图像去噪方法

图像去噪方法

图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有:高斯噪声(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声)等;

目前比较经典的图像去噪算法主要有以下三种:

均值滤波算法:也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。

Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。

实验一:均值滤波对高斯噪声的效果

I=imread('model.gif');%读取图像

J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声subplot(2,3,1);imshow(I);

title('原始图像');

subplot(2,3,2); imshow(J);

title('加入高斯噪声之后的图像');

%采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波

K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3

K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5

K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7

K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9

subplot(2,3,3);imshow(K1);

title('改进后的图像1');

subplot(2,3,4); imshow(K2);

title('改进后的图像2');

subplot(2,3,5);imshow(K3);

title('改进后的图像3');

subplot(2,3,6);imshow(K4);

title('改进后的图像4');

使用均值滤波去噪(高斯噪声)效果选用的邻域半径越大效果越好，当然其代价也会更大，另外确切的去噪效果的好坏还需要用SNR(信噪比，又称为讯噪比，即放大器的输出信号的电压与同时输出的噪声电压的比，常常用分贝数表示。设备的信噪比越高表明它产生的杂音越少。一般来说，信噪比越大，说明混在信号里的噪声越小，声音回放的音质量越高，否则相反。图象的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图象信噪比，即信号与噪声的方差之比。)等数据来度量。

实验二:二维自适应维纳滤波对高斯噪声的滤除效果

I=imread('model.gif'); %读取图像

J=imnoise(I,'gaussian',0,0.005); %加入均值为0，方差为0.005的高斯噪声

K2=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波

K2=wiener2(J,[5 5]); %对加噪图像进行二维自适应维纳滤波

K2=wiener2(J,[7 7]); %对加噪图像进行二维自适应维纳滤波

K2=wiener2(J,[9 9]); %对加噪图像进行二维自适应维纳滤波

subplot(2,3,1);imshow(I);

title('原始图像');

subplot(2,3,2);imshow(J);

title('加噪图像');

subplot(2,3,3);imshow(K1);

title('恢复图像1');

subplot(2,3,4);imshow(K2);

title('恢复图像2');

subplot(2,3,5);imshow(K3);

title('恢复图像3');

subplot(2,3,6);imshow(K4);

title('恢复图像3');

实验三:对加入椒盐噪声的图像分别作均值、中值和维纳滤波I=imread('model.gif');

J=imnoise(I,'salt & pepper',0.02);

%h=ones(3,3)/9;%产生3*3的全1数组

%B=conv2(J,h);%卷积运算

K2=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3 K= medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波

K1=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波

subplot(2,3,1);imshow(I);

title('原始图像');

subplot(2,3,2);imshow(J);

title('加噪图像');

subplot(2,3,3);imshow(K2);

title('均值滤波后的图像');

subplot(2,3,4);imshow(K);

title('中值滤波后的图像');

subplot(2,3,5);imshow(K1);

title('维纳滤波后的图像');

通过图3我们也可得出结论，即中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。对点、线和尖顶较多的图像不宜采用中值滤波，因为一些细节点可能被当成噪声点。

常用图像去噪方法比较及其性能分析

龙源期刊网 https://www.sodocs.net/doc/5e10255440.html, 常用图像去噪方法比较及其性能分析 作者：孟靖童王靖元 来源：《信息技术时代·下旬刊》2018年第02期 摘要：本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现，比较了去噪的效果。 关键词：数字图像；噪声；滤波 一、引言 随着当今社会数字化的普及，人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题，数字图像处理技术应运而生。数字图像处理技术的产生，不仅满足了人们的视觉，同时经过处理的图像还可以更好的应用于图像加密，图像识别等领域。 二、空间域去噪算法 （一）均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上，通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果，使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响，然而对于由于椒盐噪声带来的对于图像的影响，均值滤波去除的效果并不很好。同时，由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值，来决定区域中心点灰度值的，所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉，造成视觉上细节不清楚的情况。并且所取范围越大，图像中细节部分越不清晰，图像越平滑。 （二）中值滤波去噪 通过求区域中心点及其周围点灰度值的中值，来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高，因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外，与均值滤波相比，中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。 （三）维纳滤波去噪

图像去噪方法

图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。

数字图像处理-图像去噪方法

图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的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的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、椒盐噪声：主要是图像切割引起的黑图像上的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,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和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的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和中值滤波算法．图像频率域去噪方法

是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，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的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。

基于稀疏表示的图像去噪算法研究

毕业设计说明书 基于稀疏表示的图像去噪算法研究 学生姓名： 学号： 系 别： 专 业： 指导教师： 2014年6月 朱祥 1005014240 光电工程系 电子信息科学与技术 杨学峰

中文摘要 图像去噪是信号处理领域中的一个重要研究课题，稀疏表示理论的研究随着近年来兴起的压缩传感理论，越来越引起研究学者的重视。因此基于稀疏表示的图像去噪成为近年来该领域的一个前沿研究课题。 本文在深入研究了稀疏表示理论及相关重构算法的基础上，将小波去噪转化为一个最优化问题，从而建立了基于稀疏表示的去噪模型。文中分别采用了最速下降法和OMP重构算法，通过恢复小波系数的稀疏性，达到去除噪声的目的。 本文的主要工作如下： 建立一种基于稀疏表示的小波去噪模型。将小波去噪的问题转化为一个最优化问题，通过求解该问题，得到不含噪声的小波系数，最终达到去除噪声的目的。利用最速下降法求解上述问题，实现信号与图像的去噪。该方法将小波系数作为一个整体进行求解，利用了小波系数的整体特性，克服了小波阈值去噪仅对系数逐点处理的缺点。实验结果表明，该算法切实有效，特别是针对低信噪比信号和图像，表现出很好的效果。 利用OMP重构算法与迭代阈值思想来实现信号与图像去噪。由于OMP算法仅适用于图像重构，不具有去噪性能，为此我们在OMP算法迭代的过程中，引入了迭代阈值的思想，不断干预重构小波系数，使其更具稀疏性。实验结果表明，该方法对一维信号进行处理的效果更明显。 关键词：图像去噪；稀疏表示；最速下降法；OMP算法

ABSTRACT Image denoising is one of the important branches in the field of signal processing．Sparse representation has also attracted researchers’attention recently especially with the development of the new compressed sensing theory．Therefore image denoising based on sparse representation becomes one of the frontier issues in signal processing．The main contributions of this paper are as follows：A new wavelet denoising model based on sparse representation is presented．The traditional wavelet denoising problem is converted to all optimization problem．And Then the noise—free wavelet coefficients are obtained by solving the optimization problem． The steepest descent method is used to solve the problem above and Thus complement the signal and image denoising．This method considers the overall wavelet coefficients as a whole and makes use of the structure properties of the coefficients．It greatly overcomes the shortcomings of the wavelet thresholding method which deals with the wavelet coefficients in a point-wise manner．The experimental results show that the algorithm is efficient especially for those signal sand images with low signal to noise ratios． An idea of the iterative threshold is introduced to OMP algorithm for signal and image denoising．As the OMP algorithm is only effective for image reconstruction and doesn’t have the denoising property,the idea of the iterative threshold is introduced in the iterative process of the OMP algorithm，which could make the reconstructed wavelet coefficients sparser．The experimental results show that the method is efficient for one-dimensional signal denoising． KEYWORDS：Image Denoising；Sparse Representation；Steepest descent method；OMP algorithm

根据Matlab的图像去噪算法仿真

基于Matlab的图像去噪算法仿真 在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。 本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出： 一．均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的； 二．中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效； 三．维纳滤波对高斯噪声有明显的抑制作用； 四．对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。 本论文主要是从两方面展开，首先是图像去噪算法：简要说明了图像噪声的概念及分类，详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。 其次是基于Matlab的图像去噪算法仿真：根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析，运用Matlab仿真软件编写代码，对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，并对结果分析讨论，比较几种方法的优缺点。 本论文仿真时选取一张彩色图片“2010-03-09-2.bmp”，并在图片中加入

两种噪声：高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法进行仿真，将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。 1.1邻域平均法的仿真 本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪，并用Matlab软件仿真。 （1）给图像加入均值为0，方差为0.02的高斯噪声，选择3×3模板去噪Matlab部分代码： j=imnoise(x,'gaussian',0,0.02); h=ones(3,3); h=h/9; k=conv2(j,h); 仿真结果如图4-1所示。

常用图像去噪比较与分析

常用图像去噪方法的比较分析 梅娜娜 2091103 摘要 去噪处理作为图像预处理的一个重要环节，对图像处理的后续工作有着不可忽视的影响。针对不同的噪声，处理方法也不同。本文介绍了几种常见的图像噪声，并讨论了均值滤波、中值滤波及小波变换的典型运用，同时进行对比分析，最后得出这三种方法各自的自适应特点。 关键字：均值滤波；中值滤波；小波变换

一、引言 一幅图像的生成过程难免会伴随有噪声的产生。噪声可以理解为“ 妨碍人们感觉器官对所接收的信源信息理解的因素”， 在理论上可定义为“不可预测，只能用概率统计方法来认识的随机误差”。它对图像的输入、采集、处理的各个环节以及最终的输出结果都会产生一定的影响,特别是在图像的输入、采集过程中,若输入伴有较大噪声,必定会对其后的处理以及最终的处理效果造成不利。因此，对图像进行去噪已成为图像处理中极其重要的内容。 二、图像系统中的常见噪声 一般在图像中常见的噪声有: 1、按噪声幅度分布形状而分，成高斯分布的称为高斯噪声，主要由阻性元器件内部产生。 2、按噪声和信号之间的关系分为加性噪声和乘性噪声。加性噪声与输入图像信号无关,含噪图像可表示为),(),(),(y x n y x g y x f +=。乘性噪声往往随图像信号的变化而变化其含噪图像可表示为),(),(),(),(y x g y x n y x g y x f += 3、椒盐(Salt and pepper)噪声:主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 4、量化噪声：此类噪声与输入图像信号无关,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和原始图像差异。 本文为了分析不同去噪方法的应用范围，将原图像分别加入高斯噪声及椒盐噪声，运用Matalab 编程实现两种不同滤波方法的去噪结果，并据此进行比较得出相应结论。 下面几幅图为本文所选用的原图像、经过灰度变换后得到的图像、添加椒盐噪声和高斯噪声后的图像：

图像去噪原理

图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。因此，正是为了处理这种问题，是有噪声的图片变得更加清晰，人们研究出各种各样的方式去除图像中的噪声。 首先，为了让本报告易懂，我先解释几个名词的含义。 线性滤波算法：利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法，如均值滤波、高斯滤波，由于线性滤波是算术运算，有固定的模板，因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法：原始数据域处理结果数据之间存在的是一种逻辑关系，即采用逻辑运算实现的，如最大值滤波器、最小值滤波器、中值滤波器，通过比较领域内灰度值大小来实现的，它没有固定的模板和特定的转移函数。 高斯噪声：噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以采用线性滤波器滤除掉。 椒盐噪声：类似把胡椒和盐撒到图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声，采用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。 白噪声：指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的，因此我们把这种性质叫做“白色的”，就把这种噪声称作白噪声。 现在介绍，我采用的去噪算法。 （1）均值滤波：均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，

基于MATLAB的图像去噪与边缘检测技术

. 《图像处理》 课程考核报告 基于MATLAB的数字图像处理与分析——图像去噪与边缘检测技术 系部： 专业班级： 姓名： 学号： 指导教师： 完成日期2013年12月

目录 1引言 (1) 2课程设计要求 (2) 2.1课程设计题目 (2) 2.2课程设计目的 (2) 2.3设计要求 (2) 3滤波器基本原理 (4) 3.1中值滤波器基本原理 (4) 3.2高斯滤波器基本原理 (4) 4边缘检测 (6) 4.1 边缘检测定义 (6) 4.2 图像边缘检测算法的研究内容 (6) 5图像处理结果与分析 (8) 5.1 椒盐噪声图像的去噪与边缘检测 (8) 5.2 添加高斯噪声的图像去噪和边缘检测 (8) 6体会与收获 (11) 参考文献 (12)

1引言 所谓数字图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。实质上是一段能够被计算机还原显示和输出为一幅图像的数字码。 21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。数字图像处理，即用计算机对图像进行处理，其发展历史并不长。数字图像处理技术源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片，采用了数字压缩技术。首先数字图像处理技术可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。另一方面，通过数字图像处理中的模式识别技术，可以将人眼无法识别的图像进行分类处理。通过计算机模式识别技术可以快速准确的检索、匹配和识别出各种东西。 实际图像在形成、传输的过程中,由于各种干扰因素的存在会受到噪声的污染。噪声被理解为妨碍人的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的各种因素。一般噪声是不可预测的随机信号,它需采用适当的方法去认识。对噪声的认识非常重要,它影响图像的输入、采集、处理的各个环节以及结果输出全过程,特别是图像的输入、采集过程中,若输入中含有大量噪声,必然影响处理全过程及输出结果。因此,一个良好的图像处理系统,无论是模拟处理还是计算机处理都把减少噪声作为主攻目标。本文采用小波分析、求平均值法、形态学滤波器以及中值滤波器等方法,对图像降低噪声进行了分析。 1

图像去噪去噪算法研究 开题报告

图像去噪去噪算法研究论文开题报告 （1）选题的目的、意义 目的： 由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。 意义： 噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要[4] [5]。图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。 （2）国内外对本课题涉及问题的研究现状 针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下，产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。 目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明，这些方法虽有一定的降噪效果，但都有其局限性。比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。 对于去除椒盐噪声，主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。后来

基于Matlab的图像去噪算法的研究

基于Matlab的图像去噪算法的研究 摘要 在信息化的社会里，图像在信息传播中所起的作用越来越大。在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。 本文首先分析了图像增强技术相关知识，重点讨论了空间域滤波方法，然后本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法，并进行相应的仿真。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出：均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；维纳滤波对高斯噪声有明显的抑制作用；对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。 关键词：图像增强技术；空间域滤波；邻域平均法；中值滤波；维纳滤波；小波变换

Abstract In the information society, the image in the information transmission is used more and more widely. In many cases image’s information can be affected by various noises, seriously affect the useful information of a image，Therefore, ensuring the minimum of the noise and pollution in the process of image collection and transmission became an important part of the field. This paper first had an analysis of some related knowledge about image enhancement technology with emphasis on discussing the spatial domain methods. Then this paper mainly analysis and discuss the neighborhood average method, median filtering method, wiener filtering method and the fuzzy wavelet transform method of image denoising algorithm.，and the corresponding simulation.Firstly introduce the common image processing functions and its applications. Secondly elaborate the principles and characteristics of the four denoising algorithm. Finally using Matlab software to a noise images (including gaussian noise or salt & pepper noise), and getting some conclusions from the simulation denoising analysis: average filtering is typical of linear filter, which is better used for gaussian noise. The median filter is a common nonlinear filtering method, especially effective to salt & pepper noise. Through wiener filtering, the gaussian noise is inhibited obviously. Wavelet coefficients threshold processing in wavelet domain can remove noise and the the signal which is not expect. Key words：image enhancement technology ；spatial domain；Average neighborhood；Median filter；Wiener filtering；Wavelet transform

图像去噪理论基础.doc

一，背景 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。 图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。 二，图像去噪理论基础 2.1 图像噪声概念 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。例如，一幅黑白图片，其平面亮度分布假定为f(x，y)，那么对其接收起干扰作用的亮度分布R(x，y)，即可称为图像噪声。但是，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。 2.2 常见的图像噪声 在我们的图像中常见的噪声主要有以下几种： （1），加性噪声 加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声的。这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和，即： （2），乘性噪声 乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是： （3），量化噪声 量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。 （4），“椒盐”噪声 此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。

图像去噪方法

图像去噪方法 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有:高斯噪声(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声)等; 目前比较经典的图像去噪算法主要有以下三种: 均值滤波算法:也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。

图像去噪的发展历程与方法简介

图像去噪的发展历程与方法简介 1 图像去噪的概念 2 图像去噪的发展历程与现状 2.1图像去噪传统方法 2.2全变分去噪的提出 1 图像去噪的概念 图像去噪指的是利用各种滤波模型，通过传统滤波、小波、偏微分方程等多种方法从已知的含有噪声的图像中去掉噪声部分。图像去噪从整个图像分析的流程上来讲属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，它的存在有着非常重要的意义。 图像恢复问题是图像处理中最基本的问题，图像恢复以图像退化的数学模型为基础，通过退化现象的某种先验知识来重建、恢复原来的图像。其中图像退化的原因主要是源于图像的获取和传输的过程中受到各种因素的干扰。 对图像进行去噪是对图像作进一步处理的可靠保证，如果对含有噪声的图像进行特征提取、图像融合等处理后的结果，显然不能令人满意。另外，由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。噪声严重的时候，图像几乎变形，更使得图像失去了存储信息的本质意义。显然，对图像进行去噪处理，是正确识别图像信息的必要特征。 在对有噪声图像和模糊图像恢复时，除了去除噪声外，一个很重要的目标是保护图像的重要细节(包括几何形状细节如纹理、细线、边缘和对比度变化细节)。但是噪声的去除和细节的保护是一对矛盾关系，因为噪声和细节都属于图像信号中的高频部分，很难区分出它们，所以在滤除图像噪声的同时，也会对图像的特征造成破坏，致使图像模糊。为了抑制图像中的噪声，更好地复原因噪声污染引起的图像质量退化，有必要寻找更好的去噪方法，保证在去除噪声的同时，还能保持边缘和纹理信息。近年来，为了解决这一问题，研究者们提出了很多模型和方法。 图像是人类视觉的基础，而视觉是人类最重要的感知手段，图像恰恰又客观的反映了自然景物，成为了人类认识世界和人类本身的重要源泉。随着科技的日新月异，数字图像也于20世纪50年代诞生。而所谓的数字图像，可以将其看成是一个矩阵或是一个二维数组，在计算机上表示的方式。每个像素取值为0~255的整数。取值越大，表明这个格子越亮;反之，这个格子越暗。而数字图像所载有的信息就是每个像素的取值。

数字图像去噪典型算法仿真与分析

数字图像去噪典型算法仿真与分析 个人信息********* 摘要：图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得出了三种方法各自的适用性特点。 关键词：图像去噪；均值滤波；中值滤波；维纳滤波 Simulation and Analysis of Image De-noising Methods in Digital Image Name:*** (个人信息****) Abstract: Image denoising is one of the most important parts and steps of image processing. Firstly, the paper introduces the common image noise. Then, based on the principle and methods of eliminating image noise, it discusses mean filtering, median filtering, and Wiener filtering which are typical image donoising. Finally, it uses these methods to eliminate image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes the applicability of each method in different application. Key words: image denoising; mean filtering; median filtering; Wiener filtering 0 引言 数字图像是现代人们获取信息的主要来源。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会收到多种噪声的污染。一般来说，现实中的图像都是带噪图像。噪声使图像变得模糊，甚至淹没图

图像去噪方法及发展

图像去噪方法及其发展概述学院（系）：机械工程学院 专业：机械制造及其自动化 学生姓名：高某某

一、概述 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。但是图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。消除图像噪声的工作称之为图像滤波或平滑。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。 噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”，因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样描述方法是很复杂，甚至不可能的，而实际应用往往也不必要，通常使用其数值特征，即均值方差、相关函数等。因为这些数值特征都可以从某些方面反映出噪声的特征。 二、图像中的噪声 噪声对图像信号幅度和相位的影响十分复杂，有些噪声和图像信号相互独立不相关，有些是相关的，噪声本身之间也可能相关。因此要减少图像中的噪声，必须针对具体情况采用不同方法，否则很难获得满意的处理效果。一般图像处理中常见的噪声有: 1.加性噪声。加性噪声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”、电视摄像机扫描图像的噪声的。这类带有噪声的图像可看成为理想无噪声图像f与噪声n 之和，即 g = f + n 2.乘性噪声。乘性噪声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的噪声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是 g = f + fn 3.量化噪声。量化噪声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异，减少这种噪声的最好办法就是采用按灰度级

数字图像去噪典型算法及matlab实现

数字图像去噪典型算法及matlab实现图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有:高斯噪声(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声)等; 目前比较经典的图像去噪算法主要有以下三种: 均值滤波算法:也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 实验一:均值滤波对高斯噪声的效果 代码 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像

J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2'); subplot(2,3,5);imshow(K3); title('改进后的图像3'); subplot(2,3,6);imshow(K4); title('改进后的图像4'); PS:filter2用法 fspecial函数用于创建预定义的滤波算子，其语法格式为: h = fspecial(type) h = fspecial(type,parameters) 参数type制定算子类型，parameters指定相应的参数，具体格式为: type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。