第42卷 第6期2010年12月
西安建筑科技大学学报(自然科学版)
J Xi an U niv.of Ar ch.&T ech.(N atural Science Edit ion)
V ol.42 N o.6
Dec.2010常用图像去噪算法的比较与研究
王 民,文义玲
(西安建筑科技大学信息与控制工程学院,陕西西安710055)
摘 要:去噪是图像处理中极其重要的步骤.研究了常用的去噪算法并进行改进,还对常用去噪算法进行了对比实验,提出用峰值信噪比(PSN R)、最小均方差(M SE)、归一化绝对误差(N A E)相结合来衡量各种算法的去噪效果.实验表明,自适应中值滤波去除椒盐噪声的效果最好;改进的中值维纳滤波由于融合了二者的优点,其去噪效果和边缘保持能力较维纳滤波和中值滤波好.
关键词:去噪算法;中值滤波;维纳滤波
中图分类号:T P391 文献标志码:A 文章编号:1006-7930(2010)06-0895-04
图像在形成、传输和扫描等过程中,常因外界噪声干扰导致质量下降,影响视觉效果,给进一步处理带来不便.为减轻噪声对图像的干扰,避免误判和漏判,必须去除或减轻噪声.一个良好的去噪算法有以下几个优点[1]:(1)防止高估图像背景,有助于提取图像中模糊但很重要的像素点;(2)防止形成误导点,使得点匹配更可靠,更精确地决定了将进一步进行分析的重要像素点;(3)能更精确地估计点的性质.
图像在处理过程中,由于受到恶劣的天气、光学元件以及电子器件等一系列因素的影响,所含噪声通常是随机的.因此去噪时,针对具体噪声类型采用不同的去噪算法.本文研究了常用的去噪算法并进行改进,还对常用去噪算法进行了对比实验.在衡量去噪效果时,传统的做法是单独用峰值信噪比(PSNR)或最小均方差(MSE)来衡量,这种做法的缺点是可靠性和准确度不高.本文提出用峰值信噪比(PSNR)、最小均方差(MSE)、归一化绝对误差(NAE)相结合来比较各种去噪算法的效果.实验表明,自适应中值滤波去除椒盐噪声的效果最好,改进的中值维纳滤波对于高斯噪声和随机噪声有很好的抑制作用,本文提出的去噪性能评价方法具有较高的可靠性和准确度.
1 常用图像去噪算法
现阶段通常采用平滑滤波的方法消除噪声的影响.一个较好的平滑方法应满足两个条件[2]:(1)消除噪声;(2)不会使图像的边缘轮廓和线条变模糊.
1.1 均值滤波(AF)
均值滤波是线性滤波,用于去除图像通过扫描得到的颗粒噪声.
原理:用某像素邻域内几个像素灰度的平均值代替该像素的灰度值.
优点:经邻域平均后,噪声均值不变,方差减小M倍(M是某像素邻域内总的像素数),噪声强度变弱,抑制了噪声.
缺点:随着邻域的加大,图像的模糊程度也更严重.
1.2 改进的均值滤波(M AF)
为了弥补均值滤波的缺点,可以采用阈值法减少由于邻域平均产生的模糊效应.
原理:当某点邻域内,点的灰度平均值差不超过规定的阈值时,保留原灰度值不变,如果大于阈值,就用邻域内像素灰度的平均值代替该点的灰度值.阈值的选择要根据图像的特点做具体分析.
优点:如果合理选择阈值,可有效减少由于邻域平均产生的模糊效应.
*收稿日期:2010-05-24 修改稿日期:2010-07-12
基金项目:陕西省教育厅专项资助项目(07JK292)
作者简介:王 民(1959-),男,陕西西安人,副教授,主要从事智能信息处理研究.
缺点:选择合理阈值较困难,若选的不合适,会有以下问题:选的太大,会减弱噪声的去除效果;太小会减弱图像模糊效应的消减效果.
1.3 中值滤波(M F)
中值滤波是常用的非线性平滑方法,可克服线性滤波带来的模糊效应,从而获得较满意的滤波效果,适合消除图像的孤立噪声点.
原理:用某像素邻域内几个像素灰度的中值代替该点的灰度值.
优点:在有效清除颗粒噪声的同时,还能保护图像的边缘.只要冲激噪声的空间密度不大,去噪效果很好.
缺点:去噪效果依赖于滤波窗口的大小及参与中值计算的像素灰度值;侵蚀孤立点的边缘,填补闭集点的空间,平滑噪声的同时会损失一些边缘细节.
1.4自适应中值滤波(AMF)
该方法是对中值滤波的改进,原理[3]如下:
设S xy表示中心像素点(x,y)在滤波时对应的掩模窗口.令Z min为S xy中灰度级最小值,Z max为S xy 中灰度级最大值,Z med为S xy中灰度级中值,Z xy为在坐标(x,y)上的灰度级,S max为S xy允许的最大尺寸.
自适应中值滤波算法工作在两个层次,定义为A层和B层.
A层:A1=Z med-Z min,A2=Z med-Z max.如果A1>0,A2<0,转到B层,否则增大窗口尺寸.如果窗口尺寸 S max,重复A层,否则输出Z xy.
B层:B1=Z xy-Z min,B2=Z xy-Z max.如果B1>0,B2<0,输出Z xy,否则输出Z med.
优点:能处理空间密度较大的冲激噪声;平滑非冲激噪声时,可保存更多的图像细节.
缺点:所需处理时间比中值滤波的时间长,甚至高达10多倍.
1.5 维纳滤波(WF)
维纳滤波是线性滤波.原理[4]:估计每个像素的局部均值和方差,从而实现图像的自适应去噪.其中,局部均值与方差分别为:
=1
MN
(x,y) S
a(x,y)(1)
2=1
MN
(x,y) S
a2(x,y)-M2
(1)式中,S为图像中每个像素的M*N邻域,维纳滤波估计式为:
b(x,y)= + 2- 2
2[a(x,y)- ](2)
(2)式中, 2是噪声方差,如果没有给出,则自动以所有局部估计方差的均值代替.
优点:在保护图像的边缘方面,比类似的线性滤波具有更强的选择性;保护闭集点的形态.
缺点:噪声方差较大时,虽然能保护图像的边缘,但去噪能力较弱;在像素邻域内会导致模糊效应.
1.6 改进的中值维纳滤波(M MWF)
该方法是中值滤波和维纳滤波的结合,融合二者优点,抵消二者缺点.从背景去除噪声的同时,不改变边缘点,从而有效地保护了图像的边缘.滤波公式如下:
b(x,y)= + 2- 2
2\[a(x,y)- ](3
)
图1 原始图像和加噪图像
Fig.1 Origin al image an d n ois e images
(3)式中, 为每个像素邻域的局部中值,其他参数同自
适应维纳滤波.
2 实验结果
下图1(a)为原始图像,1(b)、1(c)、1(d)为加噪图像,所
加噪声为:(b)椒盐噪声,强度为0.05.(c)随机噪声.(d)高斯
896 西 安 建 筑 科 技 大 学 学 报(自然科学版) 第42卷
图2 去噪效果对比1
Fig.2 Comparison of den oising effect(1)
噪声,均值为0,方差为0.01.图2,图3,图4为分别用以上方法去噪结果图,其中图(2)是对椒盐噪声去噪,图(3)是对随机噪声去噪,图(4)是对高斯噪声去噪.
为了对各种去噪方法进行更直观地比较,本文提出用峰值信噪比(PSN R)、最小均方差(MSE)、归一化绝对误差(NAE )
相结图3 去噪效果对比2
Fig.3 Comparison of den oising effect(2)
合来衡量去噪效果,这弥补了传统评价方法的不足,有较高的可靠性和准确度.以上性能参数的具体定义详见参考文献[5].
为了提高性能评价的可靠性,本文进行了多次实验,取其平均值作为最终结果.下表1、表2分别为各方法对不同噪声去噪的PSNR 、MSE 、NAE 对比结果
.
图4 去噪效果对比3
Fig.4 Comparison of denoising effect(3)
由实验可得出以下结论:(1)改进的均值滤波的去噪效果较改进前好;(2)自适应中值滤波去除椒盐噪声的效果最好,有最大的PSNR 和最小的M SE 、NAE,不仅有效去除了噪声,还很好地保持了图像的边缘,而它去除随机噪声和高斯噪声的能力相对于改进前有所下降;(3)由于融合了二者优点,
改进的中值维纳滤波去噪效果和边缘保持能力较维纳滤波和中值滤波好.
表1 不同方法去除不同噪声的PSN R 值
T ab.1 PS NR value of different meth ods in denoising different noise
A v erage filter
M o dified av erag e
filter
M edian filter A daptiv e median
filter
Wiener filter M odified median -wiener f ilter
Salt and P epper N oise
25.016025.459826.637236.008724.566935.1357Rando m no ise 26.958426.987825.632725.421127.409629.7453Gaussian noise
26.0697
26.1970
24.8390
22.8771
26.6095
28.8974
表2 不同方法去除不同噪声的M SE 值
T ab.2 M SE valu e of different meth ods in denoising different noise
A v erage
filter
M o dified av erag e
filter
M edian filter A daptiv e median
filter Wiener
filter M odified median -wiener f ilter Salt and P epper N oise
0.00320.00290.0022 2.5217e -0040.0043 2.5346e -004Rando m no ise 0.00200.00180.00270.00290.00180.0016Gaussian noise
0.0025
0.0023
0.0033
0.0052
0.0022
0.0019
表3 不同方法去除不同噪声的N A E 值
T ab.3 NAE value of different methods in denoisin g different nois e
A v erage
filter
M o dified av erag e
filter
M edian filter A daptiv e median
filter
Wiener filter M odified median -wiener f ilter
Salt and P epper N oise
0.07060.06890.05030.00790.07150.0070Rando m no ise 0.06240.06200.06760.08370.06130.0604Gaussian noise
0.0706
0.0689
0.0750
0.1124
0.0654
0.0649
897
第6期 王 民等:常用图像去噪算法的比较与研究
898 西 安 建 筑 科 技 大 学 学 报(自然科学版) 第42卷
3 结 论
实验表明,自适应中值滤波去除椒盐噪声的效果最好,改进的中值维纳滤波对于高斯噪声和随机噪声有很好的抑制作用,本文提出的去噪性能评价方法具有较高的可靠性和准确度.在验证去噪算法时,本文所采取的方法是先找标准图像,再对标准图像加噪获得含噪图像,最后将处理结果与标准图像进行比较,得到均方差和信噪比等参数,然而现实中采集的是含噪图像,无法得到标准图像.在没有标准图像时,可选取ROI区域估算噪声的方差和均值,根据估算结果进行相应的噪声模拟,判断模拟是否正确.如果正确模拟了噪声,就根据噪声的类型选择相应的滤波方法进行滤波.如何正确模拟噪声正是需要进一步研究解决的问题.
参考文献 References
[1] CANN IST RACI Carlo V,MO NT EVECCH I F ranco M,AL ESSIO M assimo.M edian-modi fied Wiener filter provides eff-i
cient deno ising,preser ving spot edge and morpholo gy in2-DE image processing[J].Proteomics,2009,9:4908-4919.
[2] 郝文化,田 蕾,董秀芳.M A T L AB图形图像处理应用教程[M].北京:中国水利水电出版社,2004.
H AO Wen-hua,T IA N L ei,D ON G X iu-fang.Application T ex tbo ok of M A T L AB G raphic and Imag e Pr ocessing
[M].Beijing:China W aterPo wer Pr ess,2004.
[3] 景晓军,周贤伟,付娅丽.图像处理技术及其应用[M].北京:国防工业出版社,2005.
JIN G Xiao-jun,ZH OU Xian-wei,FU Ya-li.Image Pr ocessing T echnolog y and A pplicatio n[M].Beijing:N atio nal Defense Industr y P ress,2005.
[4] 张兆礼,赵春晖,梅晓丹.现代图像处理技术及M atlab实现[M].北京:人民邮电出版社,2004.
ZH A NG Zhao-li,Z HA O Chun-hui,M EI Xiao-dan.M odern Imag e Pr ocessing T echnolog y and M A T L A B A pplica-tio n[M].Beijing:Peo ple Posts and T elecom P ress,2004.
[5] T SA K A NIK A S P,M A NO L AK OS I.Effectiv e denoising o f2-D g el proteo mics images using co nto urlets[J].IEEE
Internatio nal Conference o n Imag e Pr ocessing2007,2:1-22.
[6] BERT H M,M O SER F M,K O LBE M.et al.T he state-of-the-ar t in the analysis o f tw o-dimensional gel electr o-
pho resis imag es[J].A ppl.M icro biol.Biotechno l.2007,76:1223-1243.
[7] 杨永明,路陈红.小波包分析在一维及二维信号去噪中的应用[J].西安建筑科技大学学报:自然科学版,2007,39
(3):364-367.
Y AN G Yo ng-min,L U Chen-hong.Wav elet P acket analy sis application in one-dimension and tw o-dimension sig nal deno ising[J].J.X i an U niv.o f A rch.&T ech.(N atural Science Edition),2007,39(3):364-367.
Comparison and research with common denoising algorithms
WA N G M in,WEN Yi-ling
(Schoo l of Info rmatio n and Co nt rol Eng ineering,Xi an U niv.o f A rch.&T ech.,Xi an710055,China)
Abstract:Denoising is a ver y im po rtant procedur e in image pro cessing.T his paper researches co mmon denoising alg o-r ithms,impr oves them and makes contrastiv e ex periments.It also pr oposes a method used to evaluate their denoising effect by means of using perfo rmance cr iterias,such as PSN R,M SE and N A E at the same time.It show s that adaptiv e median filter prov ides the best perfo rmance for sa lt and pepper noise.Because o f the mer ging o f the compliment ary qual-i t ies and abilities of median filter and w iener filter,mo dified median w iener filter outperfor ms them in denoising and main-taining the edg e of imag e.
Key words:denoising algor ithms;median f ilter;w iener f ilter
*Biography:WANG Min,Associate Professor,Xi an710055,P.R.China,Tel:0086-137********,E-mail:wangmin1329@vip.s https://www.doczj.com/doc/ee7851594.html,
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');
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
龙源期刊网 https://www.doczj.com/doc/ee7851594.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
全变分信号去噪的最佳参数选择方法 摘要：基于现有的全变分信号去噪过程中依靠经验选择参数使得去噪效果精确度低的问题，本文提出一种新颖的全变分信号去噪的最佳参数选择方法，将粒子群优化算法（PSO，Particle Swarm Optimization）运用其中，首先研究了全变分 图像去噪模型，介绍标准PSO算法过程，结合粒子群优法来选择最佳参数，分析了粒子群优法选择参数的过程，实验结果显示了本文所提出的参数选择方法有效性和可靠性。 关键词：全变分；信号去噪；粒子群优化算法 DOI：10.16640/https://www.doczj.com/doc/ee7851594.html,ki.37-1222/t.2016.12.127 0 引言 在图像获取或传输的过程中，由于受到各种因素的影响，图像不可避免地受到了噪声的污染，给后续图像处理过程带来了极大的困难。因此图像去噪是图像处理中一个重要环节，图像的噪声去除和细节保护是一对矛盾关系，图像的低通滤波在去除噪声的同时，产生图像边缘的模糊，而人对图像的高频成分是敏感的。近年来，全变分法的图像降噪技术得到了应用，我们在运用全变分模型来去噪时候会用到很多参数。而在以前的研究中，在选取这些参数的最佳数值时，通常是依赖经验来选取的。也就是依靠经验在某个数值范围中选取
适当参数值，然后去尝试处理图像。参数少的话，其组合还可以罗列。而如果参数多的话，这显然是不太方便的。运用PSO来选取最佳参数正是基于这样的背景下提出的。 1 研究现状 1992年，Rudin、Osher和Fatemi提出了一种基于全变 分（TV，Total Variation ）模型的去噪方法[1]。该方法实质 上就是各向异性扩散，它能在去噪的同时很好地保持图像的边缘。由于全变分方法引入偏微分方程的各向异性扩散方程用于图像去噪，在平滑噪声的同时，可以使边缘得到保持，较好地解决了恢复图像细节和抑制噪声之间的矛盾[2]。基于偏微分方程的变分模型方法高质量的处理效果已引起国内 外研究学者的广泛重视[3]。近年来又有其他研究者发现全变分模型存在的不足，提出了一种基于平滑核的广义变分模型[4]。实验结果表明，该模型对于高斯噪声污染的图像能取得良好的恢复效果，相比于全变分模型，该模型获得的去噪后的图像具有更好的客观评价指标和细节保护能力，同时还有效避免了阶梯效应[5]。Bing S提出了一种基于范数的广义的TV 去噪模型该模型能克服假边缘的产生，且在去噪的同时 保持了边缘，但该模型的峰值信噪比较低[6]。鉴于上述存在的局限，本文在前人研究变分问题直接解法的基础上，建立求解含一阶导数的变分问题优化模型，构造出了适应度函数，从而使得PSO算法成功应用到变分问题的求解当中。
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 代码 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
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。
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.
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。
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： 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，对一张含噪图片（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张彩色图片“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3×3模板去噪Matlab部分代码： j=imnoise(x,'gaussian',0,0.02); h=ones(3,3); h=h/9; k=conv2(j,h); 仿真结果如图4-1所示。
一种基于交叠组合稀疏全变分图像去噪方法 An image denoising method based on overlapping group sparsity total variation 姓名：林志斌 摘要 全变分（Total Variation, TV）正则项作为一种常用的稀疏变换模型，因其在保持图像边缘信息方面具有明显的优势，已经被应用到图像去噪问题中。然而，它通常会产生阶梯效应。为了克服这个缺点，在本文中，我们引入交叠组合稀疏全变分（Overlapping Group Sparsity Total Variation, OGSTV）代替传统TV变换模型。为了求解该OGSTV去噪模型，我们提出一种基于快速傅里叶变换（Fast Fourier Transform, FFT）和Split Bregman算法的快速OGSTV去噪方法。实验结果表明，引入快速傅里叶变换理论后，图像去噪时间明显减少；与其他已有比较好的算法相比，可以获得更好的图像质量，阶梯效应明显改善。 关键词：全变分；图像去噪；快速傅里叶变换；交叠组合稀疏全变分 Abstract The total variation (TV) regularization is always used as a sparse representation and it has been applied to image denoising problem. Although TV model has obvious advantage in preserving image edges, it may introduce some undesired staircase
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
常用图像去噪方法的比较分析 梅娜娜 2091103 摘要 去噪处理作为图像预处理的一个重要环节，对图像处理的后续工作有着不可忽视的影响。针对不同的噪声，处理方法也不同。本文介绍了几种常见的图像噪声，并讨论了均值滤波、中值滤波及小波变换的典型运用，同时进行对比分析，最后得出这三种方法各自的自适应特点。 关键字：均值滤波；中值滤波；小波变换
一、引言 一幅图像的生成过程难免会伴随有噪声的产生。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”， 在理论上可定义为“不可预测，只能用概率统计方法来认识的随机误差”。它对图像的输入、采集、处理的各个环节以及最终的输出结果都会产生一定的影响,特别是在图像的输入、采集过程中,若输入伴有较大噪声,必定会对其后的处理以及最终的处理效果造成不利。因此，对图像进行去噪已成为图像处理中极其重要的内容。 二、图像系统中的常见噪声 一般在图像中常见的噪声有: 1、按噪声幅度分布形状而分，成高斯分布的称为高斯噪声，主要由阻性元器件内部产生。 2、按噪声和信号之间的关系分为加性噪声和乘性噪声。加性噪声与输入图像信号无关,含噪图像可表示为),(),(),(y x n y x g y x f +=。乘性噪声往往随图像信号的变化而变化其含噪图像可表示为),(),(),(),(y x g y x n y x g y x f += 3、椒盐(Salt and pepper)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。 4、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。 本文为了分析不同去噪方法的应用范围，将原图像分别加入高斯噪声及椒盐噪声，运用Matalab 编程实现两种不同滤波方法的去噪结果，并据此进行比较得出相应结论。 下面几幅图为本文所选用的原图像、经过灰度变换后得到的图像、添加椒盐噪声和高斯噪声后的图像：
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。
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
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，
图像去噪算法的研究进展 一．图像去噪问题的简述 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。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。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。 1.1常见的图像噪声 （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），高斯噪声 主要由阻性元器件内部产生。 （3），“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。 二．图像去噪问题的经典算法 目前比较经典的图像去噪算法主要有以下三种： （1）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。如图： （2）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。 },i=1,2,···N,则中值滤波输出为：设模板尺寸为M，M=2r+1，r为模板半径，给定1-D信号序列{f i
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