第5章图像噪声的抑制汇总.ppt

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，均值滤波器对椒盐噪声不能根除，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。 因为高斯噪声的正态分布的均值为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 边界保持的噪声滤波器 问题的提出： 经过均值滤波或中值滤波之后，图像会变得模糊。原因是：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，而滤波处理在一定程度上模糊了原来的边界。 5.4.1 K近邻(KNN) 滤波器 非边界点：例如：点①,在黄色区域。 边界点：例如：点②,位于蓝色区域。 滤波处理对点①的影响不大; 滤波处理对点②的影响非常大。 5.4.1 K近邻(KNN)滤波器 1) 以待处理像素为中心，作一个m*m的模板。 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（或中值）替换掉原来的像素值。 KNN均值滤波的结果 KNN中值滤波的结果。 5.4.2 例题 例：3*3模板，k=5，中值滤波 均值滤波器的效果（椒盐噪声） 均值滤波器的效果（高斯噪声） 中值滤波器的效果（椒盐噪声） 中值滤波器的效果（高斯噪声） 中值滤波与均值滤波效果比较（椒盐噪声） 中值滤波与均值滤波效果比较（高斯噪声） KNN均值滤波器的效果（高斯噪声） KNN中值滤波器的效果（椒盐噪声） 图像的噪声示意图 * f(x) x 0.06 0.12 0.18 0.2 0.18 0.12 0.06 +3 +2 +1 0 -1 -2 -3 σ=2 对于待处理的当前像素f(x, y)，3×3