图像降噪的英文名称是Image Denoising,
图像处理中的
专业术语。是指减少
数字图像中
噪声的过程,有时候又称为
图像去噪。
基本介绍
现实中的数字图像在数字化和
传输过程中常受到成像设备与外部环境
噪声干扰等影响,称为含噪图像或噪声图像。
产生分类
噪声是图像干扰的重要原因。一幅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。根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。)
1)
加性噪声,此类噪声与输入图像信号无关,含噪图像可表示为f(x,y)=g(x,y)+n(x,y),
信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;
2)
乘性噪声,此类噪声与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+n(x,y)g(x,y),飞点
扫描器扫描图像时的噪声,电视图像中的
相干噪声,胶片中的颗粒噪声就属于此类噪声。
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。
降噪方法
采用
邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与邻域半径成正比。
几何均值滤波器所达到的
平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图像细节。
谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像
高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理
脉冲噪声,但它有个缺点,就是必须要知道噪声是
暗噪声还是亮噪声,以便于选择合适的滤波器
阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。
它能根据图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的
均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。
维纳滤波器对具有
白噪声的图象滤波效果最佳。
它是一种常用的
非线性平滑滤波器,其基本原理是把
数字图像或数字序列中一点的值用该点的一个领域中各点值的
中值代换其主要功能是让周围像素
灰度值的差比较大的像素改取与周围的
像素值接近的值,从而可以消除孤立的噪声点,所以
中值滤波对于滤除图像的
椒盐噪声非常有效。
中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且,在实际运算过程中不需要图像的
统计特性,这也带来不少方便,但对一些细节多,特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。
将开启和闭合结合起来可用来滤除噪声,首先对有噪声图像进行开启操作,可选择
结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图像进行闭合操作,将图象上的噪声去掉。根据此方法的特点可以知道,此方法适用的图像类型是图像中的对象尺寸都比较大,且没有细小的细节,对这种类型的图像除噪的效果会比较好。
这种方法保留了大部分包含信号的
小波系数,因此可以较好地保持图像细节。
小波分析进行
图像去噪主要有3个步骤:(1)对图象信号进行
小波分解。(2)对经过层次分解后的高频系数进行阈值量化。(3)利用二维小波重构图像信号。