图像去噪多种方法对比.doc

图像去噪
算法分析
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: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。
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。
二维统计滤波:二维统计顺序滤波是中值滤波的推广,对于给定的n个数值{al ,a2,...,an},将它们按大小顺序排列,将处于第k个位置的元素作为图像滤波输出,即序号为k的二维统计滤波。
本次实验所给的带噪声图像,估计均值滤波、中值滤波能取得比较好的去噪结果。图像边缘明显且较多,均值滤波可能会引起模糊。
代码实现及结果对比
均值滤波下不同迭代次数时对比。()
均值滤波下不同窗口大小时对比。()
中值滤波下不同迭代次数时对比。()
中值滤波下不同窗口大小时对比。()
维纳滤波下不同迭代次数时对比。()
维纳滤波下不同窗口大小时对比。()
二维统计滤波下不同迭代次数时对比。()
二维统计滤波下不同迭代次数时对比。()
算法评价及筛选。
均值滤波:引起了明显的图像模糊。尽管增大迭代次数和窗口大小可有效改善噪声情况,但这也不