如何实现图像去噪处理

图像小波去噪去噪方法

摘要：

小波分析由于在时域、频域同时具有良好的局部化性质和多分辨率分析的特点，成为信号分析的一个强有力的工具。木文首先介绍了小波分析的基木理论知识，然后介绍邻域平均法、时域频域低通滤波法、中值滤波法以及自适应平滑滤波法四种传统去噪方法，针对传统去噪方法的不足之处，提出了用小波变换和小波包对图像信号进行去噪处理。通过Matlab仿真，得到了这两种方法的去噪效果的优缺点。结果表明，小波包去噪方法无论是在视觉效果还是信噪比都比小波变换更好。

关键词：小波变换、小波包、图像去噪

Abstract : Wavelet analysis in time domain and frequency domain due to the excellent

localized properties and multi-resolution analysis of the characteristics of the signal analysis，become a

powerful tool． This paper introduces the basic theories of wavelet analysis，then introduces

neighborhood averaging method and time domain frequency domain low-pass filtering method，median

filtering method and adaptive smoothing filtering method four traditional de-noising method，and

compare to conventional de-noising method deficiency，put forward by wavelet transform and wavelet

bayer小波变换去噪算法 python实现 -回复

Bayer小波变换去噪算法是一种常用的数字图像处理技术，被广泛应用于图像的降噪处理。在本文中，将详细介绍Bayer小波变换去噪算法的原理和实现步骤，并以Python语言为例进行具体的展示。

一、背景介绍

数字图像在获取或传输过程中经常会受到噪声的干扰，这些噪声会影响图像的质量和观感，降低图像的细节和清晰度。因此，如何准确地去除图像中的噪声成为一个重要的研究方向。小波变换作为一种多尺度分析的工具，在图像处理中有着广泛的应用，可以有效地提取图像的各个频率的信息。

二、Bayer小波变换去噪原理

Bayer小波变换去噪算法是在小波变换的基础上，结合Bayer模式的特点，通过分别对不同颜色通道的图像进行小波变换，再将变换后的结果进行逆变换得到去噪后的图像。具体的步骤如下：

1. 读取图像：首先使用Python的图像处理库PIL或OpenCV等读取待处理的图像，得到一个二维的像素矩阵。

2. 将图像转为Bayer模式：对于彩色图像来说，通常采用RGB模式表示，而Bayer模式则是通过一定的排列方式将RGB三个通道的像素交错排列起来。将RGB图像转换为Bayer模式的方法有很多，根据具体需求和实际情况选择合适的方式进行转换。

3. 小波变换：对Bayer模式的图像进行小波变换，将其转换为频域信号。小波变换使用一组特定的基函数来分解图像，这些基函数具有不同的频率和空间分辨率。

4. 阈值处理：通过设置一个合适的阈值，将小波变换后的频域信号中低于阈值的部分置零，高于阈值的部分保留。这样可以抑制图像的高频噪声，保留图像的低频细节。

5. 逆变换：对处理后的频域信号进行逆变换，将其转换回时域信号，得到去噪后的Bayer模式图像。

6.将图像转回RGB模式：对去噪后的Bayer模式图像进行处理，将其转换回RGB模式，得到最终的去噪图像。

三、Python实现步骤

图像降噪处理

学生姓名： 刘丽娇

学 院： 信息与通信工程学院

专 业： 电子信息工程

题 目： 数字图像处理 ：图像降噪处理

2011 年 12 月 26日

二、均值滤波去噪

2.1均值滤波器原理

在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来代替原来的像素值的方法。

对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。这种方法的基本思想是，在图像空间，假定有一副N×N个像素的原始图像f(x,y),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。经过平滑处理后得到一副图像 g(x,y), 其表达式如下：

snmnmfMyxg),(),(/1),(

式中： x,y=0,1,2,…，N-1；s为（x，y）点领域中点的坐标的集合，但不包括（x，y）点；M为集合内坐标点的总数。

领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下：

其他),(),(/1),(),(/1),(),(),(yxfTnmfMyxfnmfMyxgsnmsnm

式中：T为规定的非负阈值。

上述方法也可称为算术均值滤波器，除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图像细节。谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。

第 1 页 图像去噪是数字图像处理中的重要环节与步骤。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、线与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：使原始图像与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 第 2 页 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