💻 computer science

A New Robust Scheme for Salt and Pepper Noise Filtering Using Fuzzy Cellular Automata

Dit artikel stelt een robuust, twee-fasen filteringsschema voor dat fuzzy cellulaire automaten combineert met Jaccard-gelijkenis en Hamming-afstandmaten om effectief zout-en-peperruis te detecteren en te verwijderen, terwijl fijne beelddetails behouden blijven en bestaande technieken worden overtroffen.

Oorspronkelijke auteurs: Mohammad Mehdi Piroozmandan

Gepubliceerd 2026-08-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Mehdi Piroozmandan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je favoriete digitale foto een ongerepte, met sneeuw bedekte bergtop is. Het is prachtig, scherp en vol detail. Maar dan slaat een plotselinge sneeuwstorm toe, die willekeurige zwarte en witte spikkels over het landschap strooit. In de wereld van digitale beeldvorming wordt dit "salt and pepper noise" (zout-en-peperruis) genoemd. Het is het digitale equivalent van een camerafout, een geheugenfout of een transmissieprobleem dat een perfect beeld verandelt in een rommel vol statische ruis. Terwijl sommige filters werken als een zware sneeuwschop, die de ruis wegkrabt maar ook de delicate richels en dalen van de berg wegvlakt (het beeld vervaagt), zoeken wetenschappers al tijden naar een hulpmiddel dat de spikkels één voor één kan oppakken zonder het decor te verstoren. Hier komt het vakgebied van beeldverwerking om de hoek kijken, waarbij slimme wiskundige trucs worden gebruikt om de helderheid te herstellen. Twee van de meest fascinerende instrumenten in deze gereedschapskist zijn "Cellular Automata" (cellulaire automaten) en "Fuzzy Logic" (vage logica). Denk aan Cellular Automata als een raster van kleine, gehoorzame buren die alleen aandacht besteden aan de mensen die direct naast hen staan om te beslissen wat ze moeten doen. "Fuzzy Logic" is de kunst van het nemen van beslissingen wanneer dingen niet strikt zwart of wit zijn, maar ergens in het grijze gebied daartussenin liggen. Door deze ideeën te combineren, hopen onderzoekers een systeem te creëren dat slim genoeg is om precies te weten welke pixels de "ruis" zijn en welke de "foto", zelfs wanneer de ruis overweldigend is.

In dit artikel introduceert Mohammad Mehdi Piroozmandan een nieuw, robuust schema dat specifiek is ontworpen om dit salt-and-pepperruisprobleem aan te pakken met behulp van een combinatie van drie nieuw ontwikkelde algoritmen. De methode werkt als een tweetraps rechercheurswerkzaamheid. Eerst moet het de daders vinden (de ruispixels), en ten tweede moet het ze repareren zonder de rest van de scène te verruïneren.

De eerste fase draait volledig om detectie, en het gebruikt een tweetraps proces om ervoor te zorgen dat geen enkele ruis wordt gemist. De eerste stap is een snelle scan: het algoritme bekijkt een kleine 3x3 buurt rond elke pixel en berekent de maximale, minimale en gemiddelde helderheidswaarden. Als een pixel verdacht helder is (zoals zout) of donker (zoals peper) vergeleken met zijn buren, wordt deze gemarkeerd. De auteur weet echter dat ruis soms verraderlijk kan zijn en eruit kan zien als een normale pixel, dus is er een tweede, strengere stap toegevoegd. Deze stap maakt gebruik van de principes van Cellular Automata en iets dat "Hamming distance" wordt genoemd—een manier om te meten hoe verschillend twee sets getallen zijn. Het evalueert de pixels die de eerste stap heeft gemist door te controleren of hun buren zich vreemd gedragen. Als de buren te veel afwijken, wordt de pixel als ruis bevestigd.

Zodra de ruispixels zijn geïdentificeerd, begint de tweede fase: de restauratie. In plaats van de slechte pixel simpelweg te vervangen door een gemiddelde van zijn buren (wat vaak het beeld vervaagt), gebruikt deze nieuwe methode "Fuzzy Cellular Automata" en een concept genaamd "Jaccard similarity". Stel je voor dat de centrale pixel een puzzelstukje is dat gebroken is. Het algoritme kijkt naar vier verschillende patronen van zes omliggende pixels (zoals verschillende groepen buren) en vraagt: "Welke groep lijkt het meest op de originele, onbeschadigde afbeelding?" Het gebruikt de Jaccard-gelijkenismaat om deze groepen te vergelijken, wat in feften vraagt hoeveel ze gemeen hebben. Het algoritme gebruikt vervolgens deze fuzzy vergelijkingen om een nieuwe, perfecte waarde voor de gebroken pixel te berekenen, waardoor de afbeelding effectief wordt "genezen" terwijl de scherpe randen en fijne details intact blijven.

Het artikel presenteert experimentele resultaten om aan te tonen hoe goed dit nieuwe schema werkt. De auteur heeft de methode getest op diverse standaardbeelden, zoals "Barbara", "Boat" en "Bridge", waarbij deze beelden werd aangetast met salt-and-pepperruis op niveaus variërend van 15% tot een zeer zware 90%. De resultaten werden gemeten met behulp van vier verschillende scorekaarten: PSNR (Peak Signal-to-Noise Ratio), SSIM (Structural Similarity Index), NCC (Normalized Cross-Correlation) en IEF (Image Enhancement Factor). In deze simulaties presteerde de voorgestelde methode consistent beter dan bestaande technieken, inclus_of Neural Network-detectoren en diverse median filters. Bijvoorbeeld, op een beeld van 256x256 pixels met 90% ruis behaalde de voorgestelde methode een PSNR van 34,4, terwijl andere methoden zoals NNANFIS aanzienlijk lager scoorden, namelijk op 24,4. De visuele resultaten lieten ook zien dat deze methode beter was in het behouden van de scherpe randen van de afbeeldingen, terwijl andere filters de neiging hadden het beeld wazig te maken of nog steeds met ruis gevuld te laten.

Bovendien benadrukt het artikel dat deze methode niet alleen accuraat, maar ook efficiënt is. In tests waarbij de verwerkingstijd op 512x512 beelden met 60% ruis werd gemeten, deed de voorgestelde methode er ongeveer 68 seconden over om het "Barbara"-beeld te herstellen, wat sneller was dan de 106 seconden die de MDBUTM-filter nodig had en de 170 seconden van de A. Selmani-methode. De auteur concludeert dat omdat de methode steunt op lokale regels (zoals de cellulaire automata-buren), deze zeer paralleliseerbaar is, wat betekent dat het zelfs sneller gemaakt kan worden als het wordt uitgevoerd op hardware die ontworpen is om veel dingen tegelijk te doen. Hoewel het artikel zich richt op grijswaardenbeelden en specifieke soorten ruis, suggereert de auteur dat deze aanpak een veelbelovende oplossing kan zijn voor real-world beeldverwerkingstaken waarbij het behoud van details cruciaal is, en toekomstig werk zou kunnen onderzoeken hoe deze ideeën kunnen worden toegepast op kleurenbeelden of andere soorten ruis.

Technische Samenvatting: Een Nieuw Robuust Schema voor Salt and Pepper Ruisfiltering met behulp van Fuzzy Cellular Automata

Probleemstelling
Digitale afbeeldingen lijden frequent aan salt and pepper ruis, een type impulsruis die wordt gekenmerkt door pixels die extreme intensiteitswaarden aannemen (0 of 255 in 8-bit afbeeldingen). Deze ruis ontstaat door fouten in de gegevensopname, defecte hardwaregeheugens, transmissiefouten en sensoren. De aanwezigheid van dergelijke ruis degradeert de beeldkwaliteit ernstig, waardoor essentiële details zoals randen en texturen worden vertroebeld en daaropvolgende verwerkingstaken, zoals beeldsegmentatie, worden bemoeilijkt. Hoewel er diverse filters bestaan (bijv. mediaanfilters, adaptieve filters en fuzzy-gebaseerde methoden), worstelen veel van deze filters wanneer de ruisdichtheid boven de 50% uitkomt, waarbij ze vaak falen in het behoud van fijne details of excessieve rekentijd vereisen.

Methodologie
De voorgestelde oplossing is een tweefasig framework dat gebruikmaakt van Fuzzy Cellular Automata (FCA) en drie onderscheidende algoritmen om ruis te detecteren en te verwijderen, terwijl de integriteit van de afbeelding behouden blijft.

Fase 1: Ruisdetectie
Deze fase maakt gebruik van een tweestaps-proces om gecorrumpeerde pixels binnen een $3 \times 3$ Moore-nabijheid te identificeren:
1. Algoritme 1 (Statistische Drempelwaarde): Het algoritme berekent de maximale ( $S_{max}$ ), minimale ( $S_{min}$ ) en gemiddelde ( $S_{average}$ ) waarden van de acht omliggende pixels. Het past specifieke logische condities toe om te bepalen of de centrale pixel gecorrumpeerd is. Bijvoorbeeld, als de maximale buurwaarde gelijk is aan het gemiddelde en de centrale pixel 0 of 255 is, wordt deze als ruis gemarkeerd. Vergelijkbare logica geldt voor minimale waarden en bereiken tussen het gemiddelde en de extremen.
2. Algoritme 2 (Verfijning via Hamming-afstand): Om de nauwkeurigheid te verbeteren en pixels te herevalueren die in de eerste stap niet zijn geïdentificeerd, gebruikt dit algoritme principes van Cellular Automata. Het berekent de Hamming-afstand tussen de centrale pixel en haar acht buren. Door de gemiddelde Hamming-afstand ( $AHD_{average}$ ) te berekenen en deze te vergelijken met een drempelwaarde afgeleid van de standaarddeviatie en de gemiddelde minimum/maximum waarden van de buurt, classificeert het algoritme pixels definitief als gecorrumpeerd of ongecorrumpeerd.
Fase 2: Ruisverwijdering (Restauratie)
Zodra de gecorrumpeerde pixels zijn geïdentificeerd, herstelt Algoritme 3 deze met behulp van Fuzzy Cellular Automata en Jaccard-gelijkenis.
- Het algoritme definieert vier onderscheidende zes-pixel patronen rond de centrale cel binnen de Moore-nabijheid.
- Het berekent de Jaccard-gelijkenisindex tussen deze patronen om de meest consistente lokale structuur te bepalen.
- Een fuzzy transferfunctie wordt toegepast om het optimale patroon te selecteren.
- De nieuwe pixelwaarde wordt berekend als een gewogen gemiddelde (zwaartepunt) op basis van de gelijkenismaten, waardoor de ruis effectief wordt vervangen door een waarde die consistent is met de omliggende ongecorrumpeerde textuur.

Belangrijkste Bijdragen

Nieuw Hybride Framework: De integratie van statistische analyse, Hamming-afstandmetrieken en Jaccard-gelijkenis binnen een Fuzzy Cellular Automata-structuur voor de verwijdering van salt and pepper ruis.
Tweestaps Detectie: Een robuust detectiemechanisme dat lokale statistische drempelwaarden combineert met een secundaire evaluatie op basis van Hamming-afstand om fout-positieven en fout-negatieven te minimaliseren.
Patroongebaseerde Restauratie: Een restauratiealgoritme dat gebruikmaakt van vier specifieke zes-pixel patronen en fuzzy logica om gecorrumpeerde pixels te reconstrueren, met als doel randen en fijne details beter te behouden dan standaard mediaanfilters.
Paralleliseerbaarheid: De inherente aard van Cellular Automata maakt het voorgestelde schema zeer paralleliseerbaar, wat potentieel biedt voor efficiënte verwerking.

Experimentele Resultaten
De methode is geëvalueerd op standaard testafbeeldingen (Barbara, Boat, Bridge, Cameraman, Baboon, etc.) met ruisdichtheden variërend van 15% tot 90%. De prestaties werden gemeten met behulp van Normalized Cross-Correlation (NCC), Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM) en Image Enhancement Factor (IEF).

Kwantitatieve Prestaties: De voorgestelde methode presteerde consequent beter dan bestaande technieken, waaronder NNANFIS, MDBUTM, CMF en diverse fuzzy-gebaseerde filters (bijv. SNFF, R. Varatharajan, j. Raja, S. Vijaya Kumar, C. Yuan). Het behaalde hogere PSNR, SSIM, NCC en IEF waarden over alle ruisniveaus en beeldresoluties (256×256, 512×512 en 768×768).
Visuele Kwaliteit: Visuele vergelijkingen toonden aan dat de voorgestelde methode randinformatie en fijne texturen beter behield vergeleken met concurrenten, die vaak residuele ruis of vervaagde details achterlieten, vooral bij hoge ruisdichtheden (bijv. 75% en 90%).
Computationele Efficiëntie: Wat betreft de verwerkingstijd was de voorgestelde methode sneller dan de MDBUTM, A. Selmani, en S. Vijaya Kumar methoden wanneer getest op 512×512 afbeeldingen met 60% ruis.

Betekenis en Claims
Het artikel claimt dat het voorgestelde schema een eenvoudige, robuuste en effectieve oplossing is voor het verwijderen van salt and pepper ruis, met name in scenario's met een hoge ruisdichtheid waar andere filters falen. De auteur benadrukt dat de methode succesvol de balans vindt tussen ruisverwijdering en het behoud van essentiële beelddetails zoals randen en texturen. De scheiding van de detectie- en de restauratiefase, gecombineerd met het gebruik van FCA en Jaccard-gelijkenis, wordt gepresenteerd als een sleutelfactor voor de superieure prestaties. De auteur concludeert dat de methode geschikt is voor praktische beeldverwerkingstoepassingen en suggereert dat toekomstig werk het framework kan uitbreiden naar kleurenafbeeldingen en andere typen ruis.

Meer zoals dit