图像去噪算法研究PPT教案.pptx

会计学
1
图像去噪算法研究
研究意义
►图像噪声会妨碍人们对图像的理解，去噪的目的就是提高人们对图像的认识
►图像去噪有利于对图像进行进一步的处理，如增强图像，图像边缘检测等
图像中的噪声类型
◄按照对信号的影响可以将噪声的模型分为加性噪声和乘性噪声两类：
◄加性噪声
该类噪声与图像信号强度无关，这类带噪声的图像可看做无污染的图像与噪声之和，可表示为 g = f + n;
◄乘性噪声
该类噪声与图像信号有关，如电视扫描光栅，医学图像的散斑噪声，可表示为 g = f + f * n;
图像去噪经典算法
►图像去噪方法大体可分为基于空域和频域
基于空间域：
均值滤波器
中值滤波器
双边滤波
基于频域：
傅里叶变换
小波变换
均值滤波器
原理：给定一个模板（3x3,5x5等），用模板中的全体像素的均值来替代原来模板中心像素值。
则平滑化后的图像为：
均值去噪效果
原图 添加gaussian 3x3滤波后 5x5滤波
由上图可知，均值滤波器执行速度快，但是易造成图像边缘模糊，因为它对所有的点同等对待，再将噪声点分摊的同时，也将图像边缘点分摊，造成图像模糊
为了改善均值滤波的模糊，可采用加权平均的方式构造滤波器，如
加权均值去噪效果
双边滤波算法
双边滤波模板主要有两个模板生成，第一个是高斯模板，第二个是以灰度级的差值作为函数系数生成的模板。然后这两个模板点乘就得到了最终的双边滤波模板。
原图 双边滤波后
中值滤波
►原理：与均值滤波类似，该算法将模板中的点按灰度值排序，用处于中间的点代替模板中心像素点
原图 加入椒盐噪声 3x3中值滤波后 加入高斯噪声后 3x3滤波
结论：中值滤波对椒盐噪声的滤波较好，对高斯噪声的滤波较差