图像去噪技术的研究与实现-毕业论文.doc

绪论 现实中的图像都是带噪声的噪声恶化了图像质量，使图像模糊。对同时含有高斯噪声和椒盐噪声的图像先进行混合中值滤波，在滤除椒盐噪声的同时，又很好地保留了图像中的物体细节和轮廓。小波域去噪处理具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。小波模极大值去噪方法能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，具有较好的图画质量，改进后可以得到更满意的图像。小波相位滤波去噪算法是基于小波变换系数相关性去噪算法的，适于强噪声图像也可以改善图像质量。 　 图像人类获取信息的重要来源及利用信息的重要手段，而现实中的图像都是带噪声的。噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。为了噪声，会引起图像边缘的模糊和一些纹理细节的丢失。反之，进行图像边缘增强也会同时增强图像噪声。因此在的同时，要求最小限度地减小图像中的信息。的图像去噪算法如均值滤波、维纳滤波、中值滤波等，其去噪效果理想。 中值滤波是由图基（Turky）在1971年提出的，在抑制椒盐噪声的同时又能较好地保持图像特征，图像也得到了平滑。对同时含有高斯噪声和椒盐（脉冲）噪声的图像，先进行混合中值滤波。基于极值的混合中值滤波兼容了中值滤波和线性滤波的优点，在滤除椒盐噪声的同时又对图像中的物体细节和轮廓进行了很好的保留。基于混合中值滤波和小波去噪相结合的方法，去噪效果好于单纯地使用小波变换去噪声或单纯使用混合中值滤波去噪声，能获得比单一使用任何一种滤波器更好的效果。小波分析是20世纪80年代初Morlet提出的，经过20多年的研究，小波分析目前在图像处理等领域中得到广泛的应用。去噪处理是一个重要应用，尤其是对高斯噪声的滤除。小波域信号去噪在兼容去噪和保留信号有意义特征方面，具有十分诱人的前景。小波变换具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。小波模极大值去噪方法主要适用于信号中混有高斯噪声，且信号中含有较多奇异点的情况。该方法在去噪的同时能有效地保留信号的奇异点信息去噪后的信号没有多余振荡，是原始信号的一个非常好的估计，具有较好的图画质量。但是信噪比比较时效果不好，改进后则可以得到满意的图像。由于信号与噪声的幅值在小波变换下有不同的传播特性，因此多数去噪算法都是基于小波系数的幅值特性而设计的。小波相位去噪算法基于小波变换系数相关性，是一种对幅度不敏感的小波去噪算法适于强噪声图像也可以改善图像质量。本文的工作 首先对当前比较成功的去噪算法有一个较为全面的其次，针对实际问题较合理的去噪算法最后将用MATLAB程序仿真实现，完成图像的去噪处理。 经典图像去噪技术的介绍 的去噪算法有均值滤波、中值滤波、维纳滤波等等。图像噪声 噪声来源 ① 在光电、电磁转换过程中引起的人为噪声② 大气层电（磁）暴、闪电、电压和浪涌等引起的强脉冲性冲击干扰③ 由物理的不连续性或粒子性所引起自然起伏性噪声。 噪声分类 图像是一种重要的信息源，本质是光电信息。一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。根据噪声和信号的关系，可将其分为三种形式（表示给定原始图像，表示图像信号，表示噪声）： ① 加性噪声 含噪的图像可表示为：，噪声与信号的关系是相加不管有没有信号噪声都存在。加性噪声干扰有用信号，因而不可避免地对通信造成危害。信道噪声及光导摄像管的摄像机扫描图像时产生的噪声，就属这类噪声。 加性噪声中包括椒盐噪声高斯噪声等典型噪声。椒盐噪声往往由图像切割引起，是由图像传感器等产生的黑图像的白点、白图像上的黑点。去除脉冲干扰级椒盐噪声中值滤波是最常用的高斯噪声就是n维分布都服从高斯分布，即正态分布概率密度函数的噪声是图像的主要噪声小波很好地去高斯噪声。② 乘性噪声 含噪图像可表示为：，噪声与信号的关系是相乘的信号在它在，信号不在也就不在。乘性噪声一般由信道不理想引起，飞点扫描器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。 ③ 量化噪声 此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。这类噪声不是我们研究的方向。 一般来说，图像噪声多是与信号直接相加的。因此，原则上乘性噪声信号的去除最好先转换为加性噪声。所以我们去噪的主要目的是去掉加性噪声的影响。研究图像去噪技术，首先要给图像添加噪声，进行噪声的模拟。数字图像噪声产生的途径有很多种。MATLAB的图像处理工具箱提供imnoise函数，可以用该函数给图像添加五不同种类的噪声。表2.1列出了imnoise函数能够产生的五种噪声及对应参数。具体应用为：首先将图像读出来，然后给图像