第八部分退化模型噪声模型.ppt

第八章 数字图像噪声处理 图像退化与复原(image degradation/ restoration ) 图像的退化是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏 图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理 图像退化与复原(image degradation/ restoration ) 典型的图像复原是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，得到质量改善的图像 图像复原过程如下： 找退化原因→建立退化模型→反向推演→恢复图像 可见，图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的退化模型是否合适 图像复原和图像增强(image enhancement)的区别： 图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果 图像复原需知道图像退化的机制和过程等先验知识，并据此找出一种相应的逆处理方法，从而得到复原的图像 二者的目的都是为了改善图像的质量 图像退化/复原过程的模型(image degradation/ restoration process model) 退化模型：退化过程可以被模型化为一个退化函数和一个加性噪声项 退化函数：即图像质量退化的原因，非常复杂，为了处理简单，一般考虑用线性系统近似 噪声：同样为了简单处理，采用几类典型数学模型概括 图像退化/复原过程的模型 噪声模型(noise model ) 数字图像的噪声主要来源于图像的获取（包括数字化过程）和传输过程 噪声的产生地点和强度都是不确定的，因此需要采用概率分布来描述，即我们把噪声当作随机变量来处理 假设噪声独立于空间坐标，且与图像本身无关联 噪声模型 高斯噪声：也称为正态噪声，数学上非常容易处理，因此在噪声没有明显表征的情况下，常采用高斯分布近似处理噪声 噪声模型 瑞利噪声 噪声模型 伽玛（爱尔兰）噪声 噪声模型 指数分布噪声 噪声模型 均匀分布噪声 噪声模型 脉冲噪声（椒盐噪声） 噪声模型 噪声模型 噪声模型 噪声模型 噪声模型 前面几种噪声模型在视觉上很难区分，但在直方图上差异非常明显 椒盐噪声是上述唯一会引起视觉区分识别的噪声，其直方图也很特别 噪声模型 周期噪声：是在图像获取中从电力或者机电干扰中产生的，是一种空间依赖型的噪声，例如特定频率干扰的一张图像 噪声模型 噪声的估计 从传感器的规格说明中获取 通过傅立叶频谱检测 使用一张标准图像检测成像系统的噪声参数，例如黑色背景下的一个白色方块图 利用图像本身的信息？ ——截取图像区域中较为平台的一个子区域，作为标准测试图像，检测噪声直方图形状 噪声模型 只存在噪声的空间滤波复原——去噪复原 当图像中唯一存在的退化是噪声时，问题就变成了去处噪声的复原问题 只存在噪声的空间滤波复原——去噪复原 直接减去噪声并不现实，因为噪声是随机的，我们并不确切地知道噪声在和处，强度是多少 如果是周期噪声，有可能在频率域将周期噪声和图像本身分离开，从而减去噪声的频率分量，实现图像的去噪复原 只存在噪声的空间滤波复原——去噪复原 当仅有加性噪声时，可考虑空间滤波方法，利用图像的相似性，使用像素周边信息对降低噪声的影响，甚至去除噪声 均值滤波 统计排序滤波 自适应局部噪声消除滤波器 自适应中值滤波器 均值滤波器(mean filter) ——算术均值滤波器（Arithmetric mean filter） 令Sxy表示中心在(x,y)点，尺寸为m x n的矩形子图像窗口，设复原图像为 ，被干扰的结果图像为g 如之前描述，算术均值滤波减少噪声的同时也模糊了图像本身的信息 均值滤波器——几何均值滤波器(Geometric mean filter) 表达式如下： 几何均值滤波所达到的平滑度与算术均值滤波的平滑度相当，但是在滤波过程中更少丢失图像细节 均值滤波器——谐波均值滤波器(Harmontic mean filter) 表达式如下： 谐波均值滤波对于“盐”的噪声效果更好，但不适用于“胡椒”噪声，并且善于处理高斯噪声等其他噪声 均值滤波器——逆谐波均值滤波器(Contraharmontic mean filter) 表达式如下： Q称为滤波器的阶数，逆谐波均值滤波器使用于椒盐噪声： 当Q0，可用于消除“胡椒”噪声 当Q0，可用于消除“盐”噪声 不能同时消除椒和盐噪声，Q=0时，退化为算术均值滤波，Q=-1时退化为谐波均值滤波 均值滤波器效果 均值滤波器效果 错误选择逆谐波滤波参数Q的情况 统计排序滤波器——中值滤波器(median filter) 使用像素相邻像素的灰度值中值替代当前向素值 对于多种随机噪