第5章_图像噪声的抑制.pptVIP

第五章 图像的噪声抑制 所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。 图像的噪声抑制就是对这些干扰信号的抑制。 5.1 图像噪声的基本概念 噪声对图像的干扰模式称为噪声模型。噪声模型主要有加性噪声模型与乘性噪声模型两大类。设f(x,y)为未受到噪声污染的图像信号，n(x,y)为噪声，污染后的图像为g(x,y)。 加性噪声模型为： 乘性噪声模型为： 由于乘性噪声模型较为复杂，并且有时可以近似采用加性噪声模型来处理。以下仅讨论加性噪声的抑制方法。 图像噪声的类型主要有两类： （1）噪声的幅值基本相同，但噪声出现的位置是随机的。一般称为椒盐噪声（或脉冲噪声）。 （2）图像中的每一点都存在噪声，但噪声的幅值是随机分布的。这一类噪声较为典型的有高斯噪声等。 5.2 均值滤波 算法思想：处理每一个像素时，都给定一个模板，该模板包括该像素及其周围的若干邻近像素。将模板中的全体像素的均值来替代原来像素值。 5.2.1 均值滤波器 5.2.2 加权均值滤波器 关于均值滤波的几点说明： （1）均值滤波方法对椒盐噪声的滤波效果不太好，这是因为椒盐噪声的幅值为不变的常数，难以通过求平均值方法得以完全消除，而噪声部分只是被弱化到周围的像素，使噪声幅值有所下降。 （2）均值滤波方法对高斯噪声的滤波效果则较好，这是因为高斯噪声的幅值有正有负，通过求平均值可以起到抵消的作用。 （3）顺便指出，模板的尺寸通常选为3×3或者5×5。模板尺寸的增大可能导致图像的模糊。 （4）对于图像边框上的像素，由于无法被模板覆盖，因此一般不做处理。 5.3 中值滤波 一. 问题的提出 我们看到，均值滤波器对噪声有抑制作用，但不能根除，同时还会使图像变得模糊。为了改善这一状况，必须寻找新的滤波器。中值滤波就是一种有效的方法。 二. 中值滤波器的设计思想 依据：因为噪声的出现，使一些像素比周围的像素亮（暗）许多。 原理：对于待处理的像素，我们可以让它与周围的若干像素一起组成一个模板，对模板中的像素值由小到大排列，取排列在最中间的灰度值作为待处理像素的灰度值。 可见，对于噪声很大的像素，通过用相邻像素灰度替代该像素灰度的方式，达到消除噪声的目的。 与均值滤波类似，做3*3的模板，对9个像素的灰度值进行排序，取第5个灰度值替代原来的像素值。 三. 例题： 四. 中值滤波器的特点： 因为中值滤波的原理是取合理的邻近像素值来替代噪声点，所以只适合于椒盐噪声的去除，不适合高斯噪声的去除。 五. 中值滤波器与均值滤波器的比较 对于椒盐噪声，中值滤波效果比均值滤波效果好。原因是： 椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。中值滤波是选择相邻的干净点的值来替代污染点的值，所以处理效果好。 因为椒盐噪声的均值不为0，所以均值滤波不能很好地去除噪声点。 对于高斯噪声，均值滤波效果比均值滤波效果好。原因是： 高斯噪声是幅值近似正态分布，但分布在每点像素上。因为图像中的每点都是污染点，所中值滤波选不到合适的干净点。 因为正态分布的均值为0，所以根据统计数学，均值可以抑制噪声。 （注意：实际上只能减弱噪声，不能消除。思考为什么？） 5.4 边界保持平滑滤波器 问题的提出： 前面的处理结果可知，经过平滑（特别是均值）滤波处理之后，图像就会变得模糊。分析原因，在图像上的景物之所以可以辨认清楚是因为目标物之间存在边界，而平滑处理则在一定程度上模糊了边界。 5.4.1 边界保持平滑滤波器设计思想 在进行平滑处理时，首先判别当前像素是否为边界上的点，如果是，则不进行处理，如果不是，则进行平滑处理。 5.4.2 K近邻(KNN)平滑滤波器 边界保持滤波器的核心是确定边界点与非边界点。 如图所示，点1是黄色区域的非边界点，点2是蓝色区域的边界点。 在模板中，分别选出K个与点1或点2灰度值最相近的点进行计算，不影响效果。 换句话说，对非边界点的 影响不是很大，但是对边界 点的影响就非常大。 5.4.3 K近邻(KNN)平滑滤波器算法 1) 以待处理像素为中心，作一个m*m的作用模板。 2）在模板中，选择K个与待处理像素的灰度差为最小的像素（不包括当前像素本身）。 3）将这K个像素的灰度均值（中值）替换掉原来的像素值。 由此，获得KNN均值滤波的结果和KNN中值滤波的结果。 5.4.4 KNN均值滤波例题 例：3*3模板，k=5 均值滤波器的效果（椒盐噪声） 均值滤波器的效果（高斯噪声） 加权均值滤波器的效果(H0) 加权均值滤波器的效果（H1） 加权均值滤波器的效果(H2) 加权均值滤波器的