畢業(yè)論文--數(shù)字圖像的去噪算法研究與實現(xiàn)

1、<p><b>　　畢業(yè)論文</b></p><p>　　題 目 數(shù)字圖像的去噪算法研究與實現(xiàn) </p><p>　　學生姓名 ** </p><p>　　學 號 ** </p><p

2、>　　專業(yè)班級 通信工*班 </p><p>　　指導(dǎo)教師 ** </p><p>　　學 院 計算機與通信學院 </p><p>　　答辯日期 *年6月16日 </p><p>　　數(shù)字圖像的去噪算法研究與實現(xiàn)</p><

3、;p>　　Denoising Algorithm and Implementation for Digital Image</p><p><b>　　*</b></p><p><b>　　*</b></p><p><b>　　*</b></p><p><b&

4、gt;　　摘要</b></p><p>　　數(shù)字圖像的去噪是圖像處理鄰域一個重要的分支。近年來隨著計算機技術(shù)的高速發(fā)展，人們對圖像質(zhì)量的要求越來越高，圖像噪聲的處理已經(jīng)成為了研究的一個熱點。</p><p>　　本論文通過分析與處理有噪的數(shù)字圖像，綜合運用數(shù)字圖像處理的理論知識以及Matlab強大的功能對加噪后的圖像進行空間域、頻域分析和濾波。在濾波器研究與實現(xiàn)的過程中，空間域

5、濾波器采用均值濾波、中值濾波以及維納濾波；頻域濾波器采用巴特沃斯低通濾波。對比原始圖像與濾波后圖像，分析每種噪聲的最適濾波器，得出相應(yīng)的結(jié)論。通過分析與對比仿真結(jié)果得出：均值濾波器是典型的線性濾波器，對高斯噪聲的抑制效果是比較好的；中值濾波器是常用的非線性濾波的方法，對椒鹽噪聲的濾除特別有效；維納濾波器對高斯噪聲有明顯的抑制作用，但對椒鹽噪聲的抑制不是很理想。</p><p>　　關(guān)鍵詞：圖像去噪；空間域；頻域分

6、析</p><p><b>　　Abstract</b></p><p>　　The noise-reduction of digital image is an important branch of Image processing fields. In recent years, people’s demand to image quality is incre

7、asingly high with the rapid development of computer technology, and the image noise processing has become an hot spot in research.</p><p>　　This paper through the analyzing and processing of noised digital i

8、mages, comprehensive using theoretical knowledge of the digital image processing and the Matlab’s powerful function in spatial domain and frequency domain analysis and filtering for the images after adding noise. In the

9、process of filter's researching and implementation, filters in spatial domain usually adopt the mean filtering, median filtering and wiener filtering, but filters in frequency domain usually adopted Butterworth lo<

10、;/p><p>　　Keywords: The noise-reduction of image;Spatial domain;Frequency domain analysis</p><p><b>　　目錄</b></p><p><b>　　第一章 緒論1</b></p><p>　　1.1

11、數(shù)字圖像處理的基本概念1</p><p>　　1.1.1 基本概念1</p><p>　　1.1.2 基本內(nèi)容1</p><p>　　1.2 數(shù)字圖像去噪算法研究背景1</p><p>　　1.3 數(shù)字圖像去噪算法研究的目的及意義2</p><p>　　1.4 本文結(jié)構(gòu)安排3</p><

12、p>　　第二章 數(shù)字圖像去噪算法概述4</p><p>　　2.1 噪聲分類4</p><p>　　2.1.1 按噪聲產(chǎn)生的原因4</p><p>　　2.1.2 按噪聲的頻譜5</p><p>　　2.1.3 按噪聲與信號的關(guān)系5</p><p>　　2.1.4 按概率密度函數(shù)（PDF）分類6<

13、;/p><p>　　2.2 數(shù)字圖像去噪的基本方法6</p><p>　　2.2.1 空間域濾波7</p><p>　　2.2.2 頻域濾波7</p><p>　　2.3 數(shù)字圖像去噪效果的評價7</p><p>　　2.3.1 主觀評價8</p><p>　　2.3.2 客觀評價9&l

14、t;/p><p>　　第三章 數(shù)字圖像的空間域濾波11</p><p>　　3.1 均值濾波器11</p><p>　　3.2 中值濾波器14</p><p>　　3.2.1 中值濾波原理15</p><p>　　3.2.2 中值濾波器基本特性16</p><p>　　3.3 維納濾波1

15、8</p><p>　　第四章 數(shù)字圖像的頻域濾波19</p><p>　　第五章 數(shù)字圖像去噪的Matlab實現(xiàn)及結(jié)果分析21</p><p>　　5.1 數(shù)字圖像去噪的Matlab實現(xiàn)過程21</p><p>　　5.1.1 均值濾波器 21</p><p>　　5.1.2 中值濾波器23<

16、;/p><p>　　5.1.3 維納濾波器25</p><p>　　5.1.4 巴特沃斯低通濾波器28</p><p>　　5.2 結(jié)果分析30</p><p><b>　　結(jié)論34</b></p><p><b>　　參考文獻35</b></p><

17、;p>　　附錄Ⅰ源程序清單37</p><p>　　附錄Ⅱ外文文獻及翻譯41</p><p><b>　　致謝62</b></p><p><b>　　第一章 緒論</b></p><p>　　1.1 數(shù)字圖像處理的基本概念</p><p>　　1.1.1 基本概

18、念</p><p>　　隨著數(shù)字技術(shù)的不斷發(fā)展與這項技術(shù)應(yīng)用范圍的不斷擴展，現(xiàn)實世界中的許多信息都可以用數(shù)字形式的數(shù)據(jù)進行處理和存儲，數(shù)字圖像就是這種以數(shù)字形式進行存儲和處理的信息[1]。這種技術(shù)用一個數(shù)字陣列來表示的圖像，數(shù)字陣列中的每個數(shù)字符號都表示數(shù)字圖像的一個最小單位，即像素。通過對每一個像素點的顏色，或是高度等進行數(shù)字化描述，就可以得到在計算機上處理的數(shù)字圖像。  </p&g

19、t;<p>　　1.1.2 基本內(nèi)容</p><p>　　1. 對圖像進行增強或抑制，以增強有用信息，同時抑制干擾信息（即無用信息或噪聲），將圖像的視覺質(zhì)量改善，以提高圖像的可觀察性。</p><p>　　2. 描述圖像的特征將其特征抽取出來(例如圖像的紋理特征、頻譜特征、邊界特征和顏色特征等)并加以分析（用某個標準衡量像素并對其進行分類和比較），把抽取的特征歸類總結(jié)為一定的

20、模式。 </p><p>　　3. 把圖像的某些部分合并或進行重新組織，稱其為圖像的重建，例如，計算機視覺就是這樣的一種技術(shù)。</p><p>　　4. 圖像編碼是為了簡化圖像的表示方式，壓縮表示圖像所需的數(shù)據(jù)，以便于圖像的存儲和傳輸[2]。圖像編碼主要是對表示圖像的數(shù)據(jù)進行壓縮，由于圖像信息具有較強的相關(guān)性，因此通過改變圖像數(shù)據(jù)的表示方法就可以對圖像的數(shù)據(jù)冗余進行壓縮,進而達到

21、減小描述圖像的數(shù)據(jù)量的目的。</p><p>　　1.2 數(shù)字圖像去噪算法研究背景</p><p>　　現(xiàn)實生活中的圖像都是有噪聲的。噪聲主要分為——高斯噪聲和脈沖噪聲。圖像濾波可以分成空間域、頻域和小波域濾波。</p><p>　　對圖像進行去噪最初主要是在空域內(nèi)進行的，圖像空域去噪方法很多，主要是通過各種濾波器對圖像進行去噪。例如均值濾波器、順序統(tǒng)計濾波器、維納

22、濾波器等。為了進一步提高去噪的效果，在變換域中進行降噪處理相比于其他方法是更有效的。圖像的變換域去噪就是對圖像進行某種變換，即將圖像從空間域變換到變換域中，再對變換域中圖像的變換系數(shù)按照某一種方法進行處理，最后按照某種方法對處理后的系數(shù)進行反變換，這樣就實現(xiàn)了變換域圖像噪聲的去除目的[3]。圖像從空間域變換到變換域的方法很多，例如傅立葉變換、小波變換等等。在變換域中不同的變換方法得到的系數(shù)都具有著不同的特點，根據(jù)不同系數(shù)的特點合理的處理

23、變換系數(shù)再通過反變換將圖像還原到空間域，這樣就可以達到有效去除噪聲的目的。 </p><p>　　本文主要研究空間域去噪中的均值濾波、中值濾波以及維納濾波算法，頻域去噪時先做傅里葉變換再對其進行巴特沃斯低通濾波處理。</p><p>　　1.3 數(shù)字圖像去噪算法研究的目的及意義</p><p>　　數(shù)字圖像處理中輸入的圖像質(zhì)量是較低的，輸出的圖像是質(zhì)量改善后的

24、。常用的圖像處理方法都有圖像增強、復(fù)原、編碼、壓縮等。光學相干層析成像是近些年來發(fā)展較快的一種層析成像技術(shù)[4]。因為其對生物組織無輻射損傷、具有微米級的分辨率、高探測靈敏度和越來越快的掃描速率等優(yōu)點，在醫(yī)學診斷病變組織方面，尤其是對生物組織活體檢測具有誘人的應(yīng)用前景。由于干擾噪聲的存在，這些生理信號有可能出現(xiàn)失真，甚至面目全非。這給采集有用的圖像信息帶來了很大的難度。所以就必須對那些含噪的圖像進行某種處理，改善圖像的質(zhì)量。力求在最大程

25、度上顯現(xiàn)出信號的本身特點。 </p><p>　　研究表明，對圖像進行去噪處理的意義主要表現(xiàn)在以下兩個方面： </p><p>　　1. 由于成像機理的不同，成像后得到的初始圖像中都含有很多不同性質(zhì)的噪聲，這些噪聲存在于圖像中影響了人們對圖像的觀察，干擾了人們對圖像信息的理解，使得失去了存儲圖像信息的本質(zhì)意義[5]。所以，對圖像進行去噪處理在正確識別圖像信息方面是非常重

26、要的。 </p><p>　　2. 對圖像進行去噪處理一方面提高人們視覺識別信息的準確性，另一方面為對圖像進一步處理提供可靠的保證，所以對圖像進行去噪處理是很有必要的[6]。 </p><p>　　雖然傳統(tǒng)圖像去噪方法呈百花齊放之態(tài)，但是這些方法大部分并不是完美的，在去噪的同時丟失了圖像的細節(jié)信息。因此，對去噪方法進行進一步的研究或者對已有的算法進行完善的意義依然很重要

27、。不同的算法都有著其不同的數(shù)學理論基礎(chǔ)，去噪后的表現(xiàn)效果也不同。探求它們的內(nèi)部機理，尋求相應(yīng)的關(guān)系，研究不同算法之間的不同以確定如何取長補短，以達到更好的去噪效果，意義更加重大[7]。再者研究圖像去噪對數(shù)字圖像其他處理環(huán)節(jié)性能的提升也有著促進作用。</p><p>　　1.4 本文結(jié)構(gòu)安排</p><p>　　第一章為緒論，首先簡單介紹了數(shù)字圖像處理的基本概念、內(nèi)容，然后介紹了數(shù)字圖像去噪

28、的研究背景、研究目的與意義。</p><p>　　第二章為數(shù)字圖像去噪概述，先簡單介紹了噪聲的分類與數(shù)字圖像去噪的基本方法，然后提出去噪的效果評價。</p><p>　　第三章主要列舉了空域濾波法，介紹了中值濾波、均值濾波與維納濾波的原理以及計算過程。</p><p>　　第四章介紹了數(shù)字圖像的頻域濾波法，以巴特沃斯濾波器為例簡單描述了頻域濾波。</p>

29、<p>　　第五章為數(shù)字圖像去噪的Matlab實現(xiàn)以及結(jié)果分析，對四種濾波器進行Matlab編程并仿真繪出結(jié)果圖，分析比較各濾波器的性能。</p><p>　　論文最后是結(jié)論，提出了本論文研究所得出的結(jié)論，得出兩種噪聲的最適濾波器。</p><p>　　第二章 數(shù)字圖像去噪算法概述</p><p>　　一般情況下，采集到的數(shù)字圖像是含有噪聲的。對噪聲的

30、理解可以是：妨礙人們的感覺器官對所接收的信源信息的理解的因素。圖像在生成和傳輸過程中會受到各種噪聲的干擾，對圖像信息的處理、傳輸和存儲造成極大的負面影響[8]。數(shù)字圖像之所以含有噪聲，這是因為在圖像的采集、獲取、編碼和傳輸過程中，所有的圖像都會在不同程度上被可見或不可見的噪聲“污染”。對于這種“污染”，如果信噪比(SNR)低于一定的水平，“污染”就會影響圖像場景中內(nèi)容的表示，直接導(dǎo)致圖像質(zhì)量的下降。除了視覺質(zhì)量的下降外，噪聲還有可能掩蓋

31、掉一些重要的圖像細節(jié)內(nèi)容，使圖像的熵增大，從而妨礙圖像數(shù)據(jù)的有效壓縮。對于圖像在采集、獲取過程中出現(xiàn)的“污染”，雖然在提高硬件設(shè)備的性能中可以獲取質(zhì)量更高的圖像，但圖像傳感器的截止頻率總是會受硬件水平和價格的限制，且在編碼和傳輸過程中造成的圖像“污染”，必需要采取有效的降噪技術(shù)，才能提高圖像的質(zhì)量[9]。</p><p><b>　　2.1 噪聲分類</b></p><p

32、>　　圖像噪聲是圖像在攝取或傳輸時所受的隨機信號干擾，是圖像中各種妨礙人們對其信息接受的因素[10]。很多時候人們將圖像噪聲看成是一個多維的隨機過程，因而完全可以借用對隨機過程描述的方法來描述噪聲，即用噪聲的概率分布函數(shù)和概率密度分布函數(shù)來描述噪聲。現(xiàn)實中有多種多樣的圖像噪聲，它們的性質(zhì)也各不相同，所以了解噪聲的分類是很有必要的。在下文中對噪聲的不同分類方法進行列舉。</p><p>　　2.1.1 按噪聲

33、產(chǎn)生的原因</p><p>　　按噪聲產(chǎn)生的原因分類，主要有以下幾種。</p><p>　　1. 外部噪聲，即指由系統(tǒng)外部干擾形成以電磁波形式或經(jīng)電源串進系統(tǒng)內(nèi)部的噪聲。如電氣設(shè)備，天體放電現(xiàn)象等引起的噪聲。</p><p>　　2. 內(nèi)部噪聲，一般有四個源頭：</p><p>　?。?）由光和電的基本性質(zhì)所引起的噪聲。如電流的產(chǎn)生是電子或空

34、穴粒子的集合定向運動形成。主要有：因這些粒子運動的隨機性而形成的散粒噪聲；導(dǎo)體中自由電子的無規(guī)則熱運動所形成的熱噪聲；根據(jù)光的粒子性，圖像是由光量子所傳輸，而光量子密度隨時間和空間變化所形成的光量子噪聲等[11]。</p><p>　　（2）電器機械運動產(chǎn)生的噪聲。如各種接頭的抖動引起電流變化所產(chǎn)生的噪聲；磁頭、磁帶等抖動或它們一起的抖動等。</p><p>　?。?）器械本身引起的噪聲。

35、如正片和負片的表面顆粒性和磁帶磁盤表面缺陷所產(chǎn)生的噪聲。隨著材料科學的發(fā)展，這些噪聲有望不斷減少，但在目前來講，還是不可避免。</p><p>　?。?）系統(tǒng)內(nèi)部設(shè)備電路所引起的噪聲。如電源引入的交流噪聲；偏轉(zhuǎn)系統(tǒng)和箝位電路所引起的噪聲等。</p><p>　　這種分類方法有助于理解噪聲產(chǎn)生的源頭，有助于對噪聲位置定位，對于降噪算法只能起到原理上的幫助。</p><p&

36、gt;　　2.1.2 按噪聲的頻譜</p><p>　　按噪聲的頻譜對噪聲進行分類，主要有以下三種[1]。</p><p>　　1. 頻譜分類均勻分布的噪聲稱為白噪聲；</p><p>　　2. 頻譜與頻率成反比的稱為 噪聲；</p><p>　　3. 頻譜與頻率平方成正比的稱為三角噪聲。</p><p>　　2.1.

37、3 按噪聲與信號的關(guān)系</p><p>　　按噪聲與信號的關(guān)系分類，主要有以下幾種[12]。</p><p>　　1. 加性噪聲：加性嗓聲的強度與圖像信號的強度是不相關(guān)的，如運算放大器，又如圖像在傳輸過程中引進的“信道噪聲”電視攝像機掃描圖像的噪聲的，這類帶有噪聲的圖像g可看成為理想的無噪聲圖像f與噪聲n之和，公式如2-1所示：</p><p><b>　

38、　(2-1)</b></p><p>　　2. 乘性噪聲：乘性嗓聲強度與圖像信號強度是相關(guān)的，往往隨圖像信號的變化而變化，如飛點掃描圖像中的嗓聲、電視掃描光柵、膠片顆粒造成等，由于載送每一個象素信息的載體的變化而產(chǎn)生的噪聲受信息本身調(diào)制。在某些情況下，如信號變化很小，噪聲也不大。這類帶有噪聲的圖像g可看成為理想無噪聲圖像f與噪聲n之積，如2-2：</p><p><b&g

39、t;　　(2-2)</b></p><p>　　為了分析與處理的方便，常常將乘性噪聲近似認為是加性噪聲，而且總是假定信號和噪聲是互相統(tǒng)計獨立的。</p><p>　　2.1.4 按概率密度函數(shù)（PDF）分類</p><p><b>　　1. 高斯噪聲</b></p><p>　　在空間域和頻域中，由于高斯噪聲

40、(也稱為正態(tài)噪聲)在數(shù)學上的易處理性，這種噪聲模型經(jīng)常被用于實踐中。</p><p>　　高斯噪聲的PDF如2-3所示：</p><p><b>　?。?-3）</b></p><p><b>　　2. 瑞利噪聲</b></p><p>　　瑞利噪聲的PDF如2-4所示：</p>&l

41、t;p><b>　?。?-4）</b></p><p><b>　　3. 指數(shù)分布噪聲</b></p><p>　　指數(shù)分布噪聲的PDF如2-5所示：</p><p><b>　　（2-5）</b></p><p><b>　　4. 均勻分布噪聲</b&g

42、t;</p><p>　　均勻分布噪聲的PDF如2-6所示：</p><p><b>　?。?-6）</b></p><p>　　5. 脈沖噪聲(椒鹽噪聲)</p><p>　　脈沖噪聲也稱為椒鹽噪聲，有時也稱為散粒和尖峰噪聲。</p><p>　　（雙極）脈沖噪聲的PDF如2-7所示：</

43、p><p>　　（2-7） </p><p>　　這種分類方法由于引入數(shù)學模型，就有助于運用數(shù)學手段去除噪聲。</p><p>　　2.2 數(shù)字圖像去噪的基本方法</p><p>　　圖像去噪可以在空間域內(nèi)進行，也可以在變換域內(nèi)進行。不管在哪種域內(nèi)進行去噪，它們都是基于噪聲和信

44、號在頻域上的不同分布規(guī)則為依據(jù)的，一般情況下，有用信號是主要分布在低頻區(qū)域的，而噪聲則是多分布在高頻區(qū)域的，然而由于圖像的細節(jié)也是分布在高頻區(qū)域的，因此如何在減少圖像噪聲的同時保留圖像的細節(jié)問題便成為圖像去噪技術(shù)的研究目標[12]。</p><p>　　2.2.1 空間域濾波</p><p>　　對圖像進行去噪最初主要是在空域內(nèi)進行的，本文主要研究空間域濾波中的中值濾波、均值濾波以及維納濾

45、波。</p><p>　　2.2.2 頻域濾波</p><p>　　為了進一步提高去噪的效果，在變換域中進行降噪處理成為有效的方法，圖像變換域去噪就是對圖像進行某一種變換，然后將圖像從時域變換到變換域中，再對變換域中的圖像變換系數(shù)按照某種方法進行處理，最后再對處理后的系數(shù)按照某種方法進行反變換，這樣就實現(xiàn)了將圖像去除圖像噪聲的目的。將圖像從時域轉(zhuǎn)換到變換域的變換方法很多，例如傅立葉變換、小

46、波變換等等。不同的變換方法在變換域得到的系數(shù)都是有不同特點的，根據(jù)系數(shù)的特點合理的處理變換系數(shù)再通過反變換將圖像還原到時域，往往就可以有效地達到去除噪聲的目的[13]。在這里我使用傅里葉變化將圖像從空間域變換到頻域再用巴特沃斯低通濾波器對其進行降噪處理。 </p><p>　　在第三章與第四章中本人將對幾種空間域濾波以及頻域濾波做詳細的介紹以及研究。</p>&

47、lt;p>　　2.3 數(shù)字圖像去噪效果的評價</p><p>　　在圖像去噪的處理中，常常需要評價去噪后圖像的質(zhì)量。這是因為一個圖像經(jīng)過去噪處理后所還原圖像的質(zhì)量好壞，對于人們判斷去噪方法的優(yōu)劣有很重要的意義[14]。目前對圖像的去噪質(zhì)量評價主要有兩類常用的方法：一類是人的主觀評價，它由人眼直接觀察圖像效果，這種方法受人為主觀因素的影響比較大。目前由于對人的視覺系統(tǒng)性質(zhì)還沒有充分的理解，對人的心理因素還沒有

48、找到定量分析方法。因此主觀評價標準還只是一個定性的描述方法，不能作定量描述，但它能反映人眼的視覺特性。另一類是圖像質(zhì)量的客觀評價。它是一種數(shù)學上統(tǒng)計的處理方法，其缺點是它并不是總能反映人眼的真實感覺。一種折衷的方法是在衡量圖像“去噪”算法的優(yōu)劣時，將主觀與客觀兩種標準結(jié)合起來考慮。</p><p>　　2.3.1 主觀評價</p><p>　　圖像質(zhì)量的主觀評價是利用人眼直接觀察圖像，按照

49、某種規(guī)定標準或圖像樣品，由人的主觀感覺和統(tǒng)計結(jié)果對圖像的優(yōu)劣作出評定。主觀評價通常有兩種：一種是作為觀察者的主觀評價，這是由選定的一組人對圖像直接用肉眼進行觀察，然后分別給出其對所觀察的圖像的質(zhì)量好或壞的評價，再綜合全組人的意見給出一個綜合結(jié)論。它只是一種定性的方法，沒有定量的標準，而且受到觀察者的主觀因素的影響，評價結(jié)果有一定的不確定性。另一種是隨著模糊數(shù)學的發(fā)展，可以用模糊綜合評判方法來盡量減少主觀因素的影響，實現(xiàn)對圖像質(zhì)量近似定量

50、的評價，不過它仍然沒有完全消除主觀不確定性的影響，其定量計算公式中的參數(shù)往往要依賴專家經(jīng)驗確定[15]。</p><p>　　在進行主觀評價時，有一點需要強調(diào)，即每種濾波方法事實上都不可能把噪聲圖像完全恢復(fù)到原始無噪聲圖像那么完美無缺，因為噪聲污染都會產(chǎn)生某種信息的丟失，而這些是很難通過濾波器來再生的。因此評價不可以過分要求結(jié)果圖像與原始圖像的一致性。</p><p>　　掌握主觀評價的標

51、準主要可以通過以下幾個方面來評價：</p><p>　　1. 觀察噪聲平滑的效果。主要可通過觀察圖像的背景或前景中灰度平坦區(qū)、緩變區(qū)等地方來獲得評價印象；</p><p>　　2. 觀察圖像結(jié)構(gòu)成分的保護效果。每一種噪聲濾波方法在平滑圖像噪聲的同時，都會對圖像的結(jié)構(gòu)成分。例如邊緣、細節(jié)等，產(chǎn)生不同程度的損壞。評價濾波的好壞必須綜合考慮噪聲平滑與結(jié)構(gòu)保護兩方面的效果。事實上，結(jié)構(gòu)保護也是目前

52、圖像噪聲濾波中比較困難的一件事；</p><p>　　3. 觀察結(jié)構(gòu)保護的效果也可通過對比結(jié)果圖像與原始圖像或噪聲圖像中的邊緣、細節(jié)等地方來進行[16]。</p><p>　　國際上通行的有5級評分的質(zhì)量尺度和妨礙尺度，如表2-1所示。</p><p>　　表2-1 圖像主觀評價評分表</p><p>　　2.3.2 客觀評價 </p&

53、gt;<p>　　盡管主觀對去噪后圖像質(zhì)量的評價是比較權(quán)威的方式，但是在一些研究場合，或者由于試驗條件的限制，也希望對去噪圖像質(zhì)量有一個定量的客觀描述[11]。圖像質(zhì)量的客觀評價由于著眼點不同而有多種方法，這里介紹的是一種經(jīng)常使用的所謂的逼真度測量。對于彩色圖像逼真度的定量表示是一個十分復(fù)雜的問題。目前應(yīng)用得較多的是對黑白圖像逼真度的定量表示。合理的測量方法應(yīng)和主觀實驗結(jié)果一致，而且要求簡單易行。目前主要有兩大類客觀評價方

54、法：一類是基于數(shù)學定義的客觀評價方法，如常用的、、等；另一類評價方法是考慮了人類視覺系統(tǒng)特性的（Human Visual System）評價方法?；跀?shù)學定義的方法是傳統(tǒng)的圖像質(zhì)量客觀評價方法，主要采取誤差評測法，即通過計算濾波后的結(jié)果圖與原始無噪圖像的誤差來進行近似衡量濾波的效果[24]。下面介紹幾種比較常見的圖像質(zhì)量客觀評價方法：</p><p>　　1. 均方誤差如式2-8所示：</p>&l

55、t;p>　?。?-8） </p><p>　　2. 信噪比如式2-9所示：</p><p><b>　　（2-9）</b></p><p>　　其中表示重建恢復(fù)后圖像像素的灰度值，表示原始圖像各點的灰度值；表示重建恢復(fù)后圖像灰度值的方差。</p><p>　　3. 峰值信噪比如式2-10所示：

56、</p><p><b>　?。?-10）</b></p><p>　　式中表示處理后的圖像的灰度，表示原始圖像的灰度，表示圖像像素的個數(shù)。單位為dB。在實際應(yīng)用中，峰值信噪比是圖像處理中最常用的圖像質(zhì)量評價的客觀標準。</p><p>　　基于人類視覺系統(tǒng)特性的評價方法是近年來發(fā)展起來的一類方法[17]。圖像最終是供人看的，因此合理評價圖像質(zhì)

57、量的方法應(yīng)充分遵循人眼的視覺特性，這種方法正是基于這點進行研究的。但是由于非常復(fù)雜，至今人們還未完全理解其所有特性，也沒有得出關(guān)于的較為清晰的解析式，目前較為成熟的理論框架如下圖所示。</p><p>　　輸入圖像 輸出圖像</p><p>　　圖2.1 人眼視覺模型</p><p

58、>　　這種模型模擬了視覺感知的三大特性：幅度非線性衰減、視覺敏感度帶通、視覺檢測，它們是與圖像質(zhì)量相關(guān)的主要特性。目前基于的圖像質(zhì)量評價方法主要可以分為兩類：基于視覺感知的測量方法和基于視覺興趣的測量方法?；谝曈X感知的測量方法是近年來研究較多的測量方法[18]。</p><p>　　以上兩種客觀評價方法各有其優(yōu)缺點?；跀?shù)學定義的評價方法由于沒有考慮人眼的視覺特性，因而在有些情況下其評測結(jié)果與人眼的評測結(jié)

59、果不一致，如當峰值信噪比超過30dB時，人眼很難感知出原始圖像與重構(gòu)圖像的差異?；诘脑u價方法考慮了人眼的視覺特性，應(yīng)該說是今后圖像質(zhì)量評價的發(fā)展趨勢，但由于人眼視覺特性的復(fù)雜性，至今人們還未完全理解其所有特性，還未形成國際公認的標準，而且目前出現(xiàn)的一些基于的評價方法大都實現(xiàn)起來較為復(fù)雜，與傳統(tǒng)的評價方法相比較也無法看出明顯的優(yōu)越性[19]。而傳統(tǒng)的基于數(shù)學定義的評價方法一方面計算極為簡單，另一方面不依賴于觀測條件，所以在目前的圖像質(zhì)量

60、評價方法中仍占有統(tǒng)治地位。</p><p>　　由以上分析可知，圖像質(zhì)量的主客觀評價方法各有利弊。對于客觀方法而言，目前并沒有很嚴格、恰當?shù)脑u價參數(shù)，其評價原理有待進一步完善；而主觀方法則受觀察人和觀察條件的影響比較大，因此目前對噪聲濾波效果的評價一般采用主客觀相結(jié)合的評價法方法。</p><p>　　第三章 數(shù)字圖像的空間域濾波</p><p>　　空間域濾波是把

61、圖像信號和濾波函數(shù)進行卷積來完成的，這個過程很多情況下可利用模板進行處理，不同的濾波函數(shù)得到不同的模板，比如均值濾波、中值濾波等?？臻g域內(nèi)的濾波器實質(zhì)上都是一種基于像素點鄰域內(nèi)的操作，通過創(chuàng)建—個以待處理像素為中心的模板，然后在整幅圖像上平移該模板，來完成對整個圖像的濾波操作。空間域濾波按其特點一般可分為線性和非線性兩類處理方法，按功能分為平滑和銳化濾波器。平滑濾波器可用低通濾波實現(xiàn)，其目的是消除噪聲，但會帶來模糊[20]。銳化濾波器可

62、用高通濾波實現(xiàn)，其目的是為了增強被模糊的細節(jié)邊緣。不管何種濾波器，其基本方法就是對圖像模板下面的像素與模板系數(shù)的的乘積求和，即模板卷積，主要步驟如下： </p><p>　　1. 將模板在圖像中移動，并將模板中心與圖像中某個像素點重合； </p><p>　　2. 將模板上的系數(shù)與模板下對應(yīng)像素點相乘； </p><p>　　3. 將所

63、有乘積相加； </p><p>　　4. 將模板的輸出相應(yīng)賦值給對應(yīng)模板中心位置的像素點[21]。</p><p>　　本論文主要介紹了空間濾波器中的均值濾波器、中值濾波器以及維納濾波器。</p><p><b>　　3.1 均值濾波器</b></p><p>　　均值濾波算法是典型的線性濾波算法，它是指在圖像

64、上對目標像素給一個模板，該模板包括了其周圍的鄰近像素。再用模板中的全體像素的平均值來代替原來的像素值。</p><p>　　均值濾波的思想是：對于給定一幅的圖像，圖像中的每個像素點為，去噪后的圖像為。去噪后圖像中的每個像素的灰度級由包含鄰域的幾個像素的灰度級的平均值所決定。也就是說，用某一像素鄰域內(nèi)各像素的灰度平均值來代替該像素原來的灰度值[1]。即用下式得到處理后的圖像，如式子3-1：</p>&

65、lt;p><b>　　（3-1）</b></p><p>　　式中 是以點為中心的鄰域的集合，是內(nèi)坐標的總數(shù)。</p><p>　　圖像鄰域平均法的處理效果與所用的鄰域半徑有關(guān)，即模板尺寸。半徑越大，圖像的模糊程度也越嚴重。此外，圖像鄰域平均法算法簡單，計算速度快，但它的主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊，特別在圖像的邊緣和細節(jié)處，鄰域區(qū)越大，模糊越厲害[

66、22]。</p><p>　　現(xiàn)以模板與模板為例來詳細闡述均值濾波器的原理（如下式）。本論文所用的模板是模板中所有系數(shù)都取相同值的模板，如式3-2：</p><p><b>　　（3-2）</b></p><p>　　中間被標記的點表示以該像素為中心像素，即該像素是要進行處理的像素。模板運算的數(shù)學含義是卷積（或互相關(guān)）運算。 <

67、/p><p>　　圖3.1說明了卷積的處理過程。</p><p>　　加權(quán)和計算 </p><p><b>　　H1P1+ </b></p><p>　　H2P2+ </p><p>　　H3P3+ </p>

68、<p>　　H4P4+ </p><p>　　H5P5+ </p><p>　　H6P6+ </p><p>　　* H7P7+ </p&g

69、t;<p><b>　　H8P8+</b></p><p><b>　　H9P9+</b></p><p><b>　　P5的新值</b></p><p>　　圖3.1 卷積處理過程</p><p>　　卷積處理就是做加權(quán)求和的過程。鄰域中的每個像素分別和卷積核中

70、的每一個元素相乘，乘積求和所得的結(jié)果即為中心像素的新值。卷積核中的元素稱作加權(quán)系數(shù)（亦稱為卷積系數(shù)），卷積核中的系數(shù)大小及排列順序，決定了對圖像進行區(qū)處理的類型。改變卷積核中的加權(quán)系數(shù)，會影響到總和的數(shù)值與符號，從而影響到所求像素的新值[21]。</p><p>　　在模板或卷積的加權(quán)運算中，還存在一些具體問題需要解決：首先是圖像邊界問題，當在圖像上移動模板（卷積核）至圖像邊界時，在原圖像中找不到與卷積核中的加權(quán)

71、系數(shù)相對應(yīng)的9個像素，即卷積核懸掛在圖像緩沖區(qū)的邊界上，這種現(xiàn)象在圖像的上下左右四個邊界上均會出現(xiàn)。例如，如式3-3，當模板為：</p><p><b>　?。?-3）</b></p><p>　　設(shè)原圖像如式3-4：</p><p><b>　?。?-4）</b></p><p>　　經(jīng)過模板操作

72、后的圖像如式3-5：</p><p><b>　?。?-5）</b></p><p>　　“-”表示無法進行模板操作的像素點。 解決這個問題可以采用兩種簡單的方法：一種方法是忽略圖像邊界的數(shù)據(jù)，另一種方法是在圖像四周復(fù)制原圖像邊界像素值，從而使卷積核懸掛在圖像四周時可以進行正常的計算。實際應(yīng)用中，多采用第一種方法。</p><p>　

73、　模板對當前像素及其相鄰的像素點都一視同仁，統(tǒng)一進行平均處理，這樣就可以濾去圖像中的噪聲[23]。模板操作實現(xiàn)了一種鄰域運算。例如，用3×3模板對一幅數(shù)字圖像處理結(jié)果（圖中計算結(jié)果對邊界像素不進行處理）。以一個例子來說明下均值濾波算法:</p><p>　　設(shè)檢測圖像數(shù)據(jù)（包含噪聲干擾）如式3-6：</p><p><b>　　（3-6）</b></p

74、><p>　　用3×3的模板對其進行均值濾波(因為圖像畫面邊框上的像素無法被模板覆蓋，因此一般不做處理)。對于圖像中的每一個非邊框區(qū)域中的像素以其為中心取3×3的鄰域，計算9個像素的灰度值均值，并用此值替代中心像素的灰度值。例如原圖中的f(2,2)的值為10，該點的灰度值比其他周圍像素的灰度值大，在初步判斷其為噪聲點后，該點的模板如式3-7：</p><p><b&g

75、t;　?。?-7）</b></p><p>　　則其濾波后的結(jié)果如式3-8：</p><p><b>　　（3-8）</b></p><p>　　由計算結(jié)果得出，此處理可濾除噪聲，即將像素值大于周圍像素的噪聲進行抑制。同理對于像素f(4,4),其模板中的像素如式3-9：</p><p><b>　　

76、（3-9）</b></p><p>　　則其濾波后的結(jié)果如式3-10：</p><p><b>　　（3-10）</b></p><p>　　即將像素值小于周圍像素的噪聲進行了仰制。用這種方法依次對各點（除邊界外）進行處理，則最終對原圖進行處理后的結(jié)果圖像如式3-11：</p><p><b>　　

77、（3-11）</b></p><p>　　由此可見均值濾波對噪聲有很好的抑制作用，而且算法簡單，但對圖像的邊緣和細節(jié)處的處理方面卻不令人滿意，雖然噪聲抑制效果好，但同時畫面的模糊也更加嚴重。</p><p>　　3.2 中值濾波器 </p><p>　　中值濾波是一種非線性濾波，由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以比較方便。中值濾波首先

78、是被應(yīng)用在一維信號處理技術(shù)中，后來被二維圖像信號處理技術(shù)所引用。在一定的條件下，可以克服線性濾波器所帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效。但是對一些細節(jié)多，特別是點、線、尖頂細節(jié)多的圖像不宜采用中值濾波的方法[24]。</p><p>　　3.2.1 中值濾波原理</p><p>　　中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代

79、替。它用一個奇數(shù)點的移動窗口，將窗口中心點的值用窗口內(nèi)個點的中值代替。假設(shè)窗口內(nèi)有五點，其值為80、90、200、110、120，那么此窗口內(nèi)各點的中值即為110。 </p><p>　　設(shè)有一個一維序列，取窗口長度（點數(shù)）為m（m為奇數(shù)），對其進行中值濾波，就是從輸入序列中相繼抽出m個數(shù)（其中為窗口的中心點值，），再將這m個點按其數(shù)值大小排序，取其序號為中心點的那個數(shù)作為濾波輸出[2]。</p&

80、gt;<p>　　用數(shù)學公式表示如式3-12：</p><p>　　， （3-12）</p><p>　　例如，有一序列{0，0，3，4，7}，則Med{0，0，3，4，7}=3。此列若用平滑濾波，窗口也是取5，那么平滑濾波輸出為(0+3+4+0+7)/5=2.8。 </p><p>　　二維中值濾波公式如3-1

81、3所示：</p><p><b>　?。?-13）</b></p><p>　　式子中，S為窗口，i，j為二維數(shù)字序列。</p><p>　　中值濾波采用的模板通常有模板、模板與模板。本文以模板為例對一組加噪數(shù)據(jù)進行中值濾波，過程如下：</p><p>　　設(shè)檢測圖像數(shù)據(jù)（包含噪聲干擾）如式3-14：</p>

82、<p><b>　?。?-14）</b></p><p>　　用3×3的模板對其進行中值濾波。對于圖像中的每一個非邊框區(qū)域中的像素以其為中心取3×3的鄰域，計算9個像素的灰度值中值，并用此值替代中心像素的灰度值。 例如原圖中的f(2,2)的值為10，該點的灰度值比其他周圍像素的灰度值大，在初步判斷其為噪聲點后，如式3-15，該點的模板為：</

83、p><p><b>　?。?-15）</b></p><p>　　則其濾波后的結(jié)果為：，即對像素值大于周圍像素的噪聲進行抑制。同理對于像素f(4,4),其模板中的像素如式3-16所示：</p><p><b>　?。?-16）</b></p><p>　　則其濾波后的結(jié)果如式3-17所示：</p&

84、gt;<p><b>　?。?-17）</b></p><p>　　即將像素值小于周圍像素的噪聲進行了仰制。用這種方法依次對各點（除邊界外）進行處理，則最終對原圖進行處理后的結(jié)果數(shù)據(jù)如式3-18：</p><p><b>　?。?-18）</b></p><p>　　在實際使用窗口時，窗口的尺寸一般先用再取逐

85、漸增大，直到其濾波效果滿意為止。對于有緩變的較長輪廓線物體的圖像，采用方形或圓形窗口為宜，對于包含尖頂角物體的圖像，適宜用十字形窗口。使用二維中值濾波最值得注意的是保持圖像中有效的細線狀物體。</p><p>　　3.2.2 中值濾波器基本特性</p><p>　　1. 對某些輸入信號中值濾波的不變性 </p><p>　　對某些特定的輸入信號，如在窗口內(nèi)

86、單調(diào)增加或減少的序列，中值濾波輸出信號仍保持輸入信號不變，即：或 ，則。</p><p>　　對于一些周期性的數(shù)據(jù)序列，中值濾波對此序列保持不變性。例如，下列一維周期性的數(shù)序列若設(shè)窗口長度為9，則中值濾波對此序列保持不變性[25]。對于二維周期序列不變性，如周期網(wǎng)狀結(jié)構(gòu)圖案，分析起來就更復(fù)雜了，可以通過試驗改變窗口形狀和尺寸來獲取。 </p><p>　　2. 中值濾波

87、去噪聲性能 </p><p>　　對于零均值正態(tài)分布的噪聲輸入，如式3-19，中值濾波輸出的噪聲方差近似為:</p><p><b>　?。?-19）</b></p><p>　　式中：為輸入噪聲功率（方差），為中值濾波窗口長度（點數(shù)）為輸入噪聲均值，為輸入噪聲密度函數(shù)。</p><p>　　而均值濾波的輸出噪

88、聲方差如式3-20 :</p><p><b>　?。?-20）</b></p><p>　　比較兩公式，可以看出，中值濾波的輸出與輸入噪聲的密度分布有關(guān)。對隨機噪聲的抑制能力，中值濾波比均值濾波要差一些。但對脈沖干擾，特別是脈沖寬度小于1/m相距較遠的窄脈沖干擾，中值濾波的效果較好。 </p><p>　　3. 中值濾波的

89、頻譜特性 </p><p>　　設(shè)為輸入信號頻譜，為輸出信號頻譜，定義中值濾波的頻率響應(yīng)特性如式3-21:  </p><p><b>　?。?-21）</b></p><p>　　中值濾波頻譜特性起伏不大，其均值比較平坦。可以認為信號經(jīng)中值濾波后，頻譜基本不變。這一特點對設(shè)計和使用中值濾波器很有意義。</p

90、><p>　　中值濾波有以下優(yōu)點：</p><p>　　1. 降噪效果比較明顯；</p><p>　　2. 在灰度值變化比較小的情況下，可以得到很好的平滑效果；</p><p>　　3. 降低了圖像邊界的模糊程度，但有時會失掉圖像中的細節(jié)和小塊的目標區(qū)域[2]。在有些情況下，中值濾波在降低了噪聲的同時也抑制了信號。也就是說，中值濾波在去除脈沖噪聲

91、的同時較好地保持了圖像的邊緣細節(jié)信息，解決了多數(shù)線性濾波在去噪的同時模糊圖像這一缺點，復(fù)原效果較好。但是對于大面積的噪聲污染，例如高斯分布的白噪聲，在均方誤差準則下，中值濾波的能力卻不及均值濾波。這是因為濾波窗口(即鄰域)中如果多數(shù)圖像點被噪聲污染，中值濾波的輸出仍然是某個被噪聲污染了的像素，而均值濾波卻對噪聲進行了求均值運算，在某種程度上對噪聲進行了平滑。</p><p><b>　　3.3 維納濾波

92、</b></p><p>　　維納濾波是線性濾波理論的重要成果，它的可選擇性較普通的線性濾波器相比要好些，當然這也是以算法的大計算量、高復(fù)雜度為代價換取的[26]。 </p><p>　　維納濾波器的基本依據(jù)就是最小均方差準則。其中，均方誤差就是期望輸出（去噪后圖像）與實際輸出（原始無噪圖像）之間的差值的均方。均方誤差值的大小關(guān)系著噪聲處理效果的好壞，因此使均方誤差最

93、小就是維納濾波的最終目標。</p><p>　　Wiener函數(shù)采用的算法是首先估計像素的局部均值和方差，如式3-22所示：</p><p><b>　?。?-22）</b></p><p>　　式中,是圖像中每個像素的領(lǐng)域。 </p><p>　　然后，對每個像素利用wiener濾波器估計其灰度值，如式3-2

94、3所示:</p><p><b>　?。?-23）</b></p><p>　　式中,是圖像噪聲的方差。 </p><p>　　輸入過程（有用信號和噪聲）的廣義平穩(wěn)性及其統(tǒng)計特性的已知性是實現(xiàn)維納濾波的兩個前提性假設(shè)[11]。維納濾波的顯著優(yōu)點是適應(yīng)面很寬，無論是連續(xù)或離散，是標量抑或向量的平穩(wěn)隨機過程，該技術(shù)都可應(yīng)用。其次，維納濾波

95、有利于保留圖像的邊緣等高頻區(qū)域，尤其對被白噪聲污染的圖像處理效果最好?？上?，很多不確定的因素導(dǎo)致輸入過程的“非”廣義平穩(wěn)和其統(tǒng)計特性的“未知”等，維納濾波的實際應(yīng)用并不多，所以本文對維納濾波的詳細計算過程不再闡述。  </p><p>　　實現(xiàn)維納濾波的要求是：  </p><p>　　1. 輸入過程是廣義平穩(wěn)的。</p><p&

96、gt;　　2. 輸入過程的統(tǒng)計特性是已知的。根據(jù)其他最佳準則的濾波器亦有同樣要求 ，然而，由于輸入過程取決于外界的信號、干擾環(huán)境，這種環(huán)境的統(tǒng)計特性常常是未知的、變化的，因而難以滿足上述兩個要求。這就促使人們研究自適應(yīng)濾波器。</p><p>　　第四章 數(shù)字圖像的頻域濾波</p><p>　　由于噪聲一般分布在頻譜的高頻部分，而圖像的主要能量主要分布在頻譜的低頻區(qū)域，所以可用數(shù)

97、字低通濾波器來實現(xiàn)圖像的去噪[27]。由于圖像的細節(jié)能量主要分布在高頻段，也可以用數(shù)字高通濾波器來實現(xiàn)圖像的增強。</p><p>　　在分析圖像信號的頻率特性時，一幅圖像的邊緣，跳躍部分以及顆粒聲代表圖像信號的高頻分量，而大面積的背景區(qū)則代表圖像信號的低頻分量。如式,4-1所示，用濾波的方法濾除其高頻部分就能去掉噪聲使圖像得到平滑由卷積定理可知： </p><p><b&

98、gt;　?。?-1）</b></p><p>　　式中,是含噪聲圖像的傅里葉變換,是平滑后圖像的傅里葉變換，是低通濾波器傳遞函數(shù)。利用使的高頻分量得到衰減，得到后再經(jīng)過反變換就得到所希望的圖像。</p><p>　　低通濾波平滑圖像的系統(tǒng)框圖如圖4.1所示。</p><p>　　圖4.1 頻域濾波系統(tǒng)框圖</p><p>　　低

99、通濾波器主要有，理想低通濾波器、指數(shù)低通濾波器、巴特沃斯低通濾波器等。</p><p>　　下面以巴特沃斯低通濾波器為例，來詳細介紹數(shù)字圖像的頻域去噪。</p><p>　　巴特沃思低通濾波器(BLPF)又稱作最大平坦濾波器。與ILPF不同，它的通帶與阻帶之間沒有明顯的不連續(xù)性，因此它的空域響應(yīng)沒有“振鈴”現(xiàn)象發(fā)生，模糊程度明顯減少[20]。</p><p>　　一

100、個n階巴特沃思低通濾波器的傳遞函數(shù)如式4-2所示：</p><p><b>　?。?-2）</b></p><p><b>　　或如式4-3所示：</b></p><p><b>　　（4-3）</b></p><p>　　與理想低通濾波器相比，它保留有較多的高頻分量，所以對噪

101、聲的平滑效果不如理想低通濾波器[28]。一般情況下，常采用下降到最大值的1/那一點為低通濾波器的截止頻率點。巴特沃斯低通濾波器的通帶、阻帶是緩變的，即平滑過渡，這樣該濾波器既可抑制高頻噪聲，又可避免“振鈴”現(xiàn)象，從而進一步提高圖像質(zhì)量。</p><p>　　第五章 數(shù)字圖像去噪的Matlab實現(xiàn)及結(jié)果分析</p><p>　　5.1 數(shù)字圖像去噪的Matlab實現(xiàn)過程</p>

102、<p>　　本章仿真時選取一張圖片，并在圖片中加入兩種噪聲，先利用Matlab軟件含有高斯噪聲和椒鹽噪聲圖像去噪再對其去噪效果進行比較，從而得到相應(yīng)的結(jié)論。</p><p>　　5.1.1 均值濾波器 </p><p>　　1. 給圖像加入均值為0，方差為0.02的高斯噪聲，選擇3×3、5×5、7×7模板去噪，仿真結(jié)果如圖5.1所示：&l

103、t;/p><p>　　(a)原始圖像 (b)加高斯噪聲后圖像</p><p>　　(c)模板均值濾波 (d)模板均值濾波</p><p><b>　　(e)模板均值濾波</b></p><p>　　圖5.1高斯噪聲均值濾波后仿

104、真圖</p><p>　　由仿真圖可以看出，原始圖片是清晰的，可視度非常良好，加了高斯噪聲后，圖像中出現(xiàn)了連續(xù)均勻的噪聲點，圖像被污染，可視度下降，圖像有用信息被噪聲影響，不能完全觀察出來。使用均值濾波器去噪后，噪聲被減弱。隨著模板窗口的增大，去噪效果變好，但是圖像的模糊程度增強。</p><p>　　2. 給圖像加入噪聲密度為0.02的椒鹽噪聲，選擇3×3、5×5、7

105、×7模板去噪，仿真結(jié)果如圖5.2所示：</p><p>　　(a)原始圖像 (b)加椒鹽噪聲后圖像</p><p>　　(c)模板均值濾波 (d)模板均值濾波</p><p><b>　　(e)模板均值濾波</b></p><

106、;p>　　圖5.2椒鹽噪聲均值濾波后仿真圖</p><p>　　由仿真圖可以看出，原始圖片是清晰的，可視度非常良好，加了椒鹽噪聲后，圖像中出現(xiàn)了分散的顆粒狀點狀物，圖像污染，可視度下降，圖像有用信息被噪聲影響，不能完全觀察出來。使用均值濾波器去噪后，噪聲被減弱，但未消除。隨著模板窗口的增大，噪聲的減弱程度增強，但是圖像變得越模糊了。</p><p>　　總體而言，均值濾波實現(xiàn)起來很方

107、便，適用于消除圖像中的顆粒噪聲，但需要指出這種方法既平滑了圖像信號，同時使圖像的細節(jié)部分變得模糊。由以上處理后的圖像可以看到：均值濾波法消弱了圖像的邊緣，使圖像變得有些模糊。如圖5.1所示，均值濾波對高斯噪聲的抑制是比較好的，但對椒鹽噪聲的抑制作用不好，如圖5.2所示，椒鹽噪聲仍然存在，只不過被削弱了而已。</p><p>　　5.1.2 中值濾波器</p><p>　　1. 給圖像加入均

108、值為0，方差為0.02的高斯噪聲，選擇3×3、5×5、7×7模板去噪，仿真結(jié)果如圖5.3所示：</p><p>　　(a)原始圖像 (b)加高斯噪聲后圖像</p><p>　　(c)模板中值濾波 (d)模板中值濾波</p><p><b

109、>　　(e)模板中值濾波</b></p><p>　　圖5.3高斯噪聲中值濾波后仿真圖</p><p>　　由仿真圖可以看出，原始圖像加了高斯噪聲后，圖像中出現(xiàn)了連續(xù)均勻的噪聲點，圖像被污染，可視度下降。使用中值濾波器去噪后，噪聲被減弱。隨著模板窗口的增大，去噪效果變好，但是圖像的清晰度下降，這是由于模板增大后，模板內(nèi)數(shù)值的幅度范圍相對變小，導(dǎo)致圖像清晰度下降。</

110、p><p>　　2. 給圖像加入噪聲密度為0.02的椒鹽噪聲，選擇3×3、5×5、7×7模板去噪，仿真結(jié)果如圖5.4所示：</p><p>　　(a)原始圖像 (b)加椒鹽噪聲后圖像</p><p>　　(c)模板中值濾波 (d)模板中值濾波&l

111、t;/p><p><b>　　(e)模板中值濾波</b></p><p>　　圖5.4 椒鹽噪聲中值濾波后仿真圖</p><p>　　由仿真圖可以看出，原始圖片加了椒鹽噪聲后，圖像中出現(xiàn)了分散的顆粒狀點狀物，圖像污染，可視度下降，圖像有用信息被噪聲影響，不能完全觀察出來。使用中值濾波器去噪后，噪聲被濾除。隨著模板窗口的增大，噪聲的濾除程度增強，但是

112、圖像的細節(jié)信息被減弱了。</p><p>　　總體而言，對圖像加入椒鹽噪聲后，應(yīng)用中值濾波，噪聲的斑點幾乎全部被濾去，它對濾除圖像的椒鹽噪聲非常有效。而對于高斯噪聲來說，雖然也有一些去噪效果，但效果不佳。由此可知，中值濾波法運算簡單，易于實現(xiàn)，而且能較好地保護邊界，但有時會失掉圖像中的細線和小塊區(qū)域。并且采用窗口的大小對濾波效果影響很大，窗口越大，圖像去噪效果越好，但代價是模糊的程度越大。</p>

113、<p>　　5.1.3 維納濾波器</p><p>　　1. 給圖像加入均值為0，方差為0.02的高斯噪聲，選擇3×3、5×5、7×7模板去噪，仿真結(jié)果如圖5.5所示：</p><p>　　(a)原始圖像 (b)加高斯噪聲后圖像</p><p>　　(c)模板維納濾波

114、 (d)模板維納濾波</p><p><b>　　(e)模板維納濾波</b></p><p>　　圖5.5高斯噪聲維納濾波后仿真圖</p><p>　　由仿真圖可以看出，原始圖像加了高斯噪聲后，圖像中出現(xiàn)了連續(xù)均勻的噪聲點，圖像被污染，可視度下降。使用維納濾波器去噪后，噪聲被減弱。隨著模板窗口的增大，去噪

115、效果變好，但是圖像有模糊，且圖像中的部分有用信息也被濾除。</p><p>　　2. 給圖像加入噪聲密度為0.02的椒鹽噪聲，選擇3×3、5×5、7×7模板去噪，仿真結(jié)果如圖5.6所示：</p><p>　　(a)原始圖像 (b)加椒鹽噪聲后圖像</p><p>　　(c)模板維納濾波

116、 (d)模板維納濾波</p><p><b>　　(e)模板維納濾波</b></p><p>　　圖5.6椒鹽噪聲維納濾波后仿真圖</p><p>　　由仿真圖可以看出，原始圖片加了椒鹽噪聲后，圖像中出現(xiàn)了分散的顆粒狀點狀物，圖像污染，可視度下降，圖像有用信息被噪聲影響，不能完全觀察出來。使用維納濾波