基于MATLAB的图像平滑算法实现及应用毕业论文设计.doc

目录 第一章、概述 2 1.1 图像平滑概述 2 1.2图像平滑应用 2 1.3噪声模型………………………………………………………….2 图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。噪声模型 .1噪声来源 一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、 相片颗粒噪声和信道传输误差引起的噪声等。噪声的存在恶化图像质量，使图像模糊，更严重的甚至是图像的特征完全被淹没，以至于给图像识别和分析带来了困难。 目前比较经典的去噪声的方法都或多或少给图像带来模糊，因此，探求一种既能去除噪声又不至于使图像模糊的方法，一直是图像增强处理中的难题，至今尚在不断地探索。 2.1.1噪声的分类 所谓噪声，就是妨碍人的视觉器官或系统传感器对所接收的图像信息进行理解或分析的各种因素。一般噪声是不可预测的随机信号，它只能用概率统计的方法去认识。依据噪声产生的原因，我们可将经常影响图像质量的噪声源分为三类： 2.1.1阻性元器件内部产生的高斯噪声，这类噪声是由于元器件中的电子随机热运动而造成的，很早就被人们成功的建模并研究，一般常用零均值高斯白噪声作为其模型。 2.1.2光电转换过程中的泊松噪声,这类噪声是由光的统计本质和图像传感器中光电转换过程引起的。在弱光情况下，影响更为严重，常用具有泊松密度分布的随机变量作为这类噪声的模型。 2.1.3感光过程中产生的颗粒噪声，在显微镜下检查可发现，照片上光滑细致的影调在微观上其实呈现一个随机的颗粒性质。此外颗粒本身大小的不同以及每一颗粒暴光所需光子数目的不同，都会引入随机性。这些因素的外观表现称为颗粒性。对于多数应用，颗粒噪声可用高斯过程(白噪声)作为有效模型。 根据噪声和信号的关系可以将其分为两种形式： (1)加性噪声：有的噪声与图像信号g(x,y)无关，在这种情况下，含噪图像f(x,y)可表示为：f(x,y)= g(x,y)+n(x,y)信道噪声及扫描图像时产生的噪声都属于加性噪声。 (2)乘性噪声：有的噪声与图像信号有关，这可以分为两种情况：一种是某像素点的噪声只与该像素点的图像信号有关，另一种是某像素点的噪声与该点及其邻域的图像信号有关。如 果噪声和信号成正比，则含噪图像f(x,y)可以表示为：f(x,y)= g(x,y)+ n(x,y)g(x,y) 图 加乘性噪声图 另外，还可以根据噪声服从的分布对其进行分类，这时可以分为高斯噪声、泊松噪声和颗粒噪声等。泊松分布噪声一般出现在照度非常小及用高倍电子线路放大的情况下，泊松噪声可以认为是椒盐噪声。其他的情况通常为加性高斯噪声。颗粒噪声可以认为是一种白噪声过程，在密度域中是高斯分布加性噪声，而在强度域中为乘性噪声。 　高斯噪声 数字图像的噪声主要来源于图像的获取和传输过程。按其产生的原因可分为:光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声等。按其是否独立于空间坐标以及和图像是否关联可分为加性噪声和乘性噪声。为了最大限度地减少噪声对图像的影响,人们从改善硬件质量和对受污图像进行处理两个方面做了许多的工作,文中主要考虑对受污图像进行处理的算法研究。为了对受污图像进行处理,人们对噪声进行了研究并建立了相应的数学模型。对噪声表述的数学建模主要考虑噪声的成因和分析受污图像上噪声的统计特性两个因素，这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。 高斯随机变量z的概率密度函数( PDF)由下式给出: 其中, z表示图像像元的灰度值;μ表示z的期望；σ表示z的标准差。 图加高斯噪声图 .3椒盐噪声 主要来源于成像过程中的短暂停留和数据传输中产生的错误。其PDF为 　　　 如果b a,灰度值b在图像中显示为一亮点,a值显示为一暗点。如果Pa和Pb均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。当Pa为零 时,表现为“盐”噪声;当Pb为零时,表现为“胡椒”噪声。 ’gaussian’时,为 高 斯 噪 声； type=’saltpepper’时为椒盐噪声； type=’speckle’时为乘法噪声； 图像数据读取函数imread从图像文件中读取图像数据。其基本调用格式如下： I=imread（文件名，’图像文件格式’）