第六章圖像噪聲抑制

第六章圖像噪聲抑制第一頁，共49頁。所謂的圖像噪聲，是圖像在攝取時或是傳輸時所受到的隨機(jī)干擾信號。常見的有椒鹽噪聲和高斯噪聲。圖像噪聲的概念第二頁，共49頁。椒鹽噪聲的特征:

出現(xiàn)位置是隨機(jī)的，但噪聲的幅值是基本相同的。高斯噪聲的特征：

出現(xiàn)在位置是一定的（每一點上），但噪聲的幅值是隨機(jī)的。圖像噪聲的概念第三頁，共49頁。設(shè)計噪聲抑制濾波器，在盡可能保持原圖信息的基礎(chǔ)上，抑制噪聲。均值濾波器中值濾波器邊界保持類濾波器圖像噪聲的抑制方法第四頁，共49頁。均值濾波器

——原理在圖像上，對待處理的像素給定一個模板，該模板包括了其周圍的鄰近像素。將模板中的全體像素的均值來替代原來的像素值的方法。第五頁，共49頁。

以模塊運算系數(shù)表示即：12143122345768957688567891214312234576895768856789344456678C=6.6316C=5.5263均值濾波器

——處理方法待處理像素示例邊框保留不變的效果示例第六頁，共49頁。均值濾波器的改進(jìn)

——加權(quán)均值濾波均值濾波器的缺點是，會使圖像變的模糊，原因是它對所有的點都是同等對待，在將噪聲點分?jǐn)偟耐瑫r，將景物的邊界點也分?jǐn)偭?。為了改善效果，就可采用加?quán)平均的方式來構(gòu)造濾波器。第七頁，共49頁。均值濾波器的改進(jìn)

——加權(quán)均值濾波如下，是幾個典型的加權(quán)平均濾波器。示例示例示例示例第八頁，共49頁。中值濾波器

——問題的提出雖然均值濾波器對噪聲有抑制作用，但同時會使圖像變得模糊。即使是加權(quán)均值濾波，改善的效果也是有限的。為了有效地改善這一狀況，必須改換濾波器的設(shè)計思路，中值濾波就是一種有效的方法。第九頁，共49頁。中值濾波器

——設(shè)計思想因為噪聲（如椒鹽噪聲）的出現(xiàn)，使該點像素比周圍的像素亮（暗）許多。如果在某個模板中，對像素進(jìn)行由小到大排列的重新排列，那么最亮的或者是最暗的點一定被排在兩側(cè)。取模板中排在中間位置上的像素的灰度值替代待處理像素的值，就可以達(dá)到濾除噪聲的目的。第十頁，共49頁。中值濾波器

——原理示例數(shù)值排序m-2m-1mm+1m+2610258mm+1m-2m+2m-1610258266第十一頁，共49頁。中值濾波器

——處理示例例：模板是一個1*5大小的一維模板。原圖像為：22621244424

處理后為：

22(1,2,2,2,6)2(1,2,2,2,6)2(1,2,2,4,6)2244424第十二頁，共49頁。中值濾波器

——濾波處理方法與均值濾波類似，做3*3的模板，對9個數(shù)排序，取第5個數(shù)替代原來的像素值。第十三頁，共49頁。中值濾波器

——例題12143122345768957688567891214312234576895768856789234566678C=6.6316C=5.5263示例第十四頁，共49頁。中值濾波器與均值濾波器的比較對于椒鹽噪聲，中值濾波效果比均值濾波效果好。

第十五頁，共49頁。中值濾波器與均值濾波器的比較原因：椒鹽噪聲是幅值近似相等但隨機(jī)分布在不同位置上，圖像中有干凈點也有污染點。中值濾波是選擇適當(dāng)?shù)狞c來替代污染點的值，所以處理效果好。因為噪聲的均值不為0，所以均值濾波不能很好地去除噪聲點。第十六頁，共49頁。中值濾波器與均值濾波器的比較對于高斯噪聲，均值濾波效果比中值濾波效果好。

第十七頁，共49頁。中值濾波器與均值濾波器的比較原因：高斯噪聲是幅值近似正態(tài)分布，但分布在每點像素上。因為圖像中的每點都是污染點，所以中值濾波選不到合適的干凈點。因為正態(tài)分布的均值為0，所以均值濾波理論上可以消除噪聲。第十八頁，共49頁。邊界保持類平滑濾波器

——問題的提出經(jīng)過平滑濾波處理之后，圖像就會變得模糊。分析原因，在圖像上的景物之所以可以辨認(rèn)清楚是因為目標(biāo)物之間存在邊界。而邊界點與噪聲點有一個共同的特點是，都具有灰度的躍變特性。所以平滑處理會同時將邊界也處理了。第十九頁，共49頁。邊界保持類平滑濾波器

——設(shè)計思想為了解決圖像模糊問題，一個自然的想法就是，在進(jìn)行平滑處理時，首先判別當(dāng)前像素是否為邊界上的點，如果是，則不進(jìn)行平滑處理；如果不是，則進(jìn)行平滑處理。第二十頁，共49頁。K近鄰(KNN)平滑濾波器

——原理分析邊界保持濾波器的核心是確定邊界點與非邊界點。如圖所示，點1是黃色區(qū)域的非邊界點，點2是藍(lán)色區(qū)域的邊界點。點1模板中的像素全部是同一區(qū)域的；點2模板中的像素則包括了兩個區(qū)域。12第二十一頁，共49頁。K近鄰(KNN)平滑濾波器

——原理分析在模板中，分別選出5個與點1或點2灰度值最相近的點進(jìn)行計算，則不會出現(xiàn)兩個區(qū)域信息的混疊平均。這樣，就達(dá)到了邊界保持的目的。12第二十二頁，共49頁。K近鄰(KNN)平滑濾波器

——實現(xiàn)算法1)以待處理像素為中心，作一個m*m的作用模板。2）在模板中，選擇K個與待處理像素的灰度差為最小的像素。3）將這K個像素的灰度均值替換掉原來的像素值。第二十三頁，共49頁。K近鄰(KNN)平滑濾波器

——例題例：下圖，給定3*3模板，k=5。12143122345768957688567891214312234576895768856789223678768(1+1+2+2+2)/5=1.6=2(1+2+2+2+3)/5=2(2+3+3+4+4)/5=3.2=3(5+6+6+7+7)/5=6.2=6(6+6+7+7+8)/5=6.8=7(6+8+8+8+9)/5=7.8=8(6+6+7+7+7)/5=6.6=7(6+6+6+7+7)/5=6.4=6(7+8+8+8+8)/5=7.8=8第二十四頁，共49頁。K近鄰(KNN)平滑濾波器

——效果分析首先來看一下KNN平滑濾波的效果。KNN濾波器因為有了邊界保持的作用，所以在去除椒鹽以及高斯噪聲時，對圖像景物的清晰度保持方面的效果非常明顯。當(dāng)然，所付出的代價是：算法的復(fù)雜度增加了。第二十五頁，共49頁。對稱近鄰平滑濾波器

——基本原理算法示意圖如下，從模板中的對稱點對尋找與待處理像素相同區(qū)域的點。然后對選出的點做均值運算。1/4*（a1+b1+c1+d2)a1a2b1b2c1c2d1d2第二十六頁，共49頁。最小方差平滑濾波器

——基本原理將屬于同一個區(qū)域的可能的相鄰關(guān)系以9種模板表示出來，然后計算每個模板中的灰度分布方差，以方差最小的那個模板的均值替代原像素值。第二十七頁，共49頁。最小方差平滑濾波器

——模板結(jié)構(gòu)模板如下：本例在第2和第6中選擇一個方差小的。再用其均值代替中心點灰度值。312456789第二十八頁，共49頁。Sigma平滑濾波器

——基本原理根據(jù)統(tǒng)計數(shù)學(xué)的原理，屬于同一類別的元素的置信區(qū)間，落在均值附近±2σ范圍之內(nèi)。Sigma濾波器是構(gòu)造一個模板，計算模板的標(biāo)準(zhǔn)差σ，置信區(qū)間為當(dāng)前像素值的±2σ范圍。將模板中落在置信范圍內(nèi)的像素的均值替換原來的像素值。第二十九頁，共49頁。Sigma平滑濾波器

——例題如下，是一個5*5的模板。1134521455235453233245411σ=1.56置信區(qū)間為：[f(i,j)-2σ,f(i,j)+2σ]=[5-3.12,5+3.12]=[1.88,8.12]1134521455235453233245411g(i,j)=4.334第三十頁，共49頁。邊界保持類平滑濾波器

——總結(jié)邊界保持類平滑濾波器的核心是：盡可能地將平滑處理避開兩個或多個不同區(qū)域進(jìn)行計算。可以采用不同形狀結(jié)構(gòu)判別，也可以采用同類相似的概念進(jìn)行判別。第三十一頁，共49頁。作業(yè)對右邊的圖像進(jìn)行1、均值濾波2、中值濾波3、KNN均值濾波（k=5）4、對稱近鄰濾波（都采用3*3模板）并分析濾波結(jié)果的異同（對比度）。5657695565055665第三十二頁，共49頁。圖像的噪聲示例第三十三頁，共49頁。椒鹽噪聲示例第三十四頁，共49頁。高斯噪聲示例第三十五頁，共49頁。均值濾波器濾椒鹽噪聲的效果第三十六頁，共49頁。均值濾波器濾高斯噪聲的效果第三十七頁，共49頁。加權(quán)均值濾波器的效果(H1)H0的比較例H1的效果第三十八頁，共49頁。加權(quán)均值濾波器的效果（H2）H0的比較例H2的效果第三十九頁，共49頁。加權(quán)均值濾波器的效果(H3)H0的比較例H3的效果第四十頁，共49頁。加權(quán)均值濾波器的效果(H4)H0的比較例H4的效果第四十一頁，共49頁。中值濾波器的效果（椒鹽噪聲）第四十二頁，共49頁。中值濾波器的效果（高斯噪聲）