基于滤波图像降噪算法与研究-.pptVIP

基于滤波的图像降噪算法的研究 大纲 引言 图像滤波降噪的研究现状 数字图像的噪声分析 常见噪声 图像质量的评价 图像滤波去噪算法 总结 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、 智能机器人等众多学科与工程领域中。 数字图像处理技术的优点 ： 再现性好 处理精度高 适用面宽 灵活性高 信息压缩的潜力大 在连续图像转换为数字图像的取样量化过程中，不可避免地会产生量化噪声，此外，图像传感器物理器件自身的灵敏度质量、图像传输和获取过程中的外在环境影响，都会存在一定程度的噪声干扰，降低了数字图像的质量。 图像去噪的研究意义主要表现在： 噪声的存在影响着主观视觉效果。人眼对图像噪声尤其是图像平坦区的噪声非常敏感。严重的噪声将会使图像产生变形，失去其本质数据特征。 噪声会降低图像数据的质量和精度，将会影响后续图像边缘检测及图像识别的准确率。 因此，去除图像噪声的影响是图像预处理的一个关键步骤，对后续的图像分割、特征提取、图像识别等更高层次的处理具有直接的影响。 为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。现有的经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。与之相适应的出现了许多应用方法：如均值滤波器、中值滤波器、低通滤波器、维纳滤波器、最小失真法等。这些方法广泛应用，促进数字图像处理的极大发展。但目前还没有一种既能去除图像噪声又能很好保留图像边缘信息的方法。 3 数字图像的噪声分析 3.1 图像噪声的概念： 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如一幅黑白图片，其平面亮度分布假定为 ，那么对其接收起干扰作用的亮度分布 即可称为图像噪声。但是，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。 3.2 图像噪声的分类： 按其产生的原因可以分为外部噪声和内部噪声。 外部噪声，即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 内部噪声一般分为4类： （1）由光和电的基本性质所引起的噪声 （2）电器的机械运动产生的噪声。 （3）器材材料本身引起的噪声。 （4）系统内部设备电路所引起的噪声。 3.3 常见噪声 常见的噪声有高斯噪声，泊松噪声，椒盐噪声，这几种噪声的仿真图如图1。 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。一个高斯随机变量的表达式可表示为 其中z代表灰度，u是z的均值， 是z的标准差。高斯噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊且会出现细小的斑点，使图像变得不清楚。 高斯噪声示例 泊松噪声是指它的概率密度函数服从泊松分布的一类噪声。 在随机过程的一个周期内，泊松分布的统计模型是 其中k表示单位时间内随机事件的个数， 既是随机事件的均值，也是其方差。所以泊松过程有其方差等于均值的性质，即 。因此，泊松分布的信噪比定义为 也就是说，在由泊松噪声构成的图像中，其信噪比跟泊松噪声自身均方根成正比。 泊松噪声示例 椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声，往往由图像切割引起。它是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。 椒盐噪声示例 4 图像质量的评价 4.1主观评价 主观评价通常有两种：一种是作为观察者的主观评价，这是由选定的一组人对图像直接