基于双边滤波器的图像去噪去雾算法研究
新疆大学毕业论文(设计)
题目: 基于双边滤波器的图像去噪算法研究指导老师: 周刚
学生姓名：越博昱
所属院系：信息科学与工程学院
专业：通信工程
班级：通信10-3
完成日期：2014.05.25
本人郑重声明论文系本人在相关教师指导下独立完成，没有抄袭、剽窃他人成果，由此造成的一切后果由本人负责。
签名：
双边滤波方法(Bilateral filtering)主要能在滤波的同时考虑到图像信息中的图像细节信息，能在滤波去除噪声的同时保护图像的细节。做了用双边滤波器对高斯噪声和随机噪声的滤波实验，对这两种噪声都有很好的去噪效果。同时发现双边滤波对于彩色和灰度图像的滤波均适用，具有很强的适用性。并且对比了传统的滤波技术均值滤波和中值滤波，发现双边滤波不仅能有效的去除噪声，更能保护图像边缘细节，很大程度降低了出现边缘模糊的负面效应。本文在学习和研究双边滤波器之后，发现将双边滤波器的保边去噪的特性很适合用去雾算法。在去雾算法方面参考了何凯明等人的研究成果，在暗通道先验理论的基础上，用最小值滤波处理暗通道图，得到透射率图。本文认为最小值滤波对暗通道图像细节保护不够完善，用双边滤波的方法替代最小值滤波，测试得到了更为细致的透射率图，图像去雾也取得了更好的效果。
关键词：双边滤波；保边去噪；图像去雾；暗通道先验
Abstract
Bilateral filtering method (Bilateral filtering) image edge information mainly in filtering considering image information, and image edge smooth. Based on the study and research of the bilateral filter, found the characteristics of the bilateral filter is well suited to defogging algorithm. Continue to sit the test found that the bilateral filter is suitable for color and gray image filtering, with strong applicability. Compared with the mean filter and median filter in filtering the traditional bilateral filtering, found that not only can remove noises effectively, more details of image edge protection, greatly reduces the negative effect of blurred edge. With reference to He Kaiming's research achievements in the defogging algorithm, based on the dark channel prior theory, value filter dark channel graph with the minimum transmission diagram, get. This paper considers minimum filtering on dark channel image details protection is not perfect, with bilateral filtering method alternative minimum filtering, testing has been more transmission figure meticulous, recovery for the next image, better to sit the fog image.
Key words：Bilateral filtering ，Edge preserving denoising，image defogging , The dark channel prior
目录
第一章前言 (1)
1.1 去雾算法背景 (1)
1.2去雾算法发展状况 (2)
1.3 本文的研究内容 (2)
第二章双边滤波器算法研究 (3)
2.1双边滤波器介绍 (3)
2.2 双边滤波器理论 (3)
2.3双边滤波器算法实现 (5)
2.3.1双边滤波器和中值滤波器对比 (5)
2.3.2双边滤波器参数对去噪效果的影响 (7)
第三章双边滤波器应用于图像去雾算法 (9)
3.1去雾算法理论基础 (9)
3.2 去雾算法实现 (14)
3.3参数对去雾算法的影响 (15)
第四章结论 (18)
参考文献 (19)
谢辞 (20)
第一章前言
1.1背景
由于近年来空气污染加重，我国雾霾天气越来越频繁地出现，例如：2012底到2013年初，几次连续七日以上的雾霾天气笼罩了大半个中国，给海陆空交通，人民生活及生命安全造成了巨大的影响。因此，除降低空气污染之外，提高雾霾图像、视频的清晰度是亟待解决的重要问题。
图像去雾实质上就是图像增强的一种现实的应用。一般情况下，在各类图像系统的传送和转换（如显示、复制、成像、扫描以及传输等）总会在某种程度上造成图像质量的下降。例如摄像时，由于雾天的原因使图像模糊；再如传输过程中，噪声污染图像，使人观察起来不满意；或者是计算机从中提取的信息减少造成错误，因此，必须对降质图像进行改善处理，主要目的是使图像更适合于人的视觉特性或计算机识别系统。从图像质量评价观点来看，图像增强技术主要目的是提高图像可辨识度。通过设法有选择地突出便于人或机器分析的某些感兴趣的信息，抑制一些无用信息，以提高图像的使用价值，即图像增强处理只是增强了对某些信息的辨别能力[1]。
在有雾天气下拍摄的图像，由于大气中混浊的媒介对光的吸收和散射影响严重，使“透过光”强度衰减，从而使得光学传感器接收到的光强发生了改变，直接导致图像对比度降低，动态范围缩小，模糊不清，清晰度不够，图像细节信息不明显，许多特征被覆盖或模糊，信息的可辨识度大大降低。同时，色彩保真度下降，出现严重的颜色偏移和失真，达不到满意的视觉效果[2-4]。上述视觉效果不佳的图像部分信息缺失，给判定目标带来了一定的困难，直接限制和影响了室外目标识别和跟踪、智能导航、公路视觉监视、卫星遥感监测[5]、军事航空侦察等系统效用的发挥，给生产与生活等各方面都造成了极大的影响。以公路监控为例，由于大雾弥漫，道路的能见度大大降低，司机通过视觉获得的路况信息往往不准确，进一步影响对环境的判读，很容易发生交通事故，此时高速封闭或者公路限行，给人们的出行带来了极大的不便。而且，雾天获得的退化图像给监控交通情况也造成了很大的困难。又比如在军事侦察和遥感导航方面，雾天退化图像对信息的识别和处理会造成偏差，无法正确判别目标，从而带来严重的后果。某些情况下，受到条件限制，侦察和监视工作不可能重复进行，所以依据有限的图像资料获得更准确的目标信息是极其重要的。尤其是给机载可见光成像系统带来的影响更大，严重干扰了其工作的稳定性和可靠性，大大限制了其在地质灾害监测方面的应用，而地质灾害发生前后多伴有大雾等恶劣天气，对现场搜索救援工作产生严重的影响。由此可见，为增强航拍数据的有效性和可用性，降低气象条
件对航空成像测量的限制，对雾天图像进行有效的去雾处理有着现实和理论的迫切需要，是户外成像系统能在恶劣天气下稳定、可靠工作的保证。
1.2发展概括
近来，基于单幅图像的去雾霾算法获得了很大的进步。这类方法的成功的相似之处在于它们在分析雾的成因后在算法中做出了一些强制性的假设。Kaiming He[6]等人提出了一种暗通道先验的单幅图像去雾算法。暗通道先验是一种雾霾图像的数据统计，即基于一种重要的观察：大多数雾霾图像的局部块在某个色彩通道具有较小的灰度值。使用这种假设和雾霾图像成型模型结合，能够直接估计雾霾的浓度和恢复雾霾图像的质量。目前绝大多数去雾霾的算法，都是在此基础上进行研究的。
许丽红等人[7]认为基于暗通道先验规律的图像去雾霾算法在进行暗通道计算时,用固定区域会造成介质透射率估算的不合理,从而导致最终效果细节不清晰。因此采用基于图论的分割算法来确定暗通道的区域,避免了固定区域求取暗通道带来的透射率估计不合理的问题.方雯等人[8]针对暗通道去雾霾算法在处理不满足暗通道先验条件的明亮区域时,估计的透射率偏小,导致去雾霾后的图像与原图像相比,色彩和纹理平滑度出现较大偏差的问题,提出反馈调节的暗通道去雾霾算法。蒋建国等人[9]分析讨论了暗通道先验去雾算法原理,通过引入一种容差机制,算法能更有效地处理不满足暗通道先验的明亮区域,纠正了这类区域错误估计的透射率。石文轩等人[10]对暗通道去雾算法进行了改进,提出了边缘优化透射率估计方法。
从目前对雾霾图像恢复的算法研究来看，都是在图像暗通道先验基础上来估计更加细致的透射率，从而进一步研究获取更加细致的恢复图像结果。
1.3本文研究内容
本文主要是学习和研究双边滤波器的理论和特性，对比其他的传统滤波器，如中值滤波器，研究双边滤波器和其他滤波器的共同点和区别。从双边滤波器的滤波参数中窗口大小N和空间距离因子，亮度相似因子研究这些参数对双边滤波器的影响。
基于双边滤波器为基础，参考何凯明等人提出的基于暗通道先验的图像去雾算法中用最小值滤波对透射率的估计不够精细。用双边滤波估计透射率，能对图像细节有更好的保护，图像边缘信息更完整，从而得到更好的图像去雾效果。
第二章双边滤波器算法研究
2.1双边滤波器介绍
双边滤波方法(Bilateral filtering)是基于Gauss 滤波方法提出的，主要是针对Gauss 滤波中将Gauss 权系数直接与图像信息作卷积运算进行图像滤波的原理，将滤波权系数优化成Gauss 函数和图像亮度信息的乘积，优化后的权系数再与图像信息作卷积运算，这样就能在滤波的同时考虑到图像信息中的图像边缘信息，使图像在正常Gauss 滤波后很模糊的边缘信息得以保持清晰，并且图像边缘更加平滑。此方法对于彩色和灰度图像的滤波均适用，具有很强的实用性[11]。
2.2 双边滤波器理论
双边滤波(Bilateral filtering)的概念最初是由Tomasi 提出的，在处理相邻各像素值的灰度值或彩色信息时，不仅考虑到了几何上的邻近关系，也考虑到了亮度上的相似性，通过对二者的非线性组合，自适应滤波后得到平滑图像。这样处理过的图像在滤除噪声的同时还能够很好地保持图像的边缘信息[12]。
双边滤波方法(Bilateral filtering)是基于Gauss滤波方法提出的，主要是针对Gauss滤波中将Gauss权系数直接与图像信息作卷积运算进行图像滤波的原理，将滤波权系数优化成Gauss函数和图像亮度信息的乘积，优化后的权系数再与图像信息作卷积运算，这样就能在滤波的同时考虑到图像信息中的图像边缘信息，使图像在正常Gauss滤波后很模糊的边缘信息得以保持清晰，并且图像边缘更加平滑。[13]此方法对于彩色和灰度图像的滤波均适用，具有很强的适用性。
双边滤波是一种既可有效降低图像加性噪声又可以保持图像边缘细节的滤波技术，它能同时利用邻域内像素点的空间邻近度信息和亮度相似度信息去处理图像，是一种比较不错的滤波方法。
因此，我们期望结合双边滤波器算法对图像暗通道进行处理，从而获取更加细致的透射率图像，对于雾霾图像的最终恢复得到更好的结果。研究双边滤波器的特性和参数设置，利用参考论文[1]中暗通道先验的理论，结合双边滤波器对图像透射率进行处理。
双边滤波是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。
（2-1） 公式中，,x y S 表示中心点（x,y ）的（2N+1）*（2N+1）大小的领域。实际上，公式（1）右边就是中心像素点邻域内像素亮度值的加权平均。对该邻域内的每一个像素点g(i,j)由两部分因子的成绩组成：
22
22(,)s i x j y s w i j e
δ-+-= （2-2）
和 22
(,)(,)
2(,)r g i j g x y r w i j e δ-= （2-3）
因此
（2-4）
从式（4）可以看出，双边滤波器的加权系数是这两部分因子的非线性组合，空间邻近度因子Ws 和亮度相似度因子Wr 乘积。前者随着像素点与中心点之间欧几里德距离的增加而减小，后者随着两像素亮度值之差的增大而减小。在图像变化平缓的区域，邻域内像素亮度值相差不大，双边滤波转化为高斯低通滤波器；在图像变化剧烈的区域，滤波器利用边缘点附近亮度值相近的像素点的亮度值平均代替原亮度值。因此，双边滤波器既平滑滤波了图像，又保持了图像的边缘。双边滤波器受3个参数的控制：滤波器半宽N 、参数&s 和&r 。N 越大，平滑作用越强；&s 和&r 分别控制着空间邻近度因子Ws 和亮度像似度因子Wr 的衰减程度。
)
,(),(),(j i w j i w j i w r s =∑∑∈∈=)
,,(,),(),()
,(),(),(?y Sx j i y
Sx j i j i w j i g j i w y x f
2.3 双边滤波器算法实现
2.3.1 双边滤波器和中值滤波器对比
这里利用双边滤波器对加有高斯噪声和随机噪声的图片进行去噪处理。MATLAB图像处理工具提供了模拟噪声生成的函数imnoise，它可以给图像添加一些典型的噪声，用imnoise函数给图片添加均值为0，方差为0.02的高斯噪声和椒盐噪声。图像如下：
图2-1原图图2-2加高斯噪声图片图2-3加椒盐噪声图片
图2-4 原图图2-5加高斯噪声图图2-6 加椒盐噪声图像
利用双边滤波器去噪后的图像：
图2-7高斯噪声去噪图像图2-8椒盐噪声去噪图像
图2-9高斯噪声去噪图像图2-10椒盐噪声去噪图像
从以上图像可以看出双边滤波器对高斯和椒盐噪声具有很明显的去噪效果，并且复原后的图像保持了原图的基本边缘轮廓信息。
下面使用常用的中值滤波器对上面加了高斯和随机的噪声进行去噪处理，结果如下：
图2-11高斯噪声去噪图像图2-12 椒盐噪声去噪图像从上面的图像可以以可以看出中值滤波对高斯和椒盐噪声也可以进行处理也可以得到很好的去噪效果，可是和双边滤波得到的图像仔细对比可以发现双边滤波得到的图像边缘信息更加清楚完整，也就是双边滤波器保边去噪的特性的体现。
2.3.2 双边滤波器参数对去噪效果的影响
从理论知识可以知道双边滤波器的滤波半径N也就是窗口越大，得到的图像去噪效果越明显，同时也会导致图像质量的下降，测试结果如下图：
图2-13 N=5图2-14 N=10
图2-15 N=15 图2-16 N=20
双边滤波器的去噪效果还取决于两个参数d σ和r σ,这两个参数分别控制着空域和亮度域的特征,虽然参数的选择应该和图像还有噪声联系起来,但是具体的选择标注还没有具体的规范,基于一些模拟的结果,证明了d σ的值比r σ的值在改变噪声水平方面更重要.
图2-17 d σ=2 图2-18 d σ=4
图2-19 d σ=6 图2-20 d σ=8
如上图所示,d σ的值选择2左右的常数,下文中d σ的值都是取得2。由于d σ的值比r σ的值在改变噪声水平方面更重要，而且r σ的值需要根据图像和噪声的具体情况而定，本文就不再深入讨论r σ参数的值。
第三章 双边滤波器应用于图像去雾算法
3.1去雾算法理论基础
首先看暗通道先验理论：
在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数。
我们给暗通道一个数学定义，对于任意的输入图像J ，其暗通道可以用下式表达：
()
{,,}{,,}()min min ()dark c y r g b c r g b J X J y ∈∈= （3-1）
表示R/G/B 为常数，定义他为()t X ，并且值运算，得到下式：
()()()min min 1c J y t X t X ??=+- ?
() t X= () t X=
图3-9 雾图图3-10 复原图
图3-11雾图图3-12 复原图上图是利用何凯明等人的暗通道先验理论，用最小值滤波处理得到的图像去雾的结果。用去雾效果来看也是取得很不错的效果，这里主要讲述的是暗通道先验的理论，因为该理论是去雾算法的基础和重点。
根据上式（10）的理论和上面的流程进行图像的去雾处理图像如下：
图3-14 去雾效果图
通过上图可以看出本文提出的基于双边滤波的去雾算法具有很好的去雾效果。
3.3参数对去雾算法的影响
第一：窗口的大小。这个对结果来说是个关键的参数，窗口越大，其包含暗通道的概率越大，暗通道也就越黑。我们不去从理论角度分析，从实践的效果来看，窗口越大，去雾的效果越不明显，如下图所示：
图3-14 原始图像 图3-15 N=5
图3-16 N=10 图3-17 N=20
以上图像ω取值都为0.95。我的建议是窗口大小在11-51之间，即半径在5-25之间。
第二：上式（12）中的ω也具有很重要的作用，ω应取0-1之间的数，越大去雾效果越明显，但是空气中存在一定的尘埃颗粒，所以一般不取1。下图例子窗口半径N 都取5。举例如下：
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。
改变图像质量的几种滤波方法比较
1 改变图像质量的几种滤波方法比较 一、概述 滤波是图像处理重要技术之一，是提高图像质量的主要手段。对输入的图像实现直方图均衡化；设计完成同态滤波器，并用之改善图象质量；对某图像加入不同类型﹑不同强度的噪声（周期﹑椒盐噪声），并分别用空间域和频率域的方法抑制噪声。 二、图像处理过程 1.直方图均衡化 输入一幅图片，统计原图直方图数组，用一个数组hf 记录hf(i)；i 从0到255，令pa(i)=pa(i-1)+hf(i)，其中hf(i)为灰度值为i 的像素点占总像素点的概率；一个数组F 记录新的索引值，即令F(i,j)= (pa(f(i,j)+1))*255；依次循环每一个像素，取原图的像素值作为数组F 的下标值，取该下标对应的数组值为均衡化之后的像素值。结果显示原图图像、原图直方图，均衡化后的图像和直方图，并用于对比。 其中图像中灰度级出现的概率近似为： ()n n r p k k r =，k=0,1,2,…,L -1。而变换函数为：00()(),0,1,2,,1 k k j k k r j j j n s T r p r k L n ======-∑∑ 2.巴特沃斯同态滤波器： 图像f(x,y)是由光源照度场(入射分量)fi(x,y)和场景中物体反射光(反射分量)的反射场fr(x,y)两部分乘积产生，关系式为： f(x,y)=fi(x,y)*fr(x,y); fi(x,y)的性质取决于照射源，fr(x,y)取决于成像物体的特性。一般情况下,照度场f i ( x , y) 的变化缓慢,在频谱上其能量集中于低频;而反射场f r ( x , y) 包含了所需要的图像细节信息,它在空间的变化较快,其能量集中于高频. 这样就可以根据照度—反射模型将图像理解为高频分量与低频分量乘积的结果。由于两个函数乘积的傅立叶变换是不可分的，故不能直接对照度和反射的频率部分分别进行操作。
滤波图像降噪算法研究报告
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
浅议数字图像去噪技术及其应用
浅议数字图像去噪技术及其应用 数字图像去噪技术一直以来都是数字图像处理研究领域的一个热点问题，该技术在当代已经越来越重要，并广泛应用到人们生活的方方面面。笔者在数字图像去噪技术方面也做了一点粗浅的研究，本文就结合笔者的认识和体会谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。 标签：数字图像；图像噪声；去噪技术；中值滤波；小波滤波 在数字化发展的今天，信息在人们生活和工作中的作用越来越突出，并逐渐改变着人们的生活和工作方式，其中最主要、最直观的信息就是图像信息。然而，在实际应用中数字图像经常会由于元器件、电阻、电磁干扰等设备因素，温度、光照等外界环节因素以及人为因素的影响产生图像噪声，从而使得图像质量不理想，偏离了原始图片。因此，数字图像去噪就成为一个亟待解决的问题，具有很强的现实意义。下面笔者就谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。 1 数字图像去噪方法 当前，数字图像去噪的方法有很多，从本质上讲这些方法都是低通滤波的方法。低通滤波既有有利的地方，也有不利的地方，它既能消除图像噪声，又能消除图像中一些有用的高频信息。因而，我们所研究的各种数字图像去噪方法从根本上来说就是权衡去噪和保留高频信息。在数字图像去噪方法中，我们比较常见的有以下几种方法： 1.1 中值滤波算法 中值滤波算法最早是由Turky于1971年提出来的，是一种典型的非线性空间域去噪算法。其算法利用了像素点和噪声点之间的灰度值差别很大这一特性。中值滤波算法的主要原理是：以一个像素为中心取其邻域，然后对邻域中各像素的灰度值进行排序，取中值作为中心像素的灰度值，换句话说就是中心像素点的灰度值被邻域像素点灰度值的中值所替代。这种方法能很好的消灭噪声，但同时也损坏了图像的边缘，造成了部分细节的丢失。因此，部分科学家和学者在此基础上又提出了中心加权中值滤波算法、开关中值滤波算法、极值中值滤波算法等等，这些方法都是针对中值滤波算法的缺陷提出来的，具有很强的实用价值。 1.2 维纳滤波算法 维纳滤波算法是由Wiener提出来的，是一种典型的线性滤波方法。其理论依据是最小均方误差准则，该准则的具体含义是：将含有噪声的信号运用滤波变换后得到的恢复后的估计信号与原信号相比，它们之间有最小的均方差误差。维纳滤波算法既适用于连续平稳随机过程，也适用于离散平稳随机过程。但是，对于非平稳态的随机过程，一般来说，维纳滤波算法不太适用。
实验三常用图像滤波方法
实验三常用图像滤波方法 一、实验目的 1、熟悉并掌握MATLAB图像处理工具箱的使用； 2、理解并掌握常用的图像的滤波技术。 二、实验环境 MATLAB 6.5以上版本、WIN XP或WIN7计算机 三、相关知识 1 imnoise imnoise函数用于对图像生成模拟噪声，如： i=imread('e:\w01.tif'); j=imnoise(i,'gaussian',0,0.02);模拟均值为0方差为0.02的高斯噪声，j=imnoise(i,'salt&pepper', 0.04) 模拟叠加密度为0.04的椒盐噪声 2 fspecial fspecial函数用于产生预定义滤波器，如： h=fspecial('sobel');%sobel水平边缘增强滤波器 h=fspecial('gaussian');%高斯低通滤波器 h=fspecial('laplacian');%拉普拉斯滤波器 h=fspecial('log');%高斯拉普拉斯（LoG）滤波器 h=fspecial('average');%均值滤波器 3 基于卷积的图像滤波函数 imfilter函数，filter2函数，二维卷积conv2滤波,都可用于图像滤波，用法类似，如： i=imread('e:\w01.tif'); h=[1,2,1;0,0,0;-1,-2,-1];%产生Sobel算子的水平方向模板
j=filter2(h,i); 或者： h = fspecial(‘prewitt’) I = imread('cameraman.tif'); imshow(I); H = fspecial('prewitt‘); %预定义滤波器 M = imfilter(I,H); imshow(M) 或者： i=imread('e:\w01.tif'); h=[1,1,1;1,1,1;1,1,1]; h=h/9; j=conv2(i,h); 4 其他常用滤波举例 （1）中值滤波 medfilt2函数用于图像的中值滤波，如： i=imread('e:\w01.tif'); j=medfilt2(i，[M N]);对矩阵i进行二维中值滤波，领域为M*N，缺省值为3*3 （2）利用拉氏算子锐化图像, 如: i=imread('e:\w01.tif'); j=double(i); h=[0,1,0;1,-4,0;0,1,0];%拉氏算子 k=conv2(j,h,'same');
最新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 1 个人信息********* 2 3 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 4 5 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 6 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 7 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8 出了三种方法各自的适用性特点。 9 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 10 11 in Digital Image 12 Name:*** 13 (个人信息****) 14 Abstract: Image denoising is one of the most important parts and steps 15 of image processing. Firstly, the paper introduces the common image noise. 16 Then, based on the principle and methods of eliminating image noise, it 17 discusses mean filtering, median filtering, and Wiener filtering which 18 are typical image donoising. Finally, it uses these methods to eliminate 19 image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes 20 21 the applicability of each method in different application.
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/a912814249.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
小波变换图像去噪的算法研究自设阈值
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
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。
matlab图像去噪算法设计(精)
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 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 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');
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。
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
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，
图像椒盐噪声与高斯噪声去噪方法研究
德州学院毕业论文开题报告书 2011年3月16日院（系）物理系专业电子信息工程 姓名田程程学号200700802041 论文题目图像椒盐噪声与高斯噪声去噪方法研究 一、选题目的和意义 图像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、本选题在国内外的研究现状和发展趋势 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。
三、课题设计方案 本设计为图像椒盐噪声与高斯噪声去噪方法研究 一、研究高斯噪声和椒盐噪声特性 二、研究去噪算法，提出适合去除高斯噪声和椒盐噪声的算法 三、计算机仿真 四、计划进度安排 第一周至第二周：根据寒假期间针对论文题目收集的有关资料，认真分析和整理资料，形成撰写论文的大体框架。对论文的撰写形成明确地认识，认真书写开题报告，完成开题报告并上交。 第三周至第五周：学习和研究图像椒盐噪声与高斯噪声去噪方法。 第六周至第十一周：对前期的关于图像椒盐噪声与高斯噪声去噪方法的研究进行总结。 第十二周：根据论文指导意见和建议对论文进行修改和完善后形成论文终稿。
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
图像滤波去噪处理
摘要 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。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。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。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。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。 因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录 摘要 (2) 一、图像滤波的应用 (4) 二、均值滤波 (5) 2.1 均值滤波的思想 2.2 均值滤波的算法 2.3 均值滤波的实验结果 三、中值滤波 (7) 3.1 中值滤波的思想 3.2 中值滤波的算法 3.3 中值滤波的实验结果 四、维纳滤波 (8) 4.1 维纳滤波的思想 4.2 维纳滤波的算法 4.3 维纳滤波的实验结果 五、小波变换 (9) 5.1 小波变换滤波的思想 5.2 小波变换滤波的算法 5.3 小波变换滤波的实验结果 六、Contourlet变换的图像去噪 (11) 6.1 Contourlet变换的基本思想 6.2Contourlet变换的算法 七、全变差正则化的Shearlet收缩去噪 (12) 7.1 Shearlet收缩去噪原理简介 7.2 Shearlet收缩去噪算法 八、结果分析及自己的收获 (12) 8.1结果分析 8.2自己的收获 参考文献 (13)
基于小波变换的图像阔值降噪算法研究开题报告
中国计量大学 毕业设计（论文）开题报告 学生姓名：马日斯江·库尔班学号：1200101237专业：测控技术与仪器 班级： 12测控1班 设计（论文）题目： 基于小波变换的图像阈值降噪算法研究 指导教师：侯德鑫 系：计量测试工程学院 2016年3 月25 日
基于小波变换的图像阈值降噪算法研究 开题报告 一、课题的背景及意义： 图像降噪是图像预处理的主要任务之一，其作用是为了提高图像的信噪比，突出图像的期望特征。不同性质的噪声应采用不同的方法进行消噪。最简单的也比较通用的消噪算法，是用傅立叶变换直接进行低通滤波或带通滤波。这种方法虽然简单、易于实现，但它对滤去有用信号频带中的噪声无能为力，并且带宽的选择和高分辨率是有矛盾的。带宽选的过宽，达不到去噪的目的;选的过窄，噪声虽然滤去的多，但同时信号的高频部分也损失了，不但带宽内的信噪比得不到改善，某些突变点的信息也可能被模糊掉了。将小波变换应用于信号处理中，是因为它的主要优点是在时间域和频率域中同时具有良好的局部化特性，从而非常适合时变信号的分析和处理。特别在图像去噪领域中，小波理论受到了许多学者的重视，他们应用小波进行去噪，并获得了非常好的效果。具体来说，小波去噪方法的成功主要得益于小波变换具有以下特点： （1）低熵性由于小波系数的稀疏分布，使得图像变换后的熵降低了； （2）多分辨率由于小波采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等； （3）去相关性因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪； （4）选基灵活性由于小波变换可以灵活选择变换基，所以对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的去噪效果。 因此，就信号消噪问题而言，它比传统的傅立叶频率域滤波和匹配滤波器更具有灵活性。以小波变换为基础的时变信号消噪算法是把含噪信号放在二维平面上，利用信号和噪声表现出的截然不同的特性进行分时分频处理，此方法理论上不但能够获得较高的信噪比，而且能够保持良好的时间分辨率。采用小波消噪算
2.1图像滤波方法的比较实验报告
课程大作业实验报告2.1 图像滤波方法的比较 课程名称：数字图像处理 组长：张佳林学号：200830460232 年级专业班级： 08 自动化 2 班 （ppt 制作，数据整 理） 成员一：卢洪炬学号：200830460222 年级专业班级：08 自动化 2 班（实验报告，编程） 成员二：余嘉俊学号： 200830460231 年级专业班级： 08 自动化 2 班（编程，程序整理） 指导教师邓继忠 报告提交日期2010 年 12 月 4 日项目答辩日期2010 年 12 月 5 日
目录 1项目要求 (3) 2项目开发环境 (3) 3系统分析·························································3 3.1 系统的主要功能分析 (3) 3.2 系统的基本原理 (4) 3.1 系统的关键问题及解决方法 (9) 4系统设计····························· ···························10 4.1 程序流程图及说明····························· (10) 4.2 程序主要模块功能介 绍 (11) 5实验结果与分析··················································11 5.1 实验结果····························· (11) 5.2 项目的创新之 处 (15) 5.3 存在问题及改进设 想 (15)
6心得体会························································15 6.1 系统开发的体会····························· (15) 6.2 对本门课程的改进意见或建议 (15)
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