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，

y）。优点：通过基本原理我们可以看出，它算法设计简单，处理速度快，很适用于去除通过扫描得到的图像中的颗粒噪声，能有效抑制噪声。缺点：不能很好德保护图像细节，从而使图片变得模糊。

（2）维纳滤波：它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。优点：适应面广，去噪效果好，正常情况下比均值去噪的效果要好。缺点：算法复杂，处理效率不高。

（3）中值去噪：它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的某个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。优点：中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且在实际运算过程中不需要图象的统计特性,这也带来不少方便。缺点：对一些细节多,特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。

下面介绍我的实现方法：我利用的工具是matlab，程序也是通过matlab 编写的*.m文件（在附件中），由于编写的是GUI，所以还有fig文件，在matlab 下面运行untitled.m文件就能开始这个程序，同时我也用matlab的MCR生成了一个exe文件，安装了MCR后也能运行这个程序。

这里我将重点介绍我的程序运行过程，并通过程序得出一些结果：

首先如图1-1所示，为其首界面：

图1-1初始界面截图

这里我们首先添加一张图片，单击“选择图片”按钮，添加完图片后，就会弹出图1-2，1-3 , 1-4的界面：

图1-2未添加噪声的图片截图

图1-3添加高斯噪声图片截图

图1-4添加椒盐噪声图片截图

单击“均值去噪”按钮后，程序就会对上面两种添加噪声后的图片进行均值去噪，如图1-5为去高斯噪声处理结果：

图1-5均值滤波去高斯噪声结果截图

由上图所示均值去噪模板越大，去噪效果越好，同时越模糊。下面展示均值滤波去椒盐噪声结果，如图1-6所示：

图1-6均值滤波去椒盐噪声结果截图

由上图可知，均值滤波处理椒盐噪声能力一般，而且还会导致图片模糊，因此椒盐噪声不采用均值滤波。

下面介绍维纳去噪的实验结果，单击“维纳去噪”按钮后，程序就会对上面

两种添加噪声后的图片进行维纳去噪，如图1-7为去高斯噪声处理结果，图1-8为去椒盐噪声处理结果：

图1-7维纳滤波去高斯噪声结果截图

图1-8维纳滤波去椒盐噪声结果截图

由上面两图可知，维纳去噪去除高斯噪声的效果比均值去噪要好，模糊现象好很多，而且去噪窗口越大效果越好。但是对于椒盐噪声，它的去噪效果很一般，因此去除椒盐噪声不采用这种方式。虽然目前没采用进行试验测试，但通过它的

算法可知，它去噪效率低于均值去噪的，因此，当处理图片较少时采用维纳去噪，较多时采用均值去噪。

单击“中值去噪”按钮后，程序就会对上面两种添加噪声后的图片进行中值去噪，如图1-9为中值滤波去高斯噪声处理结果，图1-10为中值滤波去椒盐噪声处理结果。

由下两图可知，我们知道中值去噪是模板越大，去噪声效果不一定好，如图1-10，模板越大它反而变得更加模糊，相反模板为3*3的效果最好，同时它处理高斯噪声效果并不理想，可以说很差，去噪效果基本没有，因此去高斯噪声我们不采用中值滤波，但处理椒盐噪声效果非常好，基本达到了图像的完整还原。同时我们也可以发现，它对线、点等的处理效果不好，如图1-10里面红线标记的位置，那个线条基本都被滤除掉了。

图1-9中值滤波去高斯噪声结果截图

图1-10中值滤波去椒盐噪声结果截图

最后为了更好查看3种方法的去噪效果，将三种去噪结果放到一起，单击“三种方法比较”按钮，出现如图1-11的处理结果：

图1-8 三种去噪声结果比较截图

以上描述这些是我这段时间的工作汇报，目前的工作如此。

之后的工作方向是采用matlab生成dll文件，然后采用C++语言来编写程序，调用该dll文件，实现图像的去噪。

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。

图像噪声的空频域处理设计

界面的设计以中值滤波和低通滤波为例，界面设计如图，代码如下： function uipanel5_SelectionChangeFcn(hObject, eventdata, handles) %图像滤波% hObject handle to uipanel5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) x=imread('hua.jpg','jpg'); subimage(x); title('原始图像'); j=imnoise(x,'salt & pepper',0.04); subimage(j); title('加入椒盐噪声');

p=medfilt2(j,[2 2]); subimage(p); title('2x2中值滤波'); a=medfilt2(j,[3 3]); subimage(a); title('3x3中值滤波'); b=medfilt2(j,[4 4]); subimage(b); title('4x4中值滤波'); d=medfilt2(j,[5 5]); subimage(d); title('5x5中值滤波')； % --- Executes on button press in pushbutton14. function pushbutton14_Callback(hObject, eventdata, handles) % hObject handle to pushbutton14 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes2); y1=handles.img; f=double(y1); % 数据类型转换，matlab不支持图像的无符号整型的计算g=fft2(f); % 傅里叶变换 g=fftshift(g); % 转换数据矩阵 [M,N]=size(g); nn=2; %二阶巴特沃斯低通滤波器 d0=50; %截止频率50 m=fix(M/2); n=fix(N/2); for i=1:M for j=1:N d=sqrt((i-m)^2+(j-n)^2); h=1/(1+0.414*(d/d0)^(2*nn)); % 计算低通滤波器传递函数 result(i,j)=h*g(i,j); end end result=ifftshift(result); y2=ifft2(result); y3=uint8(real(y2)); imshow(y3); % 显示处理后的图像

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/8814425630.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

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

图像处理综述.

图像噪声分类及去噪方法综述 2013552070 王跃洋数字图像中，噪声主要来源于图像的获取或传输过程。成像传感器的性能受各种因素的影响，如图像获取过程中的环境条件和传感元器件自身的质量。例如，在使用CCD摄像机获取图像时，光照水平和传感器温度是影响结果图像中噪声数量的主要因素。图像在传输中被污染主要是由于传输信道中的干扰。例如，使用无线网络传输的图像可能会因为光照或其他大气因素而污染。 图像噪声的分类 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，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。图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。 一．按产生的原因分类 1.外部噪声， 即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 2.内部噪声，一般有四个源头： a)由光和电的基本性质所引起的噪声。如电流的产生是由电子或空穴粒子的集合，定向运动所形成。因这些粒子运动的随机性而形成的散粒噪声；导体中自由电子的无规则热运动所形成的热噪声；根据光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化所形成的光量子噪声等。 b)电器的机械运动产生的噪声。如各种接头因抖动引起电流变化所产生的噪声；磁头、磁带等抖动或一起的抖动等。 c)器材材料本身引起的噪声。如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声。随着材料科学的发展，这些噪声有望不断减少，但在目前来讲，还是不可避免的。

d)系统内部设备电路所引起的噪声。如电源引入的交流噪声；偏转系统和箝位电路所引起的噪声等。 这种分类方法有助于理解噪声产生的源头，有助于对噪声位置定位，对于降噪算法只能起到原理上的帮助。 二．按噪声频谱分类 频谱均匀分布的噪声称为白噪声； 频谱与频率成反比的称为1/f噪声；而与频率平方成正比的称为三角噪声等等。 三．按噪声与信号的关系分类 1.加性噪声：加性嗓声和图像信号强度是不相关的，如运算放大器， 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； 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，由于载送每一个象素信息的载体的变化而产生的噪声受信息本身调制。在某些情况下，如信号变化很小，噪声也不大。 为了分析处理方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相统计独立。 四．按概率密度函数（PDF）分类 1.高斯噪声：在空间域和频域中，由于高斯噪声(也称为正态噪声)在数学上的易处理性，这种噪声模型经常被用于实践中。 高斯随机变量z 的PDF有下式给出： 其中，z表示灰度值，表示z的均值，σ表示z的标准差。标准差的平方成为z的方差。 2.瑞利噪声：瑞利密度对于近似偏移的直方图十分适用。 瑞利噪声的PDF由下式给出：

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 ∑f?sf(x,y),其中，s为模图像在该点上的灰度ｇ(x,y),即g(x,y)=1 M 板，M为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Matlab的图像去噪算法仿真设计

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 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3X 3模板去噪 Matlab部分代码： j=i mno ise(x,'gaussia n',0,0.02);

图像噪声的概念与分类

1.1图像噪声的概念与分类 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，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。 图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。 一．按产生的原因分类 1.外部噪声，即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电气设备，天体放电现象等引起的噪声。 2.内部噪声，一般有四个源头：a)由光和电的基本性质所引起的噪声。如电流的产生是由电子或空穴粒子的集合，定向运动所形成。因这些粒子运动的随机性而形成的散粒噪声；导体中自由电子的无规则热运动所形成的热噪声；根据光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化所形成的光量子噪声等。b)电器的机械运动产生的噪声。如各种接头因抖动引起电流变化所产生的噪声；磁头、磁带等抖动或一起的抖动等。c)器材材料本身引起的噪声。如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声。随着材料科学的发展，这些噪声有望不断减少，但在目前来讲，还是不可避免的。d)系统内部设备电路所引起的噪声。如电源引入的交流噪声；偏转系统和箝位电路所引起的噪声等。 这种分类方法有助于理解噪声产生的源头，有助于对噪声位置定位，对于降噪算法只能起到原理上的帮助。 二．按噪声频谱分类 频谱均匀分布的噪声称为白噪声；频谱与频率成反比的称为1/f噪声；而与频率平方成正比的称为三角噪声等等。 三．按噪声与信号的关系分类 1.加性噪声：加性嗓声和图像信号强度是不相关的，如运算放大器，又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；

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

浅议人工智能与图像噪声处理

浅议人工智能与图像噪声处理 （四川大学四川成都610207） 摘要：随着2016年AlphaGo与李世石的围棋大战以4比1告终，人工智能开始走入大众的视野。但人工智能并不只局限于围棋，它拥有非常广泛的应用方向，例如机器人、智能家具、指纹识别和图像?理等，都将影响人类的生活。本文结合图像处理方向的基于EPOS的边缘保护噪声处理技术深入的探讨了人工智能的具体应用情况及未来的发展方向。 关键词：人工智能图像处理EPOS 边缘保护噪声处理 1 前言 在第一次工业革命中，机器的出现极大地促进了社会的发展。在计算机飞速发展的今天，人类又将面临一场崭新的工业革命。[1]所谓人工智能，就是指可以用某种智能化的机器来实现人类的各种脑力劳动或者智能行动，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。现在，人们对人工智能的关注度非常之高，尤其是2016年3月韩国围棋大师李世石输给计算机之后，更是轰动一时。人工智能已经进入了一个快速

发展的新阶段，它对人类社会、经济、科技、文化都产生了巨大的影响，并将继续发挥着重要作用。 2 基于EPOS的边缘保护噪声处理技术 人工智能在图像处理领域也有着一定的贡献，其中对图像的噪声处理尤为突出[2]。 在日常生活中，我们看到的很多图片中都蕴含着椒盐噪声，即在图片中混杂着黑色和白色的随机斑点。而这种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。所以我们在对于图像处理的时候首先需要做的就是把这些不规则的噪点去除掉。比较常规的方法是利用中值滤波，但中值滤波的缺点即为不能很好的保护边缘[3]。于是我们采取这种新的方式来对于图像进行保护边缘的处理。在传统处理椒盐噪声方式的中值滤波中，将所有的像素完全遍历，然后对于其邻域（即为该像素点的周围区域，四邻域代表上下左右四个点，八邻域则加上左上右上左下右下，以此类推）作为滤波窗口进行排序，对于排序的数值取其中位数。例如一个点其像素值为5，那么滤波窗口从左到右、 自上而下为4、8、3、2、5、2、7、8、2。那么除去这个点 本身5之后，排序结果为2、2、2、3、4、7、8、8，我们会选择其中值4作为滤波后的结果替换5像素。这样做之后，图像中由于椒盐噪声点或大或小，所以这些点就会被旁边的中间值替换点，于是起到了降噪的作用。但是传统的中值滤

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。