《常用图像去噪比较与分析》.doc

常用图像去噪方法的比较分析 梅娜娜 2091103 摘要 去噪处理作为图像预处理的一个重要环节，对图像处理的后续工作有着不可忽视的影响。针对不同的噪声，处理方法也不同。本文介绍了几种常见的图像噪声，并讨论了均值滤波、中值滤波及小波变换的典型运用，同时进行对比分析，最后得出这三种方法各自的自适应特点。 关键字：均值滤波；中值滤波；小波变换 一、引言 一幅图像的生成过程难免会伴随有噪声的产生。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” 在理论上可定义为“不可预测，只能用概率统计方法来认识的随机误差”。。乘性噪声往往随图像信号的变化而变化其含噪图像可表示为 3、椒盐(Salt and pepper)噪声:主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 4、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，其大小显示出数字图像和原始图像差异。 本文为了分析不同去噪方法的应用范围，将原图像分别加入高斯噪声及椒盐噪声，运用Matalab编程实现两种不同滤波方法的去噪结果，并据此进行比较得出相应结论。 下面几幅图为本文所选用的原图像、经过灰度变换后得到的图像、添加椒盐噪声和高斯噪声后的图像： 三．去噪的常用方法 1.均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点 ,作为处理后图像在该点上的灰度 ,即,其中,为模板,为该模板中包含当前像素在内的像素总个数。 如下即分别为用中值滤波对加有高斯噪声、椒盐噪声、的图像处理后的对比图: 2.中值滤波 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。其实现原理如下:将某个像素邻域中的像素按灰度值进行排序,然后选择该序列的中间值作为输出的像素值,让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点。 其具体的操作是:首先确定一个以某个像素为中心点的领域,一般为方形领域(如3 * 3、5 * 5的矩形领域),然后将领域中的各个像素的灰度值进行排序。 假设其排序为:, 取排好序的序列的中间值作为中心点像素灰度的新值,这里的邻域通常被称为窗口。当窗口在图像中上下左右进行移动后,利用中值滤波算法可以很好地对图像进行平滑处理。 如下即分别为用中值滤波对加有高斯噪声、椒盐噪声的图像处理后的对比图: 3　小波变换 小波变换是一种窗口大小固定但其形状可改变的时频局部化分析方法。小波变换利用非均匀的分辨率，即在低频段用高的频率分辨率和低的时间分辨率（宽的分析窗口）；而在高频段利用低的频率分辨率和高的时间分辨率（窄的分析窗口），这样就能有效地从信号（如语言、图像等）中提取信息，较好地解决了时间和频率分辨率的矛盾。对于一副图像，我们关心的是它的低频分量，因为低频分量是保持信号特性的重要部分，高频分量则仅仅起到提供信号细节的作用，而且噪声也大多属于高频信息。这样，利用小波变换,噪声信息大多集中在次低频、次高频、以及高频子块中,特别是高频子块,几乎以噪声信息为主,为此,将高频子块置为零,对次低频和次高频子块进行一定的抑制,则可以达到一定的噪声去除效果。 如下即分别为用小波变换对加有高斯噪声、椒盐噪声的图像处理后的对比图: 四．结果对比与分析 通过Matlab编程实现对图像的加噪声过程及去噪处理过程，由于时间限制，笔者只对原图像加入两种常见的高斯噪声和椒盐噪声，然后运用三种去噪算法进行了处理 　　根据以上实验结果进行对比分析,可以得出以下结论: (1)对于均值滤波, 由以上处理后的图像可以看到:均值滤波对高斯噪声的抑制是比较好的,处理后的图像边缘模糊较少。但对椒盐噪声的影响不大,因为在削弱噪声的同时整幅图像内容总体也变得模糊，其噪声仍然存在。 (2)对于中值滤波,由图像处理的结果可以看出,它只影响了图像的基本信息,说明中值滤波对高斯噪声的抑制效果不明显。这是因为高斯噪声使用随机大小的幅值污染所有的点,因此无论怎样进行数据选择,得到的始终还是被污染的值。而由图还可以看出,中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现,所以根据中值滤波原理可知,通过数据排序的方法,将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果很好,同时画面的轮廓依然比较清晰。由此看来，对于椒盐噪声密度较小