数字图像处理技术、图像增强之噪声抑制.ppt

图像噪声的概念 所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。 常见的有椒盐噪声和高斯噪声。 图像噪声的概念 椒盐噪声的特征: 出现位置是随机的，但噪声的幅值是基本相同的。 高斯噪声的特征： 出现在位置是一定的（每一点上），但噪声的幅值是随机的。 图像噪声的抑制方法 设计出噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。 均值滤波器 中值滤波器 边界保持类滤波器 1、均值滤波 图像平滑的目的是消除或尽量减少噪声的影响，改善图像质量。在假定加性噪声是随机独立分布的条件下，利用邻域的平均或加权平均可以有效地抑制噪声干扰。 邻域的两种类型：4邻域和8邻域 邻域平均法实际是在做空间域的滤波,所以这种方法也称为均值滤波。 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替代原来的像素值的方法。 均值滤波器 —— 处理方法 均值滤波器的改进 —— 加权均值滤波 均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。 为了改善效果，就可采用加权平均的方式来构造滤波器。 均值滤波器的改进 —— 加权均值滤波 2、中值滤波器 虽然均值滤波器对噪声有抑制作用，但同时会使图像变得模糊。即使是加权均值滤波，改善的效果也是有限的。 为了有效地改善这一状况，必须改换滤波器的设计思路，中值滤波就是一种有效的方法。 中值滤波器 —— 设计思想 因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。 如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。 取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。 中值滤波器 —— 原理示例 中值滤波器 —— 处理示例 例：模板是一个1*5大小的一维模板。 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 中值滤波器 —— 滤波处理方法 与均值滤波类似，做3*3的模板，对9个数排序，取第5个数替代原来的像素值。 中值滤波器 —— 例题 中值滤波器与均值滤波器的比较 对于椒盐噪声，中值滤波效果比均值滤波效果好。 中值滤波器与均值滤波器的比较 原因： 椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。 中值滤波是选择适当的点来替代污染点的值，所以处理效果好。 因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。 中值滤波器与均值滤波器的比较 对于高斯噪声，均值滤波效果比中值滤波效果好。 中值滤波器与均值滤波器的比较 原因： 高斯噪声是幅值近似正态分布，但分布在每点像素上。 因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。 因为正态分布的均值为0，所以均值滤波可以消除噪声。 中值滤波器与均值滤波器的比较 3、边界保持类平滑滤波器 经过平滑滤波处理之后，图像就会变得模糊。 分析原因，在图像上的景物之所以可以辨认清楚是因为目标物之间存在边界。 而边界点与噪声点有一个共同的特点是，都具有灰度的跃变特性。所以平滑处理会同时将边界也处理了。 边界保持类平滑滤波器 —— 设计思想 为了解决图像模糊问题，一个自然的想法就是，在进行平滑处理时，首先判别当前像素是否为边界上的点，如果是，则不进行平滑处理；如果不是，则进行平滑处理。 K近邻(KNN)平滑滤波器 —— 原理分析 边界保持滤波器的核心是确定边界点与非边界点。 如图所示，点1是黄色区域的非边界点，点2是蓝色区域的边界点。 点1模板中的像素全部 是同一区域的； 点2模板中的像素则包 括了两个区域。 K近邻(KNN)平滑滤波器 —— 原理分析 在模板中，分别选出5个与点1或点2灰度值最相近的点进行计算，则不会出现两个区域信息的混叠平均。 这样，就达到了边界保持 的目的。 K近邻(KNN)平滑滤波器 —— 实现算法 1) 以待处理像素为中心，作一个3*3的作用模板 2）在模板中，选择K个与待处理像素的灰度差为最小的像素 3）将这K个像素的灰度均值替换待处理像素值 K近邻(KNN)平滑滤波器 —— 例题 例：下图，给定3*3模板，k=5。 K近邻(KNN)平滑滤波器 —— 效果分析 首先来看一下KNN平滑滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的清晰度保持方面的效果非常明显。 当然，所付出的代价是：算法的复杂度增加了。 上机实验：滤波增强