《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》由会员分享，可在线阅读，更多相关《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（24页珍藏版）》请在金锄头文库上搜索。
1、 燕山大学课 程 设 计 说 明 书题目：同时含有椒盐噪声和高斯噪声的图像消噪处理 学院（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）任务书 院（系）： 基层教学单位： 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、基层教学单位、系部各一份。2015年 12 月 31 日 燕山大学课程设计评审意见表 指导教师评语：工作态度认真较认真不认真理论分析正确完善较为合理一般较差方
2、法设计完善合理一般较差成绩： 指导教师： 2015 年 12 月 31 日答辩小组评语：原理清晰基本掌握了解不清楚设计结论正确基本正确不正确成绩： 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 页目录一、噪声的分类.1二、滤波原理.1三、综合智能识别.1四、处理结果.15、程序.16、参考文献.1燕 山 大 学 课 程 设 计 共 21 页 第 1 页摘要在数字图像处理领域，图像噪声的滤除一直是最重要、最基本的研究课题之一。由高斯噪声和椒盐噪声叠加而成的混合噪声是数字图像
3、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
4、理效果优于传统滤波算法和修正后的阿尔法均值滤波算法。本论文所提出的算法均在 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：阿尔法均值滤波 中值滤波 维纳滤波 燕 山 大 学 课 程 设 计 共 21 页 第 1 页一、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 gfn（2）乘性噪声乘性嗓声和图像信号是
5、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、胶片颗粒造成等，这类噪声和图像的关系是 gffn（3）高斯噪声 高斯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
6、噪声都是高斯噪声。 高斯白噪声:如果某个噪声，它的功率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燕 山 大 学 课 程 设 计 共 21 页 第 1 页“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
7、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。 (x)(z)()x xaFfd1.3 高斯噪声的经典算法1.3.1 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 Y1x2N与各个采样值之间的偏差的平方之和最小，即: 21(y)iEi最小。而 Y 是由一元函数求极值的原理获得 11Niiyx2)算法特点: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
8、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。燕 山 大 学 课 程 设 计 共 21 页 第 1 页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xyS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*f xyS域中的像素计算出的算数平均值，即（m 和 n 是奇整数）*(s,t)S1(x,y)(s,t)xyf gmn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
9、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。其滤波模板为 :191（4） “椒盐”噪声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。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
10、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，因为滤燕 山 大 学 课 程 设 计 共 21 页 第 1 页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
11、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= 白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，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
12、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
13、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，其灰度值会明显燕 山 大 学 课 程 设 计 共 21 页 第 1 页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，可能在区域的边缘地区会有明显的跳跃。假设 ijx代表受到噪声干扰的图像中像素点（i,j）的灰度值， ijm是以点(i,j) 为中心，大小为 3x3 的窗口内所有图像点的中值，即 ,.,.1,1, jiijjiij xxMedm则有： 其 他0Tdmxfijijij式中， Td是预先设定的门限值， 1ijf表示图像点(i,j)是一个噪声点， 0ijf表示图像点
14、(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。(5)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。燕 山 大 学 课 程 设 计 共 21 页 第 1 页小于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
