2025《图像去噪的方法概述》1900字.docxVIP

图像去噪的方法概述

1.1数字图像的噪声模型

数字图像的噪声的分类方法有许多类型，有基于噪声产生的原因进行的分类，有基于噪声统计原理产生的分类，还有基于噪声源的分来方法。本文主要依据噪声与图像信号的相关程度和噪声的概率分布两种分类方法进行介绍。

加性噪声

自然界中存在各种噪声，例如大气中的电磁运动带来的噪声，日常中开关接触产生的电噪声，电子器件中的噪声等，都属于加性噪声，都是独立存在的噪声。而数字图像信号在进行运输处理等过程中，加性噪声都会存在，两种相互独立。用数学模型表示加性噪声如（1.1）所示：

fx

乘性噪声

乘性噪声通常又称为卷积噪声，与图像信号存在相关性，乘性噪声的强弱程度在一定程度上依赖于图像信号，即乘性噪声与图像信号共同存在，同时消失。其数学模型表示如（1.2）所示：

fx=y

高斯噪声

高斯噪声又称为正态噪声，通常情况下其概率密度函数服从高斯分布[17]。在数字信号处理测试中常用高斯噪声进行实验，来模拟实际情况下可能遇到的噪声。对数字图像来说，高斯噪声的存在可能会导致图像模糊或失真。高斯随机变量的概率密度函数如（1.3）所示：

Pz=1

椒盐噪声

当数字图像中出现一些随机分布的黑点或者白点时，这就是椒盐噪声。一般使用失效或者是饱和的感应器都会导致图像的像素值过小或者过大，这都会产生椒盐噪声。椒盐噪声的概率密度函数如（1.4）所示：

Pz

如果ab,那么在图像的显示结果中灰度级a表现为一个暗光点；如果ab,那么在图像的显示结果中灰度级b表现为一个亮光点。如果Pa或者Pb的值为0，表示为单极脉冲噪声。如果Pa

1.2空间域图像去噪

空间域图像去噪主要是指将图像信号放到时域下进行处理，对像素进行各种运算。下面为几种经典去噪算法：

中值滤波去噪算法

中值滤波是一种经典的易于实现的非线性的滤波算法，其的基本理论原理是在图像中选取一个采样窗口，提取奇数个采样的像素值数据，并按照一定顺序进行排列，排序后得到的一个二维数据序列，序列的中间值将代替原先带处理的像素值的位置[16]。其数学表达式如(1.5)所示：

gx,y

对于受到椒盐噪声干扰的数字图像信号，中值滤波法可以很好地去除噪声，保护图像的信息[15]。但是，如果图像受到高斯噪声的干扰，采样中值滤波法无法达到良好的去噪效果。

均值滤波去噪算法

均值滤波算法是一种线性滤波算法，其原理为选取图像中待处理像素点，在其相近领域选取若干个像素点，再计算均值，最后将计算得出的均值代替原先选取是图像中待处理像素点的灰度值[16]。其数学表示如(1.6)所示：

gx,y

均值滤波算法的优点是简单易于操作，计算快捷，能够很好使图像中的高斯噪声得到去除。但是均值滤波器也存在不足之处，在进行图像去噪处理的过程中，可能无法很好地保护图像的边缘细节信息，导致图像的细节纹理变得模糊不清。因此，均值滤波无法很好地处理含有椒盐噪声的图像。

领域平均法去噪算法

领域平均去噪算法属于平滑滤波算法的一种，是选取一个box模板并将图像中待处理像素点放置模板的中心位置，通过移动模板并进行相应的平均值计算，最终实现对原始图像中的全部像素点进行滤波操作。其数学表达如(1.7)所示：

gx,y

公式(1.5)中，m和n属于s域。一般情况下，领域平均去噪算法对去除高斯噪声的效果比较好，可以尽可能的保留图像中的信息，减少失真，但是对于椒盐噪声的去除效果并不算很好。

1.3变换域图像去噪

变换域的图像去噪处理，简单理解为把某域的图像信号转换为其他域的表达方式，通过数学思维描述图像信号。根据变换域的种类不同，大致可以分为基于傅里叶变换，基于小波变换以及基于多尺度几何分析的三类图像处理技术[2]。这里主要简单地展开频域图像去噪方法原理描述：

理想低通滤波器

理想情况下要求只有低频信号可以通过滤波器，而高频信号将被滤除，但是这种滤波器只是理想情况，实际应用中这种方法会导致图像过于平滑，使得滤波后的图像模糊不清，并不能进行实验。

巴特沃斯低通滤波器

巴特沃斯低通滤波器，也可以叫作最大平坦滤波器，滤波情况没有理想低通滤波器的滤波那么剧烈，其存在过渡带可以逐渐下降，但是阻频带振幅衰减速度会随着滤波器的阶数增加也会越快，没有设置好截止频率等等，都会导致图像略微有些失真。

高通滤波器

高斯滤波器顾名思义主要去除图像信号中的高斯噪声，图像信号的频率主要分布在低频区域，在这里噪声属于高频信号，通过高频滤波器可以得到原始图像信号，从而得到去噪后的图像。这种方法可以线性的进行滤波，从而得到平滑的图像信号。