同时含有椒盐噪声和高斯噪声的图像消噪处理图像课设论文(共25页)

1、 燕山大学课 程 设 计 说 明 书 题目(tm)：同时含有(hn yu)椒盐噪声和高斯噪声的图像消噪处理 学院(xuyun)（系）： 年级专业： 13级自动化仪表 学 号： 学生姓名： 指导教师： 吴晓光 教师职称： 讲师 燕山大学课程设计（论文(lnwn)）任务书院（系）： 基层教学(jio xu)单位： 学 号学生姓名专业（班级）设计题目 同时含有椒盐噪声和高斯噪声的图像消噪处理设计技术参数 设计要求 工作量 工作计划参考资料指导教师签字基层教学单位主任签字说明：此表一式四份，学生、指导教师、基层教学(jio xu)单位、系部各一份。2015年 12月 31 日 燕山大学课程设计评审(p

2、n shn)意见表指导教师评语：成绩： 指导教师： 2015年 12月31 日答辩小组评语： 成绩： 评阅人： 2015年 12月31 日课程设计总成绩：答辩小组成员签字： 吴晓光 2015年 12月 31日燕 山 大 学 课 程 设 计 共 21页 第 1页目录(ml)一、噪声(zoshng)的分类.1二、滤波(lb)原理.1三、综合智能识别.1四、处理结果.1程序.1参考文献.1 摘要 在数字图像处理领域，图像噪声的滤除一直是最重要(zhngyo)、最基本的研究课题之一。由高斯(o s)噪声和椒盐噪声叠加而成的混合噪声是数字图像中存在的一种典型噪声。而传统方法对于这种类型噪声的处理效果往往

3、(wngwng)是不尽如人意的，主要表现在滤除图像噪声的同时会对图像细节产生丢失。 绝大部分自然图像几乎同时含有椒盐噪声和高斯噪声，简单的使用传统的滤波算法不能获得理想的滤波效果。为了解决混有这两种噪声图像的滤波问题，分别针对以椒盐噪声为主的混合噪声图像和高斯噪声为主的混合噪声图像，提出了双阂值滤波算法。 这种算法是在修正后的阿尔法均值滤波算法的基础上做了两方面的改进:首先，提出在图像邻域内为不同灰度值的像素点给出归一化的权值，用这些权值和其对应的灰度值共同决定滤波输出。其次，所设计的权值可以用修正因子来进行微调，来获得理想的滤波效果。实验证明，其处理效果优于传统滤波算法和修正后的阿尔法均值滤

4、波算法。 本论文所提出(t ch)的算法均在MATLAB上进行了仿真，并进行相应的新旧算法比较，本文介绍有中值滤波，均值滤波等经典的滤波的算法，通过与改进(gijn)后的自适应中值滤波和维纳滤波进行对比。主题词：阿尔法均值(jn zh)滤波 中值滤波 维纳滤波 一、噪声的分类 在我们的图像中常见的噪声主要有以下几种:（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。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 （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

5、片颗粒造成等，这类噪声和图像的关系是（3）高斯噪声 高斯(o s)噪声是数字图像的主要噪声源，高斯噪声是一种随机噪声，在任选瞬时中任取n个，其值按n个变数(binsh)的高斯概率定律分布。1、高斯噪声完全是由两瞬时的协方差函数和它的时变平均值来确定，如果噪声是平稳(pngwn)的，则平均值与时间无关，此时协方差函数则变成只与所探讨的两瞬时之差有关的相关函数，在意义上与功率谱密度等同。2、高斯噪声可以是大量独立的脉冲所产生的，从而在任何有限时间间隔内，这些脉冲中的每一个脉冲值与所有脉冲值的总和相比都可忽略不计。3、实际上热噪声、散弹噪声及量子噪声都是高斯噪声。 高斯白噪声:如果某个噪声，它的功率

6、谱密度服从均匀分布，而幅度分布服从高斯分布，则称其为高斯白噪声。散粒噪声和热噪声都是高斯白噪声，所谓高斯白噪声中的“高斯”是指概率分布函数是正态函数，而“白噪声”则是指它的一阶矩为常数，二阶矩不相关，表示为先后信号在时间上的相关性。这是考查一个信号的两个不同方面的问题。时变信号是信号的幅度随时间变化的信号，幅度不随时间变化的信号，即幅度保持为常数的信号叫时不变信号。高斯白噪声是指信号中包含从负无穷到正无穷之间的所有频率分量，且各频率分量在信号中的权值相同。白光包含各个频率成分的光，白噪声这个名称是由此而来的。它在任意时刻的幅度是随机的，但在整体上满足高斯分布函数。1.3高斯噪声的经典算法1.3

7、.1算术均值滤波法 1）算法原理:算术平均滤波是根据N个采样数据、，寻找Y，使得Y与各个采样值之间的偏差的平方之和最小，即:最小。而Y是由一元函数求极值(j zh)的原理获得 2)算法(sun f)特点:此算法对于周期性波动的信号具有很好的滤波平滑效果，比较适用于那些具有随机干扰的信号的滤波。此种算法对于信号的滤波效果和平滑程度将取决于N的值。N较小时，平滑度低，滤波效果不太明显。N较大时，灵敏度低，平滑度高，实时性差。而此算法的主要缺陷在于:不适用对要求计算速度较快或者测量速度较慢的实时控制(kngzh)。3)算术均值滤波器算术均值滤波器是最简单的均值滤波器。令表示中心在点(x, y)处、大

8、小为m*n的矩形子图像窗口(邻域)的一组坐标。算术均值滤波在定义的区域中计算被污染图像g（x,y）的平均值。在点(x, y)处复原图像的值，就简单地使用定义的区域中的像素计算出的算数平均值，即（m和n是奇整数）这个操作可以使用大小为m*n的一个空间滤波器来实现，其所有的系数均为其值的1 /mn。均值滤波平滑一幅图像中的局部变化，虽然模糊了结果，但降低了噪声。这个操作可以用其系数为1 /mn的卷积模版来实现(shxin)。其滤波模板为:（4）“椒盐(jioyn)”噪声(zoshng)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。

9、去噪后的图像一般需要考虑三个方面的因素:1.噪声衰减程度2.区域平滑程度3.边缘保持程度。去嗓后的图像保持尽可能地衰减噪声，尽可能地平滑区域，尽可能地保持图像边缘鲜明。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。椒盐噪声往往由图像切割引起。去除脉冲干扰和椒盐噪声最常用的算法是中值滤波。路面图像被看作为结构光图像，一般运用区域分割技术里的阂值分割法来去除白噪声和一些椒盐噪声，而一般不能运用中值滤波来滤除白噪声和部分椒盐噪声，因为滤波器模板在图像中漫游的时候会影响光条中像素的灰度分布，给之后重心法的细化过程带来负面影响。从大量实验研究中可发现，通过摄像机拍摄获取的图像受

10、椒盐噪声、离散脉冲和均值为零的高斯噪声的影响很严重。图像噪声给数字图像处理带来了许多困难，对图像识别、特征提取、图像分割等有直接的影响。因此，实时采集获得的图像必须经过滤波预处理。去除图像里的那部分噪声成份被称为图像的滤波或平滑化操作。平滑的目的有两个:一是为了适应计算机处理过程中的要求，滤除掉图像数字化过程中所混入的部分噪声;二是提取出处理对象的一些特征作为图像识别时的特征模式。而滤波处理过程中的要求也有两条:一是不能破坏图像轮廓和边缘等重要的信息;二是使图像变得更清晰，视觉效果更好。椒盐噪声是指两种噪声，一种是盐噪声(salt noise)，另一种是胡椒噪声(peppernoise)。盐=

11、白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般(ybn)两种噪声同时出现，呈现在图像上就是黑白杂点。处理方法：中值滤波法在滤除椒盐噪声的领域应用的十分广泛。可是中值滤波在滤除椒盐噪声时有其固有的不足，比如中值滤波法并不能非常好地保护图像边缘和图像中的大部分细节信息，因此中值滤波在细节和边缘要求比较严格的情况下并不能得到人们理想的处理效果。1.4.1自适应(shyng)中值滤波法传统的中值滤波方法只能一致地应用到整个图像，无论图像点的好坏均会受到该滤波窗口的影响，这样势必会影响到未受噪声(zoshng)干扰的图像细节。为了解决这个问题，提出了一种简单且易实现的“自适应中值滤波法”，该

12、方法既可有效滤除严重的噪声干扰，又能较好保持图像细节。该方法首先必须将整个图像分割成为L个子图像，之后依次统计出每一个子图像中噪声点的个数，再依照子图像里噪声点的个数，在每一个子图像中自动选取滤波窗口的尺寸。 在实现此方案的过程中，首先必须进行整体噪声检测。而噪声检测算法的实现是来源于对随机噪声图像的两点假设:一是受到污染的噪声点从局部来看，其灰度值会明显低于或高于其邻域中的其它像素点的灰度值;二是假若没有受到随机噪声的干扰的数字图像局部应当是相对平稳的，可能(knng)在区域的边缘地区会有明显的跳跃。假设代表受到噪声(zoshng)干扰的图像中像素点（i,j）的灰度值，是以点(i,j)为中心

13、，大小为3x3的窗口内所有(suyu)图像点的中值，即则有：式中，是预先设定的门限值，表示图像点(i,j)是一个噪声点，表示图像点(i，j)是一个未受污染的好点。 在完成自适应中值滤波随机噪声的检测之后，可将图像里的全部像素分为两大类:噪声点和好点(没有受到噪声污染的点)，之后再根据实际中图像被污染的情况，自动选择每个子图像所能适用的中值滤波函数窗口的尺寸，进行自适应中值滤波。其详细步骤如下:(1)检测随机噪声，确定好点和噪声点。(2)将图像分割成L个预处理的子图像。(3)分别计算各个子图像中好点和噪声点的个数。(4)如果噪声点的个数大于某个设定的阂值，则对该子图像采用5x5大小的窗口进行 中

14、值滤波;反之，则对该子图像采用3x3大小的窗口进行中值滤波。将经上述处理的L个子图像合成起来，以得到消除噪声的恢复图像。 小于3*3滤波5*5滤波输入到目标数组大于统计各子图像点个数噪声点个数是否大于阀值读入图像将图像分割为L个子图像N是否大于L输出图像小于大于检测子图像噪声点 这种自适应中值滤波方法通过(tnggu)将待处理的图像分割为L个子图像，然后再根据每个子图像受噪声污染的实际情况，自动地选择滤波窗口的大小。这样既可有效滤除严重的噪声干扰，同时也保持了图像的细节。二、滤波(lb)原理2.1滤波(lb)图像复原逆滤波法是最简单的图像恢复方法。对1式两边作二维傅立叶变换，得到为成像系统的转

15、移函数。估算得到的恢复图像的傅立叶变换为若知道转移函数，上式经反变换即可得到恢复图像。逆滤波恢复法会出现病态性，若，而噪声，则比大很多，使恢复出来入与相差很大，甚至面目全非。考虑到降质系统的转移函数的带宽比噪声要窄的多，其频率特性也具有低通性质，因此可令逆滤波的转移函数为2.2维纳滤波复原(f yun)逆滤波简单，但可能(knng)带来噪声的放大，而维纳滤波对逆滤波的噪声放大有抑制作用。维纳滤波是寻找一个滤波器，使得复原后图像与原始(yunsh)图像的方差最小，即如果图像和噪声不相关，且有零均值，则可导出维纳滤波器的传递函数为式中和分别为噪声和原始图像的功率谱。和是未知的，常用常数K来近似。2

16、.3滤波算法逆滤波简单，但可能带来噪声的放大，而维纳滤波对逆滤波的噪声放大有抑制作用。维纳滤波是寻找一个滤波器，若混有噪声图像设为g，大小为滤波的输出为f。对混有噪声的图像进行从上到下从左至右的滤波。2.3.1噪声检测以含噪图像g中像素点A（i，j）为中心选取一个像素为3x3窗口S计算出滤波窗口内像素点的方差:其中令其阀值为T。若时，则判定为此滤波窗口内被椒盐噪声(zoshng)所污染;反之若时，则判定为该滤波(lb)窗口被高斯噪声所污染。 依据上述判定(pndng)方法，如果滤波窗口中像素点受到椒盐噪声的污染，则计算出滤波窗中灰度的最小值min和最值max。把滤波窗中每一个像素点g（i,j）

17、其中与最小值和最大值进行对比，去除所有等于最小值或是最大值的像素点，若此时滤波窗中剩下的像素点N不为零，则可计算出剩下像素点的平均值M，并求出平均像素g(i,j)的灰度值和滤波窗口中点处的像素点灰度值的差的绝对值即d=IM-g(i,j )I。将此绝对值和提前设定好的阂值T进行比较，如果dT，则输出余下的像素点均值M，若dT，则输出滤波窗口中点处像素的灰度值。此处阂值T的选取，与该图像局部性质有关。由韦伯定理可知，人的视觉对噪声的敏感度在亮区域要比暗区时小，故在亮区域时可以进行适当的减弱去噪，进而保持图像细节，而在暗区域时，则需要尽可能的抑制噪声。由此可知，阂值的选取域是滤波窗口平均灰度值的一次

18、函数。表示为:T=-k* m+b。其中k和b的值需要经过多次试验才能决定。此文试验中k=0.15, b=80，如果滤波窗口中剩余的像素n为零，则必须将滤波窗口的尺寸扩大为5x5，并重复以上算法。若此时剩余像素仍为零则图像输出为:若判断滤波窗内未被椒盐噪声污染，则先计算出滤波窗内像素的梯度绝对值:如果(rgu)梯度值大于某一给定的阂值T,T=-k*m+b，其中(qzhng)k=0.3 ,b=160则直接输出原像素。否则输出滤波窗像素灰度值均值。重复上述算法直至(zhzh)完成所有像素点的滤波处理，最后得到除噪后的图像f。 1)最大值和最小值滤波器。 尽管中值滤波器是目前数字图像处理中最常用的一种

19、顺序统计滤波器，但他绝不是唯一的一种。中值相当于按从小到大或从大到小顺序排列中间的那个数值，人们会从基本的统计学想到还有很多其他的可能性。例如，可以运用序列中的最后一个数值，得到最大值滤波器，由下式给出:上述滤波器在寻找出图像中最亮点的时候十分管用。同样，由于“胡椒”噪声的值比较低，作为图像区域，中的最大值来选择结果时，可以使用这种滤波器来消除。而起始位置的滤波器被称作最小值滤波器:此种滤波器在探索图像中的最暗点的时候十分有用。同样，作为图像区域中的最小值来选择结果时，可以用来消除“盐噪声2)中点滤波器中点滤波器是在滤波器涉及范围内计算最大值和最小值之间的中点: 这种滤波器结合了顺序统计和求平

20、均，对于高斯和均匀随机分布这类噪声有很好的滤除效果。 3)修正(xizhng)后的阿尔法均值滤波器假设(jish)在邻域(ln y)内去掉g(s,t)中最低的灰度值d/2和最高的灰度值d/2。用g ( s,t)来表示剩余的mn-d个像素。由这些剩余像素点的平均值所形成的滤波器称为“修正后的阿尔法均值滤波器 其中d的取值可以在0到mn-1之间的任何数。若d=0时，该滤波器就退化成算术均值滤波器。假如选取d=（mn-1) /2，此滤波器将变为中值滤波器。当d取其他值时，此种滤波器在混有多种噪声的情况下也十分适用。比如椒盐噪声和高斯噪声混合在一起的情况下。2.4改进后新的高斯椒盐混合去噪算法2.4.

21、1自适应中值滤波为了尽量保留图像细节，用自适应中值滤波对图像进行预处理。对处理后的图像记为im_med.其处理方法如下:表示一个要处理的中心点在(i,j)处的2N+1x2N+1的子窗口表示图像中的最小亮度值表示图像中的最大亮度值表示图像中的亮度的值im(i,j )表示图像坐标在(i,j )处的亮度值判决(pnju)方法:Step 1:如果(rgu)则转向(zhunxing)Step2 否则增加窗口尺寸 若窗口尺寸2N+1重复Step 1 否则输出Step2:如果im_ winner(i,j)，则认为该点受到高斯噪声污染，im_new(i,j)=im_winner(i,j ) ;2)若某个像素点

22、im med(i,j)im_winner(i,j)，则认为该点受到椒盐噪声污染，im_new(i,j)=im_med(i,j );3)若im ( i,j)是im_canny中的点，则im ( i,j )=边线的中值;4)若某个像素点im(i,j)与im_med(i,j)和im_winner(i,j)的差都在某个阂值T范围内，则认为该点没有被噪声污染，则im_new(i,j)=im(i,j3.2算法流程图取最小值Y输入噪声图像中值滤波维纳滤波Canny二值化保留图像边缘像素值取边缘像素中值阀值判决像素择优输出图像Y四、处理结果 五、程序(chngx)I=imread(C:UsersAdminis

23、tratorDesktop1.jpg);I=rgb2gray(I);subplot(2,3,1);imshow(I);title(原始(yunsh)图像);im_noise=imnoise(I,gaussian,0.004);%将均值为0,方差为0.004的高斯噪声添加(tin ji)到图像I中im_noise=imnoise(im_noise,salt & pepper,0.05);%0.05噪声值的图像区域的百分比subplot(2,3,2);imshow(im_noise);title(混有高斯和椒盐噪声);%自适应中值滤波im_med=adpmedian(im_noise,7);%7是

24、允许的最大自适应滤波器窗口的大小subplot(2,3,3);imshow(im_med);title(中值处理);%维纳滤波m,n=size(I);im_noise=imnoise(I,gaussian,0.02);%将均值为0,方差为0.02的高斯噪声添加到图像I中subplot(2,3,4);imshow(im_noise);title(高斯(o s)噪声);for N=1:4 for i=N+1:m-N for j =N+1:n-N im_avg(N,i,j)=mean2(im_noise(i-N:i+N,j-N:j+N);%计算(j sun)矩阵元素的平均数 im_var(N,i,j

25、)=std2(im_noise(i-N:i+N,j-N:j+N)2;%计算矩阵(j zhn)元素的方差 end endendim_mean_varl=mean2(im_var(1,2:m-1,2:n-1);%计算矩阵元素的平均数im_mean_var2=mean2(im_var(2,3:m-2,3:n-2);im_mean_var3=mean2(im_var(3,4:m-3,4:n-3);im_mean_var4=mean2(im_var(4,5:m-4,5:n-4);im_new=im_noise;%修正后的阿尔法均值滤波器im_mean_var=zeros(m,n);im_N_var=ze

26、ros(m,n);im_max_var=zeros(m,n);for i=5:m-5 for j=5:n-5 im_min_avg(i,j)=min(im_avg(1,i,j),im_avg(2,i,j),im_avg(3,i,j ),im_avg(4,i,j ) ); for N=1:4 if im_avg(N,i,j)=im_min_avg(i,j); im_mean_var(i,j)=mean2(im_var(N,i-N:i+N,j-N:j+N); im_N_var(i,j)=im_var(N,i,j); im_max_var(i,j)=max(im_var(N,:); im_new(i

27、,j)=im_avg(N,i,j); end end endendq=im_mean_var./(im_N_var+1);dat=im_N_var./(im_mean_var+im_max_var+1);im_winner=uint8(double(im_new)+(1-q+dat).*(double(im_noise-im_new);subplot(2,3,5);imshow(im_winner);title(维纳滤波图片);im_end=min(im_med,im_winner);%择优%边缘(binyun)择优im_edge_winner=edge(im_winner,canny); f

28、or i=3:m-2 for j=3:n-2 if im_edge_winner(i,j) im_mask=im_noise(i-2:i+2,j-2:j+2); w=im_mask(im_edge_winner(i-2:i+2,j-2:j+2); im_end(i,j)=median(double(w); end end end %像素(xin s)择优im_logic_med=double(abs(im_noise-im_med)./double(im_med)0.001;im_logic_winner=double(abs(im_noise-im_winner)./double(im_winner)0.001;im_logic_end=im_logic_med & im_logic_winner;for i=1:m for j=1:n if im_logic_end(i,j) im_end(i,j)=im_n