图像去噪技术综述.docx

图像去噪技术综述.docx

《图像去噪技术综述.docx》由会员分享，可在线阅读，更多相关《图像去噪技术综述.docx（4页珍藏版）》请在冰豆网上搜索。

图像去噪技术综述

作者：

李娟安浩江东

来源：

《知识力量·教育理论与教学研究》2013年第08期

[ 摘要]介绍数字图像处理中的去噪技术发展的历史与现状，描述当前在图像处理过程中使用的典型去噪技术，最后，对去噪技术研究中存在的问题和发展前景进行了论述。

[ 关键词]图像处理去噪方法展望一、引言

对于数字图像处理的方法研究主要源于两个应用：

一是为了方便人们分析而对图像的信息进行必要的改进；二是为了使机器设备能自动理解而对图像数据信息进行存储、传输和显示过程[1]。

随着人类生活信息化程度的不断加深，图像信息作为包含了大量信息的载体形式越来越体现出其强大的信息包含能力，由此引发的就是对图像质量的高要求。

在实际的应用中，系统获取的图像往往不是完美的，常常会受到外界的干扰，例如传输过程中的误差、光照等因素的影响都会导致图像的质量不高，难以进行更深入的研究和处理，所以需要对其进行处理，便于提取我们感兴趣的信息。

在数字图像处理过程中，由于受到成像方法和条件的限制以及外界干扰，数字图像信号不可避免地要受到噪声信号的污染。

图像中的研究目标的边缘、特征等重要的信息常被噪声信号干扰甚至覆盖，使原始图像变得模糊，给图像的后继研究和处理，比如边缘检测、图像分割、图像识别等增加很大难度，因此对图像进行去噪处理，恢复原始图像是图像预处理的重要任务和目标。

图像去噪工作也被称为图像滤波或平滑。

二、图像去噪技术的发展历史和现状

（一）图像噪声的定义和分类

所谓数字图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。

一幅图像信息的生成难免或多或少都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”[2]。

它对图像信息的采集、输入以及处理的各个环节和最终的输出结果都会产生一定的影响，特别是在图像信息的输入、采集和传输过程中，若输入时伴随有较大的噪声，则必定会对其后的处理过程以及处理结果造成不利的影响。

常见的图像噪声分为5种[3]：

（1）加性噪声：

和输入图像信号无关，比如信道噪声；

（2）乘性噪声：

与图像信号有关，常随着图像信号的变化而变化，比如胶片中存在的颗粒噪声；

（3）量化噪声：

与输入图像信号无关，是量化过程中产生的误差，其大小可以衡量数字图像与原始图像的差异，这是数字图像主要的噪声源；

（4）椒盐噪声：

由于图像切割引起的噪声，比如白图像上的黑点噪声；

（5）高斯噪声：

其概率密度函数服从正态高斯分布的噪声，包括热噪声和散粒噪声。

（二）去噪技术的发展历史和现状

图像处理的出现始于20世纪50年代。

当时的电子计算机已经发展到了一定的水平，人们开始使用计算机来完成简单的图形和图像处理工作。

数字图像处理形成体系，形成一门学科约开始于20世纪60年代初期[4]。

早期图像处理的目的仅仅是为了改善图像的质量便于提高人的视觉效果。

数字图像处理过程中，输入的是质量较低的原始图像，输出的是改善过后有一定质量的图像。

常用的图像处理方法有图像增强、复原、编码和压缩。

早期由于数字图像处理领域涉及的数学理论比较浅，在很长的一段时间里，某些在特定条件下的算法的正确性没能得到很好的证明，使得数字图像处理研究的发展缓慢。

近年来，由于该领域研究者数学功底的不断加强，同时该领域具有的巨大市场需求也吸引了越来越多的数学工作者的加入，使得该领域得到了前所未有的发展[5]。

三、图像去噪的典型方法

根据实际图像的特点，存在的噪声的频谱分布规律和其统计特性，人们开发了各种图像去噪方法，典型的方法有：

（一）均值滤波法（邻域平均法）

均值滤波法也称为邻域平均法，该方法较适于去除通过扫描得到的图象中的颗粒噪声，具体做法是将一个像素及其邻域的所有像素的平均值赋值给输出图像相应的像素，以此达到滤波的效果。

此方法能较有效地抑制噪声，算法简单，运算速度快，但由于平均会引起一定程度的图像模糊现象，模糊程度与邻域半径成正比。

对于均值滤波法引起的图像模糊现象，可通过选择合适的邻域大小、形状和方向等加以改进。

（二）中值滤波法

中值滤波法是一种常用的基于排序统计理论的非线性平滑滤波法，其工作原理是先以某一像素为中心，确定一个称为窗口的邻域（通常为方形），取该窗口中各像素的灰度中间值替换中心像素的灰度值，从而消除孤立的噪声点，减少图像的模糊度。

中值滤波可以比较有效地滤除图像中的椒盐噪声。

该方法既可以去除图像中的噪声，又能保护图像的边缘信息，而且在实

际运算中不需要图象的统计特性，算法简单，实时性较好，但对于某些如点、线、尖顶等细节较多的图象不宜采用中值滤波的方法[6]。

（三）小波去噪

在图像去噪领域，近年来，越来越多的学者青睐于小波去噪。

因为该方法具有良好的多分辨率分析能力和时频局部特性，并且能够保留大部分的包含信号的小波系数，因而能较好地保护图像细节。

小波去噪法通常分为三个步骤：

先对图像信号进行小波分解，然后将经过层次分解后的高频系数进行阈值量化，最后利用二维小波重构图像信号[7]。

四、图像去噪技术的发展前景展望

图像是人们获取信息和交换信息的主要来源，因此，图像处理的相关应用必定影响人们生活和工作的方方面面。

随着相关学科的不断发展，数字图像处理技术也将得到不断地提高。

图像去噪这一最早应用于军事指挥和控制方面的技术，发展至今已成为了许多传统学科和新兴工程领域的结合体[8]，小波去噪法的出现更是使图像预处理进入了一个新的阶段。

近年来小波变换与神经网络技术相结合的去噪方法成为了研究的热点：

小波变换去噪能有效地抑制噪声，且很好地保留图像的原始特征，而神经网络具有良好的自适应机制和自学习能力，两者相结合的去噪方法必然成为主要的发展趋势之一。

[ 参考文献]

[1]武伟；王宏志.基于双树复小波变换与非线性扩散的图像去噪[J]；长春工业大学学报

（自然科学版）；2011年03期

[2]王文；康锡章；王晓东.基于小波域HMT的航空侦察图像去噪方法[A]；'2003系统仿真技术及其应用学术交流会论文集[C]；2003年

[3]AGersho ，BRamaurthi.ImagecodingusingvectorquantizationinProc.IEEEInt.Conf.Acost.Speechsinalpro-cessing.1982.5.430-432

[4]李康；高静怀；王伟.基于Contourlet域HMT模型的图像去噪方法研究[A]；全国第二届信号处理与应用学术会议专刊[C]；2008年

[5]邓超.基于改进神经网络的CCD图像去噪方法研究[A]；武汉（南方九省）电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C]；2010年

[6]李伟.基于匹配跟踪和自适应字典的图像去噪算法研究[D]；华北电力大学（北京）；

2010年

[7]林德贵.基于边缘检测的提升小波图像去噪[J]；长春大学学报；2011年08期

[8]娄元芳；郑世友.一种基于NSCT变换的SAR图像去噪方法[A]；全国第五届信号和智能信息处理与应用学术会议专刊（第一册）[C]；2011年

（作者单位：

红河学院工学院云南蒙自）