的混合噪声滤波方法，针对高斯噪声和脉冲噪声，实现数字图像的混和噪声去噪。

实现本发明目的的技术解决方案是：一种去除高斯噪声和脉冲噪声的混合噪声滤波方法，步骤如下：

步骤1，对于受电弓图像中高斯噪声和脉冲噪声的混合噪声，采用先进边界区分噪声检测算法即ABDND算法对脉冲噪声进行抑制；

步骤2，针对步骤1中对脉冲噪声进行抑制后的图像，采用均值滤波算法对高斯噪声进行抑制；

步骤3，重复步骤1～2中两种算法进行递进滤波，最终滤除受电弓图像中的混合噪声。

进一步地，步骤1所述ABDND算法为基于自适应开关中值滤波算法ASMF的改进算法，包含噪声像素检测、噪声像素核实、噪声像素滤除三个阶段，具体步骤如下：

(1.1)噪声像素检测阶段：通过直方图处理得到噪声像素的范围，并以此为依据初步判断噪声像素和非噪声像素；

(1.2)噪声像素核实阶段：对临时噪声像素点附近的像素点进行局部信息统计，判断该像素点是否噪声像素点；

(1.3)噪声像素滤除阶段：采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除。

进一步地，步骤(1.1)所述噪声像素检测阶段：通过直方图处理得到噪声像素的范围，并以此为依据初步判断噪声像素和非噪声像素，具体如下：

1)获取图像的全局灰度直方图，对相邻灰度值的直方图数值做差值处理，得到差值序列ΔH：

ΔH_i＝H_i+1-H_i，i＝MIN,MIN+1,…,MAX-1 (1)

其中，H_i是灰度值i对应的直方图数值，ΔH_i是灰度值i的前向差分值，MIN、MAX分别为灰度值的最小值、最大值；

2)根据差值序列ΔH，得到差值中的正最大值和负最大值，根据式(2)得到噪声像素的两个边界T₁和T₂：

其中，Index2、Index1分别是正、负最大值在差值序列ΔH中的索引值；

3)采用大小为W×W的滤波窗口对图像像素点进行遍历，滤波窗口的中心点与待检测像素点重合，并统计该窗口内像素点的最大灰度值s_max和最小灰度值s_min，根据式(3)得到滤波图像的噪声标识矩阵r(i,j)，初步判断该像素点是否是噪声像素：

其中，s_i,j是图像中点(i，j)的像素灰度值，r(i,j)＝1则该点为临时噪声像素点，r(i,j)＝0则该点不是噪声像素点。

进一步地，步骤(1.2)所述噪声像素核实阶段：对临时噪声像素点附近的像素点进行局部信息统计，判断该像素点是否噪声像素点，具体如下：

对于临时噪声像素做以下算法处理：

1)以临时噪声像素点为中心，取尺寸大小为w×w的窗口，其中w小于W，统计该窗口内非噪声像素点的数量n_f，如果n_f＞w，计算窗口内非噪声像素点与中心临时噪声像素点的像素差值，所有像素差值之和值记为d，然后执行步骤3)；如果n_f≤w，执行步骤2)；

2)令w＝w+2，执行步骤1)，滤波窗口的长度逐步递增2，且滤波窗口的长度的最大值小于等于W；

3)结合图像的最大像素灰度值MAX、最小像素灰度值MIN以及点(i，j)的灰度值s_i,j，确定阈值T₃；若d小于T₃，则该点不是噪声像素点，同时在噪声标识矩阵r(i,j)中将该点的值修改为0；反之，则该点是噪声像素点，矩阵r(i,j)该点的值保持不变；

T₃＝min(s_i,j-MIN,MAX-s_i,j) (4)

4)将w×w滤波窗口移至下一个临时噪声像素点，按照步骤1)～3)判断下一个临时噪声像素点是否是噪声像素；对所有临时噪声像素点逐一判断，排除非噪声像素点，得到最终的噪声像素点。

进一步地，步骤(1.3)所述噪声像素滤除阶段：采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除，即利用滤波窗口中的非噪声像素点进行中值滤波，滤除噪声像素点，具体过程如下：

对图像任一噪声像素点(m，n)，以该点为中心、采用大小为L×L的滤波窗口，将该窗口内所有非噪声像素点组成集合E_m,n：

对E_m,n中灰度值进行升序排列，得到集合F_m,n，并提取集合F_m,n的排序中值M_m,n；

在集合F_m,n中选取Q个最接近中值M_m,n的灰度值，和中值M_m,n组成新的集合，并计算该集合的灰度均值Q_m,n，用Q_m,n取代噪声点(m，n)的灰度值F_m,n；根据滤波窗口的大小对Q值进行选择，具体选择方法如式(6)所示：

。

进一步地，步骤2所述采用均值滤波算法对高斯噪声进行抑制，具体步骤如下：

(2.1)输入经过脉冲噪声抑制后的图像；

(2.2)以待滤波像素点为中心，采用滑动窗口W对像素点进行处理，将窗口内所有点根据灰度值大小进行排序，去除极大值和极小值点，将剩余点记为集合H；

(2.3)对集合H内的点进行权值分配并进行归一化处理，求出集合H内像素的均值Mean(∑H(i,j))，然后采用式(7)进行各像素权值的计算，并进行归一化处理；

其中，w_k为集合H内各点的权值，k表示H内第k个点，N为H内点的总数，D_k为集合H内各点的灰度值与灰度均值Mean(∑H(i,j))的差的绝对值；

如式(8)所示，T为集合H内所有D_k的均值，作为各点权值选择的阈值，如式(9)所示，当集合H内一点的D_k值大于阈值T时，该点的权值由D_k决定，当其D_k小于阈值T时，点的权值由T决定；

D_k＝|H_k-Mean(∑H(i,j))| (8)

(2.4)将集合H内的所有点与相对应的权值相乘并求和，和值作为滤波窗口中心点的输出灰度值，代替该点原有的灰度值，如式(10)所示：

(2.5)重复步骤(2.2)～(2.4)对图像的所有点进行遍历，实现图像的滤波处理。

本发明与现有技术相比，其显著优点在于：(1)滤波效果较好，能够有效滤除图像中高斯噪声和脉冲噪声；(2)能够对数字图像的混和噪声去噪，且算法简单，复杂度低。

附图说明

图1是本发明去除高斯噪声和脉冲噪声的混合噪声滤波方法的流程图。

图2是本发明中局部去极值加权均值滤波算法流程图。

图3是受电弓左半弓的示意图。

图4是不同算法对于高斯和脉冲混合噪声的滤除效果图，其中(a)为混合噪声的滤除效果图，(b)为均值滤波算法的滤除效果图，(c)为中值滤波算法滤除效果图，(d)为本发明混合滤波算法的滤除效果图。

具体实施方式

结合图1，本发明去除高斯噪声和脉冲噪声的混合噪声滤波方法，步骤如下：

步骤1，对于受电弓图像中高斯噪声和脉冲噪声的混合噪声，采用先进边界区分噪声检测算法(ABDND)对脉冲噪声进行抑制；所述ABDND算法为基于自适应开关中值滤波算法ASMF的改进算法，包含噪声像素检测、噪声像素核实、噪声像素滤除三个阶段，具体步骤如下：

(1.1)噪声像素检测阶段：通过直方图处理得到噪声像素的范围，并以此为依据初步判断噪声像素和非噪声像素，具体如下：

1)获取图像的全局灰度直方图，对相邻灰度值的直方图数值做差值处理，得到差值序列ΔH：

ΔH_i＝H_i+1-H_i，i＝MIN,MIN+1,…,MAX-1 (1)

其中，H_i是灰度值i对应的直方图数值，ΔH_i是灰度值i的前向差分值，MIN、MAX分别为灰度值的最小值、最大值；

2)根据差值序列ΔH，得到差值中的正最大值和负最大值，根据式(2)得到噪声像素的两个边界T₁和T₂：

其中，Index2、Index1分别是正、负最大值在差值序列ΔH中的索引值；

3)采用大小为W×W的滤波窗口对图像像素点进行遍历，滤波窗口的中心点与待检测像素点重合，并统计该窗口内像素点的最大灰度值s_max和最小灰度值s_min，根据式(3)得到滤波图像的噪声标识矩阵r(i,j)，初步判断该像素点是否是噪声像素：

其中，s_i,j是图像中点(i，j)的像素灰度值，r(i,j)＝1则该点为临时噪声像素点，并通称为临时噪声像素点，r(i,j)＝0则该点不是噪声像素点。

(1.2)噪声像素核实阶段：对临时噪声像素点附近的像素点进行局部信息统计，判断该像素点是否噪声像素点，具体如下：

对于临时噪声像素做以下算法处理：

1)以临时噪声像素点为中心，取尺寸大小为w×w的窗口，其中w远小于W，统计该窗口内非噪声像素点的数量n_f，如果n_f＞w，计算窗口内非噪声像素点与中心临时噪声像素点的像素差值，所有像素差值之和值记为d，然后执行步骤3)；如果n_f≤w，执行步骤2)；

2)令w＝w+2，执行步骤1)，滤波窗口的长度逐步递增2，且滤波窗口的长度的最大值小于等于W；

3)结合图像的最大像素灰度值MAX、最小像素灰度值MIN以及点(i，j)的灰度值s_i,j，确定阈值T₃；若d小于T₃，则该点不是噪声像素点，同时在噪声标识矩阵r(i,j)中将该点的值修改为0；反之，则该点是噪声像素点，矩阵r(i,j)该点的值保持不变；

T₃＝min(s_i,j-MIN,MAX-s_i,j) (4)

4)将w×w滤波窗口移至下一个临时噪声像素点，按照步骤1)～3)判断下一个临时噪声像素点是否是噪声像素；对所有临时噪声像素点逐一判断，排除非噪声像素点，得到最终的噪声像素点。

(1.3)噪声像素滤除阶段：采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除，即利用滤波窗口中的非噪声像素点进行中值滤波，滤除噪声像素点；

经过阶段一和阶段二的处理后，整个图像的像素点分为噪声像素点和非噪声像素点(信号像素)两类。对于非噪声像素点，无需滤波，保持其灰度值不变即可；对于噪声像素点，需利用滤波窗口中的非噪声像素点进行中值滤波，具体过程如下：

对图像任一噪声像素点(m，n)，以该点为中心、采用大小为L×L的滤波窗口，将该窗口内所有非噪声像素点组成集合E_m,n：

对E_m,n中灰度值进行升序排列，得到集合F_m,n，并提取集合F_m,n的排序中值M_m,n；集合E_m,n将噪声像素点排除在外，只包含非噪声像素点，这样就降低了噪声对滤波结果的影响。

为进一步验证阶段三的噪声滤除性能，在集合F_m,n中选取Q个最接近中值M_m,n的灰度值，和中值M_m,n组成新的集合，并计算该集合的灰度均值Q_m,n，用Q_m,n取代噪声点(m，n)的灰度值F_m,n；根据滤波窗口的大小对Q值进行选择，具体选择方法如式(6)所示：

步骤2，针对步骤1中对脉冲噪声进行抑制后的图像，采用均值滤波算法对高斯噪声进行抑制，具体步骤如下：

(2.1)输入经过脉冲噪声抑制后的图像；

(2.2)以待滤波像素点为中心，采用滑动窗口W对像素点进行处理，将窗口内所有点根据灰度值大小进行排序，去除极大值和极小值点，将剩余点记为集合H；

(2.3)对集合H内的点进行权值分配并进行归一化处理，求出集合H内像素的均值Mean(∑H(i,j))，然后采用式(7)进行各像素权值的计算，并进行归一化处理；

其中，w_k为集合H内各点的权值，k表示H内第k个点，N为H内点的总数，D_k为集合H内各点的灰度值与灰度均值Mean(∑H(i,j))的差的绝对值；

如式(8)所示，T为集合H内所有D_k的均值，作为各点权值选择的阈值，如式(9)所示，当集合H内一点的D_k值大于阈值T时，该点的权值由D_k决定，当其D_k小于阈值T时，点的权值由T决定；

D_k＝|H_k-Mean(∑H(i,j))| (8)

(2.4)将集合H内的所有点与相对应的权值相乘并求和，和值作为滤波窗口中心点的输出灰度值，代替该点原有的灰度值，如式(10)所示：

(2.5)重复步骤(2.2)～(2.4)对图像的所有点进行遍历，实现图像的滤波处理。

步骤3，重复步骤1～2中两种算法进行递进滤波，最终滤除受电弓图像中的混合噪声。

下面结合具体实施例对本发明作进一步详细说明。

实施例1

城轨列车通过受电弓滑板从接触线上接收电流作为列车行驶的动力，因接触线的高电压，受电弓周边存在一定的电磁干扰，所以在基于图像法的受电弓状态检测中，获取到的受电弓图像存在一定的混合噪声，主要是脉冲和高斯噪声。对于混合噪声的去噪问题，单一类型的滤波器去噪效果并不好，一般采用两种类型的滤波器递进地滤除噪声。本专利提出一种去除高斯噪声和脉冲噪声的混合噪声滤波算法，首先采用基于ABDND的中值滤波算法对脉冲噪声进行抑制，再采用一种改进的均值滤波算法对高斯噪声进行抑制，两种算法递进滤除受电弓图像中的混合噪声。评价主要采用均方差误差(MSE)和峰值信噪比(PSNR)来对图像滤波算法的性能进行评价，MSE越小，滤波效果越好，PSNR越大，滤波效果越好。以X和分别表示原始图像和滤波后的图像，图像大小为I×J，均方误差MSE和峰值信噪比PSNR的定义如式(11)和(22)。

X＝{x(i,j)|1≤i≤I,1≤j≤J} (11)

(1)均方误差

(2)峰值信噪比

其中，MAX_I是表示图像点颜色的最大数值。

基于Matlab平台本文分别采用传统均值滤波算法、传统中值滤波算法和本文所提的混合滤波算法对不同密度的高斯和脉冲混合噪声图像进行滤波处理，结果如图4。

图4脉冲噪声与高斯噪声的方差分别为0.02、0.05的混合噪声图像算法处理结果其中图4(a)为混合噪声，图4(b)为均值滤波算法，图4(c)为中值滤波算法，图4(d)为本文混合滤波算法处理后图像。由图4可知，对于混合噪声，从视觉效果来看，本文混合滤波、传统中值、传统均值这三种滤波算法的去噪性能差别不大，为比较三者的优劣，对滤波后的图像进行MSE和PSNR的计算，计算结果如表1所示。

表1

表1是不同算法对于高斯和脉冲混合噪声图像处理后MES和PSNE指标，由表1可知，本文采用混合滤波算法的MSE值比传统中值、均值滤波的MSE值都小，PSNR值比传统中值、均值滤波的PSNR值都大。随着混合噪声密度的增加，三种算法的PSNR值都在减小，MSE值都在增大，表明在高密度噪声环境下，三种算法的滤波性能都在下降，但是本文采用算的法MSE值和PSNR值的变化趋势都比较平稳。综上所述，本文所采用的混合滤波算法的滤波性能优于传统中值、均值滤波算法。

Claims (6)

1.一种去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤如下：

步骤1，对于受电弓图像中高斯噪声和脉冲噪声的混合噪声，采用先进边界区分噪声检测算法即ABDND算法对脉冲噪声进行抑制；

步骤2，针对步骤1中对脉冲噪声进行抑制后的图像，采用均值滤波算法对高斯噪声进行抑制；

步骤3，重复步骤1～2中两种算法进行递进滤波，最终滤除受电弓图像中的混合噪声。

2.根据权利要求1所述的去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤1所述ABDND算法为基于自适应开关中值滤波算法ASMF的改进算法，包含噪声像素检测、噪声像素核实、噪声像素滤除三个阶段，具体步骤如下：

(1.1)噪声像素检测阶段：通过直方图处理得到噪声像素的范围，并以此为依据初步判断噪声像素和非噪声像素；

(1.2)噪声像素核实阶段：对临时噪声像素点附近的像素点进行局部信息统计，判断该像素点是否噪声像素点；

(1.3)噪声像素滤除阶段：采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除。

3.根据权利要求2所述的去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤(1.1)所述噪声像素检测阶段：通过直方图处理得到噪声像素的范围，并以此为依据初步判断噪声像素和非噪声像素，具体如下：

1)获取图像的全局灰度直方图，对相邻灰度值的直方图数值做差值处理，得到差值序列ΔH：

ΔH_i＝H_i+1-H_i，i＝MIN,MIN+1,…,MAX-1 (1)

其中，H_i是灰度值i对应的直方图数值，ΔH_i是灰度值i的前向差分值，MIN、MAX分别为灰度值的最小值、最大值；

2)根据差值序列ΔH，得到差值中的正最大值和负最大值，根据式(2)得到噪声像素的两个边界T₁和T₂：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>=</mo> <mi>I</mi> <mi>n</mi> <mi>d</mi> <mi>e</mi> <mi>x</mi> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>T</mi> <mn>2</mn> </msub> <mo>=</mo> <mi>M</mi> <mi>A</mi> <mi>X</mi> <mo>-</mo> <mi>I</mi> <mi>n</mi> <mi>d</mi> <mi>e</mi> <mi>x</mi> <mn>2</mn> <mo>+</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其中，Index2、Index1分别是正、负最大值在差值序列ΔH中的索引值；

3)采用大小为W×W的滤波窗口对图像像素点进行遍历，滤波窗口的中心点与待检测像素点重合，并统计该窗口内像素点的最大灰度值s_max和最小灰度值s_min，根据式(3)得到滤波图像的噪声标识矩阵r(i,j)，初步判断该像素点是否是噪声像素：

其中，s_i,j是图像中点(i，j)的像素灰度值，r(i,j)＝1则该点为临时噪声像素点，r(i,j)＝0则该点不是噪声像素点。

4.根据权利要求2所述的去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤(1.2)所述噪声像素核实阶段：对临时噪声像素点附近的像素点进行局部信息统计，判断该像素点是否噪声像素点，具体如下：

对于临时噪声像素做以下算法处理：

1)以临时噪声像素点为中心，取尺寸大小为w×w的窗口，其中w小于W，统计该窗口内非噪声像素点的数量n_f，如果n_f＞w，计算窗口内非噪声像素点与中心临时噪声像素点的像素差值，所有像素差值之和值记为d，然后执行步骤3)；如果n_f≤w，执行步骤2)；

2)令w＝w+2，执行步骤1)，滤波窗口的长度逐步递增2，且滤波窗口的长度的最大值小于等于W；

3)结合图像的最大像素灰度值MAX、最小像素灰度值MIN以及点(i，j)的灰度值s_i,j，确定阈值T₃；若d小于T₃，则该点不是噪声像素点，同时在噪声标识矩阵r(i,j)中将该点的值修改为0；反之，则该点是噪声像素点，矩阵r(i,j)该点的值保持不变；

T₃＝min(s_i,j-MIN,MAX-s_i,j) (4)

4)将w×w滤波窗口移至下一个临时噪声像素点，按照步骤1)～3)判断下一个临时噪声像素点是否是噪声像素；对所有临时噪声像素点逐一判断，排除非噪声像素点，得到最终的噪声像素点。

5.根据权利要求2所述的去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤(1.3)所述噪声像素滤除阶段：采用ASMF算法滤除噪声像素，实现图像的脉冲噪声滤除，即利用滤波窗口中的非噪声像素点进行中值滤波，滤除噪声像素点，具体过程如下：

对图像任一噪声像素点(m，n)，以该点为中心、采用大小为L×L的滤波窗口，将该窗口内所有非噪声像素点组成集合E_m,n：

<mrow> <msub> <mi>E</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <msub> <mi>s</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mo>|</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <mi>p</mi> <mo>,</mo> <mi>n</mi> <mo>+</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mo>-</mo> <mfrac> <mi>L</mi> <mn>2</mn> </mfrac> <mo>,</mo> <mfrac> <mi>L</mi> <mn>2</mn> </mfrac> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

对E_m,n中灰度值进行升序排列，得到集合F_m,n，并提取集合F_m,n的排序中值M_m,n；

在集合F_m,n中选取Q个最接近中值M_m,n的灰度值，和中值M_m,n组成新的集合，并计算该集合的灰度均值Q_m,n，用Q_m,n取代噪声点(m，n)的灰度值F_m,n；根据滤波窗口的大小对Q值进行选择，具体选择方法如式(6)所示：

<mrow> <mi>Q</mi> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mn>2</mn> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>L</mi> <mo>=</mo> <mn>3</mn> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>r</mi> </mrow> </mtd> <mtd> <mrow> <mi>L</mi> <mo>=</mo> <mn>7</mn> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mn>4</mn> </mtd> <mtd> <mrow> <mi>L</mi> <mo>=</mo> <mn>5</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow> 。

6.根据权利要求1或2所述的去除高斯噪声和脉冲噪声的混合噪声滤波方法，其特征在于，步骤2所述采用均值滤波算法对高斯噪声进行抑制，具体步骤如下：

(2.1)输入经过脉冲噪声抑制后的图像；

(2.2)以待滤波像素点为中心，采用滑动窗口W对像素点进行处理，将窗口内所有点根据灰度值大小进行排序，去除极大值和极小值点，将剩余点记为集合H；

(2.3)对集合H内的点进行权值分配并进行归一化处理，求出集合H内像素的均值Mean(∑H(i,j))，然后采用式(7)进行各像素权值的计算，并进行归一化处理；

<mrow> <msub> <mi>w</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mo>(</mo> <mrow> <msub> <mi>D</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>T</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mo>(</mo> <mrow> <msub> <mi>D</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>T</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mi>T</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

其中，w_k为集合H内各点的权值，k表示H内第k个点，N为H内点的总数，D_k为集合H内各点的灰度值与灰度均值Mean(∑H(i,j))的差的绝对值；

如式(8)所示，T为集合H内所有D_k的均值，作为各点权值选择的阈值，如式(9)所示，当集合H内一点的D_k值大于阈值T时，该点的权值由D_k决定，当其D_k小于阈值T时，点的权值由T决定；

D_k＝|H_k-Mean(∑H(i,j))| (8)

<mrow> <mi>T</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>D</mi> <mi>k</mi> </msub> </mrow> <mi>N</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

(2.4)将集合H内的所有点与相对应的权值相乘并求和，和值作为滤波窗口中心点的输出灰度值，代替该点原有的灰度值，如式(10)所示：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

(2.5)重复步骤(2.2)～(2.4)对图像的所有点进行遍历，实现图像的滤波处理。