降噪算法知识讲稿.pptVIP

* 基于小波变换的BGA射线图像降噪算法 图像去噪的背景 随着电子封装技术的快速发展，表面组装技术产品质量和可靠性问题日益突出。研究表明，产品的故障往往是焊点故障，而大部分焊点质量问题可以通过焊点形态检测和分析反应出来。射线实时成像( RTR)有在线、快速、高效、经济、动态和多方位检测等诸多优点，是工业射线无损检测重要发展方向。X射线无损探成为焊接质量控制的重要方法。 BGA图像去噪的意义 在图像处理技术中，由于图像在采集和传输过程中不可避免会被噪声污染， 图像信号中的噪声是图像质量降低的一个重要因素，对图像分析、特征提取以及模式识别等高层次处理都有很大的影响。首先研究BGA焊点图像噪声来源，简化噪声模型及合理估计其分布参数，然后经过一系列数字图像处理方法，得到焊点的质量信息参数。这样可以提高检测的可靠度和检测效率，节省人力。 常见噪声类型和图像去噪方法 减少噪声的方法可以在图像空间域或在图像变换域中完成图像空间域去噪方法很多，如：线性滤波法、中值滤波法、维纳滤波法等。 图像变换域去噪方法有：傅里叶变换和小波变换等 常见噪声类型及其特点： 椒盐(脉冲)噪声：含有随机出现的黑白强度值 高斯噪声：含有强度服从高斯或正态分布的噪声 均值滤波 均值滤波的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。其采用的主要方法为领域平均法，均值滤波处理降低了图像的“尖锐”变化。由于典型的随机噪声由灰度级的急剧变化组成，均值滤波处理会带来边缘模糊的负面效应，使滤波后图像轮廓不清晰。 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，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。对于一定类型的随机噪声，它提供了一种优秀的去噪能力，而且比相同尺寸的线性平滑滤波器的模糊程度明显要低。 （a）原始图像 （b）噪声图像 （d）中值滤波后图像 （c）均值滤波后图像 去噪方法 PSNR 均值滤波 69.0129 中值滤波 68.5972 可以看出，由信噪比的大小可以看出均值滤波和中值滤波在对同等高斯噪声条件下的去噪效果基本相同 频域去噪之傅里叶变换 从数学角度来看，傅立叶变换是通过一个基函数的整数膨胀而生成任意一个周期平方可积函数。通过傅立叶变换，在时域中连续变化的信号可转化为频域中的信号，因此傅立叶变换反映的是整个信号在全部时间下的整体频域特征，但不能反映信号的局部特征。 傅立叶变换有如下不足： （1）当我们将一个信号变换到频域的时候，其时间上的信息就失去了。 （2）为了从模拟信号中提取频谱信息，需要取无限的时间量。 （3）因为一个信号的频率与它的周期长度成反比，对于高频谱的信息，时间间隔要相对较小以给出比较好的精度。而对于低频谱的信息，时间间隔要相对较宽以给出完全的信息，亦即需要一个灵活可变的时间—频率窗，使在高“中心频率”时自动变窄，而在低“中心频率”时自动变宽，傅立叶变换无法达到这种要求，它只能作全局分析，而且只对平稳信号的分析有用 小波阈值去噪方法 （1）先对含噪信号 f(x)做小波变换，得到一组小波系数 W（j,k）； （2）通过对 W（j,k）进行阈值处理，得到估计系数 W（j,k）’，使得W（j,k）’ 与W（j,k） 两者的差值尽可能小； （3）利用 W（j,k）’进行小波重构，得到估计信号 f(k)即为去噪后的信号。 硬阈值方法是保留大于阈值的数据而把小于阈值的数据都设为0，其Wj,k’在阈值点处是不连续的，会给重建带来一些振荡，使重构的均方误差较大. 软阈值方法把小于阈值的数值都设为0，把大于阈值的数都减去一个常数，其Wj,k’整体连续性好，但当Wj,k大于其阈时，总存在恒定差值，这也使重建信号产生较大均方差. 因此，产生了半软阈值算法。在不同的阈值下，其构建方法有所不同，半软阈值算法有效地降低了均方差、同时提高了峰值信噪比，有效地抑制了噪声，应用半软阈值去噪后的图像较好的解决了抑制噪声与保留图像细节之间的权衡问题，得到了最佳的去噪效果 小波阈值去噪方法的核心是小波系数估计 *