0 引言

图像在生成、传输和接收的过程中，由于传感器元件质量和通信系统故障及通信信道受阻等因素，会引入不同类型的噪声，从而导致图像质量的下降^[1]。去噪对于图像分割、特征提取、模式识别等处理过程起着至关重要的作用。

椒盐噪声是图像噪声的一种，可以通过滤波方法^[2]进行消除。均值滤波是滤波方法之一，原理简单、运算速度快。然而，均值滤波是低通滤波器，在去噪时会破坏图像的高频细节成分，鉴于此，一些学者提出了改进的均值滤波方法。例如，谭茹等^[3]提出一种自适应非局部均值滤波方法，通过自适应改变窗口大小，有效地保持了图像清晰度。

虽然改进的均值滤波方法一定程度上增强了去噪性能，但作为典型的线性滤波，均值滤波的去噪效果不如非线性滤波方法。因此，一些学者提出了非线性的权重均值滤波方法，例如，Zhang等^[4]提出的自适应加权均值滤波，Wang等^[5]提出的自适应模糊开关加权均值滤波，Lu等^[6]提出的自适应三值加权滤波(Three-Values-Weighted Filter, TVWF)等。然而，现有的滤波方法依然存在去噪性能不理想和耗时长等缺陷。

针对上述问题，本文提出了一种迭代自适应权重均值滤波的去噪方法(Iterative Adaptive Weighted-mean Filter, IAWF)。利用图像邻域像素与中心点的相似性采用新型方法构建邻域权重，并结合开关裁剪均值滤波形成新型滤波器，同时采用自适应扩大窗口，保护图像细节，有效地提升去噪效果。若上述操作未能处理完噪声点，则采用迭代式滤波，重复上述操作，直至噪声点处理完，从而达到了自动处理、减少人工干预的目的。

1 去噪滤波相关研究 1.1 标准均值滤波

均值滤波是一种传统的滤波方法，其基本思想是，一个像素点的灰度值由其邻域内像素值的平均值代替。通常采用一个滤波窗口来选取邻域像素。设一个像素点(i, j)的灰度值为g(i, j)，经过均值滤波后的输出为g(i, j)，包括M个点的邻域为Ω_{i, j}，则点g(i, j)由式(1) 决定：

$\overline g \left( {i,j} \right) = \sum\limits_{\left( {x,y} \right) \in {\mathit{\Omega }_{i,j}}} {g\left( {x,y} \right)/M} $

(1)

式(1) 中，对含有噪声的图像g的每个像素点取邻域Ω_{i, j}，计算Ω_{i, j}中所有像素灰度值的平均值作为空间域平均处理后图像g的像素值，由此达到去噪的目的。

1.2 剪裁均值滤波

裁剪均值滤波是改进的均值滤波方法之一，其关键在于找出滤波窗口内的异常值，并加以剪除。以一幅8位图像为例，其所有像素点灰度值在0~255，对当前处理窗中的所有像素值按由小到大排列，消除序列两侧的异常值，即0和255，保留非异常值，用待处理像素邻域内非异常值的均值代替待处理像素值作为输出。

图 1展示了在3×3窗口中采用的裁剪滤波方法，待处理像素值为0，其邻域内的像素值分别为：233, 0, 255, 134, 0, 167, 255, 255, 165，按由小到大排列为：0, 0, 134, 165, 167, 233, 255, 255, 255，通过裁剪两边的异常值得到：134, 165, 167, 233，则输出值为：(134+165+167+233) /4=175，用175代替待处理像素值0。

1.3 权重均值滤波

图像中相邻像素点的灰度值具有较高的相关性，对于变化平滑、自然的图像，像素间的距离越近，像素相关性越高；反之，像素相关性越低。

权重均值滤波根据以上特点，采用加权公式对不同距离的像素赋予不同的权重，使相关性较高的像素具有较大的权重，相关性较低的像素具有较小的权重，从而形成非线性的权重均值滤波，更好地保护图像细节。

一般的权重滤波定义如式(2) 所示：

$\mathop {{W_{{\rm{mean}}}}\left\{ {I\left( {x,y} \right)} \right\} = }\limits_{\left( {x,y} \right) \in {\mathit{\Omega }_{i,j}}} \sum\limits_{\left( {x,y} \right) \in {\mathit{\Omega }_{i,j}}} {w\left( {x,y} \right) \times I\left( {x,y} \right)} $

(2)

以图 2(a)所示3×3滤波模板为例，对像素赋予图 2(b)所示的权重，其过程如式(3) 所示，其中，w表示权重。

$\begin{array}{l} y = {w_1} \times f\left( {i - 1,j - 1} \right) + {w_2} \times f\left( {i - 1,j} \right) + \\ \ \ \ \ \ {\rm{ }}{w_3} \times f\left( {i - 1,j + 1} \right) + {w_4} \times f\left( {i,j - 1} \right) + \\ \ \ \ \ \ {\rm{ }}{w_6} \times f\left( {i,j + 1} \right) + {w_7} \times f\left( {i + 1,j - 1} \right) + \\ \ \ \ \ \ {\rm{ }}{w_8} \times f\left( {i + 1,j} \right) + {w_9} \times f\left( {i + 1,j + 1} \right) \end{array}$

(3)

滤波模板中权重如何选取决定了滤波效果的好坏，常见的权重取值为欧氏距离的倒数，如式(4) 所示:

${w_0}\left( {x,y} \right) = 1/\sqrt {\sum\limits_{\left( {x,y} \right) \in {\mathit{\Omega }_{i,j}}} {{{\left( {x - {x_0}} \right)}^2} + {{\left( {y - {y_0}} \right)}^2}} } $

(4)

其中，(x₀, y₀)代表中心像素点的位置坐标，式(5) 是对权重进行归一化:

$w\left( {x,y} \right) = {w_0}\left( {x,y} \right)/\sum\limits_{x,y \in {\mathit{\Omega }_{i,j}}} {{w_0}\left( {x,y} \right)} $

(5)

1.4 其他去噪滤波算法

目前新颖的滤波算法不仅基于上述三种滤波方法，还基于其他滤波方法：迭代自适应模糊滤波(Iterative Adaptive Fuzzy Filter, IAFF)^[7]采用自适应模糊检测器来检测噪声点，然后采用α-裁剪均值来进行滤波处理；基于决策的耦合窗口中值滤波(Decision-Based Coupled Window Median Filter, DBCWMF)^[8]先采用中值滤波方法，当窗口达到最大且窗口内全为噪声点时改用均值滤波方法来进行处理；结合云模型的中值滤波方法(Cloud Model Filter, CMF)^[9]采用云模型的随机性和模糊性来进行滤波处理；简单自适应中值滤波(Simple Adaptive Median Filter, SAMF)^[10]采用了开关滤波方法，且当窗口中非噪声点数目小于8时扩大窗口再进行中值滤波；自适应模糊开关中值滤波(Noise Adaptive Fuzzy Switching Median Filter, NAFSMF)^[11]在噪声检测阶段用受腐蚀图像的直方图来识别噪声点，再利用模糊推理来处理局部信息的不确定性；自适应三值加权滤波(Three-Values-Weighted Filter, TVWF)^[6]采用裁剪滤波裁剪掉噪声点，在滤波过程中只计算非噪声点的权重，同时，该方法将非噪声点分为三类，并根据公式赋予不同权重。

2 新型迭代自适应权重均值滤波 2.1 新型权重均值滤波

在一般的权重均值滤波中，由于式(4) 所示的权重计算方法滤波去噪效果并不理想，为了使去噪效果获得提升，本文提出了一种双二次方的权重计算方法，如式(6) 所示：

$w\left( {x,y} \right) = 1/{\left( {\sum\limits_{x,y \in {\mathit{\Omega }_{ij}}} {{{\left[( {x - {x_0}} \right)}^2} + {{\left( {y - {y_0}} \right)}^2]}} } \right)^2}$

(6)

以噪声点的8邻域为例来进行说明，该噪声点与其上、下、左、右4个方向上邻近的像素间的权重采用式(4) 和式(6) 计算均为1，而在对角上的4个像素点与该噪声点间的权重通过两个公式进行计算得出的结果则不同，采用式(4) 得到的权重值为0.7071，采用式(6) 得到的权重值为0.25。

对比式(6) 和式(4)，二次方权重计算方法增加了邻域点与中心点之间的距离区分度，使得与中心点近的邻域点被赋予更大的权重，以便使更近像素值发挥更大的作用，有利于提高图像的恢复效果。

2.2 自适应开关裁剪权重均值滤波

为了进一步提高新型权重均值滤波的去噪效果，采用自适应开关裁剪权重均值滤波方法。

开关滤波是一种常见的噪声去除方法，它分为噪声检测和噪声恢复两个阶段，先检测图像中的噪声点，确定图像中的每个像素是否受到噪声的污染，这个阶段输出结果为一个与图像大小相等的0-1二值映射矩阵N，0代表此点为噪声点，1表示为非噪声点。非噪声点的灰度值保持不变，仅对检测到的椒盐噪声进行滤波处理。

对于被腐蚀的图像I，设一个像素位置为(i, j)，其对应滤波窗口中所有点的集合为Ω_{i, j}，则开关权重均值滤波的数学描述如式(7) 所示：

$R\left( {i,j} \right) = \left\{ \begin{array}{l} \mathop {{W_{{\rm{mean}}}}\left\{ {I\left( {x,y} \right)} \right\}}\limits_{\left( {x,y} \right) \in {\mathit{\Omega }_{i,j}}} \;\;\;N\left( {i,j} \right) = 0\\ I\left( {i,j} \right)\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;N\left( {i,j} \right) = 1 \end{array} \right.$

(7)

其中:W_mean表示新型权重均值滤波，x和y分别表示图像I中像素点的横坐标和纵坐标。

将裁剪滤波用于开关权重均值滤波方法中，获得开关裁剪权重均值滤波方法，即通过式(7) 计算权重均值时，仅考虑邻域中的非噪声点，噪声点的权重为0，这就排除了噪声点的干扰，计算的均值更为准确，如此提高了去噪效果。

虽然开关权重均值滤波方法消除了噪声点的干扰，但如果邻域中，仅有噪声点或者只有一个非噪声点，那么就不能发挥权重滤波的有效作用，如果邻域中只有一个非噪声点，那么权重均值输出与一般均值输出是一样的。因此必须对开关权重均值滤波方法加以改进，即如果邻域中只有一个非噪声点或者没有非噪声点，则逐渐增大窗口，直至邻域窗口中至少有2个非噪声点才停止增大窗口，然后进行开关权重均值滤波，如此构建自适应开关权重均值滤波方法。

本文提出的自适应开关权重均值滤波方法具有如下特点：

1) 仅对非噪声点赋予权重。待处理像素与非噪声点间的距离与权重w呈反比：距离越小，w越大；反之，w越小，即在一个窗口中，邻域像素点离待处理像素越远，其相关性越小，权重越小。同时，在处理过程中采用裁剪滤波，只对非噪声点赋予权重和进行权重均值输出。

2) 采用自适应滤波方法。自适应滤波是在阈值选取上具有局部噪声的自适应性或者根据噪声密度的估计值自动调整滤波窗口尺寸。本文为了在权重均值滤波时取得更接近于未受污染时的像素值，在阈值选取上充分考虑到非噪声点及其距离对待处理像素的影响，对非噪声点数目进行了合理的选取：只有在非噪声点数大于1的情况下，才能发挥权重均值滤波的作用，使得去噪效果达到最佳，因此，要自适应地扩大窗口来进行调节，使得更好地满足窗口中至少两个非噪声点原则。即窗口自适应增大的条件为：当前窗口中非噪声点数目小于2。

3) 限制窗口大小。窗口越大，周围像素和待处理像素间的相关性越小，权重均值滤波得到的值也越不准确。为了达到较好的去噪效果，本文根据文献[6]所述，限定最大窗口为7×7。若在7×7窗口中非噪声点数目小于2，则采用迭代滤波方法。

2.3 迭代权重均值滤波

迭代滤波过程是本文方法中重要的一环。对于一个噪声点，当其窗口大小为7×7，且窗口中非噪声点数目小于2，则在第一轮滤波过程中该噪声点将不被处理，致使部分噪声点留在受腐蚀图像中，造成图像模糊，本文采用迭代滤波来避免这种缺陷。

经过一轮迭代，图像中的部分噪声点变为非噪声点，然后再利用这些非噪声点处理上一轮中未处理的噪声点，即按照原来的方法进行二次处理，如此循环，直至处理完所有噪声点。

2.4 算法总流程与步骤

本文利用图像邻域像素值与其相似的特点，构建邻域权重，并将邻域权重与均值滤波结合构建权重均值滤波，同时与开关滤波、裁剪滤波和自适应滤波结合，有效提高去噪效果。其实现步骤如下：

步骤1  输入待处理的噪声污染图像。

步骤2  用极值方法检测噪声点。即遍历整幅图像，若像素灰度值为0或255，则标记为噪声点，转步骤3；否则直接作为输出，如此形成开关滤波。

步骤3  判断最小3×3窗口中非噪声点数目，若在3×3窗口中非噪声点数目大于1，则直接进行新型权重均值滤波。

步骤4  在3×3窗口中非噪声点数目小于1，扩大窗口至窗口中非噪声点数目大于1，若此时窗口大小不大于7×7，则直接进行权重均值滤波, 否则进行步骤5。

步骤5  在窗口大于7×7且窗口中非噪声点数目仍小于2时，对该噪声点暂不处理。当第一轮滤波处理完成之后，用第一轮的去噪结果作为输入图像，再次重复整个滤波过程，循环迭代，直至处理完所有噪声点。

3 仿真结果与分析

为了验证本文方法的有效性，将本文提出的IAWF方法与1.4节提到的6种state-of-the-art算法的滤波结果进行对比，这6种滤波算法分别为：IAFF^[7]、DBCWMF^[8]、CMF^[9]、SAMF^[10]、NAFSMF^[11]和TVWF^[6]方法，选取这些算法进行对比是因为它们具有很强的竞争性。

本文采用峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、去噪误差度(residual noise)RMSE_rn和失真度(collateral distortion)RMSE_cd^[12]来评估算法的优劣，其计算方式如式(8) ~(14) 所示。其中，RMSE_rn可衡量算法的去噪能力，RMSE_cd可以评价算法对恢复图像的失真度。

利用PSNR表征图像质量的计算方法为：

$MSE = \sum\limits_{m = 0}^{M - 1} {\sum\limits_{n = 0}^{N - 1} {{{\left[ {f\left( {m,n} \right) - g\left( {m,n} \right)} \right]}^2}/MN} } $

(8)

$PSNR = 10 \times \lg \left( {{{255}^2}/MSE} \right)$

(9)

式(8) 中: f为原图，大小为M×N，灰度取值范围为0~255；g为处理后的复原图。若g≈f，则PSNR的值趋于无穷大，此时处理后造成的失真较小，图像质量最好。

假设处理具有L灰度级的图像(通常L=256)，令r(n)表示在无噪声图像位置n=[n₁, n₂]处的像素亮度，令x(n)和y(n)分别表示在噪声图像和滤波图像中相同位置处的像素亮度，则有以下公式：

${h_{{\rm{rn}}}}\left( n \right) = \left\{ \begin{array}{l} 1,\;\;\;\;r\left( n \right) < y\left( n \right) \le x\left( n \right)\\ 1,\;\;\;\;x\left( n \right) \le y\left( n \right) < r\left( n \right)\\ 0,\;\;\;\;其他 \end{array} \right.$

(10)

${h_{{\rm{cd}}}}\left( n \right) = \left\{ \begin{array}{l} 1,\;\;\;y\left( n \right) > r\left( n \right)\& y\left( n \right) > x\left( n \right)\\ 1,\;\;\;y\left( n \right) < r\left( n \right)\& y\left( n \right) < x\left( n \right)\\ 0,\;\;\;其他 \end{array} \right.$

(11)

其中：h_rn(n)处理由于滤波不足引起的冗余噪声的情况，h_cd(n)处理由于过度平滑引起的失真。由此，文献[12]定义一种新的评价方法——VRMSE(Vector Root Mean Square Error)方法：

$VRMSE = \left[ {RMS{E_{{\rm{rn}}}},RMS{E_{{\rm{cd}}}}} \right]$

(12)

$RMS{E_{{\rm{rn}}}} = \sqrt {\frac{1}{Q}\sum\limits_n {{h_{rn}}\left( n \right){e^2}\left( n \right)} } $

(13)

$RMS{E_{{\rm{cd}}}} = \sqrt {\frac{1}{Q}\sum\limits_n {{h_{cd}}\left( n \right){e^2}\left( n \right)} } $

(14)

其中：e(n)=y(n)-r(n)，Q指待处理像素的总数量，因此，可以清楚地得到：MSE=(RMSE_rn)² + (RMSE_cd)²。

为了公平起见，每种算法独立运行30次，然后计算其平均值。PSNR、RMSE_rn、RMSE_cd和运行时间的平均结果分别在表 1~4给出，其中优者用黑体表示(C、L和B分别表示标准测试图像Cameraman、Lena和Bike2，D表示噪声密度)，PSNR单位为分贝(dB)，时间单位为秒(s)。另外6种算法在3幅图像上处理95%噪声的恢复图见图 3~5所示。

本文所有实验均在操作系统为Windows 7、CPU主频为3.10 GHz和内存为4 GB的PC上进行，编程语言采用Matlab R2014a。在滤波处理过程中，窗口过大易造成待处理像素与周围像素的相关性过小，窗口较小则体现不出自适应滤波的优越性，本文提出的自适应均值滤波的最大窗口参数设置为7×7。其他对比算法的参数设置见相应文献。

3.1 去噪性能比较

为了凸显IAWF算法的去噪性能，考察其在各密度噪声图像中的去噪情况，讨论在10%~95%噪声密度下的去噪结果。对密度10%~90%区间，以10%作为增量，对超高密度91%~95%区间，以1%作为增量的各种情况进行考察, 实验结果如表 1所示。

PSNR通过原来图像与处理后的图像的数学距离来反映出图像之间的差异程度，PSNR值越大，效果越好。从表 1中可以看出，与5种对比方法相比，本文提出的IAWF方法不管从单项还是从平均值在PSNR方面占有绝对优势。

随着噪声密度增大，所有方法的PSNR都有所下降，其中SAMF方法需要满足窗口中非噪声点数目大于等于8，因此效果最差，尤其是在高噪声密度下，会出现在最大滤波窗口中不满足非噪声点数目大于等于8的情况，部分噪声点逐渐不能进行中值替换操作，其峰值信噪比下降更多。

DBCWMF只要窗口中非噪声点数目大于0即可进行中值滤波处理，在最大窗口中非噪声点数目为0时则采用均值滤波处理，CMF方法采用云模型的随机性和模糊性来进行加权中值滤波处理，NAFSMF方法结合模糊开关滤波，三者效果居中，没有明显的优势；IAFF方法结合α-裁剪方法进行均值滤波处理，效果较好；而本文提出的IAWF方法将迭代和权重均值结合，PSNR值最高。

与PSNR相反，图像去噪误差度RMSE_rn和失真度RMSE_cd越小，说明图像的去噪效果越好。由于IAWF采用了新型权重均值滤波，充分考虑到待处理像素和周围非噪声点像素的相关性，有效提高了去噪能力，同时较好地保护了图像的细节，因此，在RMSE_rn和RMSE_cd两个方面上占优势。如表 2所示，在噪声密度较低(低于80%)时，6种方法在RMSE_rn方面的差距并不明显，IAWF略占优势，但随着噪声密度增大，IAWF的优势逐渐明显，尤其是和效果较差的SAMF方法相比，占较大的优势。如表 3所示，在RMSE_cd方面，当噪声密度低于93%时，本文提出的IAWF占有绝对优势，但在噪声密度更高时，SAMF效果较好，但和其他方法相比，由于IAWF同时采用了迭代滤波和权重滤波，仍有很好的效果，尤其是在平均值上，本文方法的RMSE_cd仍然是最好的。虽然在高噪声密度下，IAWF次于SAMF方法的效果，但综合峰值信噪比、图像失真度等考虑，IAWF在总体上占优势。

3.2 运行时间比较

从时间上分析，由于本文方法只采用了均值滤波方法，避免了中值滤波时的排序操作，且利用权重方法来计算得到输出结果，并设置最大窗口为7×7，对于一次滤波没有处理完的噪声点采用迭代方法来进行再处理，而不是一直扩大窗口，增加计算负担，因此时间计算复杂度较小(见表 4)，IAWF的耗时在各种噪声密度情况下均为最少。

IAFF采用均值滤波，且结合α-裁剪方法，无需排序；DBCWMF结合开关滤波、裁剪滤波和自适应滤波等的优点，前期采用中值滤波，且只要窗口中非噪声点大于0即直接进行中值滤波，降低了排序复杂度，当达到最大窗口且窗口中均为噪声点后改为均值滤波，无需排序；CMF采用加权中值方法且自适应扩大窗口；SAMF的自适应窗口扩大条件为滤波窗口中非噪声点数目大于或等于8，这在同等条件下要使用更大窗口的中值滤波，大幅度增加了计算复杂度，且SAMF只使用了需要排序的中值滤波方法，在窗口中非噪声点数目大于或等于8时需要更多的排序，因此耗时较多；NAFSMF虽然为中值滤波，但结合自适应滤波和模糊开关滤波的优点，耗时相对较少。就平均时间而言，IAWF为0.1364 s，比时间复杂度较好的DBCWMF方法少0.0175 s，比时间复杂度最差的SAMF方法少0.2484 s。

3.3 视觉效果分析

图 3~5给出了在95%噪声密度下的三幅灰度图像的去噪结果图，为简单起见，以图 4为示例进行讨论。

从视觉效果上来看，在图 4中可以明显看出，SAMF有非常明显的噪声腐蚀现象，只能看出大概轮廓，这是由于SAMF的窗口达到最大后，因噪声密度过高导致窗口中的非噪声点数部分未达到大于等于8的条件，故部分噪声点逐渐没有进行中值替换操作，致使去噪效果变差；结合自适应滤波和模糊开关滤波的NAFSMF的去噪结果也能看到较明显的腐蚀现象；DBCWMF结合均值滤波和中值滤波，对所有噪声点都进行了处理，CMF方法采用了加权中值方法，因此DBCWMF和CMF去噪效果较好，没有明显的斑点出现；IAFF方法为次优方法，加权均值结合α-裁剪方法，起到较好的去噪效果，只个别地方出现模糊，较接近于IAWF的去噪结果；从视觉效果上来看，IAWF采用了迭代处理，对所有噪声点都进行修正，能较好地保持轮廓和细节。

3.4 基于两种权重计算方法的去噪效果对比分析

为了验证本文所提出的权重计算方法的优越性，将基于欧氏距离的权重计算方法与本文权重计算方法进行对比。将IAWF的权重计算方法换为基于欧氏距离的权重计算方法，记为IAWFe。两种权重计算方法在多个图像上进行了对比实验，版面所限，仅以Cameraman图像为例进行说明。

对比结果如表 5所示，和IAWFe相比，在所有噪声强度的去噪实验中，IAWF得到的PSNR值都更优，从平均值对比中可以看出，IAWF的结果优于IAWFe, 这是由于本文所提出的权重公式(6) 在距离较远时拥有的权重值更小，因此在处理去噪问题时有更好的效果。

3.5 迭代次数对去噪结果的影响

本文采用迭代滤波达到更好的去噪效果，在满足本文所限制的7×7窗口条件下，对于70%及70%以下密度的噪声图像，只需要执行1次迭代即可结束；对于70%到80%密度的噪声图像，需要执行2次迭代；对于80%到90%密度的噪声图像，需要执行3次迭代；而对于90%到95%密度的噪声图像，则需要执行4次迭代。本文做了大量实验，版面所限，仅以Lena图像为例进行说明，图 6为对于95%密度噪声进行迭代处理得到的结果。

从图 6可以看出，就主观情况来说，随着迭代次数增加，图像噪声点变少，尤其是第一次和第二次迭代，能明显看出迭代带来的改进。就客观情况来说，随迭代次数增加，PSNR值也在变大。

3.6 彩色实用图像去噪实验

为了验证本文方法在实际应用中的有效性，将本文方法与最近的TVWF方法作对比，在多幅彩色图像上进行实验，具体实验参数参照文献[6]。TVWF方法与本文方法有较大相似性，该方法和本文算法均采用了裁剪滤波和自适应滤波窗口，并都引入了权重，但两种方法的加权方式有所不同。同时，本文采用了迭代方法来进行多次滤波处理，而TVWF方法没有迭代处理。

版面所限，仅以一幅实际应用的彩色农作物图像为例进行说明，如图 7(a)中所示。图 7(c)、7(d)分别为对90%噪声密度下的彩色农作物图像采用IAWF方法、TVWF方法去噪后的效果图。为了验证本文方法有效性，分别对图 7(a)中彩色图像的R、G、B三个颜色分量进行了去噪处理，表7为两种算法处理农作物噪声图像后的PSNR对比结果。

由图 7可以看出，由于在处理90%的噪声图像时，本文方法要经过3次迭代才得到去噪结果，而TVWF方法只经过了一次迭代，加上权重公式不同，就视觉效果来看，本文方法去噪得到的图像(图 7(c))只有个别噪声点，而TVWF方法得到的去噪结果(图 7(d))可以看到较多的噪声点。

从图 8中也可以看出，在图 7(a)的三个颜色分量的图像比较中，由于本文的二次方权重计算方法增加了邻域点与中心点之间的距离区分度，因此在R颜色分量上，本文方法比TVWF方法略有胜出，同时，在G、B颜色分量上也有类似结果。

4 结语

针对现有滤波方法消除图像椒盐噪声性能差和耗时长等缺点，提出了一种新型的迭代自适应权重均值滤波方法。该方法具有如下特点：

1) 将裁剪滤波、开关滤波和权重均值滤波等有机结合，充分发挥了它们各自的优势，有效地消除图像中的椒盐噪声。

2) 自动完成去噪，无需人工干预，几乎无参数需要调整，可操作性强。

3) 可以根据窗口中非噪声点的个数自适应地调整窗口大小，通过新型权重公式计算窗口内每个像素和待处理像素间的相关性大小，有效地利用了像素相关性和图像局部信息，在很大程度上缓解了噪声抑制和细节保护之间的矛盾。

实验结果表明，这种新型的权重均值滤波方法在噪声滤除能力、细节保护能力方面都有很好的表现，滤波效果比当前最优秀的滤波方法如IAFF、DBCWMF、CMF、SAMF、NAFSMF和TVWF更为理想，且去噪速度更快，在大数据实时应用场合，具有较大的实用和推广价值。