灰度图像去噪方法综述.doc

灰度图像去噪方法综述

姓名:王涛
学号:Pb07210360
摘要:噪声反映在图像中会使得原本均匀和连续变化的灰度值突然变大或者变小,形成一些虚假的边缘或轮廓。正是由于噪声的种类很多,其性质也有很多的区别,就需要有针对性的采用不同的方法进行消除。常用的方法既有在空间域里进行的,也有在频域里进行的。都可以用滤波的概念来解释,包括线性滤波,非线性滤波及混合滤波等。
关键词:图像去噪,噪声模型,线性滤波,非线性滤波,频域滤波。
图像在生成和传送的过程中,往往会因为各种原因而受到各种噪声的干扰和影响,从而会降低原始图像的质量,不仅会在视觉上产生很不好的感受,而且为后续的图像处理和分析造成障碍。为进行图像处理和分析就需要先将这些所包含的各种不希望有的噪声消除掉。
1. 噪声模型[1]
然而对于噪声本身而言就有各种不同的种类,其产生的原因也有很大区别。以下列出一些常见的重要噪声模型:
高斯噪声
由于高斯噪声在空间和频域中数学上的易处理性,这种噪声(也称为正态噪声)模型经常被用于实践中。事实上,这种易处理性非常方便,使高斯模型经常用于临界情况下。高斯随机变量z的PDF由下式给出:
其中z表示灰度值,μ表示z的平均值或期望值,σ表示z的标准差。标准差的平方称为z的方差。
瑞利噪声
瑞利噪声的概率密度函数由下式给出:
概率密度的均值和方差由下式给定:
伽马(爱尔兰)噪声
伽马噪声的PDF由下式给出:
其中,a>0,b为正整数且“!”表示阶乘。其密度的均值和方差由下式给出:
指数分布噪声
指数噪声的PDF可由下式给出:
其中a>0。概率密度函数的期望值和方差是:
均匀噪声分布
均匀噪声分布的概率密度,由下式给出:
概率密度函数的期望值和方差可由下式给出:
脉冲噪声(椒盐噪声)
(双极)脉冲噪声的PDF可由下式给出:
若Pa或Pb为零,则脉冲噪声称为单极脉冲。如果Pa和Pb均不可能为零,尤其是它们近似相等时,脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因,双极脉冲噪声也称为椒盐噪声。同时,它们有时也称为散粒和尖峰噪声。
还有一种特殊的噪声是周期噪声。在一副图像中,周期噪声是在图像获取中从电力或机电干扰中产生的,这是唯一的一种空间依赖型噪声。如:正弦噪声。
噪声反映在图像中会使得原本均匀和连续变化的灰度值突然变大或者变小,形成一些虚假的边缘或轮廓。减弱、抑制或消除噪声而改善图像质量的方法称图像平滑。正是由于噪声的种类很多,其性质也有很多的区别,就需要有针对性的采用不同的方法进行消除。常用的方法既有在空间域里进行的,也有在频域里进行的。都可以用滤波的概念来解释,包括线性滤波,非线性滤波及混合滤波等。
:
(1)邻域平均法:
图像中的大部分噪声是随机噪声,噪声对某一像素点的影响可以看作是孤立的。因此,噪声点与该像素点的邻近各点相比,其灰度值会有明显的不同。基于这个事实,可以采用邻域平均法来判定图像的每一个点是否是个噪声,并消除或减弱它。
原理:对含噪声的图像f(m,n)的每一个像素点取一领域S,用S中所包含像素的灰度平均值来代替该点的灰度值。即
gm,n=favg=1N(i,j)∈Sf(i,j)
式中,S为不包含本点(m,n)的邻域中各像素点的集合;N