數(shù)字圖像處理-圖像去噪方法

1、標準文檔圖像去噪方法一、引言圖像信號在產生、傳輸和記錄的過程中，經常會受到各種噪聲的干擾，噪聲可以理解為妨礙人的視覺器官或系統(tǒng)傳感器對所接收圖像源信息進行理解或分析的各種元素。噪聲對圖像的輸入、采集、處理的各個環(huán)節(jié)以及最終輸出結果都會產生一定影響。圖像去噪是數(shù)字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響到后續(xù)的圖像處理工作如圖像分割、邊緣檢測等。一般數(shù)字圖像系統(tǒng)中的常見噪聲主要有：高斯噪聲（主要由阻性元器件內部產生）、椒鹽噪聲（主要是圖像切割引起的黑圖像上的白點噪聲或光電轉換過程中產生的泊松噪聲）等。我們平常使用的濾波方法一般有均值濾波、中值濾波和小波濾波，他們分別對某種噪聲的濾除有較

2、好的效果。對圖像進行去噪已成為圖像處理中極其重要的內容。二、常見的噪聲1、高斯噪聲：主要有阻性元器件內部產生。2、椒鹽噪聲：主要是圖像切割引起的黑圖像上的白點噪聲或光電轉換過程中產生泊松噪聲。3、量化噪聲：此類噪聲與輸入圖像信號無關，是量化過程存在量化誤差，再反映到接收端而產生，具大小顯示出數(shù)字圖像和原始圖像差異。一般數(shù)字圖像系統(tǒng)中的常見噪聲主要有高斯噪聲和椒鹽噪聲等，減少噪聲的方法可以在圖像空間域或在圖像頻率域完成。在空間域對圖像處理主要有均值濾波算法和中值濾波算法.圖像頻率域去噪方法實用文案標準文檔是對圖像進行某種變換，將圖像從空間域轉換到頻率域，對頻率域中的變換系數(shù)進行處理，再進行反變換

3、將圖像從頻率域轉換到空間域來達到去除圖像噪聲的目的。將圖像從空間轉換到變換域的變換方法很多，常用的有傅立葉變換、小波變換等。三、去噪常用的方法1、均值濾波均值濾波也稱為線性濾波，其采用的主要方法為鄰域平均法。其基本原理是用均值替代原圖像中的各個像素值，即對待處理的當前像素點(x,y),選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當前像素點(x,y),作為處理后圖像在該點上的灰度g(x,y),即一，其中,s為模板,M為該模板中包含當前像素在內的像素總個數(shù)。這種算法簡單，處理速度快，但它的主要缺點是在降低噪聲的同時使圖像產生模糊，特別是在邊緣和細節(jié)處。而且鄰域

4、越大，在去噪能力增強的同時模糊程度越嚴重。實用文案標準文檔軟3高斯噪聲均值遽波以二相鹽噪聲均值濾遍（均值濾波對加高斯、椒鹽噪聲圖像處理后的對比圖）2、中值濾波中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術。其實現(xiàn)原理如下：將某個像素鄰域中的像素按灰度值進行排序，然后選擇該序列的中間值作為輸出的像素值，讓周圍像素灰實用文案標準文檔度值的差比較大的像素改取與周圍的像素值接近的值，從而可以消除孤立的噪聲點。利用中值濾波算法可以很好地對圖像進行平滑處理。這種算法簡單，時間復雜度低，但其對點、線和尖頂多的圖像不宜采用中值濾波。很容易自適應化。我3椒鹽噪聲中值點:波（中值濾波對加高斯、

5、椒鹽噪聲圖像處理后的對比圖3、小波變換實用文案標準文檔小波變換是一種窗口大小固定但其形狀可改變的時頻局部化分析方法。小波變換利用非均勻的分辨率，即在低頻段用高的頻率分辨率和低的時間分辨率（寬的分析窗口）；而在高頻段利用低的頻率分辨率和高的時間分辨率（窄的分析窗口），這樣就能有效地從信號（如語言、圖像等）中提取信息，較好地解決了時間和頻率分辨率的矛盾。對于一副圖像，我們關心的是它的低頻分量，因為低頻分量是保持信號特性的重要部分，高頻分量則僅僅起到提供信號細節(jié)的作用，而且噪聲也大多屬于高頻信息。這樣，利用小波變換，噪聲信息大多集中在次低頻、次高頻、以及高頻子塊中，特別是高頻子塊，幾乎以噪聲信息為主

6、，為此，將高頻子塊置為零，對次低頻和次高頻子塊進行一定的抑制，則可以達到一定的噪聲去除效果。加椒鹽噪聲匐像高斯嚎聲小波去噪（小波變換對加高斯、椒鹽噪聲圖像處理后的對比圖實用文案標準文檔四、結果分析1、對于均值濾波：均值濾波對高斯噪聲的抑制是比較好的，處理后的圖像邊緣模糊較少。但對椒鹽噪聲的影響不大，因為在削弱噪聲的同時整幅圖像內容總體也變得模糊，其噪聲仍然存在。2、對于中值濾波：由圖像處理的結果可以看出，它只影響了圖像的基本信息，說明中值濾波對高斯噪聲的抑制效果不明顯。這是因為高斯噪聲使用隨機大小的幅值污染所有的點，因此無論怎樣進行數(shù)據(jù)選擇得到的始終還是被污染的值。而由圖還可以看出，中值濾波對

7、去除“椒鹽”噪聲可以起到很好的效果，因為椒鹽噪聲只在畫面中的部分點上隨機出現(xiàn)，所以根據(jù)中值濾波原理可知，通過數(shù)據(jù)排序的方法，將圖像中未被噪聲污染的點代替噪聲點的值的概率比較大，因此噪聲的抑制效果很好，同時畫面的輪廓依然比較清晰。由此看來，對于椒鹽噪聲密度較小時，尤其是孤立噪聲點，用中值濾波的效果非常好的。3、對于小波變換：由圖可以看出，小波變換對高斯噪聲有比較好的抑制作用，而且，在去除噪聲的同時可以較好地保持圖像的細節(jié)。由圖可以看出，圖像上的“椒鹽”噪聲很明顯，說明小波變換對“椒鹽”噪聲的去除效果不大。小波變換是一種時頻局部化分析方法。即隨著分辨率的降低，噪聲的小波變換值逐漸減小，信號占主導地

8、位；而隨著分辨率的提高，噪聲的小波變換值增大，信號被噪聲淹沒。所以，對小波變換,提高分辨率和有效去除噪聲，兩者不可兼得。五、總結體會該報告是基于第一次報告中提出的在圖像處理中噪聲污染的問實用文案標準文檔題，分析三種去噪方法對兩種圖像噪聲的濾波處理。分析結果可以得到：均值濾波是典型的線性濾波，對高斯噪聲抑制是比較好的；中值濾波是常用的非線性濾波方法，對椒鹽噪聲特別有效；小波變換對分辨率低的高斯噪聲去除有不錯的效果。六、參考文獻岡薩雷斯.數(shù)字圖象處理(第二版)M.北京：電子工業(yè)出版社,2007.基于Matlab的數(shù)字圖像典型去噪算法.齊齊哈爾大學.齊齊哈爾大學.TP391.72附件程序均值濾波程序

9、：clc;closeall;clearall;image=imread('cameraman.tif);m,n=size(image);J=imnoise(image,'gaussian',0,0.005);%加高斯噪聲J=double(J);figure(1),imagesc(J),colormap(gray)title('加高斯噪聲圖像')image1=J;H=1/2*01/40;1/411/4;01/40;fori=2:m-1forj=2:n-1temp=J(i-1:i+1,j-1:j+1);image1(i,j)=sum(sum(H.*temp)

10、;endendfigure(2),imagesc(image1),colormap(gray)title('3x3高斯噪聲均值濾波)K=imnoise(image,'salt&pepper',0.02);%加椒鹽噪聲K=double(K);figure(3),imagesc(K),colormap(gray)實用文案標準文檔title('加椒鹽噪聲圖像,)image2=K;fori=2:m-1forj=2:n-1temp=K(i-1:i+1,j-1:j+1);image2(i,j)=sum(sum(H.*temp);endendfigure(4),ima

11、gesc(image2),colormap(gray)title('3x3椒鹽噪聲土值濾波,)中值濾波程序：clc;closeall;clearall;image=imread('cameraman.tif);m,n=size(image);%加高斯噪聲%加椒鹽噪聲J=imnoise(image,'gaussian',0,0.005);figure(1),imagesc(J),colormap(gray)title('加高斯噪聲圖像')image1=J;fori=2:m-1forj=2:n-1temp=J(i-1:i+1,j-1:j+1);tem

12、p=sort(temp(:);image1(i,j)=temp(5);endendfigure(2),imagesc(image1),colormap(gray)title('3x3高斯噪聲中值濾波')K=imnoise(image,'salt&pepper',0.02);figure(3),imagesc(K),colormap(gray)title('加椒鹽噪聲圖像')image2=K;fori=2:m-1forj=2:n-1temp=K(i-1:i+1,j-1:j+1);temp=sort(temp(:);image2(i,j)=t

13、emp(5);endendfigure(4),imagesc(image2),colormap(gray)title('3x3椒鹽噪聲土值濾波')小波變換程序：實用文案標準文檔loadsinsinb=imread('cameraman.tif);J=imnoise(b,'salt&pepper',0.02);thr,sorh,keepapp=ddencmp('den','wv',J);xd=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp);subplot(221),imshow(J)title('加椒鹽噪聲圖像')subplot(222),imshow(xd,0,255)title(椒鹽噪聲小波去噪')K=imnoise(b,'gaussian',0,0.005);thr,sorh,