数字图像处理中的图像降噪技术研究

ｌ学术探讨篡莹研究　

一　

一种改进的小波域维纳滤波的图像降噪算法研究　

李　宁　

（１．合肥１业大学，安徽合肥　２３００００；　

２．安徽财贸职业学院，安徽合肥　２３００００１　

［摘要］　针对小波域维纳滤波图像降噪存在计算速度慢和降噪效果较差，本文提出一种改进的小波域维纳滤波算法，　

将阈值化处理引入小波域维纳滤波，通过阈值化处理小波变换后的系数来提高降噪效果。依据改进算法的具体过程和算法步　

骤，运用ＭＡＴＬＡＢ进行算法仿真，仿真结果表明，改进的小波域维纳滤波算法进行图像降噪可以有效地提高图像的信噪比，降　

噪效果良好，同时计算速度较快，节约时间。　

［关键词］　小波变换；维纳滤波；高斯噪声；图像降噪　

１．引言　

图像复原技术是数字图像处理的一个重要课题，所谓图　

像复原，就是研究如何从变质图像中恢复出真实图像，或者是　

研究如何从获得的信息中反演出有关真实目标的信息。　

数字图像在获取和传播的过程中，因光学系统的像差、光　

学成像衍射、成像系统的非线性畸变、摄影胶片的感光的非线　

性、成像过程的相对运动、大气的湍流效应、环境随机噪声等　

一系列的原因，图像会因此产生一定程度的退化，变得模糊不　

清＿】ｊ。　此，必须采取有效的方法最大限度地减少或消除图像　

质量的下降，实现图像本来面目的恢复，这是图像处理技术中　

个重要内容。图像处理技术已发展４０余年，目前经典的图　

像复原算法有很多，利用空间自适应统计算法进行图像降噪　

的效果较好。随着小波理论的发展，其越来越多地被用于图像　

处理，取得了一定效果。　

２．图像的退化模型　

图像降质过程的模型如图１所示，其表达式为¨３＿：　

ｇ（ｘ，ｙ）　ｈ（Ｘ，ｙ）　ｆ（ｘ，ｙ）＋ｎ（ｘ　ｙ）　（１）　

，（　，，）　

图１图像的退化模型　ｇ（　，Ｙ）　

在仅考虑Ｈ为线性、空间不变系统的情况。有以下结论：　

线性：　

Ｈ［ｋｌｆｌ（ｘ，ｙ）＋ｋ２ｆ２（ｘ，ｙ）］＝ｋ　Ｈ［ｆｌ（Ｘ，ｙ）】＋ｋ２Ｈ［ｆ２（Ｘ，ｙ）］　（２）　空间移不变：如果ｇ（ｘ，ｙ）＝Ｈ［ｆ（ｘ，ｙ）］，那么存在任意一个　

毕业论文

基于小波变换的图像

去噪方法的研究

学生姓名： 学号：

学

院：

信息商务学院

系 名：

专 业：

指导教师：

2011年 5 月信息与通信工程系

电气工程及其自动化

基于小波变换的图像去噪方法的研究

摘要

图像是人类传递信息的主要媒介。然而,图像在生成和传输的过程中会受到各种噪声的干扰,对信息的处理、传输和存储造成极大的影响。寻求一种既能有效地减小噪声,又能很好地保留图像边缘信息的方法,是人们一直追求的目标。小波分析是局部化时频分析,它用时域和频域联合表示信号的特征,是分析非平稳信号的有力工具。它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提取信息。随着小波变换理论的完善,小波在图像去噪中得到了广泛的应用,与传统的去噪方法相比小波分析有着很大的优势,它能在去噪的同时保留图像细节,得到原图像的最佳恢复。

本文对基于小波变换的图像去噪方法进行了深入的研究分析,首先详细介绍了几种经典的小波变换去噪方法。对于小波变换模极大值去噪法,详细介绍了其去噪原理和算法,分析了去噪过程中参数的选取问题,并给出了一些选取依据;详细介绍了小波系数相关性去噪方法的原理和算法;对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。最后对这些方法进行了分析比较,讨论了它们各自的优缺点和适用条件,并给出了仿真实验结果。

在众多基于小波变换的图像去噪方法中,运用最多的是小波阈值萎缩去噪法。传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用,而且取得了较好的效果。但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。鉴于此,本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。该方法利用小波阈值去噪基本原理,在基于最小均方误差算法LMS和Stein无偏估计的前提下,引出了一个具有多阶连续导数的阈值函数,利用其对阈值进行迭代运算,得到最优阈值,从而得到更好的图像去噪效果。最后,通过仿真实验结果可以看到,该方法去噪效果显著,与硬阈值、软阈值方法相比,信噪比提高较多,同时去噪后仍能较好地保留图像细节,是一种有效的图像去噪方法。

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。

基于神经网络的图像去噪和图像增强技术研究

图像去噪和图像增强是数字图像处理领域中的两个非常重要的技术，它们能够大大提升图像的质量和清晰度。在实际应用中，我们常常会遇到需要去除某些噪声或者提升某些细节的情况，这时候就需要借助图像去噪和图像增强技术来完成。

近年来，随着计算机视觉和机器学习的快速发展，基于神经网络的图像去噪和图像增强技术也逐渐成为了研究的热点领域。本文将探讨基于神经网络的图像去噪和图像增强技术的实现原理、优缺点及未来发展方向。

一、 基于神经网络的图像去噪技术

图像去噪是指对于受到非理想条件影响的图像，去除其上的噪声，使得图像更加干净和清晰的技术。传统的基于数学模型的去噪算法虽然能够得到较好的效果，但是对于某些复杂的噪声类型却显得力不从心，此时采用基于神经网络的图像去噪算法则是更优秀的选择。

基于神经网络的图像去噪算法采用的是深度学习技术，通过构建深度卷积神经网络模型来学习图片中的噪声模型和去噪模型，从而实现图像去噪的目的。通常来说，这种算法的训练过程需要大量的有噪声的图片和对应的无噪声图片作为训练样本，同时采用反向传播算法进行模型优化。

与传统的基于数学模型的去噪算法相比，基于神经网络的图像去噪算法能够更加准确地还原图像，同时能够适应更多的噪声类型。当然，这种算法的训练和优化难度也相对较大，需要大量的训练数据和计算资源。

二、 基于神经网络的图像增强技术

图像增强是指通过对图像进行一系列处理，使其更加清晰、具有更多的细节信息，从而提升图像的质量和视觉效果的技术。传统的图像增强算法主要是利用各种滤波器进行图像的处理，但是这种算法的效果受限于滤波器的类型和参数设置，对于某些问题无法有效解决。

基于神经网络的图像增强算法通常为超分辨率技术，也就是利用深度卷积神经网络模型学习图像的细节信息，在保证图像分辨率的同时，增强图像细节的显示。这种算法的训练过程也需要大量的训练数据和计算资源，并且需要先进行图像的超分辨率重构，再进行细节增强处理。