臺灣博碩士論文加值系統

本論文提出一個基於影像複雜度之脈衝雜訊濾波器。我們經由標準差和受汙染影像的直方圖，區分平滑或複雜區塊。經由模擬結果顯示SWM-I和SWM-II濾波器分別在平滑和複雜區塊有好的效果。因此，我們將SWM-I濾波器和SWM-II濾波器加入雜訊檢測機制，判斷像素是否遭受汙染。根據提出的方法，一張受汙染的影像可以分為平滑和複雜區塊，分別選取適當的濾波器。最終我們經由過濾後影像的峰值信號雜訊比率，驗證雜訊移除能力。

In this thesis, we propose an image complexity based impulse noise filter. We distinguish smooth or complex regions by standard deviation and histogram of the corrupted image. By simulation result, SWM-I and SWM-II filter have better capability in the smooth and complex region, respectively. Therefore, we incorporate the SWM-I and SWM-II filter into a noise detection mechanism to determine whether a pixel is corrupted. According to the proposed method, a corrupted image can be classed as smooth and complex regions the appropriate filters are selected to process the regions, respectively. Finally, we calculate Peak-Signal-to-Noise Ratio of filtered image to perform noise removal capability.

目錄
論文提要 I
英文摘要 II
目錄 III
圖目錄 V
表目錄 VII
第一章 緒論 1
1.1 研究動機與目的 1
1.2 文獻回顧 1
1.3 研究範圍 2
第二章 理論基礎 4
2.1 中值濾波器(Standard median filter, SM) 4
2.2 中心加權中值濾波器(Center-weighted median filter, CWM) 5
2.3 切換式中值濾波器(Switching median filter, SWM-I) 6
2.4 切換式中心加權中值濾波器(Switching Center- weighted median filter, SWM-II) 6
2.5 三態中值濾波器(Tri-state median filter, TSM) 7
2.6 拉普拉斯濾波器(Laplacian filters, Laplacian) 8
2.7 增強的排序脈衝檢測器(Enhanced rank impulse detector, ERID) 10
2.8 差動的排序脈衝檢測器(Differential rank impulse detector, DRID) 11
2.9 修改的切換式中值濾波器(Modified switching median filter, MSWM) 12
第三章 研究方法 16
3.1 SWM-I與SWM-II模擬 16
3.2 判斷複雜度的資訊 20
3.2.1 標準差 20
3.2.2 直方圖 23
3.3 基於影像複雜度之濾波器設計 25
3.3.1 第一次分割 26
3.3.2 判斷條件(1.1) 26
3.3.3 判斷條件(1.2) 28
3.3.4 第二次分割 30
3.3.5 判斷條件(2.1) 30
3.3.6 判斷條件(2.2) 31
3.3.7 第三次分割 33
3.3.8 判斷條件(3.1) 33
3.3.9 判斷條件(3.2) 34
第四章 實驗模擬與結果 36
4.1 影像品質的檢測 36
4.2 濾波時間 52
4.3 模擬結果 53
第五章 結論與未來展望 54
5.1 結論 54
5.2 未來展望 54
參考文獻 55

圖目錄
圖1. 1 隨機值脈衝雜訊 3
圖2. 1 3×3大小的遮罩 4
圖2. 2 5×5大小的遮罩 5
圖2. 3 三態中值濾波器[7] 7
圖2. 4 三態中值濾波器流程圖 8
圖2. 5 新的切換式濾波器流程圖 9
圖2. 6 四個 5×5 迴旋積核心 9
圖2. 7 增強的排序濾波器流程圖 11
圖2. 8 差動的排序濾波器流程圖 12
圖2. 9 修改的切換式中值濾波器流程圖 13
圖2. 10 測試影像 Lena 14
圖2. 11 Lena 隨機值模擬結果 14
圖2. 12 測試影像 Baboon 15
圖2. 13 Baboon 隨機值模擬結果 15
圖3. 1 Lena分為64個區塊 16
圖3. 2 Lena較為複雜的區塊 17
圖3. 3 Baboon分為64個區塊 18
圖3. 4 Baboon較為平滑的區塊 19
圖3. 5 Lena 分為64個區塊 21
圖3. 6 Baboon 分為64個區塊 22
圖3. 7 平滑的邊緣區塊 23
圖3. 8 常態分佈圖 23
圖3. 9 複雜區塊與其直方圖(1) 24
圖3. 10 邊緣區塊與其直方圖(1) 24
圖3. 11 平滑區塊與其直方圖 (1) 24
圖3. 12 影像複雜度之濾波器流程圖 25
圖3. 13 Baboon分為64等份 26
圖3. 14 區塊(1) 27
圖3. 15 Baboon 使用判斷條件(1.1) 28
圖3. 16 區塊(2) 29
圖3. 17 Baboon 使用判斷條件(1.1、1.2) 29
圖3. 18 未被檢測出的平滑區塊 30
圖3. 19 Baboon使用上述三個判斷條件 31
圖3. 20 Baboon使用上述四個判斷條件 32
圖3. 21 Baboon使用上述五個判斷條件 34
圖3. 22 Baboon使用上述六個判斷條件 35
圖4. 1 Lena 隨機值模擬圖 37
圖4. 2 上述各種方法對於15%隨機值脈衝雜訊的 Lena 影像進行濾波 39
圖4. 3 Baboon 隨機值模擬圖 40
圖4. 4 上述各種方法對於15%隨機值脈衝雜訊的Baboon影像進行濾波 43
圖4. 5 Barbara 隨機值模擬圖 43
圖4. 6 上述各種方法對於15%隨機值脈衝雜訊的 Barbara 影像進行濾波 46
圖4. 7 pepper 隨機值模擬圖 46
圖4. 8 上述各種方法對於15%隨機值脈衝雜訊的 Pepper 影像進行濾波 49
圖4. 9 Building隨機值模擬圖 49
圖4. 10 上述各種方法對於15%隨機值脈衝雜訊的 Building 影像進行濾波 52

表目錄
表3. 1 Lena 使用SWM-I濾波後的MSE值 17
表3. 2 Lena 使用SWM-II濾波後的MSE值 17
表3. 3 Baboon 使用SWM-I濾波後的MSE值 19
表3. 4 Baboon 使用SWM-II濾波後的MSE值 19
表3. 5 Lena分為64個區塊的標準差 21
表3. 6 Baboon分為64個區塊的標準差 22
表4. 1 Lena 加入隨機值脈衝雜訊濾波結果 37
表4. 2 Baboon 加入隨機值脈衝雜訊濾波結果 41
表4. 3 Barbara 加入隨機值脈衝雜訊濾波結果 44
表4. 4 pepper 加入隨機值脈衝雜訊濾波結果 47
表4. 5 Building 加入隨機值脈衝雜訊濾波結果 50
表4. 6 上述各種濾波器的濾波時間 52

[1]S. Zhang, M.A. Karim, “A new impulse detector for
switching median filters,” IEEE Signal Process Lett,
2002;9:360-3.
[2]C.C. Kang, W.J. Wang, “Fuzzy reasoning-based
directional median filter design,” Signal Processing 89
(2009) 344–351.
[3]W. Luo, “Efficient removal of impulse noise from
digital images,” IEEE Transactions on Consumer
Electronics, Vol. 52, No. 2, MAY 2006.
[4]A. Hussain, M. Arfan Jaffar, A.M. Mirza, “Random-valued
impulse noise removal using fuzzy logic,” ICIC
International, 2010;10:4273-4288.
[5]I. Aizenberg, C. Butakoff, “Effective impulse detector
based on rank-order criteria,” IEEE Signal Process
Lett, 2004;11:363-6.
[6]C.C. Kang, W.J. Wang, “Modified switching median filter
with one more noise detector for impulse noise
removal,” Int. J. Electron. Commun. (AEÜ), 63 (2009)
998-1004.
[7]T. Chen, K.K. Ma, L.H. Chen, “Tri-state median filter
for image denoising,” IEEE Trans Image Process,
1999;8:1834-8.
[8]T. Sun, Y. Neuvo, “Detail-preserving median based
filters in image processing,” Pattern Recognition 15
(1994) 341-347.
[9]鐘國亮，影像處理與電腦視覺，東華書局出版 ，民國九十七年。