低信噪比图像处理优质PPT.ppt
《低信噪比图像处理优质PPT.ppt》由会员分享,可在线阅读,更多相关《低信噪比图像处理优质PPT.ppt(76页珍藏版)》请在冰豆网上搜索。
Gaussiannoise对图像的边缘和纹理细节影响较小,人眼一般不能分辨出来;
对图像平滑区域,影响较大,主要是因为人眼视觉效果的相对性。
Salt-and-Peppersnoisev从视觉上:
椒盐噪声对图像平滑区影响较小,但是对图像边缘及纹理影响较大。
打断边缘和纹理。
低信噪比图像的去噪处理v去除椒盐噪声v去除高斯噪声图像去噪目的vImagesthatmostpeopleregardas“clean”possesstwocommoncharacteristics:
v
(1)Edges,thinlines,andsmallfeaturesaresharpandclear.v
(2)Areasbetweenthesefeaturesaresmoothlyvarying.去除椒盐噪声中值滤波中值滤波去除椒盐噪声自适应中值滤波自适应中值滤波窗口尺寸与去噪效果最小窗口最大窗口PSNR(db)3528.371728.368928.3661128.3651328.3675729.30929.2791129.2681329.259最小窗口最大窗口PSNR(db)7928.5021128.6021328.55091127.6101327.510111326.798从PSNR的角度来看,传统自适应中值滤波去噪效果并不是随着最大窗口尺寸的增大而得到改善。
当最小窗口尺寸一定,增加最大窗口尺寸对去噪效果影响不大。
当增加最小窗口尺寸,去噪后图像的PSNR值并不会增加,这是因为小于最小窗口尺寸一半的图像细节被虑出。
窗口尺寸与噪声浓度之间的关系v建立滤波器窗口的最小尺寸与噪声浓度之间的函数:
v最大窗口尺寸与最小窗口之间的差值与噪声浓度之间的关系:
椒盐噪声浓度估计v椒盐噪声在图像中产生的一些灰度值很小(接近黑色)或灰度值很大(接近白色)的污染点,本文根据椒盐噪声这一特点,仅仅从含噪图像中估计出图像中含椒盐噪声的浓度。
首先逐个像素点扫描计算出噪声图像中最大最小像素值,利用最大最小值判断各个像素点是否受到椒盐噪声影响:
估计噪声浓度比实际略大,主要是原始图像存在接近黑色或接近白色的像素点:
该方法把这些像素点误作为椒盐噪声。
所以估计出的椒盐噪声比实际较大。
对二值图像的椒盐噪声浓度估计,不论该图是否受到噪声影响,估计的结果均为100。
自适应中值滤波的优缺点v优点:
减少脉冲噪声对图像的影响同时保留了图像边缘和纹理等细节信息。
v缺点:
边缘易产生移位,应采用保边函数保边函数v分析处理后的图像局部邻域内像素之间的关系,设计保边和保纹理映射函数。
基于保边函数的去噪v1)对低信噪比图像首先运用自适应中值滤波器减少脉冲噪声对图像的影响同时保留了图像边缘和纹理等细节信息v
(2)设计保边和保纹理映射函数,v(3)利用优化算法求出目标函数的最值进而实现了低信噪比图像的复原,抑制脉冲噪声以提高图像的灰度分辨率;
像素点保边去噪提出了利用保边势函数保持图像中的细节部分,M.Nikolova使用保边势函数来消除椒盐噪声。
Chan结合了自适应中值滤波和保边势函数(AM-EPR)的方法对椒盐噪声图像进行恢复,它能恢复噪声高达80%的图像,但它是以象素点为单位恢复噪声图像的,因此其计算效率很低。
基于全局保边去噪DONGYiqiu将所有可能的噪声点形成向量,且使用GBB算法解决最小化问题(AM-IEPR),从而极大的改进了AM-EPR方法的计算效率,但是该方法并没有考虑到图像像素邻域之间的相关性,从图像整体上而言,去噪效果较好,但是损失图像的一些局部信息,对信息主要分布在高频的图像去噪效果不理想。
传统保边函数的不足v像素点的保边去噪:
以像素点为建立保边对象;
但是图像边缘和纹理是由图像的局部信息表现出来。
同时计算量较大。
v基于全局的保边去噪:
以图像所有的残余噪声像素点为建立保边对象;
Imagemixedwithsalt-andpepperDectionthenoisalpixelLocalimageblockRestoretheimageblockBuildtheLocaledge-perservingfunctionPRPAlgorithmrestoreimage基于邻域保边去噪v利用优化算法求出目标函数的最值进而实现了低信噪比图像的复原,抑制脉冲噪声以提高图像的灰度分辨率。
区域尺寸区域尺寸大小:
大小:
GaussianNoiseSmoothlinerfilter1)均值滤波2)低通滤波3)高斯滤波线性滤波v1)thelargerfilterwillpreserveroughfeatureandremovefinefeature.v2)linearfilteringonlysmoothesthenoisebutdoesnotremovenoise.v(a)噪声幅度减小;
v(b)噪声点的个数增加。
灰度图像的形态学noiseremovalv结构元素的选择:
v(a)柱体v(b)球体v(C)高斯体结构元素决定了去噪效果结构元素决定了去噪效果基于局部特征的高斯去噪v图像中同一目标局部邻域像素是光滑连续的,可以由一个定图像中同一目标局部邻域像素是光滑连续的,可以由一个定义在区间内的光滑曲面函表示。
图像邻域内的光滑平面函数义在区间内的光滑曲面函表示。
图像邻域内的光滑平面函数为:
为:
其中其中为光滑函数,设它为一阶可导的二元函数:
为光滑函数,设它为一阶可导的二元函数:
图像邻域v根据邻域像素重构关于这一光滑函数,图像邻域之间存在一定的相关性,光滑邻域区域内的像素在空间域一般满足高斯分布的特性。
故选用在光滑区域内运用高斯函数作为区域重构误差函数的惩罚因子。
对像素(0,0)的邻域内转化为区间在区间内重构的光滑连续函数的误差为:
为了求出重构的光滑连续函数的参数。
只需要求解v运用最小二乘法可以得到:
v运用范德蒙方法得到:
va表示了该平滑区域的像素加权均值(即为该平滑区域内图像加权亮度);
vb表示图像该平滑区域内像素亮度在水平方向的变化率;
vc表示图像该平滑区域内像素亮度在竖直方向的变化率。
平滑和非平滑像素点的判断v图像边缘主要表现为图像像素的不连续性,而图像中同一目标局部邻域像素是光滑连续的,本文根据这一性质判断图像中任意像素点是否位于图像的边缘上。
首先将图像任意像素点的邻域分割成尺寸大小均为和等四个部分。
邻域的邻域的4个部分个部分v根据图像像素局部邻域之间的相关性,分别建立对图像像素的4个邻域的光滑函数:
v分别表示了的邻域分割成和区域内图像加权亮度。
如果,像素点的4个邻域都是位于同一个平滑区内,因此它不位于图像的边缘上。
考虑到图像受到噪声的影响以及光滑平滑函数的参数计算误差,不可能完全相等。
故运用的范围来判断象素点是否位于图像的边缘上。
vv当;
像素点不位于图像的边缘上,否则像素点可能位于图像的边缘上。
高斯噪声去除v利用二值形态学判断图像的边缘点还是噪声点v
(1)利用形态学对噪声点进行去噪处理(难点:
结构元素的构造)v
(2)对噪声点邻域内的非噪声点的加权均值,去除噪声。
图像边缘和纹理在某个邻域内是连续的而噪声点不满足这一性质。
因此本文运用二值图像形态学的开启运算从边缘、纹理和噪声点图像中分别检测出图像中的边缘和纹理位置。
v对非边缘和纹理的噪声点运用自适应邻域内非噪声点的均值进行去噪处理,v对边缘和纹理的噪声点仅仅利用邻域边缘和纹理的像素点进行平滑。
对为位于平滑区域的非噪声点不进行处理。
对为位于平滑区域的噪声点的去噪处理:
v本文算法对位于图像边缘及边缘附近的像素去噪效果不理想,这主要是因为对边缘上的像素不论该像素是否受到噪声污染以及受到噪声污染的强度,均进行统一处理。
同时本文运用形态学检测边缘,其边缘宽度一般大于1个像素,将边缘附近的像素误作为边缘造成了对它的去噪效果不理想。
残余噪声仍然存在,主要是因为:
v1)在判断像素是否属于平滑区,运用,这样会将邻域内含噪声幅度较小的像素误作为非噪声点,并属于平滑区。
v2)对平滑区内噪声点进行处理时,将平滑邻域内的非噪声和噪声幅度较小的像素取均值作为该像素去噪后的像素值。
v3)图像边缘及边缘附近的像素去噪处理。
混合噪声的去除v1)利用椒盐噪声的特征,估计椒盐噪声的浓度。
v2)利用浓度选择自适应中值滤波器的最小最大窗口尺寸。
v3)进行自适应中值滤波。
v4)利用邻域特性判断平滑区的象素点和非平滑区的象素点。
v5)对非平滑区的象素点进行形态滤波高斯噪声参数估计v首先利用邻域特性判断平滑区的象素点和非平滑区的象素点;
在求平滑区的统计特性。
图像质量评价subjectiveassessments:
(1)thedegradedpicturesareshowntoagroupofsubjectsandtheirviewsontheperceivedqualityordistortionsaresought.
(2)subjectswillthengiveascorebetween1and100containingforeachpicture.(A)120:
bad,2140:
poor,4160:
fair,6180:
goodand81100=excellent(B)Picturesarepresentedtotheviewersforabouttenseconds(C)Atleast2025non-expertviewersarerequired(3)theaverageoftheviewersscores,definedasthemeanopinionscoreisameasureofvideoquality.Thismethodareusedinassessmentofstillimages.vthesimplestformofobjectivemeasurementistheratioofthepeak-to-peaksignaltotheroot-mean-squaredprocessingnoise.vthepeaksignalwithaneight-bitresolutionis255,andthenoiseisthesquareofthepixeld