第6章-图像的噪声抑制.pptVIP

第 6 章 图像的噪声抑制 所谓图像噪声，是图像在摄取时或是传输时所受到的随机干扰。对这些干扰信号的抑制称为图像噪声的抑制。 图像噪声可以理解为妨碍人的视觉感知，或妨碍系统传感器对所接收图像源信息进行理解或分析的各种因素，也可以理解成真实信号与理想信号之间存在的偏差。 本章介绍图像噪声的概念及噪声抑制（平滑）的方法。 6.1 图像噪声的基本概念 噪声是不可预测的随机信号，通常采用概率统计方法对其进行分析。 噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。特别是在图像的采集和输入阶段对噪声的抑制是十分关键的问题，若输入伴有较大的噪声，必然影响处理全过程及输出的结果。 一个良好的图像处理系统，不论是模拟处理还是数字处理，都把减少最前一级的噪声作为主攻目标。因此，噪声抑制对图像处理十分重要。 根据噪声产生的来源，大致可以分为： 外部噪声：是指从处理系统外来的影响，如天线干扰或电磁波从电源线窜入系统的噪声。 内部噪声则有以下四种最常见形式。 ①由光和电的基本性质引起的噪声。例如电流可看作电子或空穴运动，这些粒子运动产生随机散粒噪声，导体中电子流动的热噪声，光量子运动的光量子噪声等。 ②由机械运动引起的噪声。例如，接头振动使电流不稳，磁头或磁带、磁盘抖动等。 ③元器件噪声。如光学底片的颗粒噪声，磁带、磁盘缺陷噪声，光盘的疵点噪声等。 ④系统内部电路的噪声。 噪声是随机量，可以从统计数学的观点来定义噪声。凡是统计特性不随时间变化的噪声称为平稳噪声，而统计特性随时间变化的噪声称作非平稳噪声。 以上各种类型的噪声反映在图像画面上，大致可以分为两种典型的图像噪声： 椒盐噪声：噪声的幅值基本相同，但是噪声出现的位置是随机的。 随机噪声：每一点都存在噪声，但噪声的幅值是随机的。 随机噪声根据其幅值的概率密度函数，还可分成：高斯噪声、瑞利噪声 椒盐噪声示例 高斯噪声示例 噪声模型 按照对信号的影响可以将噪声的模型分为加性噪声模型和乘性噪声模型两类。 设为f(x,y)信号，n(x,y)为噪声，在噪声影响下的输出为g(x,y)，则有: 加性噪声模型为： 乘性噪声模型为： 描述噪声一般采用统计意义上的均值和方差。 均值：表明了图像中噪声分布的总体强度。 方差：表明了图像中噪声分布的强弱差异。 图像噪声的抑制方法 设计噪声抑制滤波器，在尽可能保 持原图信息的基础上，抑制噪声。 均值滤波器 中值滤波器 边界保持类滤波器 6.2 均值滤波 6.2.1 原理 均值滤波就是用若干像素的平均值替代原图像中的像素值。 6.2.2 图像噪声的均值滤波方法 将前述一维均值滤波的原理拓展至二维图像，就可以实现图像噪声抑制。 图像的空间变换是借助于一个称之为模板（mask）的局部像素域来完成的。 模板包括了图像上对待处理的像素及其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法称为均值滤波。 模板一般选择为3×3、5×5等，待处理像素放在模板的中心，为了使输出像素值保持在原来的灰度值范围内，模板的权值总和应维持为1。因此，模板与模板像素的乘积要除以一个系数（通常是模板系数之和），这个过程称为模板的归一化。 典型的均值滤波模板 ： 该模板的相应计算为 一般地，设当前待处理的像素为（i，j），模板通常被定义为以像素（i，j） 为中心的一个n×n像素域及与之相匹配的系数｛H i, j ｝。n通常为奇数值。若令 k=（n-1）／2，则空间变换一般可以表示为： 图例： 模板操作实现了一种邻域运算(Neighborhood Operation)，即某个像素点的结果不仅和本像素灰度有关，而且和其邻域点的值有关。这种方法亦称邻域平均法。 均值滤波器的缺点是，会使图像变得模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。 为了改善效果，就可采用加权平均的方式来构造滤波器。 均值滤波器的改进 —— 加权均值滤波 加权均值滤波器的效果(H1) 加权均值滤波器的效果(H3) 加权均值滤波器的效果(H4) 高斯(Gauss)模板 我们可以想像，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，将原来的模板加以改造成，距离越近的点，加权系数越大。 新的模板其实也是一个常用的平滑模板，称为高斯(Gauss)模板。它是通过采样2维高斯函数得到的。 用高斯模板处理后，可以得到较好的效果。 加权均值滤波器的效果（H2） 6.3 中值滤波 均值滤波是一种线性处理技术。虽然对噪声有抑制作用，但同时会使图像变得模糊。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。 中值滤波法是一种非线性处理技术，可用来抑制图像中的噪音