[论文解读] Salt-n-pepper noise filtering using Cellular Automata

Dimitrios Tourtounis, Nikolaos Mitianoudis+1 more|arXiv (Cornell University)|Aug 16, 2017

Cellular Automata and Applications参考文献 35被引用 3

一句话总结

本文提出了一种基于细胞自动机（CA）的低复杂度方法，用于在灰度图像中去除椒盐噪声，采用二维 Moore 邻域。通过识别噪声像素并用其非噪声邻居的平均值替换，该方法在噪声密度为 10% 至 90% 的范围内实现了高 PSNR 和 SSIM 值，优于现有最先进技术，同时保持边缘清晰并最小化模糊。

ABSTRACT

Cellular Automata (CA) have been considered one of the most pronounced parallel computational tools in the recent era of nature and bio-inspired computing. Taking advantage of their local connectivity, the simplicity of their design and their inherent parallelism, CA can be effectively applied to many image processing tasks. In this paper, a CA approach for efficient salt-n-pepper noise filtering in grayscale images is presented. Using a 2D Moore neighborhood, the classified "noisy" cells are corrected by averaging the non-noisy neighboring cells. While keeping the computational burden really low, the proposed approach succeeds in removing high-noise levels from various images and yields promising qualitative and quantitative results, compared to state-of-the-art techniques.

研究动机与目标

• 为高效去除灰度图像中的高密度椒盐噪声，同时保留图像细节（如边缘和细线）提供解决方案。
• 克服传统滤波器（如中值滤波器和自适应中值滤波器）在高噪声水平下存在的模糊或计算复杂度过高的局限性。
• 利用细胞自动机固有的并行性和局部连接特性，实现计算高效、硬件友好的图像去噪方案。
• 开发一种即使在极端噪声密度（高达 90%）下也能保持高图像质量的方法，无需使用大窗口尺寸或复杂自适应机制。

提出的方法

• 该方法在每个像素周围采用二维 Moore 邻域（3×3 网格）以评估局部上下文，并将中心像素分类为噪声或非噪声。
• 通过计算其非噪声邻居单元的平均强度来校正噪声像素，从而最小化图像结构的失真。
• 算法应用确定性的局部规则，基于邻域分类迭代更新单元状态，支持图像网格上的并行执行。
• 该方法包括一个二值分类步骤，用于区分噪声和非噪声像素，随后仅对噪声单元进行强度校正。
• 该方法专为硬件效率设计，由于其规则性、局部性和固有的并行结构，适合在 FPGA 或 GPU 上实现。
• 该算法在噪声密度为 10% 至 90% 的多个标准测试图像（Lena、Baboon、Barbara、Lighthouse、Fingerprint、Pentagon）上，使用 PSNR 和 SSIM 指标进行了评估。

实验结果

研究问题

• RQ1 基于细胞自动机的方法是否能在宽泛的噪声密度范围（10%–90%）内以低计算开销有效去除椒盐噪声？
• RQ2 在高噪声水平下，所提出的 CA 方法与 AMF、PSMF 和 FBAMF 等最先进滤波器相比，在 PSNR 和 SSIM 指标上的表现如何？
• RQ3 与会模糊此类特征的传统基于中值的滤波器相比，CA 方法在保留图像边缘和细节方面的能力如何？
• RQ4 CA 的固有并行性是否能够支持在 FPGA 或 GPU 等平台上实现高效硬件部署，以满足实时图像去噪应用的需求？
• RQ5 该方法在低分辨率图像（如 256×256）上是否仍能保持高性能，其中空间信息有限且去噪更具挑战性？

主要发现

• 在 512×512 的 Lena 图像上，该 CA 方法在 90% 噪声密度下实现了 27.98 dB 的 PSNR，优于第二好的方法 FBAMF（26.91 dB）。
• 在 70% 噪声密度下，该方法在相同图像上实现了 33.18 dB 的 PSNR，再次超过 FBAMF（31.38 dB），表明在高噪声水平下具有持续的优越性。
• 该方法在所有测试的噪声密度下均保持了较高的 SSIM 值，表明恢复图像与原始图像之间具有强结构相似性。
• 即使在 256×256 分辨率下，该方法仍优于传统滤波器（如 SMF、PSMF 和 BDND），后者表现出明显的模糊和图像质量下降。
• 该算法在多种测试图像（Lena、Baboon、Barbara、Lighthouse、Fingerprint、Pentagon）上表现出鲁棒性，在高噪声水平下产生了视觉上更优的结果。
• 该方法计算复杂度低且具有固有的并行性，因此非常适用于在 FPGA 或 GPU 平台上的硬件加速。