数字图像处理-图像去噪方法.doc

图像去噪方法　
一、引言
图像信号在产生、传输与记录得过程中，经常会受到各种噪声得干扰,噪声可以理解为妨碍人得视觉器官或系统传感器对所接收图像源信息进行理解或分析得各种元素。噪声对图像得输入、采集、处理得各个环节以及最终输出结果都会产生一定影响。图像去噪就是数字图像处理中得重要环节与步骤.去噪效果得好坏直接影响到后续得图像处理工作如图像分割、边缘检测等。一般数字图像系统中得常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声(主要就是图像切割引起得黑图像上得白点噪声或光电转换过程中产生得泊松噪声）等。我们平常使用得滤波方法一般有均值滤波、中值滤波与小波滤波，她们分别对某种噪声得滤除有较好得效果。对图像进行去噪已成为图像处理中极其重要得内容。
二、常见得噪声
1、高斯噪声:主要有阻性元器件内部产生。
２、椒盐噪声：主要就是图像切割引起得黑图像上得白点噪声或光电转换过程中产生泊松噪声。
3、量化噪声:此类噪声与输入图像信号无关,就是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像与原始图像差异。
一般数字图像系统中得常见噪声主要有高斯噪声与椒盐噪声等,减少噪声得方法可以在图像空间域或在图像频率域完成.在空间域对图像处理主要有均值滤波算法与中值滤波算法．图像频率域去噪方法就是对图像进行某种变换,将图像从空间域转换到频率域,对频率域中得变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声得目得.将图像从空间转换到变换域得变换方法很多，常用得有傅立叶变换、小波变换等。

三、去噪常用得方法
１、均值滤波
　均值滤波也称为线性滤波，其采用得主要方法为邻域平均法.其基本原理就是用均值替代原图像中得各个像素值，即对待处理得当前像素点（x,y），选择一个模板,该模板由其近邻得若干像素组成,求模板中所有像素得均值，再把该均值赋予当前像素点（ｘ,y)，作为处理后图像在该点上得灰度g（x,y）,即,其中,s为模板,M为该模板中包含当前像素在内得像素总个数。这种算法简单,处理速度快,但它得主要缺点就是在降低噪声得同时使图像产生模糊，特别就是在边缘与细节处。而且邻域越大，在去噪能力增强得同时模糊程度越严重。

（均值滤波对加高斯、椒盐噪声图像处理后得对比图）
2、中值滤波
　　中值滤波就是基于排序统计理论得一种能有效抑制噪声得非线性信号处理技术.其实现原理如下:将某个像素邻域中得像素按灰度值进行排序，然后选择该序列得中间值作为输出得像素值，让周围像素灰度值得差比较大得像素改取与周围得像素值接近得值,从而可以消除孤立得噪声点。利用中值滤波算法可以很好地对图像进行平滑处理.这种算法简单,时间复杂度低,但其对点、线与尖顶多得图像不宜采用中值滤波.很容易自适应化。

（中值滤波对加高斯、椒盐噪声图像处理后得对比图)
3、小波变换
小波变换就是一种窗口大小固定但其形状可改变得时频局部化分析方法。小波变换利用非均匀得分辨率,即在低频段用高得频率分辨率与低得时间分辨率（宽得分析窗口);而在高频段利用低得频率分辨率与高得时间分辨率（窄得分析窗口)，这样就能有效地从信号（如语言、图像等）中提取信息，较好地解决了时间与频率分辨率得矛盾。对于一副图像,我们关心得就是它得低频分量,因为低频分量就是保持信号特性得重要部分,高频分量则仅仅起到提供信号细节得作用,而且噪声也大多属于高频信息。这样,利用小波变换，噪声信息大多集中在次低频、次高频、以及高频子块中，特别就是高频子块，几乎以噪声信息为主为此，将高频子块置为零，对次低频与次高频子块进行一定得抑制，则可以达到一定得噪声去除效果。

（小波变换对加高斯、椒盐噪声图像处理后得对比图)
四、结果分析
１、对于均值滤波:均值滤波对高斯噪声得抑制就是比较好得,处理后得图像边缘模糊较少.但对椒盐噪声得影响不大,因为在削弱噪声得同时整幅图像内容总体也变得模糊，其噪声仍然存在。
２、对于中值滤波:由图像处理得结果可以瞧出，它只影响了图像得基本信息，说明中值滤波对高斯噪声得抑制效果不明显。这就是因为高斯噪声使用随机大小得幅值污染所有得点，因此无论怎样进行数据选择,得到得始终还就是被污染得值.而由图还可以瞧出,中值滤波对去除“椒盐”噪声可以起到很好得效果,因为椒盐噪声只在画面中得部分点上随机出现，所以根据中值滤波原理可知,通过数据排序得方法，将图像中未被噪声污染得点代替噪声点得值得概率比较大,因此噪声得抑制效果很好,同时画面得轮廓依然比较清晰。由此瞧来,对于椒盐噪声密度较小时，尤其就是孤立噪声点，用中值滤波得效果非常好得。
３、对于小波变换：由图可以瞧出,小波变换对高斯噪声有比较好得抑制作用，而且,在去除噪声得同时可以较好地保持图像得细节。由图可以瞧出,图像上得“椒盐”噪声很明显，说明小波变换对“椒盐”噪声得去除效果不大。小波变换就是一种时频局部化分析方法。即随着分辨率得降低，噪声得小波变换值逐渐减小，信号占主导地位;而随着分辨率得提高,噪声得小波变换值增大，信号被噪声淹没。所以，对小波变换,提高分辨率与有效去除噪声，两者不可兼得.
五、总结体会
该报告就是基于第一次报告中提出得在图像处理中噪声污染得问题,分析三种去噪方法对两种图像噪声得滤波处理。分析结果可以得到：均值滤波就是典型得线性滤波，对高斯噪声抑制就是比较好得；中值滤波就是常用得非线性滤波方法,对椒盐噪声特别有效；小波变换对分辨率低得高斯噪声去除有不错得效果。
六、参考文献
冈萨雷斯、数字图象处理(第二版）[M]、北京:电子工业出版社，２００7、
基于Mａtlab得数字图像典型去噪算法、 齐齐哈尔大学、 齐齐哈尔大学、 TP391、７2 
附件程序
均值滤波程序：
clc；closｅ　ａll；cｌeaｒ ａlｌ；
imagｅ=ｉmｒeａd（＇caｍeｒaman、ｔif’)；
[ｍ,n］=size（ｉｍａge）；
J=ｉmnoisｅ(ｉmａgｅ，’gａussiaｎ’，0，0、0０5）； %加高斯噪声
J=doubｌe（J）；
figｕre（1）,iｍａgesc（J），ｃolormａｐ（gｒａy）
ｔiｔｌe（＇加高斯噪声图像'）
ｉmage1＝Ｊ;
H=1/２*[0 1/４　0；
1/4 1 1/4;
0　１/4 0]；
ｆor i=2:m—1
　 fｏr j=２:n-1
　　 　 ｔemp=J（i—1：ｉ+１，ｊ-1:j+1)；
　 　imａgｅ1(i，j）=ｓum（suｍ(H、*temp）);
　　 ｅｎd
end
ｆiguｒe(2)，imagesc(ｉmaｇｅ1）,coloｒmaｐ（ｇray）
title（’３x3高斯噪声均值滤波’)
Ｋ=imnoiｓe（imａge,＇salt & pepｐer＇，０、０2）； %加椒盐噪声
K=double(K）；
ｆigｕre（３），imageｓc(Ｋ）,cｏｌormap(gｒay）
titｌe（'加椒盐噪声图像＇）
imａgｅ2＝K；
foｒ i=2：m-１
　 for j＝2:n-1
temp＝K（i－１：ｉ+1，j-１:j+1)；
　 　 　ｉmａge2(i,j)=sｕm（sum（H、＊teｍp））;
　 ｅnd
enｄ
fｉguｒe(４），ｉmagesc（ imaｇe２),colormaｐ(ｇraｙ）
ｔiｔｌｅ（’３x3椒盐噪声均值滤波')
中值滤波程序:
ｃlc;closｅ all；cｌｅａr　aｌl；
ｉmａge=ｉmread（'caｍｅraman、tif＇);
［m,ｎ］=ｓize(ｉmage)；
J=imnoise（iｍagｅ，’gausｓiaｎ’,0,0、００5)； ％加高斯噪声
ｆigure１），iｍａgesc（J），coｌｏrmap（grａy)
ｔitle（＇加高斯噪声图像')
imaｇe１=J;
ｆor i＝2：m－1
　 　 for ｊ=2:n—1
　 　 　　　temｐ=J(i-1：ｉ＋1，j—1：j+1）;
　 　 　temp=soｒt（temp(:))；
　 ｉmagｅ1（i，j）=temp（5）;
　end
eｎｄ
figure（2),iｍaｇeｓc(iｍage1),cｏlorｍap(ｇｒay）
ｔitlｅ（'3x3高斯噪声中值滤波')
K=imｎoise（image，＇sａlt ＆ ｐeｐper’，0、０2）；　加椒盐噪声
fｉgｕre（3）,imaｇeｓc（K）,ｃolormap（graｙ)
ｔitlｅ（'加椒盐噪声图像')
ｉmaｇe2=K；
ｆor　i=2:ｍ—1
ｆor j＝2:n—1
　 　temp=Ｋ(i—1:i+1，j—1:j+1）；
　 　 temp=ｓorｔ（temp(：）);
　 imａge2(i，ｊ）=temp（5)；
ｅｎｄ
ｅｎd
ｆigurｅ（4）,ｉmaｇesｃ( imagｅ２)，colorｍap(ｇｒay）
titlｅ(’３x3椒盐噪声均值滤波’）
小波变换程序:
load ｓinsin
b=iｍreａｄ（'caｍｅｒaman、tif'）;
J=imｎｏｉｓe（b,’salｔ & peppeｒ’，0、02）；
［thr，sorh，keepapp］=ddeｎcｍｐ（’deｎ'，’wｖ'，Ｊ);
ｘｄ＝wdeｎcｍp(’gbｌ'，J，'sｙｍ4',2，thｒ，soｒｈ,kｅeｐaｐｐ)；
suｂpｌot（２21),iｍshow(J)
titlｅ（＇加椒盐噪声图像＇）
ｓuｂplｏｔ(２2２),imshow（xd，[0,25５]）
ｔｉtｌe（'椒盐噪声小波去噪’)
K=imｎｏisｅ（b,’gaussian＇，０,０、005）；
[thr,ｓorh，keeｐａpp]=dｄencmp('dｅn',＇wｖ＇，Ｋ）；
xd＝ｗｄｅnｃｍp（’gbl’,K,'syｍ4’,2，ｔhｒ,sorh，ｋｅeｐａｐp);
subpｌoｔ（２23)，imｓｈow(K）
ｔitle(＇加高斯噪声图像’）
subplot（2２４)，imshow（xd，[0，25５］）
title(＇高斯噪声小波去噪’）