毕业设计（论文）
论文题目: 生物医学图像的去噪方法及其应用研究学生姓名：***** 学号：110921023
专业：生物医学工程方向：医学仪器
指导教师：
2015年 4 月 20 日
生物医学图像去噪的研究及应用
学生姓名：崔枝君
指导老师：邢国泉
湖北科技学院生物医学工程
摘要：在现代信息化的社会里，医学影像图像处理技术在在临床医学应用中所起的作用越来越大。然而生物医学图像信号在产生、传输过程中都可能会受到噪声的污染，这将对图像的后续处理和研究造成严重阻碍，在数字图像处理领域，为了获取高质量的数字图像图像的滤波去噪一直是最重要、最基本的研究课题之一。抽像的讲，图像去噪可以看作对降质图像矩阵寻求逆变换的过程。所以，消除在医学图像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，成了医学图像处理领域里的重要部分。
本文主要从两个方面着手，一是分析医学仪器中产生图像噪声的原因，尽量避免这些因素，并了解如今医学仪器去噪新的技术应用。二是从医学图像去噪方面对医学图像去噪，观察其效果。主要研究分析邻域平均法、中值滤波法、维纳滤波法及小波变换法的图像去噪算法。首先介绍图像处理的基础理论；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件分别对一张含噪CT图片进行仿真去噪，比较各种去噪方法的优缺点。
关键字：医学图像，MATLAB，去噪，高斯噪声，CT图像,小波变换。
The Research and application of biological
medical image denoising
Name:Zhi-Jun Cui
Instructor:Guo-Quan Xing
School of Biomedical Engineering, Hubei University of Science and Technology Abstract: In the information society, it is more and more important of the imaging techniques for medical image in clinical medicine .Biomedical image signal generation as well as the transfer process can be affected by noise in the area of digital image processing, this will bring a serious obstacle to the treatment and research of the image. Image de-noising has been one of the most important and basic research topics . Abstractly speaking, image noise reduction can be seen as seeking inverse matrix transformations of degraded images. So, eliminating the medical image noise that come from image acquisition and transmission and guarantee the image by the minimum pollution becomes an important part of medical image processing field.
This article mainly discusses from two aspects: the first causes of image noise in medical
instruments were analysed, try to avoid these factors, and understand that latest medical instrument denoising new technology application,
the second is made the image denoising from the aspect of medical image denoising and observe its result. The MATLAB software platform is applied to image denoising with average filtering method, the neighborhood averaging method, median filtering, wiener filtering method .wavelet transform method and so on. Comparing the several kinds of methods which is better.
The key s: medical,MATLAB,denoise,gussian noise,CT image.Wavelet transform
目录
1. 绪论 (5)
1.1.医学影像技术的发展趋势 (5)
1.2 医学图像去噪处理的发展 (6)
1.3 医学图像去噪处理的意义 (7)
2.生物医学图像噪声的基本内容 (7)
2.1医学图像噪声的基本定义 (7)
2.2医学图像噪声的产生原因及分类 (8)
2.3 医学仪器去噪发展及应用 (9)
2.3.1超声图像去噪技术及应用 (9)
2.3.2 CT图像噪声 (10)
2.3.3核磁共振图像去噪 (10)
2.3.4 数字血管造影技术（DSA） (11)
3.医学图像去噪原理及应用 (11)
3.1.均值滤波器 (11)
3.1.1均值滤波器原理 (11)
3.1.2.均值滤波器仿真实验 (12)
3.2邻域平均法 (13)
3.2.1 邻域平均法原理 (14)
3.2.2 邻域平均仿真实验 (15)
3.3中值滤波去噪 (16)
3.3.1中值滤波原理 (16)
3.3.2中值滤波器仿真实验 (17)
3.4维纳滤波去噪 (19)
3.4.1维纳滤波原理 (19)
3.4.2.维纳滤波仿真实验 (20)
3.5小波阈值去噪 (22)
3.5.1小波去噪的原理 (22)
3.5.2 小波去噪的优越性 (25)
3.5.3 小波去噪仿真实验 (25)
4总结与分析 (27)
参考文献 (28)
致谢 (29)
1. 绪论
1.1.医学影像技术的发展趋势
医学影像技术在近年来随这计算机科技的发展，本身发展也是迅速的。现代的医学影像技术发展从伦琴发现X线并拍摄到第一张手的X线片，随着计算机体层成像（CT）、核磁共振成像（MRI）、超声成像、介入放射学等的影像技术、影像诊断和影像治疗的相继问世。医学影像技术的发展也彻底改变了传统医学诊断，从望闻问切，医生摘要凭经验和主管判断，到有图像可依，可直观判断病灶位置和大小直观的看到人体内部器官组织的解剖图，这是医学发展史的重大进步。X线的发现奠定了现代医学影像学的基础。当今医学影像技术进入了全新的数字影像时代，医学影像技术的发展反映和引导着临床医学在诊治以及诊断方面的进步。医学影像技术的发展，尤其是介入放射学的出现，使使医学影像学从单纯医学图像诊断渐渐发展为既能够诊断又能够治疗的双重职能，并在整个医学领域中占有非常重要的地位，成为医学的重点临床学科。展望未来，医学影像学必将得到更快、更好及更大全面的发展，必将会对人类的健康做出更大的贡献。
医学影像技术发展飞快，应用到实际的诊断治疗中，也取得了很大的成就。人们对于获取图像的质量要求也越来越高。这同时也推动着医学设备不断地追求创新发展，也推动着医学图像处理技术的不断进步。然而，在生物医学图像处理不断发展进步的过程中，也会遇到各种技术难题。其中，医学影像图像噪声一直是科学家需要克服的难题。噪声的存在，对图像质量产生着较大的不良影响，干扰图像细节，使医生不能准确判断出病灶信息。图像在生成采集和传输重建的过程中会受到来自各种噪声的干扰,这些噪声干扰对于图像信息的处理、传输和存储造成极大的不利影响。寻找一种能够有效地减小噪声,同时又能很好地保留图像边缘信息的去噪方法,是医学工作者和图像信息处理研究一直共同追求的目标。而随着生物医学信息科技的发展，科学家对降低图像噪声的研究也越来越进步，临床应用到的图像处理技术包括去噪处理都越来越好。将科技的发展应用于临床诊断，医生能够更清楚明确的诊断疾病，更有效率的为病患治疗。
而在当今时代，人类已经进入了信息化时代，计算机在处理各种信息中发挥着重要作用。据统计，人类从自然界获取的信息中，视觉信息占75%~85%。在当代高度信息化的社会中，图形和图像在信息传播中所起的作用越来越大，在图像处理领域，数字图像处理得到了飞速发展[1]。将数字图像处理技术应用到医学影像图像去噪技术中从而改善医学图像的图像质量，从图像中提取有效信息，也是我们在不断提高技术诊断和研究的重大进步。首先，必须对从医学影像图像进行去噪预处理。根据噪声的频谱分布的规律和统计特征以及图像的
特点，出现了多种多样的去噪方法。
医学影像去噪主要从两个方面着手：一是减少仪器设备中的量子噪声，机械噪声，电子元器件的噪声，做好设备噪声的质量控制，提高设备的性能，减少设备的系统噪声和工作状态中可能产生的误差，将图像采集过程中产生的噪声见到最小。二是对于已采集的图像被噪声污染，无法看大图像信息的图像进行去噪处理。经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。与之相适应的出现了许多应用方法：如均值滤波器、中值滤波器、低通滤波器、维纳滤波器等方法。这些方法广泛应用，促进数字信号处理的极大发展。
1.2 医学图像去噪处理的发展
传统的医学图像去噪方法是一方面依赖于影像仪器设备的不断进步改善，从而提高图像获取的质量，以CT为例：CT是20世纪70年代发展起来的成像技术，曾给医学影像学带来一场深刻的革命。其主要特点是横切面、断层成像、数字影像，使X线的重叠影像成为层面图像，并可用CT值测量人体组织密度。多年来，CT成像技术的发展一直围绕解决扫描速度、清晰度及扫描范围的和谐发展，最终多层（排）螺旋CT机的出现使三者得到了完美的体现。然而CT技术发展的过程中，噪声也是一直存在的，这些设备系统内系统噪声也直观的影响CT图像，噪声以斑点、细粒、网纹、雪花状存在。人们在研究提高CT工作效率，工作性能的同时，也尽力克服噪声带来的影响，这是提高CT质量的一部分。在不断的研究中，科学家从CT成像的过程和影响噪声的因素入手，改变断层的几何分辨率，断层厚度，剂量，以及测试物体的衰减性能，不断改善设备的条件，降低噪声水平，改善图像质量。
从数字图像处理角度对于提取的影像图像进行预处理。使医生看到的图像能够更清晰，不影响诊断。而这方面的技术算法随着计算机的发展，和数字处理技术的发展，发展的更快，衍生出很多不同的图像处理方法。也有利于医学图像的发展。医学图像处理从不同处理域的角度可以划分空域和频域处理方法。前者是在图像本身存在的二维空间里对其进行处理，根据不同的性质又可以分为线性处理方法和非线性处理法；而后者则是用一组正交函数系来逼近原信号函数，获得相应的系数，将对原信号的分析转化到了系数空间域即频域中进行[4]。
空间域的线性滤波算法理论发展较为成熟，数字分析简单，对滤除信号不相关的随机噪声效果显著，但是它本身存在着明显的缺陷，如需要随机噪声的先验统计知识，对图像边缘细节保护能力较差等，特别是后者使得线性滤波无法很好地适应于医学图像的噪声滤除处理。与线性滤波相对应的非线性滤波大都考虑到了人的视觉标准和最佳滤波准则，提高了图像分辨率和边缘保护能力，特别是一些改进后的非线性滤波方法一般都具有了自适应性，这就使得非线性滤波的功能更为强大，可以广泛地应用到医学、遥感等领域的图像处理中。
近年来，小波变换去除噪声的方法得到广泛的应用。与传统的去噪方法相比。它利用的是非线性域值，在时间域和频率域同时具有良好的局部化性质，而且时窗和频窗的宽度可
以调节。对高频成分采用逐渐精细的时域或空域取样步长，从而可以聚焦到对象的任意细节。因此可以提高散斑高散射特性的噪声对比度，很好的消除散斑噪声。小波变换去除噪声的方法在不断地发展，去噪方法很多，如非线性小波变换阈值法去噪、小波变换模极大值去噪及基于小波变换域的尺度相关性去噪法等[2]。
1.3 医学图像去噪处理的意义
医学图像去噪声处理属于图像的预处理阶段对于医学图像的发展有着有着非常重要的意义：
(1)虽然医学图像去噪技术是以一般数字图像处理技术为基础，但是医学图像本身具有自己一些鲜明的特征，这些特征正是医学图像所含有的特殊信息。在对医学图像进行去噪处理的时候必须尽可能地保留这些特征，这就需要我们研究新的算法使得这些算法在保留一般数字图像去噪性能的基础上还能满足医学图像去噪的特殊要求。
(2)在医学图像去噪领域，不同算法都有者不同的数学理论基础，对图像去噪的效果也表现不同。探求它们的内部机理，寻求相应的关系，研究不同算法之间如何取长补短，以达到更好的去噪效果，也是很有意义的。
(4)研究图像去噪的同时对医学图像其他处理环节性能的提升也有着促进意义，好的图像质量有利于后期的图像后续的图像分析、图像分割、识别和诊断等。
2.生物医学图像噪声的基本内容
2.1医学图像噪声的基本定义
对于医学图像噪声，可以从两种角度来给它下定义：一种是从人的感观角度，认为医学图像噪声是妨碍人的感觉器官对所观察的图像信息进行识别和理解的因素；另一种是从数学角度，将图像信息看成是一个空间函数N（x,y)，图像噪声就是使这个函数所表达的信息退化的因素，即在噪声的影响F(x,y)，图像退化为G(x,y)[5]。那么图像噪声按照图像和信号的关系可分为加性噪声和乘性噪声，这两种噪声可由下式表达：
G(x,y)=F(x,y)+N(x,y) (1)
G(x,y)=F(x,y)*N(x,y) (2)
其中（1）式表示加性噪声，（2）表示乘性噪声。
然而，图像噪声又是不可预测的，只能用概率统计的方法来认识随机误差，通常常见的噪声主要有高斯噪声和椒盐噪声。
高斯噪声是一种源于电子电路噪声和由于低照明度或高温带来的传感器噪声，它也称为正态噪声，是自然界中最常见的噪声。它的概率密度函数为（3）： 222)
(21)(P δπδu z e z --= （3）
其中，随机变量Z 表示灰度值，u 为该噪声的期望，δ为噪声标准差，即2
δ为噪声的方差。 称双极脉冲噪声，其概率密度函数为（4）： ?????===other b z P a z P z b a ,0,,P ）（ （4）
椒盐噪声指图像中出现的两种灰度值，分别是a 和b ，这两种灰度值出现的概率分别是b a P P 和，该噪声的均值为（5）方差为（6）：
b a bP aP m += （5）
b a P b a m a 222)(P )-+-=（δ. （6）
通常情况下，脉冲噪声总是数字化为允许的最大值或最小值。所以，负脉冲以黑点（胡椒点）出现，正脉冲以白点（盐点）出现在图像中。
因此，该噪声称为椒盐噪声。
2.2医学图像噪声的产生原因及分类
医学图像噪声是电路或系统中不含信息量的电压或电流。噪声是随机出现的，在医学成像设备与自然界中，存在着各种干扰源（噪声源），如仪器设备大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使图像空间电场和磁场产生有序或无序的变化，导致最终采集的图像出现噪声，这些都是干扰源（或噪声源）。当这些仪器设备处于工作状态时，这些噪声源产生的各种电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入图像采集放大电路，再加上各种电气设备，形成各种形式的干扰。特别是在影像仪器运行过程中产生的干扰，都对图像产生较大影响。这些噪声都属于设备系统噪声。而对于图象传感器的工作情况也有可能受到个中因素的影响，如图象获取的环境条件和传感器元件的自身因数。例如，使用CCD 摄影机获取图象，光照强度和传感器温度是生成图象中产生的主要因数[5]。图象在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如，通过无线网络的传输的图象可能会因为光或其他大气因素的干扰被污染。
按照以上噪声产生的物理因素来划分，噪声主要可以分成如下几类：
(1) 电子噪声：由图像采集电路阻性器件或电容电感元器件中的电子运动发热而产生的噪
声，多出现于仪器设备运行时的电路中，在经过图像的采集或传输直接表现在图像上。(2) 光电子噪声：由图像的光电转换器引起，特别是在弱光的条件下噪声尤为强烈。这也属于外界环境引起的噪声。
(3) 感光颗粒噪声：一般存在胶片图像中。它是由于在胶片曝光和显影中，感光剂卤化银颗粒转化为金属银颗粒时的形状不均和分布的随机性造成的。这种噪声在医学影像方面出现的较少。
(4) 斑点噪声：在一些相干成像系统（如医学超声成像、合成孔径雷达成像、激光成像、多普勒超声成像）中，由于声波或者光波的相干作用而在图像中产生的噪声[5]。
2.3 医学仪器去噪发展及应用
医学图像噪声可以认为是图像中不能反映组织器官或者病理的特征的纹理。下面阐述了一些典型的医学图像噪声产生的机理和特点，并且了解了在去噪过程中，一些各种仪器在去噪发展过程中的新应用。
2.3.1超声图像去噪技术及应用
超声是超过20000HZ的机械振动波，超过人耳能够听得到频率，超声检查是利用超声波传导的特性，和人体不同组织有不同的阻抗差异来成像的。也因为超声成像的成像机制的原因，超声成像过程中会产生很多斑点噪声，特别是在用于检查软组织时，对比度差、噪声污染严重、影像中表征组织特性的特征不明显。斑点噪声是影响超声诊断质量的关键因素。由于斑点噪声干扰，图像产生模糊，质量较差，即使经验丰富的超声诊断专家有时很难从图像中获得明确有用的信息。
对于斑点噪声，现有的超声仪器数据处理系统采用斑点噪声消除技术SRI（speckle reduction imaging).SRI采用强大的数据处理系统对于各种数据采用不同的数据处理方式，分别对强弱信号处理产生不同的新的结构，不仅保存原始图像的细微的分辨率，并且把有用的信号凸显出来，显著提高了图像的对比分辨率。SRI应用到临床上，消除了超声图像的固有斑点噪声，保留了有用的临床信息，不降低帧频，实时实现，反应速度快。这项技术可以实现同屏双幅图像显示，把原始二维图像信息和经SRI处理后的图像显示对比。可以明显看出经处理后的图像可以发现许多基础图像不能发现的近等回声的结节，包块结构，并且可以发现微小组织的细微差异，勾勒出比较清晰地边界[6]。
现在超声三维超声技术，也在图像降噪方面有很大进步。三维超声成像技术即立体图像，现在已经分为动态的三维超声和静态三维超声成像，这些技术可以实现16帧每秒的立体图形采集，大大提高了图像采集速度，减少伪像，同时相比于传统的B超，M超声系统，新的三维超声也数字化系统装备有告诉的信号处理器，可以实时处理图像减少了平移旋转等
操作，同时也减少了噪声的可能性。三维超声成像采用临床最具有价值的体元模型法，他可以对所检查结构的的所有组织灰阶信息和血流多普勒信息进行重建能够显示解剖结构的细微特征。体元模型法还应用到CT及MRI的三维重建中。很大程度上促进了三维成像技术的发展。目前的三维图像噪声主要有三种成像方式：表面成像、透明成像、和多普勒血流成像。应用到临床上相较于二维成像，具有较高的分辨率，而且噪声较少，图像质量高，不仅能够发现病灶，还能清楚显示病灶大小、边界回声、形态及位置，在临床应用上非常广泛，这也是医学图像发展的一大进步[6]。
2.3.2 CT图像噪声
CT在医学诊断发展起着重要的作用，但过高的辐射剂量限制了其在妇女儿童特别是疾病筛查中的作用, 因此近年来降低CT剂量，提高图像清晰度是CT研究的重点方向。CT噪声主要源于投照X线光子密度在时间和空间的随机变化产生的量子噪声和电子测量系统工作状态产生的热噪声。通常来说，增大X线剂量可以减少噪声，但是不利于病人的身体健康。人们通过减少X-射线发射管电流强度(mAs) 的方法达到减少剂量的目的。但低强度的发射电流会产生较少的X线剂量，但是弊端在于会使得探测器端产生光子饥饿. ( photon starvation) 现象,探测器接收不到投影信号，这使得投影数据产生严重噪声，同时图像也会比较模糊[7]。所以在不断的研究中，科学家从CT成像的过程和影响噪声的因素入手，改变断层的几何分辨率，断层厚度，剂量，以及测试物体的衰减性能，不断改善设备的条件，降低噪声水平，改善噪声质量[8]。力求在较低的剂量照射下获得较好的图像品质。
到现在为止, 人们提出解决该为题的方法一是滤波器去噪法：主要采用传统低通滤波器, 直接对投影数据, 或对重建图像进行滤波, 其算法简单, 却不能有效处理信噪比较低的低剂量CT 图像; 二是基于统计的方法：利用了投影图像统计特性, 分为其两个主要研究方向包括: 在投影域和重建图像域之间进行的迭代重建算法( SIIRS) 和在投影域进行统计
去噪并且用滤波反投影( FBP) 算法重建。
2.3.3核磁共振图像去噪
磁共振成像(Magnetic Resonance Imaging，简称MRI)图像的噪声主要来自人体组织运动和磁共振设备的电路原器件。共振激发时，由于射频场的变化，人体被测部位那部分组织会产生涡流电场。在人体中涡流电场的产生必然带来涡流电流，继而在人体内产生欧姆热，从而产生噪声。NMRI信号随机噪声的另一个来源是接收线圈内部电路元件的热运动。当设备运行时电子元件如电容电感电阻都会产生微小的电场磁场当，当然，这些随机电子噪声与他们与同组织热噪声相比，要小很多。但是在低场系统中，电子元件噪声和人体的噪声相比同样也是不可忽略。实际上，在MRI检查中，受检查者的身体也相当于信号接受电路的一部分(相当于线圈填料)。所以，上述噪声源可以称为系统内部噪声源。此外周围环境电磁波
对磁共振成像干扰也很严重，如广播发射机、电视台、荧光灯等许多装置都可能产生RF干扰信号，手机等。这写都是MRI系统的外部噪声源。所以特别是在做核磁共振的病人和工作人员都是不允许带手机的。这些外部的脉冲干扰一般都是以图像伪影的形式出现，并不呈现随机噪声的形式。我们可以通过安装良好的机房RF屏蔽，外部噪声源都可以排除。
磁共振图像实际上是组织体素所发出的射频信号，每个像素的灰度与对应体素的自旋回波信号（NMRI）信号成正比关系。但是噪声信号是使组织的边界模糊，细微结构难以辨别的重要因素。同时，噪声也限制了MRI信噪比和灵敏度的进一步提高。所以信噪比(SNR, signal to noise ratio)是衡量图像质量的最重要的指标[9]。尽可能地提高SNR也是当今核磁共振研究的方向。除了对设备系统，和环境因素的要求，我们所进行的是MRI图像后处理，是根据磁共振图像的自身特点和数字图像处理相关理论结合利用数字计算机对图像进行处理从而改善图像质量。这也是图像去噪的重点内容。
2.3.4 数字血管造影技术（DSA）
血管造影技术是1934年被提出的，是利用X线照片进行光学减影的一种方法，20世纪80年代以后的DSA是利用计算机后处理技术将复杂的技术简单化，就是把未造影的图像信息和造影的图像信息分别经过影像增强器增强后通过摄像机扫描在经过模数转换成数字化图像，就可以把软组织和血管清晰显现出来。但是随着数字平板探测器（FPD），不断发展和其应用技术的成熟，FPD已经应用与于DSA，取代了由影像增强器、摄像头、光电系统和模数转换器等构成的影像处理过程。这这一技术的应用直接减少了后期影像处理过程中可能产生的噪声和畸变，同时又减少了患者X线的辐射剂量，也消除了图像边缘几何失真和余辉效应，这也是改变医学仪器提高图像质量的重要举措。或许以后的CT图像探测技术也可以由此出发，提高图像质量，减少噪声。
3.医学图像去噪原理及应用
医学影像技术去噪的方法随着计算机科技和图像处理技术的发展也出现了很多的滤波技术-去噪方法，人们不仅从硬件设备上改进设备，减少系统噪声，还将很多的数字图像滤波技术引用到医学影像去噪处理中，形成了多种多样的医学图像去噪方式。
3.1.均值滤波器
3.1.1均值滤波器原理
由于一幅图像的大部分像素的灰度与邻近像素的灰度差别不大，存在很大的灰度相关
性。这也就导致了图像的能量集中在低频区域，只有图像细节能量处于高频区域中。由于噪声的随机性，它对某一像素点的影响将使其灰度和邻点灰度差别比较大，所以图像噪声往往出现在高频区域中。由此可见，我们去掉噪声的有效途径就是衰减高频分类增强低频分量。 线性平滑滤波器也称为均值滤波器，是一种最常用的线性低通滤波器。均值滤波的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。假定有一幅 N ×N 个像素的图像 f ( x , y) ,平滑处理后得到一幅图像 g( x , y) , g( x , y)由下式决定：
g( x , y) =∑f( x , y)M( m , n) ∈S 式中 x , y = 0 ,1 ,2 , …, N - 1 , S
( x , y) 点邻域中点的坐标的集合,但其中不包括( x , y) 点, M 是集合内坐标点的总数。平滑后的图像 g( x , y)中的每个像素的灰度值均由包含在（x,y ）的预定邻域中的几个像素的灰度值的平均值来决定。均值滤波器所有的系数都是正值，为了保持输出图象仍在原来的灰度范围内，模板与像素领域的乘积和要除以9[10]。以3*3模板为例，假设当前的待处理像素为f(m,n),最简单的一种均值滤波器模板如下：
????
??????=1111111119/1H （7） 这种均值滤波器的作用区域为3*3，共有9个像素灰度参加运算，代替中心像素（x,y)的像素灰度，既可以达到去噪的目的。同样，根据需要，我们也可以选用5*5,7*7等不同作用域的H(x,y)。H （x,y)矩阵中心的元素值所占的中心比例越小，平滑作用越强。将以上的均值滤波器加以修正，可以得到加权平均滤波器[9]。例如下式（8）、（9）、（10）（11）：
??????????=111
121
111
10/11H （8）??????????=12124212116/12H （9）????
??????=111101
111
8/13H （10） ??????????=04/104/114/104/102/14H （11） 3.1.2.均值滤波器仿真实验
分别用窗口为3×3、5×5、模板均值滤波器进行仿真实验，程序如下：
clear all ；
I=imread('CT.jpg'); % 读入图像
subplot(2,2,1),imshow(I); % 显示原始图像
title('original image'); % 设置图像标题
J=imnoise(I,'salt & pepper',0.2); % 加噪声密度 D 为 0.2 的椒盐噪声
subplot(2,2,2), imshow(J); % 显示处理后图像
title('noise image'); % 设置图像标题
h=[1,1,1;1,1,1;1,1,1]; % j均值滤波模板矩阵
h=h/9; % 产生滤波归一化的模板
K=conv2(J,h); % 用均值模板对图像滤波
subplot(2,2,3),imshow(K,[]); % 显示处理后图像
title('3*3filter image'); % 设置图像标题
h=[1,1,1,1,1;1,1,1,1,1;1,1,1,1,1;1,1,1,1,1;1,1,1,1,1];%均值滤波模板矩阵
h=h/25; % 产生滤波归一化的模板
K=conv2(J,h); % 用均值模板对图像滤波
subplot(2,2,4),imshow(K,[]); % 显示处理后图像
title('5*5filter image'); % 设置图像标题
均值滤波效果图如图1所示：
original image noise image
3*3filter image5*5filter image
图1 均值滤波器滤波图像
由图1可见，经过均值滤波，椒盐噪声的去除效果还是很明显的，但是滤波器选用的越大，平滑作用也更明显，即图像的细节模糊程度也更多，相对来说用3*3均值滤波比较好。
3.2邻域平均法
3.2.1 邻域平均法原理
邻域平均法也是医学图像去平滑去噪的一种方式，他可以用来有效消除高斯噪声，邻域平均法的数学表达式为
∑∈--=s n m n y m x f M y x g ),(),(1),( （12）
其中M 为邻域S 内包含的像素总数，S 为事先确定好的邻域，（不包括S 点）。
比如半径为1的邻域可表示为：
)},1(),,1(),1,(),1,({S 1y x y x y x y x -+-+= （13）
对应M=4，半径为2的邻域可表示为：
?
??-+++-+???+----+=)1,1(),1,1(),1(),,1(),1,1(),1,1(),1,(1),y (x,S 2y x y x y x y x y x y x y x （14） 对应M=8，用卷积形式表示：
∑∑∈--=
=s n m n y m x f n m h y x h y x f y x g ),(),(),(),(*),(),( （15）
易见，对应半径为1的邻域用h(x,y)可表示为
h(x,y)=????
??????010******** （16） 对应半径为2邻域，其h(x,y)可表示为
h(x,y)=????
??????11110111181 (17) 邻域平均法消除噪声的优点是算法简单，计算速度快，缺点是使图像模糊。解决方法是取阈值的领域平均，方法是一个窗口（3*3,5*5）沿着图像移动，先求出窗口中除待处理像素之外的全部像素灰度值的平均值，如果待处理元素灰度值与这个平均值之差的绝对值超过了某一预先预定的阈值，则该像素的灰度值使用平均值代替；否则，保持该像素不变。 取阈值的邻域平均法的数学表示为：
???
????<--->-----=∑∑∑∈∈∈T n y m x f M y x f y x f T n y m x f M y x f n y m x f M y x g s n m s n m s n m ,),(1),(),(,(1),(),(1),(),(),(),(） (18)
T为预先规定的阈值，实际处理时要选择合适的阈值，要注意的是T太大会减弱去噪效果，太小会减弱图像模糊效应的消除效果[11]。
3.2.2 邻域平均仿真实验
分别对椒盐噪声和高斯噪声进行邻域平均滤波，程序如下：
I=imread('CT.jpg'); % 读入图像
subplot(2,3,1),imshow(I); % 显示原始图像
title('original'); % 设置图像标题
J=imnoise(I,'salt & pepper',0.2); % 添加加噪声密度D 为0.2 的椒盐噪声subplot(2,3,2),imshow(J); % 显示处理后的图像
title('noise image'); % 设置图像标题
text(-20,320,'Salt & Pepper Noise filter');% 添加说明文字
h=[1,1,1;1,0,1;1,1,1]; % 模板矩阵
h=h/8; % 产生滤波归一化的模板
K=conv2(J,h); % 用均值模板对图像滤波
subplot(2,3,3),imshow(K,[]); % 显示处理后的图像
title('filter image'); % 设置图像标题
I2=imread('CT.jpg'); % 读入图像
subplot(2,3,4),imshow(I2); % 显示原始图像
title('original'); % 设置图像标题
J2=imnoise(I2,'gaussian',0.2); % 加均值为0，方差为0.2的高斯噪声
subplot(2,3,5),imshow(J2); % 显示处理后的图像
title('noise image'); % 设置图像标题
text(-20,320,'gaussian Noise filter'); % 添加说明文字
h=[1,1,1;1,0,1;1,1,1]; % 模板矩阵
h=h/8; % 产生滤波归一化的模板
K2=conv2(J2,h); % 用均值模板对图像滤波
subplot(2,3,6),imshow(K2,[]); % 显示处理后的图像
title('filter image'); % 设置图像标题
运行结果如图2所示：
original noise image
Salt & Pepper Noise filter
filter image original noise image
gaussian Noise filter
filter image
图2 领域平均法分别对椒盐噪声和高斯噪声滤波图像
从图像结果可以看出邻域平均法对高斯噪声去噪效果没有有椒盐噪声明显，但是细节存比较好，而高斯噪声的去噪效果细节比较模糊。
3.3中值滤波去噪
3.3.1中值滤波原理
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它是对滤波窗内各点像素按灰度值排序，用排序后的中值代替滤波窗的中心像素灰度值，当n 为奇数时，位于中间位置的那个数值成为这n 个数的中值；当n 为偶数时，位于中间两个数的平均为这n 个数的中值。记为：{}12,,,n med a a a 。在中值滤波中，图像中值滤波后各像点的输出等于该点邻域中所有素像灰度的中值，即存在一个滑动的窗口，窗口内的所有像素灰度的中值作为窗口被滤波的像素点处理后的灰度[12]。可表示为：
{}W j i i n i m f med n m g ∈--=),(),(),(),( （19）
3.3.2中值滤波器仿真实验
用3*3的滤波窗口对椒盐噪声和高斯噪声进行中值滤波处理，图像结果如下：I=imread('CT.jpg'); % 读入图像
subplot(2,3,1),imshow(I); % 显示原始图像
title('original image'); % 设置图像标题
J=imnoise(I,'salt & pepper',0.02); % 加均值为0，方差为0.02 的椒盐噪声subplot(2,3,2),imshow(J); % 显示处理后的图像
title('salt & pepper noise image'); % 设置图像标题
text(-20,320,'Med-value Filter for 3*3 window '); % 添加说明文字
K = medfilt2(J);
%用于3×3的滤波窗口对图像进行中值滤波。
%若用[m,n]的滤波窗口做中值滤波，语法为K = medfilt2(J,[m,n])
subplot(2,3,3),imshow(K,[]); % 显示处理后的图像
title('medfilter image'); % 设置图像标题
I2=imread('CT.jpg'); % 读入图像
subplot(2,3,4),imshow(I2); % 显示原始图像
title('original image'); % 设置图像标题
J2=imnoise(I2,'gaussian',0.02); % 加均值为0，方差为0.02 的高斯噪声subplot(2,3,5),imshow(J2); % 显示处理后的图像
title('gaussian noise image'); % 设置图像标题
K2 = medfilt2(J2); % 图像滤波处理
subplot(2,3,6),imshow(K2,[]); % 显示处理后的图像
title('medfilter image'); % 设置图像标题
original image salt & pepper noise image Med-value Filter for 3*3 window
medfilter image
original image
gaussian noise image medfilter image
图3 中值滤波分别对椒盐噪声和高斯噪声滤波图像
由图3可以看到，中值滤波对于椒盐噪声的消噪效果比对椒盐噪声消噪效果比较好，但是对于高斯噪声的去噪效果并不明显。
用5*5的滤波窗口对椒盐噪声和高斯噪声进行中值滤波处理，程序如下：
I=imread('CT.jpg'); % 读入图像
subplot(2,3,1),imshow(I); % 显示原始图像
title('original image'); % 设置图像标题
J=imnoise(I,'salt & pepper',0.02); % 加均值为 0，方差为 0.02 的椒盐噪声
subplot(2,3,2),imshow(J); % 显示处理后的图像
title('salt & pepper noise image'); % 设置图像标题
text(-20,320,'Med-value Filter for 5*5 window '); % 添加说明文字
K = medfilt2(J,[5,5]);
%用于5×5的滤波窗口对图像进行中值滤波。
%若用[m,n]的滤波窗口做中值滤波，语法为 K = medfilt2(J,[m,n])
subplot(2,3,3),imshow(K,[]); % 显示处理后的图像
title('medfilter image'); % 设置图像标题
I2=imread('CT.jpg'); % 读入图像
subplot(2,3,4),imshow(I2); % 显示原始图像
title('original image'); % 设置图像标题
J2=imnoise(I2,'gaussian',0.02); % 加均值为 0，方差为 0.02 的高斯噪声
subplot(2,3,5),imshow(J2); % 显示处理后的图像
title('gaussian noise image'); % 设置图像标题
K2 = medfilt2(J2,[5,5]); % 图像滤波处理
subplot(2,3,6),imshow(K2,[]); % 显示处理后的图像
title('medfilter image'); % 设置图像标题
original image salt & pepper noise image Med-value Filter for 5*5 window
medfilter image
original image
gaussian noise image medfilter image
图4
比较两种窗口的处理效果图3和图4，发现对于椒盐噪声，中值滤波法效果更好，对于高斯噪声选用5*5的窗口滤波效果好于3*3窗口滤波，但图像模糊加重。
3.4维纳滤波去噪
3.4.1维纳滤波原理
维纳滤波最早是由Wiener 提出的，并用于一维信号，取得了缓和的效果。后来该算法又用于二维的信号处理并取得了良好的效果，特别是在图像复原邻域，消除图像噪声也是其中的一种。
维纳滤波是一种最基本的方法，适用于需要从噪声中分离出的有用信号是整个信号（波
形），而不只是它的几个参量，设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。为使均方误差最小，关键在于求冲激响应。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。根据维纳－霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数所决定。
维纳滤波的基本原理如下：
设观察信号y(t)含有彼此统计独立的期望信号x(t)和白噪声ω（t ）可用维纳滤波从观察信号y(t)中恢复期望信号x(t)。设线性滤波器的冲击响应为h(t)，此时其输入y(t)为y(t)=x(t)+w(t)，可以得到输出为
?∞
-=0^)()()(τ
ττd t y h t x （20）
对x(t)期望信号的误差为
)()()(^t x t x t -=ε （21）
其均方误差为 ??
????-=)()()(^2t x t x E t ε （22） )(t ε表示数学期望。应用数学方法求最小均方误差时的线性滤波器的冲击响应hopt(t)可得
?∞
≥=-0
0,0-)(R τδττopt yy yz h R ）（ （23）
式中，Ryx(t)为y(t)与x(t ）的互相关函数，Ryy(τ-δ)为y(t)的自相关函数。上述方程称为维纳-霍夫(Wiener-Hopf)方程。求解维纳-霍夫方程可以得到最佳滤波器的冲击响应hopt(t)。在一般情况下，求解上述方程是有一定困难的，因此这在一定程度上限制了这一滤波理论的应用。然而，维纳滤波对滤波和预测理论的开拓，影响着以后这一领域的发展。并且维纳滤波器在图像复原的效果比较好，计算量较低，许多高效的图像复原算法都是以维纳滤波为基础形成的[13]。
3.4.2.维纳滤波仿真实验
在MA TLAB 吗函数中采用deconvwnr()进行图像滤波复原，调用格式如下：
J=deconvwnr(I,PSF,NSR),该函数对输入图像I 进行滤波去噪复原，PSF 为点扩散函数，NSR
文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不
毕业设计文献综述 题目：基于matlab的图像预处理技术研究 专业：电子信息工程 1前言部分 众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。由此可见，视觉信息对人类非常重要。同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。 图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。 图像处理它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动
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。
Df 《生物医学工程进展》试题库 1. 试述组织光透明技术在生物医学成像的作用及应用前景？ 作用：生物组织属于浑浊介质，具有高散射和低吸收的光学特性，这种高散射特性限制光在组织的穿透深度和成像的对比度，使得很多光学成像技术只能用于浅表组织，制约了光学手段检测诊断及治疗技术的发展和应用。生物组织光透明技术的作用就是通过向生物组织中引入高渗透、高折射、生物相容的化学试剂，来改变组织的光学特性，以此来暂时降低光在组织中的散射、提高光在组织中的穿透深度，从而提高光学成像的成像深度，推动成像技术的发展和新方法的产生。 前景：1、应用骨组织使得骨组织变得光透明，进而对骨组织下的组织成像，避免手术开骨窗照成的伤害，如应用于颅骨，用得当的成像方法获得皮层神经亚细胞结构与微血管信息； 2、解决皮肤角质层的天然阻挡作用，促进透皮给药系统的研究和应用； 3、皮肤光透明剂的发展推动光学相干断层成像技术的发展； 4、光透明剂使得光辐射能在生物组织达到一定深度之后，可以极大地推动光学显微成像、光学手段检测诊断及治疗技术的发展和应用。推进无损光学成像技术在临床上的发展。 2. 请结合图示，描述如何通过单分子定位的方法，实现超分辨光学显微成像。 要通过单分子定位实现超分辨光学显微成像，首先需要利用光激活/光切换的荧光探针标记感兴趣的研究结构。成像过程中，利用激光对高标记密度的分子进行随机稀疏点亮，进而进行单分子荧光成像和漂白；不断重复这种分子被漂白、新的稀疏单分子不断被点亮、荧光成像的过程，将原本空间上密集的荧光分子在时间上进行充分的分离。随后，利用单分子定位算法对采集到的单分子荧光图像进行定位，可以准确得到分子发光中心位置；最后，利用这些分子位置信息，结合图像重建算法，获得最终的超分辨图像。超分辨图像质量的关键在于二点：一是找到有效的方法控制发光分子的密度，使同一时间内只有稀疏的荧光分子能够发光；二是高精度地确定每个荧光分子的位置。 以分辨两个相距20nm 的点光源为例。如下图7, 当两个点光源相距20nm 时，由于衍射极限（一个理想点物经光学系统成像，由于衍射的限制，不可能得到理想像点，而是得到一个艾里斑，这样每个物点的像就是一个弥散斑，两个弥散斑靠近后就不好区分，这样就限制了系统的分辨率，这个斑越大，分辨率越低）的限制，使得每一个点光源经过显微系统所成的像为一个光斑。为了简化起见，假定光斑为一个半径300nm 的圆斑（实际情况下，光斑不是均匀分布的，而是满足方程(1)）。则在荧光显微镜下，两个点光源所成的像为图7（a）所示。在这个时候，两个点光源r1，r2 由于半径都在300nm，是无法区分的，几乎重叠在一起。所以分辨率为300nm。但是如果第一时刻，只有r1 光源发光，如图7（b）所示，
第三章生物医学图像去噪 1．写出对下列图像分别用3 3的均值、中值、0.2-截断均值滤波之后的结果图像 6 5 10 0 0 4 4 7 3 8 3 5 4 9 6 5 6 1 7 4 2 9 2 2 4 3 8 6 8 3 10 3 4 1 5 7 2．自制一幅测试图像，在一个黑背景下，有不同形状，不同灰度的物体（每个形状的灰度值一致），在图像上面叠加高斯噪声（均值为0，方差为2，用imnoise 函数），产生一幅测试图像，计算该图像与原图像的均方根误差，通过同样的方法，产生五幅、十幅测试图像，将这些图像相加，计算结果图像与原图像的均方根误差，比较误差有何变化？ 3．学习Matlab中的ordfilt2和wiener2函数，写出这两个函数的用法。对上述题目1的噪声图像，用Matlab函数分别进行均值、中值、理想低通、Butterworth 低通、Wiener滤波，计算不同滤波后的图像与原图像的均方根误差，并进行对比分析。 4．编程实现一种自适应邻域滤波方法。 5．选取自己拍摄的照片几张，包括个人生活照，夜景照片和风景照，分别叠加上高斯噪声和椒盐噪声，用matlab编程实现wiener滤波，精细的LLMMSE，适应性邻域LLMMSE进行比较，并计算MSE。 6．选取一张医学成像照片，先低通再高通（推荐使用高斯滤波器），然后再尝试先高通再低通的顺序，观察成像的不同并说明原因。 7．选取一张8比特灰度X光成像照片，对其进行1，10，100轮的高斯高通滤波器（D0=30）。请注意观察在多少轮滤波后图像不再发生变化。 8．不同的医学图像比如说超声和X光片是否产生的噪声种类不同，相应的去噪方法是否也不同？
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。
文献综述 理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显着的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不尽如人意。20世纪80年代，Marr和Canny相继提出了一些更为系统的理论和方法，逐渐使人们认识到边缘检测的重要研究意义。随着研究的深入，人们开始注意到边缘具有多分辨性，即在不同的分辨率下需要提取的信息也是不同的。通常情况下，小尺度检测能得到更多的边缘细节，但对噪声更为敏感，而大尺度检测
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
数字信号处理在生物医学领域的应用 作者：张春强 安徽农业大学工学院 车辆工程 13720482 摘要:在生物医学研究中有各种各样待提取和处理的信号，信号处理立即成为解决这些问题的有效方法之一。主要讨论数字信号处理技术中小波分析、人工神经网络、维格纳分布在生物医学工程中的应用,并对数字信号处理技术在生物医学工程中的应用前景进行了展望。 关键词:数字信号处理;小波分析;人工神经网络;维格纳分布 1 引言 自20世纪60年代以来,随着计算机和信息学科的飞速发展,大量的模拟信息被转化为数字信息来处理。于是就逐步产生了一门近代新兴学科———数字信号处理(Digital Signal Processing,简称DSP)技术。经过几十年的发展,数字信号处理技术现已形成了一门以快速傅里叶变换和数字滤波器为核心,以逻辑电路为基础,以大规模集成电路为手段,利用软硬件来实现各种模拟信号的数字处理,其中包括信号检测、信号变换、信号的调制和解调、信号的运算、信号的传输和信号的交换等各种功能作用的独立的学科体系。 而生物医学工程就是应用物理学和工程学的技术去解决生物系统中所存在的问题,特别是人类疾病的诊断、治疗和预防的科学。它包括工程学、医学和生命科学中的许多学科。本文主要讨论数字信号处理技术中小波分析、人工神经网络、维格纳分布在生物医学工程中的应用。 2 数字信号处理在生物医学工程中的应用 2.1 信号处理在DNA 序列中的应用 生物序列数据在数学上以字符串表示，每个字符对应于字母表中的一个字母。如 DNA 序列中，用 A,T,C,G 四个字母代表组成 DNA 序列的四种碱基。对数值化后的DNA 序列进行频谱分析发现基因序列蛋白质编码区存在周期 3行为，即其功率谱在1/3频率处有一谱峰。用傅利叶变换来分析基因序列的功率谱可以发现其蛋白质编码区，可以预测基因位置和真核细胞基因中独特的外显子。 1.1 DFT 求 DNA 序列功率谱 在对基因组序列进行计算分析之前，先将其转化为数值序列。设字母表Λ = {A ，C ，G ，T } ,取长度为N 的DNA 序列x[n]，对于Λ中每个不同的字母都形成一个指示器序列[]n x α(0≤n ≤N-1，α∈Λ),在序列[]n x α中的某一个位置i 有: []其他)(01i n x ααα=???=(位置i 处的碱基为α) 该指示器的DFT 变换为 [][]n jw N n DFT k e n x k X --=∑=1 0αα，)10(-≤≤N k （1） 于是可以求得DNA 序列的功率谱：
图像去噪处理的研究及M A T L A B仿真
目录 引言 (1) 1图像去噪的研究意义与背景 (2) 1.1数字图像去噪研究意义与背景 (2) 1.2 数字图像去噪技术的研究现状 (3) 2 邻域平均法理论基础 (3) 2.1 邻域平均法概念 (3) 3 中值滤波法理论基础 (3) 3.1中值滤波法概念 (3) 3.2中值滤波法的实现 (4) 4中值滤波法去噪技术MATLAB仿真实现 (4) 4.1Matlab仿真软件 (4) 4.2中值滤波法的MATLAB实现 (5) 4.3邻域平均法的MATLAB实现 (6) 总结 (8) 全文工作总结 (8) 工作展望 (8) 参考文献 (9) 英文摘要 (10) 致谢语 (11)
图像去噪处理的研究及MATLAB仿真 电本1102班姓名：杨韬 指导老师：刘明军摘要:图像是生活中一种重要的信息来源，通过对图像的处理可以帮助我们了解信息的内在信息。数字图像去噪声涉及光学系统、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，如今其理论体系非常完善，且其应用很广泛，在医学、军事、艺术、农业等都有广泛且充分的应用。MATLAB是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。MATLAB是一种向量语言，它非常适合于进行图像处理。 本文概述了邻域平均法与中值滤波法去噪的基本原理。对这两种常用的去噪方法进行了分析比较和仿真实现。最后根据理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际工作中的图像处理，去噪方法的选择和改进提供了数据参考和依据。 关键字：邻域平均法;中值滤波法;MATLAB 引言 图像因为一些原因总会被外界干扰，所以图像质量往往不是很好,而质量不好的图片又不容易进行进一步的处理。在对图像的地处理过程中，图像去噪是很重要的一个环节，所以想对图像进行进一步的处理,对图像的去噪就变得重要起来,所以很多研究人员对这一课题进行了比较全面的研究,图像的处理最传统的方法是在空域中的处理，也就是说在图像的空间范畴内对图像质量进行改善。也可以对图像进行平滑处理等，这属于第一类图像处理方法。 中值滤波法与邻域平均法是出现最早的去噪手段，而且由于其具备良好的空频特性，实际应用也非常广泛。其中图像的邻域平均去噪方法是众多空域图像去噪方法中效果最好的去噪方法。基本思想就是用邻近的像素平均值来代替噪声的像素，且图像尺寸越大，去噪
医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展
过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分
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。
摘要“数字图像处理”是生物医学工程专业一门重要的专业课，让学生学会将理论知识转化为解决本专业实际问题的能力是这门课的重点。我们对理论和实践教学两个方面的教学方法和经验进行了探讨，经过几年的教学实施，这些方法取得了良好的教学效果。 关键词数字图像处理生物医学工程教学方法Teaching Method of"Digital Image Processing"Course for Biomedical Engineering Specialty//Huang Min Abstract"Digital Image Processing"is an important course for biomedical engineering specialty.How to change the theoretical knowledge into the ability of solving problem in biomedical engineering field is very important.Teaching methods of theory and practice teaching are given,which are helpful for students. Satisfied teaching effect is acquired in past years. Key words digital image processing;biomedical engineering; teaching method Author's address College of Biomedical Engineering,South-central University for Nationalities,430074,Wuhan,Hubei,China 随着科技的发展，各种图像信息都逐步进入数字化时代，以便存储和进行后续的通信、变换和识别等处理。数字图像处理课程是图像处理、电子、通信、生物医学工程等众多工科专业本科生学习的一门专业必（选）修课，虽然不同专业在学习理论知识时是相通的，但各专业在实际的图像处理的教学方法和具体应用上还是有较大差别。[1]生物医学工程专业有着其特殊性，在医学图像领域，从显微图像到CT、超声、M RI及PET等大型影像设备的成像结果，都涉及大量的图像需要存储，然后需要对图像进行增强、分割、融合等处理。如何把数字图像处理理论知识和专业应用方向结合起来进行教学，是生物医学工程专业上这门课的老师最应该注意的问题。本文对生物医学工程专业数字图像处理课程的理论教学和实验教学两个方面的教学 方法和经验进行探讨。 1理论教学 在本科阶段，数字图像处理课程理论教学主要讲述六部分内容：图像处理基础、图像变换理论、图像压缩编码、图像增强、图像恢复和图像分割。[2] 1.1“理论—应用”的教学模式 在教学中，我们采取“理论—应用”的教学模式，将每章的理论知识和生物医学工程领域的图像处理应用密切结合起来讲解，让学生体会到学习书本知识和专业实践以及以后的工作应用是密不可分的，学了后也知道“怎么用”。 比如在学到第一章图像处理基础的图像数字化这一环节，虽然学生都知道结论就是：采样频率要大于图像最高频谱的两倍。但是对于实际应用中，这个参数很抽象，具体怎么选择？结合以前学的一维时间域信号的采集，采样频率就是采样时间间隔的倒数，即要求：采样时间间隔小于某个值（这个值是由原模拟时间信号进行FT后频率成分的最大值的倒数的一半来决定的）；而现在转换到二维的图像域，实际上是图像在空间上的采样间隔（每个像素的大小）要小于某一个值，也就是最后数字图像可分辨的最小“尺寸”是多少的问题。联系到本专业的磁共振成像应用中，就是医院的影像诊断仪器在检查病人相关疾病（如肿瘤等）时，可以看到的最小肿瘤的尺寸，从而对学生说明一个问题：仪器不是万能的，不是想看多大的病灶就可以看到的。 进一步扩展，这个尺寸又怎么定呢？和具体的每种成像设备的成像原理有关，当然对本科生来说，由于学时和知识结构的限制，不能扩展太多。由于医学影像设备得到图像的过程和其他普通图像数字化过程不太一样，此时要强调不是所有的数据在采集的时候都是直接在图像域采集，医学图像领域很多是先在频域采集数据，然后转换到空间域的图像。最后举一个实例，配以幻灯实例进行说明：如果医学影像设备不满足采样定理，看到的图像会是各组织相互重叠在一起，根本无法用于医生诊断。这样就让学生加深了印 （中南民族大学生物医学工程学院湖北·武汉４３００７４）中图分类号：G642文献标识码：A文章编号：1672-7894（2011）01-0042-02 ４２
第一章绪论 进入21世纪，生物医学工程迅猛发展，如何将先进得科学技术用于人体医学检查及各项机能测试，从而提高人类对疾病得早期预防与治疗，增强机体功能、提高健康水平一直就是人们共同关心得问题。因此，人们对医学检测手段得要求越来越高，检测方式已从人工主观检测发展到现在得主客观相结合。特别就是医学影像技术得出现，使疾病得诊断更加客观与准确。然而，通过医学实践可以发现单一形态影像诊断仪器不能满足疾病早期诊断得需要，形态与功能相结合得新型检测系统就是医学发展得需要，形态与功能相结合得新型检测系统就是医学发展得需要。向功能性检查与疾病得早期诊断发展，向疾病得康复与愈合评价延伸，正就是现代医学发展所追求得目标。 电阻抗成像（Electrical Impedance Tomography,EIT）技术，就是以生物体内电阻抗得分布或变化为成像目标得一种新型无损伤生物医 学检测与成像技术。它通过对生物体外加一定得安全激励电流，测得生物体表面电压信号来重构生物体得阻抗分布。由于生物组织阻抗特性差别显著，因而电阻抗成像结果明显。利用EIT技术，可以显示生物体组织得阻抗分布图像、阻抗随频率变化得图像、生物体器官生理活动（如呼吸、心脏搏动）时阻抗变化图像。由于采用外加安全电流激励，就是非侵入检测技术，且就是功能成像技术，在研究人体生理功能与疾病诊断方面有重要得临床价值。它具有简便、无创廉价得优势，可作为对病人进行长期、连续监护得设备，对疾病得早期预防、诊断、治疗及医疗普查都具有十分重大得意义，一直受到众多研究者得关注。 第一节医学影像技术概况 医学影像技术就是用各种成像装置采集人体内部解剖学、生理学、病理学与心理学得信息，并实现可视化得科学。医学影像技术涉及物理学、生物学、医学、电子信息技术等多科学领域，就是典型得
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
学号：1008431110 本科毕业论文（设计） (2014届) 基于双边滤波的图像去噪方法 院系电子信息工程学院 专业通息工程 姓名 指导教师讲师 2014年4月
双边滤波是非线性的滤波方法，是结合图像的像素值相似度空间邻近度和空间领近度的一种折衷处理，同时考虑灰度相似性和空域信息，达到保边去噪的目的。双边滤波具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波比高斯滤波多了一个高斯方差，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息对于彩色图像里的高频噪声，双边滤波器不能够彻底的滤掉，只能够对于低频信息进行较好的滤波。其具体的操作方法有两个，第一个是高斯模版，用个模板对图像中的每一个像素值进行扫描，然后把某一点和其邻域内像素的加权平均值代替那一个中心的值高斯滤波器是根据高斯函数的形状来选择其权值的线性平滑滤波器，高斯滤波是线性平滑滤波的一种，最适合去除的噪声类型是服从正态分布的噪声。第二个是以灰度级的差值作为函数系数生成的模板。然后这两个模板点乘就得到了最终的双边滤波模板，最后得到双边滤波处理后的图像。 关键词：图像；去噪；双边滤波；高斯滤波
The bilateral filter is a nonlinear filtering method, is the combination of image pixel value similarity space proximity and space brought a compromise approach degree, considering the gray similarity and spatial information, to achieve the purpose of edge preserving denoising. The bilateral filter has the advantages of simple, non iterative, local. The bilateral filter is good to do edge preservation,generally used Wiener filtering or Gauss filter to denoise, will obviously fuzzy edge, for the protection of high frequency detail is not obvious. Bilateral filtering than Gauss filter has a Gauss variance, it is Gauss filter function based on the spatial distribution, so near the edge, the pixel will not affect the farther to the pixel on the edge of the value, thus ensuring the preservation of edge pixel values. But because of the high frequency information saved too much for the high frequency noise in the color image, the bilateral filter can not be completely filtered out, can only be better filtering for the low frequency information. The specific operation method has two, the first is Gauss template, scanning for each pixel in the image with a template, and then the weighted one point and its neighborhood pixels instead of the average value of a central value Gauss filters are linear smoothing filter to select the weights based on the Gauss function the shape, the Gauss filter is a linear smoothing filter for noise removal, the type is subject to normally distributed noise. The second is the difference of gray level as function coefficients generated templates. Then the two template dot get bilateral filtering template final, finally get the image after bilateral filtering. Key words: Image ;Denoising;Bilateral Filtering;Gauss Filtering
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')；