图像去噪算法研究教案.pptVIP

图像去噪算法研究 学号：514106001615 姓名： 徐 军 研究意义 ?图像噪声会妨碍人们对图像的理解，去噪的目的就是提高人们对图像的认识 ?图像去噪有利于对图像进行进一步的处理，如增强图像，图像边缘检测等 图像中的噪声类型 ?按照对信号的影响可以将噪声的模型分为加性噪声和乘性噪声两类： ?加性噪声 该类噪声与图像信号强度无关，这类带噪声的图像可看做无污染的图像与噪声之和，可表示为 g = f + n; ?乘性噪声 该类噪声与图像信号有关，如电视扫描光栅，医学图像的散斑噪声，可表示为 g = f + f * n; 图像去噪经典算法 ?图像去噪方法大体可分为基于空域和频域 基于空间域： 均值滤波器 中值滤波器 双边滤波 基于频域： 傅里叶变换 小波变换 均值去噪效果 原图 添加gaussian 3x3滤波后 5x5滤波 由上图可知，均值滤波器执行速度快，但是易造成图像边缘模糊，因为它对所有的点同等对待，再将噪声点分摊的同时，也将图像边缘点分摊，造成图像模糊 为了改善均值滤波的模糊，可采用加权平均的方式构造滤波器，如 加权均值去噪效果 双边滤波算法 双边滤波模板主要有两个模板生成，第一个是高斯模板，第二个是以灰度级的差值作为函数系数生成的模板。然后这两个模板点乘就得到了最终的双边滤波模板。 原图 双边滤波后 中值滤波 ?原理：与均值滤波类似，该算法将模板中的点按灰度值排序，用处于中间的点代替模板中心像素点 原图 加入椒盐噪声 3x3中值滤波后 加入高斯噪声后 3x3滤波 结论：中值滤波对椒盐噪声的滤波较好，对高斯噪声的滤波较差 傅里叶变换 ?傅里叶变换提供了一种变换到频率域的手段，并且用傅里叶变换表示的函数特征可以完全通过傅里叶反变换进行重建，不丢失任何信息 原图 频谱 频域滤波器 低通滤波器 频域低通滤波(Lowpass Filtering in the Frequency Domain)的基本思想 G(u,v)=F(u,v)H(u,v) F(u,v)是需要平滑化图像的傅立叶变换形式。 H(u,v)是选取的一个滤波器变换函数。 G(u,v)是通过H(u,v)减少F(u,v)的高频部分来得到的结果。 运用傅立叶逆变换得到平滑化后的图像。 理想低通滤波器 ?定义：一个二维的理想低通滤波器（ILPF）的转换函数满足（是一个分段函数） 理想低通滤波器的三维透视图 理想低通滤波器 原图 截止频率=20 截止频率=60 结论：当截止频率非常低时，只有非常接近原点的低频成分可以通过，图像模糊严重；截止频率越高，通过的频率成分越多，越接近原图。可以看出，理想低通滤波器不可以很好的兼顾噪声滤除与细节保留两个方面。 高斯低通滤波器 高斯低通滤波器的频率域二维形式由下式给出： 理高斯低通滤波器的三维透视图 高斯低通滤波器 原图 Sigma=20 Sigma=40 结论：可以看出，在Sigma取40时可以较好的处理被高斯噪声污染的图像，相比于低通滤波器，处理效果改进显而易见，在抑制噪声的同时，降低了模糊的程度 小波去噪的优点 （1）低熵性，小波系数的稀疏分布，使得图像变换之后的熵降低； （2）多分辨率行，由于采用多分辨率的方法，所以它能很好地刻画信号的平稳特征，如端点，边缘等，可在不同分辨率下根据信号的噪声的分布的特点去噪； （3）选择基底的灵活性，小波变换可以灵活的选择不同的小波基。 数学分析 假设图像表示为， 其中,f(i,j)表示图像中(i,j)点处的灰度值。因此,含有噪声的就可以表示为， 其中,噪声 , N(·)表示正态分布,而且是独立同分布的,其与图像f(i,j)也是相互独立的。经小波变换以后,有 其中,Wg(i,j)表示含有噪声图像的小波系数;Wf(i,j)表示原始图像的小波系数,Wε(i,