第5章(刘荣华)图像中噪声干扰的去除.ppt.pptVIP

第五章 图像中噪声干扰的去除 1 何谓图像的噪声 图像的噪声 ：在图像上面出现各种形式的干扰斑点、条纹等，这种干扰称为图像的噪声。 随机噪声： 随机噪声具有以下性质： a、? 画面上的噪声出现处呈现不规则分布； b、? 噪声的大小也是不规则的。 当对某静态物体进行连续拍摄时，噪声也会随时出现于任意地方，而且每个瞬间噪声出现的位置和大小也会产生变化。 如图所示，像素的浓度分散于以真值为中心的各处。如果取得它们的平均值，就会看出，图像幅数越多，其平均值与真值就越接近。若可以使用无限枚的图像，可以相信其噪声也会无限地接近零。 这种方法常用于电视摄像机或图像扫描仪之中，可以获取高质量的静止图像。 先举个例子说明一下什么是平滑(smoothing)，如下面两幅图所示：可以看到，图2比图1柔和一些(也模糊一些)。是不是觉得很神奇？其实实现起来很简单。我们将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度，就能实现上面的效果。 图1??? 原图 平滑模板的思想是通过将一点和周围8个点作平均，从而去除突然变化的点，滤掉噪声，其代价是图象有一定程度的模糊。上面提到的模板就是一种平滑模板，称之为Box模板。Box模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。 实际上我们可以想象，离某点越近的点对该点的影响应该越大，为此，我们引入了加权系数，将原来的模板改造成 ，可以看出，距离越近的点，加权系数越大。 新的模板也是一个常用的平滑模板，称为高斯(Gauss)模板。 举个实际的例子：下图中，从左到右分别是原图，用高斯模板处理的图，用Box模板处理的图，可以看出，采用高斯模板，在实现平滑效果的同时，要比Box模板清晰一些。 移动平均法是最简单的噪声去除法。他采取把某像素的值置换为该像素周围3*3个像素的浓度的平均值的方法。主要是冲淡了图像的浓度，从而使人看不见细小的噪声。但这样一来，因把图像边界和噪声一起冲淡，尽管噪声可以除去，但图像也会变得模糊了。 为了使图像的边缘尽量不被淡化，只将噪声除去，可以采用中值滤波法。 3 中值滤波方法 所谓中止滤波，就是求得某个像素周围区域内像素浓度的中央值或中间值，并将其作为目的像素浓度值的处理过程。 在移动平均法中，把噪声成分也放到了平均计算之中，因此其输出也受到噪声的影响。而在中值滤波法中，噪声成分很难被选到，对输出图像不会有什么影响。因此，对同一块3*3图像比较，显然中值滤波法在去除噪声的能力上略胜一筹。中值滤波法是即可除去噪声又可保存图像边缘的十分优秀的方法。 二值图像的噪声去除 如图所示的图像中所包含的噪声称为椒盐状噪声，这种噪声也能用中值滤波法将其除去，另外，利用它的二值性，有称为膨胀、收缩的处理方法。 所谓膨胀，是指将某像素的近邻中，若有一个为1，则将该像素置为1，其他的均置为0。而所谓收缩，是指某像素的近邻中，若有一个为0，就将该像素置为0，而将其他均值为1的处理。这种处理利用膨胀→收缩作用，使结果图像经膨胀变粗，又经收缩变窄，结果几乎没有变形，黑色孤立的噪声在膨胀时被去除。反之，通过收缩→膨胀的作用，白色孤立的噪声也在收缩时被除去。 5 其他技术方法 在某个像素周围的5*5的区域中，按图中九种模式选择相应的像素。例如以模式1可选出七个像素，以模式九，可选出九个像素。接着球出各个模式的方差。然后，选择方差最小的模式，求出其平均值，并将该值当作关注像素的浓度值。这样做的目的是为了把5*5的区域划分成如图所示那样的九个小区域，并找出其中最平坦的（即没有噪声和边缘的）地方， 将其输出后，以消除噪声。 这种方法不仅可以保持边缘、消除噪声，而且可以突出边缘，故又称为保持便捷的平滑化方法。在区域提取，边界提取的前处理中，采用该方法去除噪声是相当有效的。但计算时间会增加很多。 消除噪声没有完美无缺的方法，只要尽力选择与目的相吻合的方法就可以了。在确定采用何种方法以前，应当实际试验几次看看效果如何，可能是捷径。 * * 2 利用平滑化去除噪声的方法 噪声的浓度与其四周像素的浓度间，存在着很大的浓度差。利用噪声的这种性质去除噪声的方法，一般称为平滑化。但因图像的边界部分也存在着急剧变化的浓度差，所以如何将这类边界部分与噪声部分恰当的分离开，只把噪声除去，正是执行平滑化方法时需要认真对待的问题。 图3.1??? 原图 图3.2???? 经过平滑处理后的图 图2 ? 经过平滑处理后的图 为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为