Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження
An optical signal is usually converted into an electrical one by using photosensitive matrices with a large number of discrete elements based on charge-coupled device (CCD) technology or CMOS technology.One of the disadvantages of CCD and CMOS technologies is the impulse conversion noise that appear...
Gespeichert in:
| Datum: | 2021 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
PE "Politekhperiodika", Book and Journal Publishers
2021
|
| Schlagworte: | |
| Online Zugang: | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2021.1-2.21 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Technology and design in electronic equipment |
| Завантажити файл: |  |
Institution
Technology and design in electronic equipment| _version_ | 1867750871118381056 |
|---|---|
| author | Sadchenko, Andrey Kushnirenko, Oleg Troyanskiy, Alexander Savchuk, Yurii |
| author_facet | Sadchenko, Andrey Kushnirenko, Oleg Troyanskiy, Alexander Savchuk, Yurii |
| author_institution_txt_mv | [
{
"author": "Andrey Sadchenko",
"institution": "Odesа Polytechnic National University, Odesа, Ukraine"
},
{
"author": "Oleg Kushnirenko",
"institution": "Odesa National Polytechnic University, Odesа, Ukraine"
},
{
"author": "Alexander Troyanskiy",
"institution": "Odesa National Polytechnic University, Odesа, Ukraine"
},
{
"author": "Yurii Savchuk",
"institution": "SE RI «Storm», Odesа, Ukraine"
}
] |
| author_sort | Sadchenko, Andrey |
| baseUrl_str | https://www.tkea.com.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-06-11T12:21:02Z |
| description | An optical signal is usually converted into an electrical one by using photosensitive matrices with a large number of discrete elements based on charge-coupled device (CCD) technology or CMOS technology.One of the disadvantages of CCD and CMOS technologies is the impulse conversion noise that appears on digitized images, impairing visual perception and significantly reducing the likelihood of correct identification in pattern recognition tasks. Traditionally, impulse noise is removed from images using median filters with a fixed aperture within each iteration of full-format processing. However, such filters reduce the sharpness of the reconstructed image at high noise levels or insufficiently suppress the interference under the same noise conditions. These setbacks call for a need to develop an adaptive median filtering algorithm, which would produce a reconstructed image as a joint result of processing with median filters with different apertures.The essence of this algorithm is to select image areas with different noise levels and process these areas with filters with different apertures. As an objective criterion for assessing the efficiency of the proposed filtering algorithm, the authors used the criterion of the maximum correlation coefficient between noise-free and non-noisy images at various values of the noise variance. The mathematical modeling performed in this study allowed finding that with an increase in the impulse noise variance, the gain of the adaptive median filtering algorithm increases exponentially, in comparison with the algorithms using the filters with a fixed aperture value.The proposed algorithm can be used for pre-preprocessing images intended for recognition by machine vision systems, scanning text, and improving subjective image characteristics, such as sharpness and contrast. |
| doi_str_mv | 10.15222/TKEA2021.1-2.21 |
| first_indexed | 2025-09-24T17:30:22Z |
| format | Article |
| fulltext |
Технология и конструирование в электронной аппаратуре, 2021, № 1–2 21ISSN 2309-9992 (Online)
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
1
УДК 004.932.4
К. т. н. А. В. САДЧЕНКО, О. А. КУШНИРЕНКО, к. т. н. А. В. ТРОЯНСКИЙ, Ю. А. САВЧУК*
Украина, Одесский национальный политехнический университет, *ГП НИИ «Шторм»
E-mail: koa@opu.ua
АДАПТИВНЫЙ АЛГОРИТМ СНИЖЕНИЯ УРОВНЯ
ИМПУЛЬСНОГО ШУМА НА ИЗОБРАЖЕНИЯХ
С КАМЕР ВИДЕОНАБЛЮДЕНИЯ
Присутствие импульсного шума на изображени-
ях ухудшает визуальное восприятие и существен-
но снижает вероятность правильной идентификации
в задачах распознавания образов. В качестве объек-
тов для анализа могут выступать, например, номе-
ра автомобилей, лица людей, текстовая информация
и т. д. Основным компонентом, преобразующим опти-
ческое изображение в цифровую форму, является на-
бор светочувствительных элементов, конструктивно
объединенных на одном кристалле в виде единой ма-
трицы. Самая распространенная технология реали-
зации элементов светочувствительных матриц носит
название ПЗС, или «прибор с зарядовой связью», а
сами матрицы называются ПЗС-матрицами. Таким
образом, основным источником «цифрового шума»
на оцифрованном изображении являются шумы пре-
образования ПЗС-матрицы [1], а также внутренние
шумы аналоговой электроники цифровой камеры.
Наиболее эффективными и простыми метода-
ми борьбы с импульсными помехами с точки зрения
практической реализации [2, 3] являются медианные
фильтры. В [4, 5] проведена экспериментальная про-
верка качества работы медианных фильтров с различ-
ной фиксированной апертурой и доказана их эффек-
тивность при изменяющемся уровне флуктуационных
помех, однако предложенные алгоритмы не адаптиро-
ваны для обработки изображений с импульсным шу-
мом. Основной недостаток большинства алгоритмов
обработки зашумленных изображений заключается
в том, что они построены без учета неравномерно-
сти уровня шума в различных областях изображения.
В [6] рассматривается близкая к идеологии дан-
ного исследования адаптивная медианная фильтра-
ция с возможностью подстройки параметров филь-
Рассмотрены особенности применения алгоритмов медианной фильтрации для очистки от импульсного шума
черно-белых и цветных изображений, полученных с оптических преобразователей, в состав которых входит
матрица на основе приборов с зарядовой связью. Установлено, что использование набора из нескольких меди-
анных фильтров с переменной апертурой позволяет добиться лучшей субъективной резкости и более высоко-
го коэффициента корреляции между восстановленным изображением и незашумленным, чем известные ана-
логичные алгоритмы. Использование разработанного алгоритма позволит повысить вероятность правильно-
го распознавания символьной и графической информации на восстановленных изображениях, например, в зада-
чах распознавания автомобильных номеров и лиц людей в условиях плохой видимости или слабой освещенности.
Ключевые слова: медианный фильтр, усредняющее окно, апертура фильтра, коэффициент корреляции.
тра под конкретную помеховую ситуацию, при этом
очевидно, что полученные в работе результаты могут
быть улучшены, например, за счет объединения от-
кликов нескольких фильтров в один массив данных.
Хорошие результаты очистки изображения от
шума на основе элементов нейронной сети, обраба-
тывающей сигнал с применением алгоритмов нели-
нейной диффузии, получены в [7—9]. К недостатку
данного подхода можно отнести очень высокую вы-
числительную сложность и необходимость большо-
го числа итераций для обучения фильтров, реализу-
ющих нелинейную диффузию.
Целью данной работы является улучшение каче-
ственных показателей, таких как резкость и коэффи-
циент корреляции, очищенного от импульсного шума
изображения, которое предназначено для автомати-
зированного распознавания, с помощью алгоритма
адаптивной медианной фильтрации.
Суть медианной фильтрации импульсного шума
на изображении
Медианные фильтры с одинаковым успехом при-
меняются для снижения интенсивности импульсно-
го шума как цветных, так и черно-белых изображе-
ний [10, 11].
Импульсный шум на черно-белом изображе-
нии проявляется как отдельные хаотические пиксе-
ли с большим отличием яркости от усредненного в
окне N×N значения, а в случае цветного изображе-
ния — в виде отдельных пикселей случайного цве-
та. При этом анализ цветного изображения сводится
к анализу черно-белого после разделения его на мо-
нохромные каналы красного, зеленого и синего цве-
тов. Суть алгоритма медианной фильтрации [12] за-
DOI: 10.15222/TKEA2021.1-2.21
Технология и конструирование в электронной аппаратуре, 2021, № 1–222 ISSN 2309-9992 (Online)
2
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
ключается в замене значения центрального пикселя
в скользящем «окне усреднения» на значение сред-
него элемента упорядоченного массива пикселей.
Окно усреднения в литературе называется апер-
турой, и в случае медианной фильтрации может при-
нимать значения [3×3], [5×5], [7×7] и т. д. Наиболее
часто используемые размеры апертур для снижения
уровня импульсного шума — [3×3] и [5×5], посколь-
ку большие размеры окон приводят к потере каче-
ства изображения. Главное достоинство этого алго-
ритма — простота технической реализации благода-
ря отсутствию арифметических операций умноже-
ния, а также эффективное удаление отдельных эле-
ментов, амплитуда которых намного больше, чем со-
седних пикселей.
Рассмотрим стандартный алгоритм медианной
фильтрации [13] в окне [3×3] применительно к изо-
бражению на рис. 1, на котором присутствует им-
пульсный шум с дисперсией σ2 = 0,2. На рис. 2 приве-
дены соответствующие выделенному на рис. 1 фраг-
менту изображения массивы выборок в градациях се-
рого до и после медианной фильтрации
На рис. 3 показаны этапы формирования сигна-
ла на выходе медианного фильтра с апертурой [3×3].
Для определенности предположим, что окно филь-
тра имеет центр на пересечении 13-й строки и 4-го
столбца. Поскольку центральный элемент имеет ну-
левую яркость, а большинство соседних пикселей су-
щественно отличаются по амплитуде, можно пред-
положить, что он представляет собой элемент им-
пульсного шума.
На шаге 1 (рис. 3, a) массив [3×3] преобразует-
ся в строку 1 из 9 элементов следующим образом:
I = [m11, m12, m13, m21, m22, m23, m31, m32, m33] =
= [i1, i2, i3, i4, i5, i6, i7, i8, i9] =
= [207, 117, 255, 208, 0, 0, 199, 118, 44].
На шаге 2 (рис. 3, б) происходит сортировка стро-
ки 1 в порядке возрастания амплитуды выборок:
J = [min(i1, i2, …, i9) ≤ i2 ≤ i3 ≤ … ≤ i9 = max(i1, i2, …, i9] =
= [0, 0, 44, 117, 118, 199, 207, 208, 255].
Выходное значение фильтра (рис. 3, в) выбирается
как медиана массива J: [J5] = 118. Оно заменяет эле-
мент с уровнем «0» 13-й строки 4-го столбца исходно-
го изображения. Результат обработки изображения
с помощью медианного фильтра показан на рис. 4.
Рис. 1. Изображение автомобиля при наличии импульсно-
го шума с дисперсией σ2 = 0,2 с увеличенным фрагментом,
попадающим в апертуру медианного фильтра
Рис 2. Массивы, соответствующие выделенному на рис. 1 участку изображения:
а — массив выборок в градациях серого (полужирным шрифтом выделены уровни импульсного шума «0» и «255»);
б — после медианной фильтрации
а) б)
Технология и конструирование в электронной аппаратуре, 2021, № 1–2 23ISSN 2309-9992 (Online)
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
3
Для оценки эффективности работы медианно-
го фильтра удобно использовать критерий RMS
[14] — минимум среднеквадратического отклоне-
ния яркости пикселей оригинального и очищенного
от шума изображения, либо критерий максимума ко-
эффициента корреляции r [15] этих же изображений.
Воспользуемся вторым как более информативным:
2 2
( )( )
,
( ) ( )
mn mn
m n
mn mn
m n m n
A A B B
r
A A B B
где А — оригинальное изображение;
В — восстановленное изображение;
m, n — индексы 2-го массива
M, N — размеры изображения А и В, соответственно,
по горизонтали и вертикали в пикселях;
,A B — средние значения яркости пикселей с учетом
усреднения по всему второму массиву, пред-
ставляющему изображение:
1 1( ), ( ).mn mn
m n m n
A A B B
MN MN
Коэффициент корреляции между оригинальным
и зашумленным изображением с дисперсией σ2 = 0,2
составил r = 0,68, а между оригинальным и очищен-
ным от шума с помощью медианного фильтра —
r = 0,973.
На рис. 5 приведена зависимость коэффициента
корреляции от дисперсии импульсного шума для ме-
дианных фильтров с апертурами [3×3] и [5×5].
Как видно из рис. 5, скорость спада коэффициен-
та корреляции возрастает при увеличении дисперсии
импульсного шума.
В связи с недостатками медианной фильтрации
с фиксированной апертурой предлагается использо-
вать алгоритм, основанный на адаптивной медиан-
ной фильтрации.
Разработанный адаптивный алгоритм медианной
фильтрации удобно рассматривать в виде структур-
ной схемы, которая показана на рис. 6.
Адаптивный фильтр работает следующим обра-
зом. Выборки входного изображения, содержаще-
го импульсный шум, поступают одновременно на
устройство ранжирования (двухпороговый компа-
ратор), на медианные фильтры с апертурой [3×3]
и фильтр с переменной апертурой [n×n], где n = 5,
7, 9, …
Уровни нижнего ZН и верхнего ZВ порогов компа-
ратора зависят от ожидаемой дисперсии шума и для
случая 8-битного изображения определяются следу-
ющим образом:
2
Н
2
В
255 σ 255σ;
255 255 σ 255(1 σ),
Z
Z
где σ2 — дисперсия шума.
Рис 4. Очищенное с помощью медианной фильтрации с
окном [3×3] изображение автомобиля, приведенное на рис. 1
Рис 5. Зависимость коэффициента корреляции от диспер-
сии импульсного шума для медианных фильтров с окнами
[3×3] (1) и [5×5] (2)
1
2
r
0,9
0,8
0,7
0,6
0,5
0 0,1 0,2 0,3 0,4 0,5 σ2
Рис 3. Алгоритм медианной фильтрации в окне [3×3]:
шаг 1 — массив выборок I в градациях серого, соответ-
ствующий увеличенному фрагменту изображения на рис. 1;
шаг 2 — ранжированный в порядке возрастания массив выбо-
рок J; шаг 3 — выбор выходного значения фильтра
Шаг 1
Шаг 2
Шаг 3
Входная
выборка
Выход
фильтра
Ранжирование в порядке возрастания значений
Медиана
I =
J =
Технология и конструирование в электронной аппаратуре, 2021, № 1–224 ISSN 2309-9992 (Online)
4
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
На выходе компаратора образуется бинарный
управляющий сигнал
in
out
inH Вi
H
n
В0 при ;
1 при или ,
Comp
Comp
Comp C
Z Z
Z Zomp
ì < <ï
£ ³
ï=íïïî
где Compin — значение амплитуды выборки на вхо-
де компаратора.
Выходной сигнал компаратора управляет ком-
мутатором, который подключает канал медианного
фильтра с апертурой [3×3] в случае логического «0»
или канал медианного фильтра с апертурой [n×n] в
случае логической «1». Для полученного на выходе
коммутатора изображения рассчитывается коэффици-
ент корреляции с незашумленным исходным изобра-
жением. Далее коэффициент корреляции сравнива-
ется с желаемым, или допустимым, (Δ) значением, и
если условие выполняется, то схема завершает работу
по очистке изображения (ImageREC) от шума. Если по-
лучен низкий коэффициент корреляции, схема срав-
нения вырабатывает управляющий сигнал (уровень
логической «1») на медианный фильтр с переменной
апертурой, и процедура фильтрации повторяется с ис-
пользованием фильтра, обладающего большим раз-
мером усредняющего окна.
Примеры очистки зашумленных импульсным шу-
мом изображений с помощью медианных фильтров
с апертурами [3×3] и [5×5] для различной дисперсии
шума приведены на рис. 7, значения коэффициента
корреляции с исходным изображением представлены
в таблице. Как видно, с ростом дисперсии шума ка-
Рис 6. Структурная схема устройства очистки изображения от импульсного шума, основанная на адаптивной
медианной фильтрации
Размер
апертуры
[n×n]=[n+2×n+2]
Изображение
Image
Схема
сравнения
Вычисление
коэффициента
корреляции
r(Imаgе, RECImeg )
Медианный
фильтр
с апертурой
[3×3]
Двухпороговый
компаратор
Импульсный
шум
ImageNOISE
Медианный
фильтр
с апертурой
[n×n], n=5,7,9,...
Верхний
порог
Буфер
очищенного
изображенияНижний
порог У
пр
ав
ле
ни
е
«
0»
/«
1»
«1»
«0»
«1» — Счет «0» — Стоп
Уп
ра
вл
ен
ие «1»«0»
Δ
Очищенное
изображение
ImageREC
Compin Compout
ZН
ZВ
in
out
inH Вi
H
n
В0 при ;
1 при или ,
Comp
Comp
Comp C
Z Z
Z Zomp
ì < <ï
£ ³
ï=íïïî
RECImeg
чество восстановленного изображения ухудшается.
Начиная со значения σ2 = 0,3, медианная фильтрация
с апертурой [3×3] не устраняет помеху, а фильтрация
с апертурой [5×5] ухудшает резкость изображения.
Значения коэффициента корреляции между восстанов-
ленным и незашумленным изображением при различной
дисперсии импульсного шума
Изображение
Коэффициент корреляции r
при различной дисперсии σ2
0,1 0,2 0,3 0,4 0,5 0,6
Зашумленное 0,824 0,68 0,55 0,45 0,36 0,27
После
медианного
фильтра [3×3]
0,982 0,973 0,946 0,89 0,79 0,64
После
медианного
фильтра [5×5]
0,94 0,96 0,952 0,93 0,92 0,86
После
адаптивного
медианного
фильтра
0,984 0,977 0,969 0,96 0,95 0,935
Анализ приведенных в таблице данных показыва-
ет, что при относительно небольшой дисперсии им-
пульсного шума (σ2 < 0,2) медианная фильтрация с
помощью фильтра, обладающего минимальным раз-
мером апертуры [3×3], гарантирует достаточно боль-
шое значение коэффициента корреляции при неболь-
ших вычислительных затратах. При больших значе-
Технология и конструирование в электронной аппаратуре, 2021, № 1–2 25ISSN 2309-9992 (Online)
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
5
ниях дисперсии импульсного шума (σ2 > 0,3) адап-
тивный алгоритм обеспечивает выигрыш в качестве
изображения до 30% по критерию максимума коэф-
фициента корреляции между восстановленным и не-
зашумленным изображениями.
Заключение
Таким образом, использование алгоритма адап-
тивной медианной фильтрации позволило улучшить
качество восстановленного изображения для случая
импульсного шума по сравнению с алгоритмами ме-
дианной фильтрации, имеющими фиксированную
апертуру. Выигрыш в показателях качества увеличи-
Рис 7. Примеры изображений, зашумленных импульсным шумом и очищенных с помощью медианных фильтров
с апертурами [3×3] и [5×5] и адаптивного медианного фильтра, при различных значениях дисперсии
σ2 = 0,2 σ2 = 0,3 σ2 = 0,4 σ2 = 0,6
После медианного фильтра с апертурой [3×3]
После медианного фильтра с апертурой [5×5]
После адаптивного медианного фильтра
вается с ростом дисперсии шума изображения, под-
вергаемого фильтрации. В результате проведенного
математического моделирования удалось установить
значения размеров апертуры вспомогательного ме-
дианного фильтра, обеспечивающие максимальное
значение коэффициента корреляции при заданной
дисперсии импульсного шума исходного изображе-
ния. Предложенный алгоритм может быть обобщен
на случай, когда высота изображения не равна его
ширине, т. е. для стандартных размеров фотосним-
ков с соотношением сторон 3×4, 16×9, 21×10 и т. д.,
а также для обработки цветных изображений после
их разбиения на монохромные каналы.
Технология и конструирование в электронной аппаратуре, 2021, № 1–226 ISSN 2309-9992 (Online)
6
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
ИСПОЛЬЗОВАННЫЕ ИСТОЧНИКИ
1. Айфичер Э., Джервис Б. Цифровая обработка сигналов.
Практический подход. Москва, Вильямс, 2004, 992 с.
2. Кельберт М., Питербарг Л. Медианная фильтрация. Квант,
1990, №10, с. 8–13.
3. Радченко Ю. С. Эффективность приема сигналов на фоне
комбинированной помехи с дополнительной обработкой в ме-
дианном фильтре. Журнал радиоэлектроники, 2001, № 7, c. 45.
4. Kai Zhang, Wangmeng Zuo, Yunjin Chen et al. Beyond
a gaussian denoiser: residual learning of deep CNN for image
denoising. IEEE Transactions on Image Processing, 2017, vol. 26, N 7,
p. 3142–3155. https://doi.org/10.1109/TIP.2017.2662206
5. Видмиш А. А., Возняк О. М., Купчук І. М., Бойко
Д. Л. Дослідження медіанної фільтрації одновимірних сигналів.
Вібрації в техніці та технологіях. 2020, № 1(96), c. 88–102.
6. Яровой Н. И. Адаптивная медианная фильтрация,
Екатеринбург, ControlStyle, 2006, 38 c.
7. Chen Y., Pock T. Trainable nonlinear reaction diffusion: A
flexible framework for fast and effective image restoration. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 2016,
14 p. https://doi.org/10.1109/TPAMI.2016.2596743
8. Сизов Н. А., Раевский В. П., Дурандин Д. П. и др.
Использование нейронных сетей для очистки изображений от
шумов. Молодой ученый, 2019, № 27(265), c. 34–36.
9. Roth S., Black M. J. Fields of experts. International Journal
of Computer Vision, 2009, vol. 82, N 2, p. 205–229. https://doi.
org/10.1007/s11263-008-0197-6
10. Павлов С. В., Салдан Й. Р., Злепко С. М. та ін. Методи
попередньої обробки томографічних зображень очного дна.
Інформаційні технології та комп'ютерна інженерія, 2019, т. 45,
№. 2, с. 4–12.
11. Воробьев Н. Одномерный цифровой медианный фильтр с
трехотсчетным окном. ChipNews. 1999, № 8, c. 35.
12. Семенов И. В. Особенности использования медиан-
ных фильтров в системах управления. С.-Пб.: ГНЦ РФ-ЦНИИ
“Электроприбор”, 2006, 77 с.
13. Дьяконов В. П. MATLAB и SIMULINK для радиоинжене-
ров. Саратов, Профобразование, 2019, 976 c.
14. Яне Б. Цифровая обработка изображений. Москва,
Техносфера, 2007, 584 с.
15. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изо-
бражений в среде MATLAB. Москва, Техносфера, 2006, 616 с.
Дата поступления рукописи
в редакцию 22.03 2021 г.
А. В. САДЧЕНКО, О. А. КУШНІРЕНКО,
О. В. ТРОЯНСЬКИЙ, Ю. О. САВЧУК*
Україна, м. Одеса,
Одеський національний політехнічний університет,
*ДП НДІ «Шторм»
E-mail: koa@opu.ua
АДАПТИВНИЙ АЛГОРИТМ ЗНИЖЕННЯ РІВНЯ ІМПУЛЬСНОГО ШУМУ
НА ЗОБРАЖЕННЯХ З КАМЕР ВІДЕОСПОСТЕРЕЖЕННЯ
Для перетворення оптичного сигналу в електричний зазвичай використовують світлочутливі матриці з великим чис-
лом дискретних елементів, виконаних за технологією приладів із зарядовим зв'язком (ПЗЗ) або на основі КМОП-
технології.
До недоліків ПЗЗ і КМОП-технологій можна віднести виникнення імпульсного шуму перетворення на оцифрованих
зображеннях, який погіршує візуальне сприйняття й істотно знижує ймовірність правильної ідентифікації в зада-
чах розпізнавання образів. Зазвичай для очищення зображень від імпульсного шуму застосовують медіанні фільтри
з фіксованою апертурою в межах кожної ітерації повноформатної обробки. До недоліків таких фільтрів можна
віднести зниження чіткості відновленого зображення за великих рівнів шуму або недостатнє придушення завади
за тих же шумових умов. Ці недоліки зумовили необхідність розробки алгоритму адаптивної медіанної фільтрації,
в результаті якої відтворене зображення являє собою спільний результат обробки медіанними фільтрами з різною
апертурою.
Суть алгоритму полягає у виділенні ділянок зображення з різним рівнем шуму та обробці цих ділянок фільтрами з
різною апертурою. За об'єктивний критерій для оцінки ефективності роботи запропонованого алгоритму фільтрації
прийнято критерій максимуму коефіцієнта кореляції між очищеним від шуму та незашумленим зображеннями за
різних значень дисперсії шуму. В результаті проведеного математичного моделювання було встановлено, що зі зро-
станням дисперсії імпульсного шуму виграш алгоритму адаптивної медіанної фільтрації зростає по експонентному
закону в порівнянні з алгоритмами, в яких використовуються фільтри з фіксованим значенням апертури.
Запропонований алгоритм можна використовувати для попередньої обробки зображень, призначених для
розпізнавання системами машинного зору, сканування тексту, а також для поліпшення суб'єктивних характеристик
зображення, таких як чіткість і контрастність.
Ключові слова: медіанний фільтр, імпульсний шум, апертура фільтру, коефіцієнт кореляції.
DOI: 10.15222/TKEA2021.1-2.21
УДК 004.932.4
Технология и конструирование в электронной аппаратуре, 2021, № 1–2 27ISSN 2309-9992 (Online)
СИСТЕМЫ ПЕРЕДАЧИ И ОБРАБОТКИ СИГНАЛОВ
7
А. V. SADCHENKO, O. A. KUSHNIRENKO,
A. V. TROYANSKIY, Iu. A. SAVCHUK*
Ukraine, Odessa, Odessa National Polytechnic University, *SE RI «Storm»
E-mail: koa@opu.ua
ADAPTIVE ALGORITHM FOR REDUCING PULSE NOISE LEVEL
IN IMAGES FROM CCTV CAMERAS
An optical signal is usually converted into an electrical one by using photosensitive matrices with a large number of discrete
elements based on charge-coupled device (CCD) technology or CMOS technology.
One of the disadvantages of CCD and CMOS technologies is the impulse conversion noise that appears on digitized images,
impairing visual perception and significantly reducing the likelihood of correct identification in pattern recognition tasks.
Traditionally, impulse noise is removed from images using median filters with a fixed aperture within each iteration of full-
format processing. However, such filters reduce the sharpness of the reconstructed image at high noise levels or insufficiently
suppress the interference under the same noise conditions. These setbacks call for a need to develop an adaptive median
filtering algorithm, which would produce a reconstructed image as a joint result of processing with median filters with different
apertures.
The essence of this algorithm is to select image areas with different noise levels and process these areas with filters with
different apertures. As an objective criterion for assessing the efficiency of the proposed filtering algorithm, the authors used
the criterion of the maximum correlation coefficient between noise-free and non-noisy images at various values of the noise
variance. The mathematical modeling performed in this study allowed finding that with an increase in the impulse noise
variance, the gain of the adaptive median filtering algorithm increases exponentially, in comparison with the algorithms using
the filters with a fixed aperture value.
The proposed algorithm can be used for pre-preprocessing images intended for recognition by machine vision systems,
scanning text, and improving subjective image characteristics, such as sharpness and contrast.
Кeywords: median filter, impulse noise, filter aperture, correlation coefficient.
DOI: 10.15222/TKEA2021.1-2.21
UDC 004.932.4
REFERENCES
1. Aіficher E., Jervis B. Tsifrovaya obrabotka signalov.
Prakticheskiy pohod [Digital signal processing. Practical hike].
Moskow, Wilyams, 2004, 992 р. [Rus]
2. Kelbert M., Piterbarg L. Mediannaya fil'tratsiya [Median filtra-
tion]. Kvant, 1990, no. 10, рр. 8–13. [Rus]
3. Radchenko Yu. S. [Signal reception efficiency against the
background of combined interference with additional processing in
the median filter]. Zhurnal radioelektroniki, 2001, no. 7, pp. 45. [Rus]
4. Kai Zhang, Wangmeng Zuo, Yunjin Chen et al. Beyond a gauss-
ian denoiser: residual learning of deep CNN for image denoising.
IEEE Transactions on Image Processing, 2017, vol. 26, no. 7, pp.
3142–3155. https://doi.org/10.1109/TIP.2017.2662206
5. Vydmysh A. A., Voznyak O. M., Kupchuk I. M., Boyko D. L.
[Research of median filtering of one-dimensional signals]. Vibratsiyi
v tekhnitsi ta tekhnolohiyakh, 2020, no.1(96), pp. 88–102. [Ukr]
6. Yarovoy, N. I. Adaptivnaya mediannaya filtratsiya [Adaptive
median filtration]. Ekaterinburg, ControlStyle, 2006, 38 p. [Rus]
7. Chen Y., Pock T. Trainable nonlinear reaction diffusion: A
flexible framework for fast and effective image restoration. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 2016,
14 p. https://doi.org/10.1109/TPAMI.2016.2596743
8. Sizov N. A., Rayevskiy V. P., Durandin D. P. et al. [The use of
neural networks for cleaning images from noise]. Molodoy uchenyy,
2019, no. 27(265), pp. 34–36. [Rus]
9. Roth S., Black M. J. Fields of experts. International Journal
of Computer Vision, 2009, vol. 82, no. 2, pp. 205–229. https://doi.
org/10.1007/s11263-008-0197-6
10. Pavlov S. V., Saldan Y. R., Zlepko S. M. et al. Method of pre-
processing tomografic images of the fundus. Information technology
and computer engineering, 2019, vol. 45, no. 2, pp. 4–12. https://doi.
org/10.31649/1999-9941-2019-45-2-4-12 [Ukr]
11. Vorobyov N. [One-dimensional digital median filter with three-
count window]. ChipNews, 1998, no. 8, pp. 35. [Rus]
12. Semyonov I. V. Osobennosti ispolzovaniya mediannyih filtrov
v sistemah upravleniya [Features of the use of median filters in control
systems]. S.-Pb., GNTs RF-TsNII “Elektropribor”, 2006, 77 p. [Rus]
13. D'yakonov V. P. MATLAB i SIMULINK dlya radioinzhenerov
[MATLAB and SIMULINK for radio engineers]. Saratov, Profobra-
zovaniye, 2019, 976 c.
14. Yane B. Tsifrovaya obrabotka izobrazeniy [Digital image
processing]. Мoskow, Technosfera, 2007, 584 p. [Rus]
15. Gosales R., Wuds R., Eddins S. Tsifrovaya obrabotka v srede
MATLAB [Digital image processing]. Мoskow, Technosfera, 2006,
616 p. [Rus]
Описание статьи для цитирования:
Садченко А. В., Кушниренко О. А., Троянский А. В., Савчук
Ю. А. Адаптивный алгоритм снижения уровня импульсного
шума на изображениях с камер видеонаблюдения. Техно логия
и конструи рование в электронной аппаратуре, 2021, № 1–2,
с. 21–27. http://dx.doi.org/10.15222/TKEA2021.1-2.21
Cite the article as:
Sadchenko А. V., Kushnirenko O. A., Troyanskiy A. V., Savchuk
Yu.A. Adaptive algorithm for reducing pulse noise level in images
from cctv cameras. Tekhnologiya i Konstruirovanie v Elektronnoi
Apparature, 2021, no. 1–2, pp. 21–27. http://dx.doi.org/10.15222/
TKEA2021.1-2.21
|
| id | oai:tkea.com.ua:article-82 |
| institution | Technology and design in electronic equipment |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-12T01:00:35Z |
| publishDate | 2021 |
| publisher | PE "Politekhperiodika", Book and Journal Publishers |
| record_format | ojs |
| resource_txt_mv | wwwtkeacomua/26/5a922bb7393c2684e5379491701bf726.pdf |
| spelling | oai:tkea.com.ua:article-822026-06-11T12:21:02Z Adaptive algorithm for reducing pulse noise level in images from CCTV cameras Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження Sadchenko, Andrey Kushnirenko, Oleg Troyanskiy, Alexander Savchuk, Yurii median filter impulse noise filter aperture медіанний фільтр імпульсний шум апертура фільтру коефіцієнт кореляції An optical signal is usually converted into an electrical one by using photosensitive matrices with a large number of discrete elements based on charge-coupled device (CCD) technology or CMOS technology.One of the disadvantages of CCD and CMOS technologies is the impulse conversion noise that appears on digitized images, impairing visual perception and significantly reducing the likelihood of correct identification in pattern recognition tasks. Traditionally, impulse noise is removed from images using median filters with a fixed aperture within each iteration of full-format processing. However, such filters reduce the sharpness of the reconstructed image at high noise levels or insufficiently suppress the interference under the same noise conditions. These setbacks call for a need to develop an adaptive median filtering algorithm, which would produce a reconstructed image as a joint result of processing with median filters with different apertures.The essence of this algorithm is to select image areas with different noise levels and process these areas with filters with different apertures. As an objective criterion for assessing the efficiency of the proposed filtering algorithm, the authors used the criterion of the maximum correlation coefficient between noise-free and non-noisy images at various values of the noise variance. The mathematical modeling performed in this study allowed finding that with an increase in the impulse noise variance, the gain of the adaptive median filtering algorithm increases exponentially, in comparison with the algorithms using the filters with a fixed aperture value.The proposed algorithm can be used for pre-preprocessing images intended for recognition by machine vision systems, scanning text, and improving subjective image characteristics, such as sharpness and contrast. Для перетворення оптичного сигналу в електричний зазвичай використовують світлочутливі матриці з великим числом дискретних елементів, виконаних за технологією приладів із зарядовим зв'язком (ПЗЗ) або на основі КМОП-технології.До недоліків ПЗЗ і КМОП-технологій можна віднести виникнення імпульсного шуму перетворення на оцифрованих зображеннях, який погіршує візуальне сприйняття й істотно знижує ймовірність правильної ідентифікації в задачах розпізнавання образів. Зазвичай для очищення зображень від імпульсного шуму застосовують медіанні фільтри з фіксованою апертурою в межах кожної ітерації повноформатної обробки. До недоліків таких фільтрів можна віднести зниження чіткості відновленого зображення за великих рівнів шуму або недостатнє придушення завади за тих же шумових умов. Ці недоліки зумовили необхідність розробки алгоритму адаптивної медіанної фільтрації, в результаті якої відтворене зображення являє собою спільний результат обробки медіанними фільтрами з різною апертурою.Суть алгоритму полягає у виділенні ділянок зображення з різним рівнем шуму та обробці цих ділянок фільтрами з різною апертурою. За об'єктивний критерій для оцінки ефективності роботи запропонованого алгоритму фільтрації прийнято критерій максимуму коефіцієнта кореляції між очищеним від шуму та незашумленим зображеннями за різних значень дисперсії шуму. В результаті проведеного математичного моделювання було встановлено, що зі зростанням дисперсії імпульсного шуму виграш алгоритму адаптивної медіанної фільтрації зростає по експонентному закону в порівнянні з алгоритмами, в яких використовуються фільтри з фіксованим значенням апертури.Запропонований алгоритм можна використовувати для попередньої обробки зображень, призначених для розпізнавання системами машинного зору, сканування тексту, а також для поліпшення суб'єктивних характеристик зображення, таких як чіткість і контрастність. PE "Politekhperiodika", Book and Journal Publishers 2021-03-23 Article Article Peer-reviewed Article application/pdf https://www.tkea.com.ua/index.php/journal/article/view/TKEA2021.1-2.21 10.15222/TKEA2021.1-2.21 Technology and design in electronic equipment; No. 1–2 (2021): Tekhnologiya i konstruirovanie v elektronnoi apparature; 21-27 Технологія та конструювання в електронній апаратурі; № 1–2 (2021): Технология и конструирование в электронной аппаратуре; 21-27 3083-6549 3083-6530 10.15222/TKEA2021.1-2 uk https://www.tkea.com.ua/index.php/journal/article/view/TKEA2021.1-2.21/75 Copyright (c) 2021 Andrey Sadchenko, Oleg Kushnirenko, Alexander Troyanskiy, Yurii Savchuk http://creativecommons.org/licenses/by/4.0/ |
| spellingShingle | медіанний фільтр імпульсний шум апертура фільтру коефіцієнт кореляції Sadchenko, Andrey Kushnirenko, Oleg Troyanskiy, Alexander Savchuk, Yurii Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title | Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title_alt | Adaptive algorithm for reducing pulse noise level in images from CCTV cameras |
| title_full | Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title_fullStr | Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title_full_unstemmed | Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title_short | Адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| title_sort | адаптивний алгоритм зниження рівня імпульсного шуму на зображеннях з камер відеоспостереження |
| topic | медіанний фільтр імпульсний шум апертура фільтру коефіцієнт кореляції |
| topic_facet | median filter impulse noise filter aperture медіанний фільтр імпульсний шум апертура фільтру коефіцієнт кореляції |
| url | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2021.1-2.21 |
| work_keys_str_mv | AT sadchenkoandrey adaptivealgorithmforreducingpulsenoiselevelinimagesfromcctvcameras AT kushnirenkooleg adaptivealgorithmforreducingpulsenoiselevelinimagesfromcctvcameras AT troyanskiyalexander adaptivealgorithmforreducingpulsenoiselevelinimagesfromcctvcameras AT savchukyurii adaptivealgorithmforreducingpulsenoiselevelinimagesfromcctvcameras AT sadchenkoandrey adaptivnijalgoritmznižennârívnâímpulʹsnogošumunazobražennâhzkamervídeosposterežennâ AT kushnirenkooleg adaptivnijalgoritmznižennârívnâímpulʹsnogošumunazobražennâhzkamervídeosposterežennâ AT troyanskiyalexander adaptivnijalgoritmznižennârívnâímpulʹsnogošumunazobražennâhzkamervídeosposterežennâ AT savchukyurii adaptivnijalgoritmznižennârívnâímpulʹsnogošumunazobražennâhzkamervídeosposterežennâ |