臺灣博碩士論文加值系統

在資訊數位化的時代中，數位影像的使用非常普及，而數位影像在擷取或傳輸過程中常會受到雜訊干擾而使影像品質變差甚至損毀，造成人眼或機器的誤判，如何移除雜訊、重建原始影像，是不可或缺的重要研究。然而現今影像移除雜訊的處理方法，皆使用由影像左上滑動至右下的循序處理視窗，並未考慮到夾雜較多的雜訊區域若先處理，會劣化後續處理的區域，降低重建影像的品質。本文提出使用影像信賴度來決定處理視窗的先後順序，將乾淨像素較多的視窗與像素變動方向較一致的視窗列為高信賴度區域並且優先處理，可以避免劣化後續處理的影像品質，達到改善重建影像品質的目的。實驗結果證明：本文提出使用像素變動方向信賴度與乾淨像素數量信賴度的方法，確實可以有效改善滑動視窗由影像左上至右下依序處理的效能，讓受椒鹽雜訊干擾的影像變得更清晰，不但可以提升除雜訊品質，更改變以往濾波處理的思維，為影像處理研究帶來新發展。

Digital images are widely used nowadays. However the quality of a digital image would be deteriorated by the corruption of impulse noise in the acquisition or transmission, casusing the errorneous judgement for the human eye or machine. How to effectively remove this impulse noise for a corrupted image is an important research task. Most of the image denoising methods process each noise-corrupted pixel from the top-left to the bottom-right of the images using a sliding window. The regions first processed will affect the subsequent image area. If a heavily noise-corrupted region is firstly reconstructed, restored pixels will deteriorate subsequent processed pixels. This enables the denoised image quality to be reduced. In this thesis, we present a new approach to change the process order of noise corrupted pixels according to the confidence measured with each pixel of an image. An analysis window with a greater quantity of noise-free pixels and with a consistent pixel change direction is defined as a high confidence region and denoised firstly, enabling the quality of the denoised image to be reduced. Experimental results show that the proposed approach can further improve the performance of an image denoising method which utilizes the sliding window from the top-left to the bottom-right. Accordingly, the confidence measure is helpful for image denoising and can be further applied for image signal processing.

目錄
摘要 i
Abstract ii
誌謝 iii
圖目錄 vi
表目錄 ix
第一章、緒論 1
1.1 研究動機與目的 1
1.2 文獻探討 2
1.3 章節結構 4
第二章、影像雜訊的移除方法 5
2.1 數位影像表示法 5
2.2 數位影像退化模型 6
2.3 常見的影像雜訊 7
2.4 近代影像雜訊濾波演算法 10
第三章、使用信賴度視窗之除雜訊法 21
3.1 像素變動方向之信賴度 23
3.2 乾淨像素數量之信賴度 28
3.3 高雜訊密度之設定 31
3.4 重建影像 32
3.5 醫學影像特殊處理 37
第四章、實驗結果 43
4.1 實驗參數選定 43
4.2 PSNR 效能評估 44
4.3 MSSIM 效能評估 49
4.4 Lena影像遭受固定式脈衝雜訊干擾之實驗結果 53
4.5 Boat影像遭受固定式脈衝雜訊干擾之實驗結果 65
4.6 Chest1影像遭受固定式脈衝雜訊干擾之實驗結果 77
4.7 Bio2影像遭受固定式脈衝雜訊干擾之實驗結果 89
4.8 分析與討論 101
第五章、結論與未來研究 102
5.1 結論 102
5.2 未來研究方向 102
參考文獻 103
附錄 106
附錄一、縮寫對照表(以英文順序排序) 106
附錄二、符號對照表 107
簡歷 109



圖目錄
圖2.1 受椒鹽雜訊干擾的影像。 7
圖2.2 高斯雜訊分佈與影像圖。 8
圖2.3 受斑點雜訊干擾的影像。 9
圖2.4 受週期性雜訊干擾的影像。 9
圖2.5 均勻雜訊分佈與影像圖。 10
圖2.6 中值濾波器應用範例。 11
圖2.7 中間值權重中值濾波器應用範例。 12
圖2.8 三態式中值濾波器之架構圖。 13
圖2.9 DWM濾波器的四種變動方向。 14
圖2.10 EPA演算法的八種變動方向。 16
圖2.11 修正型非對稱截斷中值濾波器對全極值視窗的像素重建範例。 17
圖2.12 修正型非對稱截斷中值濾波器對有乾淨像素視窗的重建範例。 17
圖2.13 MDWM濾波器的十二種像素變動方向。 18
圖2.14 中心點E像素之關聯方向。 19
圖3.1 本文移除雜訊之系統流程圖。 21
圖3.2 像素的變動方向。 23
圖3.3 Lena影像在各雜訊密度中，最佳效能之像素變動方向數量變化情形。 25
圖3.4 像素變動方向之高信賴度實例。 27
圖3.5 乾淨像素的旗標。 28
圖3.6 Lena影像在各雜訊密度中，最佳效能之乾淨像素數量變化情形。 29
圖3.7 乾淨像素數量之高信賴度實例。 30
圖3.8 本文方法的虛擬碼。 37
圖3.9 本文對醫學影像處理方法的虛擬碼。 42
圖4.1 Lena影像在10%椒鹽雜訊密度的最佳效能圖。 43
圖4.2 Lena影像在10%雜訊密度，以各演算法修復之效能比較圖。 56
圖4.3 Lena影像在20%雜訊密度，以各演算法修復之效能比較圖。 57
圖4.4 Lena影像在30%雜訊密度，以各演算法修復之效能比較圖。 58
圖4.5 Lena影像在40%雜訊密度，以各演算法修復之效能比較圖。 59
圖4.6 Lena影像在50%雜訊密度，以各演算法修復之效能比較圖。 60
圖4.7 Lena影像在60%雜訊密度，以各演算法修復之效能比較圖。 61
圖4.8 Lena影像在70%雜訊密度，以各演算法修復之效能比較圖。 62
圖4.9 Lena影像在80%雜訊密度，以各演算法修復之效能比較圖。 63
圖4.10 Lena影像在90%雜訊密度，以各演算法修復之效能比較圖。 64
圖4.11 Boat影像在10%雜訊密度，以各演算法修復之效能比較圖。 68
圖4.12 Boat影像在20%雜訊密度，以各演算法修復之效能比較圖。 69
圖4.13 Boat影像在30%雜訊密度，以各演算法修復之效能比較圖。 70
圖4.14 Boat影像在40%雜訊密度，以各演算法修復之效能比較圖。 71
圖4.15 Boat影像在50%雜訊密度，以各演算法修復之效能比較圖。 72
圖4.16 Boat影像在60%雜訊密度，以各演算法修復之效能比較圖。 73
圖4.17 Boat影像在70%雜訊密度，以各演算法修復之效能比較圖。 74
圖4.18 Boat影像在80%雜訊密度，以各演算法修復之效能比較圖。 75
圖4.19 Boat影像在90%雜訊密度，以各演算法修復之效能比較圖。 76
圖4.20 Chest1影像在10%雜訊密度，以各演算法修復之效能比較圖。 80
圖4.21 Chest1影像在20%雜訊密度，以各演算法修復之效能比較圖。 81
圖4.22 Chest1影像在30%雜訊密度，以各演算法修復之效能比較圖。 82
圖4.23 Chest1影像在40%雜訊密度，以各演算法修復之效能比較圖。 83
圖4.24 Chest1影像在50%雜訊密度，以各演算法修復之效能比較圖。 84
圖4.25 Chest1影像在60%雜訊密度，以各演算法修復之效能比較圖。 85
圖4.26 Chest1影像在70%雜訊密度，以各演算法修復之效能比較圖。 86
圖4.27 Chest1影像在80%雜訊密度，以各演算法修復之效能比較圖。 87
圖4.28 Chest1影像在90%雜訊密度，以各演算法修復之效能比較圖。 88
圖4.29 Bio2影像在10%雜訊密度，以各演算法修復之效能比較圖。 92
圖4.30 Bio2影像在20%雜訊密度，以各演算法修復之效能比較圖。 93
圖4.31 Bio2影像在30%雜訊密度，以各演算法修復之效能比較圖。 94
圖4.32 Bio2影像在40%雜訊密度，以各演算法修復之效能比較圖。 95
圖4.33 Bio2影像在50%雜訊密度，以各演算法修復之效能比較圖。 96
圖4.34 Bio2影像在60%雜訊密度，以各演算法修復之效能比較圖。 97
圖4.35 Bio2影像在70%雜訊密度，以各演算法修復之效能比較圖。 98
圖4.36 Bio2影像在80%雜訊密度，以各演算法修復之效能比較圖。 99
圖4.37 Bio2影像在90%雜訊密度，以各演算法修復之效能比較圖。 100



表目錄
表3.1 10%~90%雜訊密度估測比較表。 32
表4.1以PSNR評估各演算法修復10%~90%雜訊密度之Lena影像效能比較表。 47
表4.2以PSNR評估各演算法修復10%~90%雜訊密度之Boat影像效能比較表。 47
表4.3以PSNR評估各演算法修復10%~90%雜訊密度之Chest1醫學影像效能比較表。 48
表4.4以PSNR評估各演算法修復10%~90%雜訊密度之Bio2醫學影像效能比較表。 48
表4.5以MSSIM評估各演算法修復10%~90%雜訊密度之Lena影像效能比較表。 51
表4.6以MSSIM評估各演算法修復10%~90%雜訊密度之Boat影像效能比較表。 51
表4.7以MSSIM評估各演算法修復10%~90%雜訊密度之Chest1醫學影像效能比較表。 52
表4.8以MSSIM評估各演算法修復10%~90%雜訊密度之Bio2醫學影像效能比較表。 52

[1]R. C. Gonzalez, R. E. Woods and S. L. Eddins, Digital Image Processing, 2nd ed. New York: Prentice-Hall, 2002.
[2]J. D. Gibson and A. Bovik, Handbook of Image and Video Processing. London, UK: Academic Press, 2000.
[3]H. Hwang and R. A. Haddad, “Adaptive median filters: new algorithms and results,” IEEE Transactions on Image Processing, vol. 4, no. 4, pp. 499-502, Apr. 1995.
[4]S. -J. Ko and Y. H. Lee, “Center weighted median filters and their applications to image enhancement,” IEEE Transactions on Circuits and Systems, vol. 38, no. 9, pp. 984-993, Sep. 1991.
[5]Y. Dong and S. Xu, “A new directional weighted median filter for removal of random-valued impulse noise,” IEEE Signal Processing Letters, vol. 14, no. 3, pp. 193-196, Mar. 2007.
[6]C. -T. Lu and T. -C. Chou, “Denoising of salt-and-pepper noise corrupted image using modified directional-weighted-median filter,” Pattern Recognition Letters, vol. 33, no. 10, pp. 1287-1295, July 2012.
[7]S. Esakkirajan, T. Veerakumar, A. N. Subramanyam and C. H. PremChand, “Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter,” IEEE Signal Processing Letters, vol. 18, no. 5, pp. 287-290, May 2011.
[8]P. -Y. Chen and C. -Y. Lien, “An efficient edge-preserving algorithm for removal of salt-and-pepper noise,” IEEE Signal Processing Letters, vol. 15, pp. 833-836, Dec. 2008.
[9]T. Chen, K. -K. Ma and L. -H. Chen, “Tri-state median filter for image denoising”, IEEE Transactions on Image Processing, vol. 8, no. 12, pp. 1834-1838, Dec. 1999.
[10]T. Chen and H. R. Wu, “Adaptive impulse detection using center-weighted median filters,” IEEE Signal Processing Letters, vol. 8, no. 1, pp. 1-3, Jan. 2001.
[11]陳淇鈺，「使用邊緣保留與相鄰視窗變化調整法於受干擾影像中移除椒鹽雜訊」，碩士論文，亞洲大學資訊傳播學系，台中，民101年。
[12]陸清達、陳淇鈺，「使用邊緣保留與相鄰視窗變化調整法於受干擾影像中移除椒鹽雜訊」，技術學刊卷 脈衝雜訊」，資訊科技國際期刊，卷7，期2，頁34-42，民102年12月。
[13]S. Zhang and M. A. Karim, “A new impulse detector for switching median filters,” IEEE Signal Processing Letters, vol. 9, no. 11, pp. 360-363, Nov. 2002.
[14]C. -T. Lu, “Removal of salt-and-pepper noise using gain masker adapted by switching pixel variance and edge direction,” International Journal of Electrical Engineering, vol. 21, no. 1, pp. 21-31, Feb. 2014.
[15]張郡芳，「使用可變視窗與像素機率調適之影像椒鹽雜訊移除」，碩士論文，亞洲大學資訊傳播學系，台中，民103年。
[16]A. K. Shukla, R. L. Verma, M. S. Alam and V. Bhateja, “Directional order statistics filtering for suppression of salt and pepper noise,” in Proceedings of International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, 2014, pp. 76-81.
[17]W. Mu, J. Jin, H. Feng and Q. Wang, “Adaptive window multistage median filter for image salt-and-pepper denoising,” in Proceedings of IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Minneapolis, MN, USA, 2013, pp. 1535-1539.
[18]L. Yin, R. Yang, M. Gabbouj and Y. Neuvo, “Weighted median filters: a tutorial,” IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, vol. 43, no. 3, pp. 157-192, Mar. 1996.
[19]L. Liu, C. L. P. Chen, Y. Zhou and X. You, “A new weighted mean filter with a two-phase detector for removing impulse noise,” Information Sciences, vol. 315, pp. 1-16, Sept. 2015.
[20]L. Hu and U. KinTak, “Removal of salt and pepper noise with non-uniform weighted mean partition,” in Proceedings of International Conference on Information, Communications and Signal Processing (ICICS), Singapore, 2015, pp. 1-5.
[21]Y. Wang, J. Wang, X. Song and L. Han, “An efficient adaptive fuzzy switching weighted mean filter for salt-and-pepper noise removal,” IEEE Signal Processing Letters, vol. 23, no. 11, pp. 1582-1586, Nov. 2016.
[22]V. Katkovnik, K. Egiazarian and J. Astola, “Adaptive window size image de-noising based on intersection of confidence intervals (ICI) rule,” Journal of Mathematical Imaging and Vision, vol. 16, no. 3, pp. 223-235, May 2002.
[23]E. Carrasquinha, C. Amado and A. M. Pires, “Robust bootstrap confidence intervals: an application study for denoising images,” in Proceedings of International Conference on Computational Science and Its Applications, Guimaraes, Portugal, 2014, pp. 181-185.
[24]王齊宇，「結合中值濾波與影像修補策略的一個適用於高密度脈衝雜訊影像之高效雜訊去除方法」，碩士論文，國立臺灣科技大學資訊工程系，台北，民102年。
[25]周子雋，「使用最佳方向之開關權重中值濾波於脈衝影像雜訊移除之研究」，碩士論文，亞洲大學資訊傳播學系，台中，民99年。
[26]D. Sersic and A. Sovic, “Directional image denoising method based on the relative intersection of confidence intervals rule,” in Proceedings of Eurocon, Zagreb, Croatia, 2013, pp. 1593-1597.
[27]X. Zhang and Y. Xiong, “Impulse noise removal using directional difference based noise detector and adaptive weighted mean filter,” IEEE Signal Processing Letters, vol. 16, no. 4, pp. 295-298, Apr. 2009.
[28]C. -T. Lu, Y. -Y Chen, L. -L. Wang and C. -F. Chang, “Removal of salt-and-pepper noise in corrupted image using three-values-weighted approach with variable-size window,” Pattern Recognition Letters, vol. 80, pp. 188-199, Sep. 2016.
[29]K. Aiswarya, V. Jayaraj and D. Ebenezer, “A new and efficient algorithm for the removal of high density salt and pepper noise in images and videos,” in Proceedings of International Conference on Computer Modeling and Simulation, Sanya, Hainan, China, 2010, pp. 409-413.
[30]S. Zhang and M. A. Karim, “A new impulse detector for switching median filters,” IEEE Signal Processing Letters, vol. 9, no. 11, pp. 360-363, Nov. 2002.
[31]V. Crnojevic, V. Senk and Z. Trpovski, “Advanced impulse detection based on pixel-wise MAD,” IEEE Signal Processing Letters, vol. 11, no. 7, pp. 589-592, July 2004.
[32]莊旭銘，「一個可保留影像邊緣特性的雜訊移除演算法及其硬體實作」，碩士論文，國立成功大學資訊工程學系，台南，民95年。
[33]張凱育，「用來移除雜訊的高成效距離矩陣濾波器」，碩士論文，國立臺北教育大學資訊科學系，台北，民97年。
[34]A. Kundu, S. K. Mitra and P. P. Vaidyanathan, “Application of two-dimensional generalized mean filtering for removal of impulse noises from images,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 32, no. 3, pp. 600-609, June 1984.
[35]M. Aldinucci, C. Spampinato, M. Drocco, M. Torquati and S. Palazzo, “A parallel edge preserving algorithm for salt and pepper image denoising,” in Proceedings of International Conference on Image Processing Theory, Tools and Applications (IPTA), Istanbul, Turkey, 2012, pp. 97-102.