基于非采样Contourlet与全变差模型的图像去噪_陈力

基于非采样Contourlet与全变差模型的图像去噪_陈力
基于非采样Contourlet与全变差模型的图像去噪_陈力

2009年2月汕头大学学报(自然科学版)第24卷第1期Feb.2009Journal of Shantou University(Natural Science)Vol.24No.1文章编号:1001-4217(2009)01-0062-07

基于非采样Contourlet与全变差模型的图像去噪

陈力,林颖

(汕头大学电子工程系,广东汕头515063)

摘要:分析非采样Contourlet与全变差滤波器在图像去噪中的特点,提出一种基于图像全

变差模型的非线性扩散与非采样Contourlet相结合的自适应混合图像去噪算法.该算法在中、

低频部分采用全变差扩散,在高频部分采用非采样Contourlet变换,并在此基础上用半软阈

值法取代软阈值法.实验结果表明,该算法能够在降低复杂度的同时得到好的滤波效果.

关键词:图像去噪;非采样Contourlet;全变差;半软阈值法

中图分类号:TP391文献标识码:A

0引言

图像在形成和传输过程中可能会受到噪声的干扰,尽可能减少噪声对后续图像处理的影响具有非常现实的意义.目前,图像去噪的方法有:数学形态法[1]、自适应去噪[2]、小波技术[2]、Contourlet变换[3]和全变差法[4-5]等.这些方法都能在一定程度上达到去噪的目的,但论及这些方法混合使用的文献却较少.分析这些方法之间的内在联系,有助于认识各种方法的本质与优劣,以综合其优点,为产生新的复合算法提供参考资料.非采样Contourlet变换克服了小波在方向性表示上的不足和Contourlet变换不具有平移不变性的缺点[6],是一种有效的去噪工具.全变差(Total Variation,TV)扩散模型在图像去噪中也是一种较为有效的手段[4-5].但是,这两者单独使用时效果都难以达到最佳.G Steidl和J Weickert等[7-9]曾对小波技术与全变差扩散模型之间的联系作了开创性的研究.吴亚东等[10]也对二维小波和全变差模型在图像去噪中的应用作了相应的研究.基于这种思想,为了得到更好的去噪效果,本文结合非采样Contourlet变换和全变差法的特点,给出了一种基于图像全变差模型的非线性扩散滤波与非采样Contourlet变换相结合的混合图像去噪算法,并在阈值处理上用半软阈值法取代原有的软阈值法.

1非采样Contourlet变换

非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)是将多尺度分析和方向分析分开进行.首先采用非采样塔式滤波器组(Nonsubsampled Pyramid Filter Bank,

收稿日期:2008-09-12

作者简介:陈力(1966-),男,广东汕头人,教授.研究方向:数字信号处理,数字图像处理,过采样率模/数转换,优化提升算法.E-mail:lchen@https://www.360docs.net/doc/a88156420.html,

NSPFB )对图像进行多尺度分解,然后再采用非采样方向滤波器组(Nonsubsampled Direc -tional Filter Bank ,NSDFB )对得到的各带通子带图像进行方向分解,从而得到不同尺度和方向的子带图像(系数).

NSPFB 是采用àtrous 算法设计的一种平移不变的双通道滤波器结构,其幅频响应如图1(a )、(b )所示.它使NSCT 具有多尺度性质,可以得到类似于LP 的子带分解,并且下一层滤波器可以通过对上一层滤波器的上抽样得到.图像经过N 级非采样塔式分解

后,可得到N +1个与源图像具有相同尺寸大小的子带图像.

NSDFB 也是一组二通道非采样滤波器组,其理想频域支撑区间为扇形,幅频响应如图2(a )、(b )所示.在此基础上,对扇形滤波器U 0(z )和U 1(z )采用不同的采样矩阵进

行上采样,并对上一级方向分解后的子带进行滤波,可以获得频域中更为精确的方向分解.对于更多方向的分解,需要采用更为复杂的采样矩阵对滤波器进行上采样.从数学上看,NSDFB 分解是将信号在一组基函数上展开,对应的基函数之间是冗余的.冗余性的好处是变换对信号具有平移不变性,能更准确地捕获图像的几何结构信息.这对于提高图像的去噪质量是相当重要的,但也增加了计算量.

2

非线性扩散去噪

Perona 和Malik [7]最先给出了一种基于偏微分方程模型的非线性扩散滤波方法,其主

要思想是在滤波器自身中引入部分边缘检测步骤,允许算法开始时在各种尺度之间进行

图2扇形滤波器归一化幅频响应

1

0.50100

1-1

-1F y

F X

幅度M

幅度M

0.5011

001

-1

-1F y

F X

(a )幅频响应1(b )幅频响应2

图1塔式滤波器归一化幅频响应

10.501

-10-110F x

F y

幅度M

幅度M

10.501

-10-1

1

F x

F y

(a )幅频响应1

(b )幅频响应2

陈力等:基于非采样Contourlet 与全变差模型的图像去噪第1期63

交互.提出用以下非线性方程替换热力学方程:

u t =div (c (x ,y ,t )▽u )=c (x ,y ,t )Δu +▽c ·▽u (1)

其中u t 为扩散方程的解,也就是导出的图像,div 为散度算子,c (x ,y ,t )为热传导因子,▽和Δ分别为梯度算子和拉普拉斯算子,▽u =(u x ,u y ),u x 为u 对x 求一阶偏导,u y 为

u 对y 求一阶偏导,Δu =u xx +u yy ,u xx 为u 对x 求二阶偏导,u yy 为u 对y 求二阶偏导.在

式(1)中,令c (x ,y ,t )=g (│▽u │),扩散方程可写为:

u t =▽·(g (│▽u │)·▽u )=g (│▽u │)·Δu +Δu ▽g (│

▽u │)(2)

若g (│▽u │)=1/u 2x +u 2

y

姨,则式(2)便是由Rudin 等[4-5]提出的全变差扩散模型.该模型能够在去除噪声的同时保持较好的图像边缘信息,因此应用十分广泛.

3基于NSCT 与全变差扩散的混合算法

为了更好地去除噪声,可以考虑将含噪图像分成低频、中频和高频3个部分.低频

部分通常被认为是不被噪声污染的部分,被噪声污染最严重的是高频部分,中频部分则会含有少量噪声.把含噪图像的低、中和高频3个部分分别处理,能得到更为理想的效果.

基于前两节的分析可知,NSCT 与全变差扩散模型都是图像去噪中的重要工具,因此本文提出了将NSCT 与全变差扩散模型结合起来的去噪算法.全变差扩散模型在去噪中能较好地保持图像的边缘轮廓信息,但对细节和纹理等高频信息不能很好地保护,无法有效地区分有用的高频信息和噪声.非采样Contourlet 变换是一种能够有效提取图像细节和纹理特征的变换技术.由于非采样Contourlet 变换的冗余度较高,如果分解层数太多,需要的运算时间就较长.另外,因为分解出来的各层是作为高频信息来处理噪声的,而图像在中、低频部分受到噪声的污染较少,如果按照处理高频信息的方法来处理噪声,将会对中、低频部分的有用信号造成严重的损害.所以,为了保护足够多的中、低频信息,只从含噪图像分解出3层高频信息.作3层NSCT 分解后得到的低频分量实际上包括了图像的低频和中频部分,在这个低频分量中含有少量的噪声和较多的边缘信息,可以对这个低频分量采用全变差扩散模型作进一步去噪,以提高图像质量.

为了在保存更多的细节和纹理信息的同时保持图像的平滑,本文在阈值处理上采用半软阈值法.软阈值法和硬阈值法是两种经典的阈值算法,然而它们在去噪效果上都有令人无法满意的地方.软阈值法虽然能够保持图像的平滑,但是很容易造成对细节信息的过分扼杀;硬阈值法能够较好地保存细节信息,但是会使图像显得粗糙、不平滑.半软阈值法能够综合软阈值法和硬阈值法的优点,同时又抑制了它们的缺点,是一种更好的阈值算法.因此,本文提出在NSCT 的基础上引入贝叶斯半软阈值法.

图像经过NSCT 分解后,与纹理和细节等信息对应的系数较大,与平滑区域对应的系数较小,于是本文对较大的系数和较小的系数分别采用不同的阈值方法,如下所示:

f (c λ)=c λ,│c λ│≥b ·T

sign (c λ)(│c λ│-T ),

T ≤│c λ│<b ·T

0,│c λ│<<<

<<

T

(3)

其中,sign 函数的计算规则如下:

汕头大学学报(自然科学版)第24卷

64

陈力等:基于非采样Contourlet 与全变差模型的图像去噪第1期σP Noisy P WT +B P CT +B P NSCT +B P NSCT +B +TV P 本文算法1028.1633.6033.2134.3334.3334.802022.1430.5630.1031.5031.5331.783018.6428.8028.3229.8029.9030.084016.1427.6527.0428.4828.5828.7350

14.17

26.62

26.06

27.43

27.58

27.76

表1

去噪前后的Lena 图像峰值信噪比

sign (c λ)=1,c λ>00,

c λ=0.

-1,c λ<0

c λ是含噪图像进行NSCT 变换后的系数,T 为贝叶斯法求得的阈值,其计算方法如下所

示:

T =a ·σ2n ,i ,j

max (0,

σ2s ,i ,j -σ2

n ,i ,j )

姨(4)

其中,σ2n ,i ,j

为含噪图像作NSCT 分解后第i 尺度第j 方向上的高频子图像噪声方差,用robust 中值估计得到,如下所示:

σ2n ,i ,j

=(median (abs (C i ,j ))/0.6745)2,其中C i ,j 为第i 尺度第j 方向上的系数.σ2s ,i ,j

为对应子图像上的信号方差.需要说明的是,式(3)和(4)中的b 和a 为可调参数.根据高斯噪声正态分布的特点并通过实验发现,对于绝大多数图像和各种不同的算法,a 取0.55或0.6,b 取3或

3.5,就能得到很好的效果,不需要过多地调整.

算法的具体实现步骤如下:

1)对含噪图像作NSCT 变换,分解出3层高频信息,随着尺度从粗到细,方向数

分别为4,8,8;

2)对得到的低频分量用全变差扩散模型消除残余噪声,高频分量采用基于贝叶斯

法的半软阈值法消除噪声;

3)将处理后的系数作NSCT 反变换,得到去噪后的图像.

4

仿真结果与讨论

为了验证算法的有效性,使用Lena 和Peppers 两幅大小为512×512的标准测试图

像作为实验对象,添加不同强度的高斯噪声,并分别采用小波贝叶斯软阈值收缩法(WT

+B )、Contourlet 贝叶斯软阈值收缩法(CT +B )、NSCT 贝叶斯软阈值收缩法(NSCT +B )、

NSCT 贝叶斯软阈值收缩法与全变差扩散相结合的算法(NSCT +B +TV )和基于NSCT 与全变差扩散的半软阈值法(本文算法)5种方法来对含噪图像进行去噪比较.全变差扩散

滤波取时间和空间步长分别为t =0.2,h =1,迭代次数为20次.表1和表2分别给出两幅测试图像使用各种方法去噪后的峰值信噪比P ,其中σ为噪声强度.图3和图4分别给出对应图像的去噪效果.

65

(a )原始图像(b )WT +B 算法(c )CT +B

算法

(d )NSCT +B 算法(e )NSCT +B +TV 算法(f )本文算法

图3Lena 图像的去噪效果(σ=30

(a )原始图像(b)WT +B 算法(c )CT +B 算法

(d )NSCT +B 算法(e )NSCT +B +TV 算法(f )本文算法

图4Peppers 图像的去噪效果(σ=50)

σP Noisy P WT +B P CT +B P NSCT +B P NSCT +B +TV P 本文算法1028.1532.0533.4133.7333.7333.942022.1329.5729.5931.0331.0331.263018.6228.1427.9529.3229.3429.634016.1427.2126.7028.0928.1528.4350

14.17

26.21

25.77

27.10

27.19

27.48

表2

去噪前后的Peppers 图像峰值信噪比

汕头大学学报(自然科学版)第24卷

66

从表1和表2可以看出,对于噪声强度较小的含噪图像,由于作NSCT 分解后的低频分量基本没有噪声,所以采用基于NSCT 与全变差扩散的混合算法并没有比基于

NSCT 的算法好.但是,对于噪声强度较大的含噪图像,由于只分解出3层高频分量,分解后低频分量还残留一些噪声,因此采用基于NSCT 和全变差扩散的混合算法与基于NSCT 的算法相比,在峰值信噪比上提高了.而本文提出的基于NSCT 与全变差扩散的半软阈值法与前面几种方法相比,峰值信噪比提高了很多.

另外,由于只作3层NSCT 分解,在各层的分解方向数上最多也只有8个,这在很大程度上减小了NSCT 变换的计算量,全变差扩散算法也只需较少的迭代次数就能达到要求,半软阈值法的可调参数a 和b 的值已调好,所以本文算法在计算复杂度方面控制得较好.在同一台计算机上,本文算法与文献[6]中的算法在所用时间上的比值是1∶6.

由图3和4可以看出:WT +B 算法和CT +B 算法能够在一定程度上消除噪声,但存在一些由Gibbs 或伪Gibbs 现象引起的视觉失真;NSCT +B 算法能够有效抑制Gibbs 现象所导致的视觉失真,但由于中频部分还存在一些噪声,使得图像不够清晰;NSCT +

B +TV 算法在NSCT +B 算法的基础上较好地消除了中频部分的噪声,所得图像较为清

晰和平滑,但总体效果不如本文算法;本文算法在细节、纹理、边缘信息的保护和图像平滑度的保持上都要优于前面几种算法,所得图像更加清晰和平滑.

5

结语

本文根据非采样Contourlet 变换、全变差扩散模型及软阈值法和硬阈值法的特点,给出了一种综合以上各种数学工具优点的图像去噪算法.实验结果表明:本文算法能够在充分利用各种方法优点的同时,较好地控制计算量;所得到的效果无论在峰值信噪比上,还是在视觉评估上都要比其它几种方法好.另外,本文所采用的分析各种算法的本质及优劣,并综合各种算法优点的方法,也为产生新的复合算法提供了一些经验和借鉴.当然,比本文所用方法更好且更实用的方法肯定是有的,这还有待作进一步的交流和研究.参考文献:

[1]葛平俱,苏平,王秀丽,等.基于数学形态学的混合消噪法[J].计算机工程与设计,2007,28(7):1584-1586.

[2]

Chang S G ,Bin Y ,Vetterli M .Adaptive wavelet thresholding for image denoising and compression [J].IEEE Transactions on Image Processing ,2000,9(9):1532-1546.

[3]Do M N ,Vetterli M .The contourlet transform :An efficient directional multi -resolution image

representation[J].IEEE Transactions on Image Processing ,2005,14(12):2091-2106.

[4]Rudin L ,Osher S ,Fatemi E .Nonlinear total variation based noise removal algorithms[J].Physica D ,1992,60(1-4):259-268.

[5]Rudin L ,Osher S .Total variation based image restoration with free local constraints[C]//Proceedings of the IEEE International Conference on Image Processing .Piscataway :IEEE Press ,1994:31-35.[6]

Dacunha A L ,Zhou J ,Do M N .The nonsubsampled contourlet transform :Theory ,design and applications[J].IEEE Transactions on Image Processing ,2006,15(10):3089-3101.

陈力等:基于非采样Contourlet 与全变差模型的图像去噪第1期67

[7]

Steidl G ,Weickert J .Relations between soft wavelet shrinkage and total variation denoising[C]//Proceedings of the 24th DAGM Symposium on Pattern Recognition .London :Springer Press ,2002:198-205.

[8]Mrazek P ,Weickert J ,Steidl G .Correspondences between wavelet shrinkage and nonlinear diffu sion[C]//Scale Space Methods in Computer Vision .Berlin :Springer Press ,2003:101-116.

[9]Steidl G ,Weickert J ,Brox T ,et al .On the equivalence of soft wavelet shrinkage ,total variation dif -fusion ,total variation regularization ,and SIDEs[J].SIAM Numerical Analysis ,2004,42(2):686-713.[10]吴亚东,孙世新.基于二维小波收缩与非线性扩散的混合图像去噪算法[J].电子学报,2006,34

(1):163-166.

[11]Perona P ,Malik J .Scale space and edge detection using anisotropic diffusion[J].IEEE Transac -tions on Pattern Analysis and Machine Intelligence ,1990,12(7):629-639.

Half -Soft Threshold Image De -noising Algorithm Based on Nonsubsampled Contourlet Transform and Total Variation

CHEN Li ,LIN Ying

(Department of Electrical Engineering ,Shantou University ,Shantou 515063,Guangdong ,China )

Abstract :The features of nonsubsampled Contourlet transform (NSCT )and total variation (TV )in image de -noising were studied.An adapted hybrid image de -noising algorithm is proposed based on TV diffusion and NSCT.The TV diffusion was applied to the medium and low frequency parts of image decomposed by NSCT.A half -soft threshold other than the soft threshold was used to shrink the high frequency parts.Experiment results show that the de -noising performance was improved by the proposed algorithm.Key words :image de -noising ;nonsubsampled contourlet transform ;total variation ;half -soft threshold

汕头大学学报(自然科学版)第24卷

68

常用图像去噪方法比较及其性能分析

龙源期刊网 https://www.360docs.net/doc/a88156420.html, 常用图像去噪方法比较及其性能分析 作者:孟靖童王靖元 来源:《信息技术时代·下旬刊》2018年第02期 摘要:本文介绍了噪声的分类模型,之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法,并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现,比较了去噪的效果。 关键词:数字图像;噪声;滤波 一、引言 随着当今社会数字化的普及,人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题,数字图像处理技术应运而生。数字图像处理技术的产生,不仅满足了人们的视觉,同时经过处理的图像还可以更好的应用于图像加密,图像识别等领域。 二、空间域去噪算法 (一)均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上,通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果,使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响,然而对于由于椒盐噪声带来的对于图像的影响,均值滤波去除的效果并不很好。同时,由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值,来决定区域中心点灰度值的,所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉,造成视觉上细节不清楚的情况。并且所取范围越大,图像中细节部分越不清晰,图像越平滑。 (二)中值滤波去噪 通过求区域中心点及其周围点灰度值的中值,来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高,因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外,与均值滤波相比,中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。 (三)维纳滤波去噪

全变分信号去噪的最佳参数选择方法

全变分信号去噪的最佳参数选择方法 摘要:基于现有的全变分信号去噪过程中依靠经验选择参数使得去噪效果精确度低的问题,本文提出一种新颖的全变分信号去噪的最佳参数选择方法,将粒子群优化算法(PSO,Particle Swarm Optimization)运用其中,首先研究了全变分 图像去噪模型,介绍标准PSO算法过程,结合粒子群优法来选择最佳参数,分析了粒子群优法选择参数的过程,实验结果显示了本文所提出的参数选择方法有效性和可靠性。 关键词:全变分;信号去噪;粒子群优化算法 DOI:10.16640/https://www.360docs.net/doc/a88156420.html,ki.37-1222/t.2016.12.127 0 引言 在图像获取或传输的过程中,由于受到各种因素的影响,图像不可避免地受到了噪声的污染,给后续图像处理过程带来了极大的困难。因此图像去噪是图像处理中一个重要环节,图像的噪声去除和细节保护是一对矛盾关系,图像的低通滤波在去除噪声的同时,产生图像边缘的模糊,而人对图像的高频成分是敏感的。近年来,全变分法的图像降噪技术得到了应用,我们在运用全变分模型来去噪时候会用到很多参数。而在以前的研究中,在选取这些参数的最佳数值时,通常是依赖经验来选取的。也就是依靠经验在某个数值范围中选取

适当参数值,然后去尝试处理图像。参数少的话,其组合还可以罗列。而如果参数多的话,这显然是不太方便的。运用PSO来选取最佳参数正是基于这样的背景下提出的。 1 研究现状 1992年,Rudin、Osher和Fatemi提出了一种基于全变 分(TV,Total Variation )模型的去噪方法[1]。该方法实质 上就是各向异性扩散,它能在去噪的同时很好地保持图像的边缘。由于全变分方法引入偏微分方程的各向异性扩散方程用于图像去噪,在平滑噪声的同时,可以使边缘得到保持,较好地解决了恢复图像细节和抑制噪声之间的矛盾[2]。基于偏微分方程的变分模型方法高质量的处理效果已引起国内 外研究学者的广泛重视[3]。近年来又有其他研究者发现全变分模型存在的不足,提出了一种基于平滑核的广义变分模型[4]。实验结果表明,该模型对于高斯噪声污染的图像能取得良好的恢复效果,相比于全变分模型,该模型获得的去噪后的图像具有更好的客观评价指标和细节保护能力,同时还有效避免了阶梯效应[5]。Bing S提出了一种基于范数的广义的TV 去噪模型该模型能克服假边缘的产生,且在去噪的同时 保持了边缘,但该模型的峰值信噪比较低[6]。鉴于上述存在的局限,本文在前人研究变分问题直接解法的基础上,建立求解含一阶导数的变分问题优化模型,构造出了适应度函数,从而使得PSO算法成功应用到变分问题的求解当中。

数字图像处理-图像去噪方法

图像去噪方法 一、引言 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、中值滤波和小波滤波,他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声:主要有阻性元器件内部产生。 2、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泊松噪声。 3、量化噪声:此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生,其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等,减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法.图像频率域去噪方法

是对图像进行某种变换,将图像从空间域转换到频率域,对频率域中的变换系数进行处理,再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多,常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单,处理速度快,但它的主要缺点是在降低噪声的同时使图像产生模糊,特别是在边缘和细节处。而且邻域越大,在去噪能力增强的同时模糊程度越严重。

根据Matlab的图像去噪算法仿真

基于Matlab的图像去噪算法仿真 在信息化的社会里,图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。 本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了四种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪,通过分析仿真结果得出: 一.均值滤波是典型的线性滤波,对高斯噪声抑制是比较好的; 二.中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效; 三.维纳滤波对高斯噪声有明显的抑制作用; 四.对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。 本论文主要是从两方面展开,首先是图像去噪算法:简要说明了图像噪声的概念及分类,详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。 其次是基于Matlab的图像去噪算法仿真:根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析,运用Matlab仿真软件编写代码,对一张含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪,并对结果分析讨论,比较几种方法的优缺点。 本论文仿真时选取一张彩色图片“2010-03-09-2.bmp”,并在图片中加入

两种噪声:高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声,属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法进行仿真,将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较,从而得到相应结论。 1.1邻域平均法的仿真 本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪,并用Matlab软件仿真。 (1)给图像加入均值为0,方差为0.02的高斯噪声,选择3×3模板去噪Matlab部分代码: j=imnoise(x,'gaussian',0,0.02); h=ones(3,3); h=h/9; k=conv2(j,h); 仿真结果如图4-1所示。

去噪处理研究

一种基于交叠组合稀疏全变分图像去噪方法 An image denoising method based on overlapping group sparsity total variation 姓名:林志斌 摘要 全变分(Total Variation, TV)正则项作为一种常用的稀疏变换模型,因其在保持图像边缘信息方面具有明显的优势,已经被应用到图像去噪问题中。然而,它通常会产生阶梯效应。为了克服这个缺点,在本文中,我们引入交叠组合稀疏全变分(Overlapping Group Sparsity Total Variation, OGSTV)代替传统TV变换模型。为了求解该OGSTV去噪模型,我们提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)和Split Bregman算法的快速OGSTV去噪方法。实验结果表明,引入快速傅里叶变换理论后,图像去噪时间明显减少;与其他已有比较好的算法相比,可以获得更好的图像质量,阶梯效应明显改善。 关键词:全变分;图像去噪;快速傅里叶变换;交叠组合稀疏全变分 Abstract The total variation (TV) regularization is always used as a sparse representation and it has been applied to image denoising problem. Although TV model has obvious advantage in preserving image edges, it may introduce some undesired staircase

变差函数的概念与计算分析

变差函数的概念与计算 谷跃民编写 在地质统计学随机模拟工作中,统计归纳区域变量的分布和变差函数,是用好随机模拟技术最关键的两项工作,其中区域变量分布统计比较容易理解,变差函数计算过程相对复杂,影响了解释人员对它的直观理解,为了使解释生产人员快速了解变差函数,准确使用相关工具软件,并能依据现有的资料和对工区地质情况的先验信息,统计归纳出合乎实际的变差函数,作者在学习相关知识的基础上,对学习材料进行了初步总结,试图用通俗的方式,对变差函数的概念和统计归纳方法与大家共同进行探讨。 一、变差函数的基本概念 在地质统计学中,变差函数是最基本与最重要的模拟工具,它用于描述数据值的空间互相关,数据点在空间上相距越远,相关性就变得越小,变差函数就是模拟这种现象的数学函数,通常用一张图来展示,用X轴表示滞后距离,用Y 轴表示方差,可以从区域变量 抽取的样本值中计算归纳出来, 见图1,它通过变程来反映变量 的影响范围,V(h)为变差函数值, Lag(h)为滞后距。 变差函数可以用四个参数来描 述: 1、变差函数类型:决定了随着滞图1 变差函数图示 后距的增加变差(方差)变化的快慢, 在JASON STATMOD MC中,使用GAUSSIAN和EXPONENTIAL曲线类型; 2、变程a:指的是在超过这个距离后,数据点之间就不再有明显的相关性,也称作影响距离; 3、块金效应C0:表示在距离为0时的方差值,用来表示相距很近的两点的样品变化情况; 4、先验方差:Sill=C+C0也叫基台值,它反映变量的变化幅度。 二、变差函数的估算与拟合

1、变差函数的计算公式与估算 变差函数的定义是:区域化变量Z(x)和Z(x+h)两点之差的方差之半,定义为Z(x)的变差函数,数学定义如下: h为滞后距。 如果有了区域化变量Z(x)的一部分采样,就可以估算该区域化变量的Z(x)变差函数,具体计算公式如下: i为样本序号。 2、变差函数的估算示例 为了能更直观、更深刻地体会它的具体意义,下面举两个计算实例,各具体计算两个变差函数值,通过具体计算过程,就会知道什么样的资料可以满足变差函数估算的要求,具体在资料条件会出现怎样的异常,这两个实例分别为两种区域变量类型,一个是垂向区域变量类型,可以理解为井曲线等,一个是平面区域变量类型,可以理解为孔隙度平面变化等。 (1)垂向区域变量类型变差函数值计算示例。 右图为一口井的孔隙度曲线,纵向 采样间隔为1米,右侧为其数值,首先 根据公式1-2,求取h=1米时,v(1) 的数值,步骤如下: ①将数据下移1米,与原始数据对齐; 见图3a; ②找到对应数据对,求得各数据对的差

常用图像去噪比较与分析

常用图像去噪方法的比较分析 梅娜娜 2091103 摘要 去噪处理作为图像预处理的一个重要环节,对图像处理的后续工作有着不可忽视的影响。针对不同的噪声,处理方法也不同。本文介绍了几种常见的图像噪声,并讨论了均值滤波、中值滤波及小波变换的典型运用,同时进行对比分析,最后得出这三种方法各自的自适应特点。 关键字:均值滤波;中值滤波;小波变换

一、引言 一幅图像的生成过程难免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”。它对图像的输入、采集、处理的各个环节以及最终的输出结果都会产生一定的影响,特别是在图像的输入、采集过程中,若输入伴有较大噪声,必定会对其后的处理以及最终的处理效果造成不利。因此,对图像进行去噪已成为图像处理中极其重要的内容。 二、图像系统中的常见噪声 一般在图像中常见的噪声有: 1、按噪声幅度分布形状而分,成高斯分布的称为高斯噪声,主要由阻性元器件内部产生。 2、按噪声和信号之间的关系分为加性噪声和乘性噪声。加性噪声与输入图像信号无关,含噪图像可表示为),(),(),(y x n y x g y x f +=。乘性噪声往往随图像信号的变化而变化其含噪图像可表示为),(),(),(),(y x g y x n y x g y x f += 3、椒盐(Salt and pepper)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泊松噪声。 4、量化噪声:此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生,其大小显示出数字图像和原始图像差异。 本文为了分析不同去噪方法的应用范围,将原图像分别加入高斯噪声及椒盐噪声,运用Matalab 编程实现两种不同滤波方法的去噪结果,并据此进行比较得出相应结论。 下面几幅图为本文所选用的原图像、经过灰度变换后得到的图像、添加椒盐噪声和高斯噪声后的图像:

图像去噪去噪算法研究论文 开题报告

图像去噪去噪算法研究论文开题报告 (1)选题的目的、意义 目的: 由于成像系统、传输介质和记录设备等的不完善,数字图像在其形成、传输记录过程中往往会受到多种噪声的污染,影响了图像的视觉效果,甚至妨碍了人们正常识别。另外,在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。一般,噪声信号与要研究的对象不相关它以无用的信息形式出现,扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声;同时,也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。 意义: 噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理,使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况;医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响,严重时会影响图像中的有用信息,所以对图像的噪声处理就显得十分重要[4] [5]。图像去噪作为图像处理的一个重要环节,可以帮助人们更加准确地获得我们所需的图像特征,使其应用到各个研究领域,帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法,以有效地降低噪声对原始图像的干扰程度,并且增强视觉效果,提高图像质量,使图像更逼真,仍存在继续研究的重要意义。 (2)国内外对本课题涉及问题的研究现状 针对图像去噪的经典算法,科学工作者通过努力,提出了一些的改进算法,比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂,计算量大,即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下,产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。 目前常用的降噪方法有在空间域进行的,也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算,相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明,这些方法虽有一定的降噪效果,但都有其局限性。比如加权均值在细节损失上非常明显;而中值仅对脉冲干扰有效,对高斯噪声却无能为力[10] [11] [12] [13]。实上,图像噪声总是和有效数据交织在一起,若处理不当,就会使边界轮廓、线条等变得模糊不清,反而降低了图像质量。 对于去除椒盐噪声,主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值,但是必须注意的是邻域内的点的个数是正奇数,这是为了保证取中值的便利性,若是偶数,则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础,有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中,常用中值滤波保护图像边缘信息,它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中,往往会将图像的细节比如细线、棱角的地方破坏掉。后来人们将其应用于二维图像上,产生了标准中值滤波。标准中值滤波是采用滤波窗口对图像进行滤波

图像去噪原理

图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。因此,正是为了处理这种问题,是有噪声的图片变得更加清晰,人们研究出各种各样的方式去除图像中的噪声。 首先,为了让本报告易懂,我先解释几个名词的含义。 线性滤波算法:利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法,如均值滤波、高斯滤波,由于线性滤波是算术运算,有固定的模板,因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法:原始数据域处理结果数据之间存在的是一种逻辑关系,即采用逻辑运算实现的,如最大值滤波器、最小值滤波器、中值滤波器,通过比较领域内灰度值大小来实现的,它没有固定的模板和特定的转移函数。 高斯噪声:噪声服从高斯分布,即某个强度的噪声点个数最多,离这个强度越远噪声点越少,且这个规律服从高斯分布。高斯噪声是一种加性噪声,即噪声直接加到原图像上,因此可以采用线性滤波器滤除掉。 椒盐噪声:类似把胡椒和盐撒到图像上,因此得名,是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声,采用线性滤波器滤除的结果不好,一般采用中值滤波器滤波可以得到较好的结果。 白噪声:指在较宽的频率范围内,各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的,因此我们把这种性质叫做“白色的”,就把这种噪声称作白噪声。 现在介绍,我采用的去噪算法。 (1)均值滤波:均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法,即对待处理的某个像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,

基于分数阶和非局部全变差模型的图像去模糊

2018年7月计算机工程与设计July 2018 第 39 卷第 7 期COMPUTERENGINEERINGANDDESIGN Vol. 39 No. 7 基于分数阶和非局部全变差模型的图像去模糊 向雨晴,杨晓梅+ (四川大学电气信息学院,四川成都610065) 摘要:为减少阶梯效应,同时更好地利用图像本身的信息,提出一种结合分数阶全变差(F O T V)和非局部全变差(N L T V)模型的非盲去模糊图像重建方法。分别用F O T V和N L T V约束由全局梯度提取法(G G ES)分解而成的平滑区和 纹理区,建立图像非盲去模糊的正则化模型,分别采用交替方向乘子法(A D M M)和分裂B re g m a n操作符(BO S)算法求 解两个子问题。充分的实验结果表明,该模型减少了平滑区的阶梯效应,更好地恢复了图像的纹理细节,验证了该模型的和算法的效。 关键词"非盲去模糊;分数阶全变差;非局部全变差;交替方向乘子法;正则化 中图法分类号:T P391.41 文献标识号:A文章编号:1000-7024 (2018)07-2002-06 doi: 10.16208/.. is s n l000-7024. 2018. 07. 034 Fractional-order and non-local total variation based image deblurring X I A N G Y u-q i n g,Y A N G X ia o-m e id (School o f E le ctrica l E ngineering and In fo rm a tio n,Sichuan U n iv e rs ity,C hengdu610065, C hina) Abstract:T o reduce the staircase a rtifa cts and use m ore in fo rm a tio n o f the b lu rre d image its e lf,an image reconstruction m ethod o f no n-b lin d d e b lu rrin g b y com bining the fra c tio n ll order t o t ll va riatio n(F O T V)and the non-local to ta l v dels was proposed.T h e F O T V and N L T V regularization w ere used to constrain the fla t and te xtu re regions decomposed thro u g h global gradient e xtra ctio n scheme(G O E S),respectively,and a regularization o p tim ization m odel o f no n-b lin d d e b lu rrin g was constructed.A lte rn a tin g d irection m ethod o f m u ltip lie rs(A D M M)was used to solve the F O T V sub-problem s,w h ile the algo-rith m o f Bregm an operator s p littin g(B O S)was used to solve N L T V sub-problem s.L o ts o f m onstrate th a t the p roposed m ethod contains the advantages o f F O T V and N L T V,it can n o t o n ly reduce the staircase artifacts in fla t regions,b u t also reconstruct m ore te xtu re details o f the b lu rre d images.T h e fe a s ib m ethod and corresponding a lg o rith m are ve rified. Key words:non-b lin d d e b lu rrin g;fractio n a l-o rd e r to ta l v a ria tio n;non-local to ta l v a ria tio n;a lternating d irection m ethod of m u ltip lie rs;regularization /引言 作为一种基础的图像复原技术,图像去模糊广泛应用 于各个图像领域。图像模糊过程在数学上可看成模糊核和 原始清晰图像卷积运算后加噪声的操作,可表示为 f= ##$%&⑴ 式中:!表示退化图像,$表示原始清晰图像,#表示模糊 核,#表示卷积运算,&表示附加噪声。本文讨论的是已 知f* #求$的非盲去模糊逆问题,基于正则化的全变差 (T V)方法经常用于求解此类问题。L.R u d m等提出基于T V的图像R O F去噪模型,其强大的边缘保护能力使之应 用到去模糊及图像重建等领域[1’2],但该模型会使图像产生 阶梯效应,对纹理细节的恢复也并不具有优势。 为了更好地利用图像本身的先验信息,文献%]提出 基于非局部全变差(N L T V)正则化的图像重建模型,更 好地恢复了图像纹理细节。为减少阶梯效应和避免高阶全 变差(H O T V)模型的边缘过平滑的缺点,基于T V的衍 生形式— —分数阶全变差(F O T V)模型得到提出和应 用%,]。考虑到综合利用N L T V和F O T V的优势,本文运 用全局梯度提取法(G G ES)67&把图像分成平滑和细节两 收稿日期:2017-06-02)修订日期:2017-09-01 作者简介:向雨晴(1992-),女,湖北孝感人,硕士研究生,研究方向为数字图像处理;+通讯作者:杨晓梅(1973-),女,四川乐山人,博士,副教授,研究方向为医学图像处理、模式识别、计算机视觉。E-mail: yangxiaomei@https://www.360docs.net/doc/a88156420.html,

数字图像去噪典型算法及matlab实现

数字图像去噪典型算法及matlab实现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。图像信号在产生、传输过程中都可能会受到噪声的污染,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; 目前比较经典的图像去噪算法主要有以下三种: 均值滤波算法:也称线性滤波,主要思想为邻域平均法,即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声,但容易引起图像模糊,可以对其进行改进,主要避开对景物边缘的平滑处理。 中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域,一般为方形邻域,也可以为圆形、十字形等等,然后将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值,这里领域被称为窗口,当窗口移动时,利用中值滤波可以对图像进行平滑处理。其算法简单,时间复杂度低,但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差最小的复原方法,是一种自适应滤波器,根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 实验一:均值滤波对高斯噪声的效果 代码 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像

J=imnoise(I,'gaussian',0,0.005);%加入均值为0,方差为0.005的高斯噪声subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2'); subplot(2,3,5);imshow(K3); title('改进后的图像3'); subplot(2,3,6);imshow(K4); title('改进后的图像4'); PS:filter2用法 fspecial函数用于创建预定义的滤波算子,其语法格式为: h = fspecial(type) h = fspecial(type,parameters) 参数type制定算子类型,parameters指定相应的参数,具体格式为: type='average',为均值滤波,参数为n,代表模版尺寸,用向量表示,默认值为[3,3]。

数字图像处理论文,图像去噪

数字图象处理(论文) 学院计算机学院 专业计算机科学与技术班级 12(7)班 姓名李荣 学号3112006052 2014年6月25日

图像去噪算法论文 图像在生成或传输过程中常常因受到各种噪声的干扰和影响而使图像爱那个的质量下降,对后续的图像处理(如分割、理解等)产生不利影响。因此,图像爱那个去噪是图像处理中的一个重要环节。而对图像去噪的方法又可以分为两类,一种是在空间域内对图像进行去噪,一种是将图像变换到频域进行去噪的处理。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声,还有加性、乘性噪声等,如上,减少噪声的方法,可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法。图像频率域去噪方法是对图像进行某种变换,将图像从空间域转换到频率域,对频率域中的变换系数进行处理,再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多,常用的有傅立叶变换、小波变换等。 在这节课上我学习的是借助Matlab软件对图像进行处理。在图像去噪方面,在Matlab 中常用的去噪函数有imfilter( ), wiener2( ), medfilt2( ), ordfilt2( )以及小波分析工具箱提供的wrcoef2( )和wpdencmp( )等,好像随着Matlab的发展,有些函数变了,不过早大致上变化不大,也有可能是我下载的Matlab不完整吧,总之在实践过程中有些错误让我很纠结。 因为我是刚接触到这类知识,所以很多都还不懂,虽然从课上有了一些了解,但我觉得还远远不够,然而最近实在时间不多,只能等

常用图像去噪方法比较及其性能分析

常用图像去噪方法比较及其性能分析 发表时间:2019-03-15T15:13:24.833Z 来源:《信息技术时代》2018年6期作者:孟靖童王靖元[导读] 本文介绍了噪声的分类模型,之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法,并分别对相似算法进行了分析比较。 (国际关系学院,北京 100091) 摘要:本文介绍了噪声的分类模型,之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法,并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现,比较了去噪的效果。关键词:数字图像;噪声;滤波 一、引言 随着当今社会数字化的普及,人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题,数字图像处理技术应运而生。数字图像处理技术的产生,不仅满足了人们的视觉,同时经过处理的图像还可以更好的应用于图像加密,图像识别等领域。 二、空间域去噪算法 (一)均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上,通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果,使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响,然而对于由于椒盐噪声带来的对于图像的影响,均值滤波去除的效果并不很好。同时,由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值,来决定区域中心点灰度值的,所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉,造成视觉上细节不清楚的情况。并且所取范围越大,图像中细节部分越不清晰,图像越平滑。 (二)中值滤波去噪 通过求区域中心点及其周围点灰度值的中值,来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高,因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外,与均值滤波相比,中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。(三)维纳滤波去噪 维纳滤波通过寻找一个滤波模型使得被过滤后图像与原图像的均方差最小。因此维纳滤波的去噪效果随局部方差的增大而减弱。与邻域均值滤波法相比,维纳滤波可以更好的处理高斯噪声带来的对于图片的影响。同时,由于维纳滤波法是一种自适应的滤波器,所以较邻域滤波可以更好的处理图像边缘的细节。然而维纳滤波却无法很好的处理信噪比较低的图像信号。实验中发现,维纳滤波在处理完运动模糊图像后会出现较严重类似于高斯噪声的影响,加入中值去噪得到更清晰图像,同时可以与最后一张仅添加中值去噪图片做对比。 三、基于傅里叶变换图像去噪 傅里叶变换图像去噪利用了图像与噪声主要分布频段不同的特点,即图像信息大多分布在低频段及中频段,而噪声则是分布在高频段。通过衰减信号的高频段来减弱噪声对于图像的影响。 其算法可表示为: G(μ,v)=H(μ,v)F(μ,v) 其中F(μ,v)为f(μ,v)经傅里叶变换得到,通过函数H(μ,v)衰减高频分量后的F(μ,v)得到输出G(μ,v),之后只需对其进行傅里叶逆变换即可得到去早后图像g(x,y)。 此算法可简单表述为: (1)把原图像通过傅里叶变换从空间域变到频域; (2)对变换到频域的图像进行一定程度的衰减,具体衰减方法根据原图像实际情况而定;(3)对处理后图像从频率域经傅里叶逆变换得到去噪后图像。 经由傅里叶变换去噪可得出低通滤波器及巴特沃斯低通滤波器。 (一)理想低通滤波器 理想低通滤波器仅允许低频信号通过,因此大部分高频噪声被截止,从而达到去噪的效果。理想低通滤波器设计原理简单,且去噪效果理想,然而由于理想低通滤波器的原理是完全滤掉高频信息,因此导致经处理后图像边缘模糊,同时会出现较严重的振铃现象。(二)巴特沃斯低通滤波 相比于理想低通滤波器,巴特沃斯低通滤波器对于信号选择通过和不通过的频率之间并没有明显的不连续界限,因此可以缓解理想低通滤波器图像边缘模糊的缺点。 同时巴特沃斯低通滤波器的振铃现象会随其公式阶数的增加而明显增强。 四、基于小波变换的图像去噪方法 (一)小波系数收缩法 小波系数收缩法可分为小波阈值收缩法和小波比例收缩法两类。

常用图像去噪算法的比较与研究

第42卷 第6期2010年12月 西安建筑科技大学学报(自然科学版) J Xi an U niv.of Ar ch.&T ech.(N atural Science Edit ion) V ol.42 N o.6 Dec.2010常用图像去噪算法的比较与研究 王 民,文义玲 (西安建筑科技大学信息与控制工程学院,陕西西安710055) 摘 要:去噪是图像处理中极其重要的步骤.研究了常用的去噪算法并进行改进,还对常用去噪算法进行了对比实验,提出用峰值信噪比(PSN R)、最小均方差(M SE)、归一化绝对误差(N A E)相结合来衡量各种算法的去噪效果.实验表明,自适应中值滤波去除椒盐噪声的效果最好;改进的中值维纳滤波由于融合了二者的优点,其去噪效果和边缘保持能力较维纳滤波和中值滤波好. 关键词:去噪算法;中值滤波;维纳滤波 中图分类号:T P391 文献标志码:A 文章编号:1006-7930(2010)06-0895-04 图像在形成、传输和扫描等过程中,常因外界噪声干扰导致质量下降,影响视觉效果,给进一步处理带来不便.为减轻噪声对图像的干扰,避免误判和漏判,必须去除或减轻噪声.一个良好的去噪算法有以下几个优点[1]:(1)防止高估图像背景,有助于提取图像中模糊但很重要的像素点;(2)防止形成误导点,使得点匹配更可靠,更精确地决定了将进一步进行分析的重要像素点;(3)能更精确地估计点的性质. 图像在处理过程中,由于受到恶劣的天气、光学元件以及电子器件等一系列因素的影响,所含噪声通常是随机的.因此去噪时,针对具体噪声类型采用不同的去噪算法.本文研究了常用的去噪算法并进行改进,还对常用去噪算法进行了对比实验.在衡量去噪效果时,传统的做法是单独用峰值信噪比(PSNR)或最小均方差(MSE)来衡量,这种做法的缺点是可靠性和准确度不高.本文提出用峰值信噪比(PSNR)、最小均方差(MSE)、归一化绝对误差(NAE)相结合来比较各种去噪算法的效果.实验表明,自适应中值滤波去除椒盐噪声的效果最好,改进的中值维纳滤波对于高斯噪声和随机噪声有很好的抑制作用,本文提出的去噪性能评价方法具有较高的可靠性和准确度. 1 常用图像去噪算法 现阶段通常采用平滑滤波的方法消除噪声的影响.一个较好的平滑方法应满足两个条件[2]:(1)消除噪声;(2)不会使图像的边缘轮廓和线条变模糊. 1.1 均值滤波(AF) 均值滤波是线性滤波,用于去除图像通过扫描得到的颗粒噪声. 原理:用某像素邻域内几个像素灰度的平均值代替该像素的灰度值. 优点:经邻域平均后,噪声均值不变,方差减小M倍(M是某像素邻域内总的像素数),噪声强度变弱,抑制了噪声. 缺点:随着邻域的加大,图像的模糊程度也更严重. 1.2 改进的均值滤波(M AF) 为了弥补均值滤波的缺点,可以采用阈值法减少由于邻域平均产生的模糊效应. 原理:当某点邻域内,点的灰度平均值差不超过规定的阈值时,保留原灰度值不变,如果大于阈值,就用邻域内像素灰度的平均值代替该点的灰度值.阈值的选择要根据图像的特点做具体分析. 优点:如果合理选择阈值,可有效减少由于邻域平均产生的模糊效应. *收稿日期:2010-05-24 修改稿日期:2010-07-12 基金项目:陕西省教育厅专项资助项目(07JK292) 作者简介:王 民(1959-),男,陕西西安人,副教授,主要从事智能信息处理研究.

petrel中变差函数分析的几点认识

petrel中变差函数分析的几点认识 对于随机建模中反映储层非均质性最基本、最重要的首要步骤即建立空间变差函 数。 没有学过地质的人,就不要用petrel,这是我认为的,petrel只是个软件,你没有学过地质学这门专业,你只是个软件操作工,永远也不会有什么成就。所以如果你没学过地质,请先补习一下相关课程。 人们在油气田勘探开发时却有意或无意地忽略变差函数的求取,你在看视频的过 程中没发现么? 本帖隐藏的内容 对于我们学地质的来说,造成这种情况的主要原因在于地质数据的复杂性和有限性。由于沉积环境的变化导致物性参数等地质数据表出周期性、垂直方向和水平方向漂移(趋势分布)等特性, 结果致使变差函数空间结构不清楚, 草率确 定变差函数的模型及特征参数(变程、基台值和块金常数), 极大影响了随机条件模拟的最终实现, 直接关系到油气田开发产。记住关键词就是,地质数据的性质,去看看课本,应该会明白一些,地质数据有什么性质,就好比说孔隙度有什么性质,百度搜一搜啊。 各油田培训的时候,对于变差函数的讲解一般较笼统,或者说没有时间细讲。因为这是一门学科,它并不只是数学而是结合地质知识库,我庆幸自己是学地质的,而不是学数学的。 要认识到对于属性建模,是因为储层物性纵向上存在差异。 我提出几个问题,比如,多个河道叠加的韵律?海滩砂的韵律?它们的物性变化如何?粒度变化情况? 曲流河河道沉积的韵律如何?三角洲前缘河口砂坝沉积韵律如何?湖湘的 各个微相韵律如何? 三角洲前缘河口砂坝与水下分流河道组合是什么韵律? 或者说,对于做项目的你来说,你知道什么是水下分流河道么?你对它的粒度变化,韵律,层理等有了解么?你知道三角洲前缘河口砂坝的砂体特征么?你知道它和湖湘的区别么?如果你没有地质知识的基础,还谈什么建模?只是导入数据,谁不会呢? 另外,在我说的这么多情况下,你知道什么情况下可以计算变差函数,什么情况下应用效果不好,或者说从地质意义上来说根本不能用呢?我想对于一个地质专业毕业的本科生和学过地质统计学的人来说,应该很容易想明白。 你觉得多种微相组合下满足计算变差函数的二阶平稳或本征假设条件么?其结 构模型你头脑里有一个认识么?你在调整参数的时候脑子里有东西么?在漂移 现象出现的时候,你如何处理? 沉积作用对变差函数的影响是什么?变差函数是要对什么进行表征? 另外,我上面说的几种情况是变差函数什么方向上的计算问题? 储层中真实存在的(如岩心中的微裂缝导致的高渗透率值、钙质胶结砂体的较低孔隙度等)并处于一定的空间位置(与沉积环境或变质作用有关), 绝非人为误差所致。由于变差函数是通过差值平方和计算的, 故数据中的奇异值对变差函

数字图像去噪典型算法仿真与分析

数字图像去噪典型算法仿真与分析 个人信息********* 摘要:图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见的图像噪声;然后,在介绍图像去噪的基本方法和原理的基础上,讨论了均值滤波、中值滤波和维纳滤波三种典型的图像去噪方法;最后,对包含有高斯噪声和椒盐等噪声的图像进行去噪,并对其去噪效果进行了仿真和分析比较,得出了三种方法各自的适用性特点。 关键词:图像去噪;均值滤波;中值滤波;维纳滤波 Simulation and Analysis of Image De-noising Methods in Digital Image Name:*** (个人信息****) Abstract: Image denoising is one of the most important parts and steps of image processing. Firstly, the paper introduces the common image noise. Then, based on the principle and methods of eliminating image noise, it discusses mean filtering, median filtering, and Wiener filtering which are typical image donoising. Finally, it uses these methods to eliminate image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes the applicability of each method in different application.

相关文档
最新文档