基于matlab的图像高斯噪声和椒盐噪声的滤除.pdf

基于matlab 的图像高斯噪声和椒盐噪声的滤除 目录 摘 要 第一章 高斯平滑滤波的原理 第二章 试验要求及试验步骤设计 2.1试验要求 2.2试验步骤设计 2.3 结论 参考文献 摘 要 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、中值滤波和维纳滤波，他们分别 对某种噪声的滤除有较好的效果，但对于同时存在高斯噪声和椒盐噪声的图像处 理的效果可能不会太好，在这里我们分别用多种方法对图像噪声进行处理，对比 使用效果。 关键词：图像去噪、常见噪声、多种方法、使用效果。 绪论 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计 算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像 处理技术不断完善,逐渐成为一个新兴的学科。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。为了改善图像质量,从图像中提取有效信息,必 须对图像进行去噪预处理。根据噪声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。经典的去噪方法有：空域合成法,频域合成法和最 优合成法等,与之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,最小失真法等。这些方法的广泛应用,促进数字信号处理的 极大发展,显著提高了图像质量。一幅原始图像在获取和传输过程中会受到各种 噪声的干扰，使图像质量下降，对分析图像不利。反映到图像画面上，主要有两 种典型的噪声。一种是幅值基本相同，但出现的位置随机的椒盐噪声，另一种则 每一点都存在，但幅值随机分布的随机噪声。为了抑制噪声、改善图像质量，要 对图像进行平滑处理。图像平滑处理的方法多种多样，有邻域平均、中值滤波， 高斯滤波、灰度最小方差的均值滤波等。 第一章 高斯平滑滤波的原理 高斯滤波是根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤 波器对去除服从正态分布的噪声是很有效果的。一维零均值高斯函数为 。其中， 高斯分布参数 决定了高斯滤波器的宽度。对图像来说，常用二维零均值离散高 斯函数作平滑滤波器，函数表达式如下： 式 （1） 高斯函数具有5个重要性质： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度 是相同的。一般来说一幅图像的边缘方向是不知道的。因此，在滤波之前是无法 确定一个方向比另一个方向上要更多的平滑的。旋转对称性意味着高斯滤波器在 后续的图像处理中不会偏向任一方向。 （2）高斯函数是单值函数。这表明，高斯滤波器用像素邻域的加权均值 来代替该点的像素值，而每一邻域像素点的权值是随着该点与中心点距离单调递 减的。这一性质是很重要的，因为边缘是一种图像局部特征。如果平滑运算对离 算子中心很远的像素点仍然有很大的作用，则平滑运算会使图像失真。 （3）高斯函数的傅立叶变换频谱是单瓣的。这一性质是高斯函数傅立叶 变换等于高斯函数本身这一事实的直接推论。图像常被不希望的高频信号所污 染，而所希望的图像特征，既含有低频分量，又含有高频分量。高斯函数傅立叶 变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分 所需要的信号。 （4）高斯滤波器的宽度(决定着平滑程度)是由参数σ表证的，而且σ和 平滑程度的关系是非常简单的。σ越大，高斯滤波器的频带就越宽，平滑程度就 越好。通过调节平滑程度参数σ，可在图像特征分量模糊(过平滑)与平滑图像中 由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。 （5）由于高斯函数的可分离性，大高斯滤波器可以有效实现。通过二维 高斯函数的卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后 将卷积的结果与方向垂直的相同一维高斯函数进行卷积。因此，二维高斯滤波的 计算量随滤波模板宽度