数字视频图像处理week90509Final.ppt

《数字视频图像处理week90509Final.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、内容1.图像噪声的概念和图像去噪的意义2.图像噪声的种类3.图像噪声的模型4.图像去噪算法一图像噪声的概念和图像去噪的意义1什么是图像噪声？在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质。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”。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。一图像噪声的概念和图像去噪的意义2图像去噪的意义是什么？（ImageDenoising)为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能地在保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。作为一种重要的预处理

2、手段，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、图像特征提取等等。降噪处理一直是图像处理和计算机视觉研究的热点。一图像噪声的概念和图像去噪的意义3图像降噪的目的图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息。二图像噪声的种类按照噪声的成因分为常见的四类：加性噪声、乘性噪声、量化噪声、椒盐噪声（1）加性噪声加性嗓声和图像信号强度是不相关的。如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声。

3、这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和，即：二图像噪声的种类2乘性噪声乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化。如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成的图像结果等。这类噪声和图像的关系是：为了分析方便，往往将乘性噪声假定为加性噪声，并假定信号和噪声是相互独立的。二图像噪声的种类3量化噪声量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异。4椒盐噪声此类嗓声如图像切割引起的即黑图像上的白点，白图像上的黑点噪声。在变换域引入的误差，使图像反变换后造成的变换噪声等。三图像噪声的模型1噪声信号是随机过程噪声在理论上可以定义为“不

4、可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。2分类从噪声的概率分情况来看，可分为高斯噪声、瑞利噪声、伽玛噪声、指数噪声和均匀噪声。三图像噪声的模型（1）高斯噪声在空间域和频域中，高斯噪声在数学上的易处理性。这种噪声(也称为正态噪声)模型经常被用在实践中。高斯随机变量Z的PDF由下式给

5、出：三图像噪声的模型（2）脉冲噪声(椒盐噪声）（双极）脉冲噪声的PDF可由下式给出：如果b>a，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。若Pa或Pb为零，则脉冲称为单极脉冲。如果Pa和Pb均不可能为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因，双极脉冲噪声也称为椒盐噪声。三图像噪声的模型椒盐噪声是指两种噪声，一种是盐噪声（saltnoise），另一种是胡椒噪声（peppernoise）。盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。椒盐噪声是由图像传

6、感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。三图像噪声的模型三图像噪声的模型（3）瑞利噪声其均值和方差分别为：三图像噪声的模型（4）伽马噪声其密度的均值和方差为：三图像噪声的模型（5）指数分布噪声其中a>0，概率密度函数的期望值和方差是：三图像噪声的模型（6）均匀噪声其均值和方差分别为：四图像去噪算法1空间域滤波空域滤波是在原图像上直接进行数据运算，对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法(均值滤波）、中值滤波、低通滤波等。2变换域滤波图像变换域去噪方法是对图像进行某种变换，将图

7、像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。四图像去噪算法（3）偏微分方程偏微分方程是近年来兴起的一种图像处理方法，主要针对低层图像处理，并取得了很好的效果。偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好地保持边缘。偏微分方程在低噪声密度的图像处理中取得了较好的效果，但是在处理高噪声密度图像时去噪效果不好，而且处