《去除高斯噪声的图像处理技术》由会员分享，可在线阅读，更多相关《去除高斯噪声的图像处理技术（9页珍藏版）》请在金锄头文库上搜索。
1、去除高斯噪声的图像处理技术-验证image enhancement based on noise estimation一概述大家都知道这样的一个事实，对图象躁声的处理存在一个平滑和锐化的矛盾。躁声在图象中对于高频部分的贡献比正常数据要大，也就是说它与它周围的象素存在“突变” ，这就是我们平滑的原因。但是“突变”也可能是边界，只进行平滑可能会模糊边界，得到不满意的结果。 “锐化”就是为了突显边界，这两者之间存在一个权衡。我们以 8 位的 BMP 图，和未知的高斯噪声为例子。为了能有效的验证我们算法的正确性，我们先写给出制造高斯躁声的程序（可以调节方差） ，然后给出有效的消除高斯躁声的算法。我们程
2、序的编译运行的环境是 WindowsXP 系统，VC+2005。二. 设计思路1.制造高斯躁声的设计：要研究图像的增强与恢复，就必须先了解噪声，高斯噪声是自然界中存在最广泛的噪声，因此也成为我们本次实验的对象噪声，其振幅分布服从高斯分布即正态分布。含有高斯噪声的图像，可以看成是图像的每一个像素值加上一个高斯分布的随机数。因此，要生成含高斯噪声的图像，就必须先产生高斯分布的随机数，然后再将随机数加入图像。根据 box-muller 算法，可以利用极坐标的原理，由均匀分布的随机数生成标准正态分布的随机数。但经测试，系统程序库中的随机函数 rand 生成的假随机数，在分布精度上并不满足均匀分布的统计
3、特性。故需要重新设定随机种子与随机算法，以生成较为严格的均匀分布随机数。2.消除高斯噪声的设计：这个算法是用于图象增强，但其设计是源于图象恢复，其实本质上也是种图象恢复。我们首先要估计出在原图象上的高斯躁声，用较为准确的估计值确定参数。我觉得最为关键的点，就在于方差估计算法的设计。在确定好参数以后，我们通过两次不同的平滑和一次锐化，可以有效的消除高斯躁声。具体的设计可以从算法设计中看出。三. 算法设计1.制造高斯躁声的算法：生成含高斯噪声的算法可以转化为两个算法的实现：第一，生成均匀分布随机数；第二，实现均匀分布随机数向高斯分布随机数转化的 box-muller 算法。系统程序库中的随机数发生
4、器 rand，实际上是一个函数子过程，通过线形同余法，即采用递推关系，这样使得计算量变得较少，但也因此造成了产生的随机数的序列相关性，因此，要设计或者改进这种随机数发生器，就必须破坏这种序列相关性。在本实验中，我们采用混洗的方法破坏序列相关性，即设 V1,V2,V3,Vn 是由 rand 产生的 n 个随机数，现随机的取一正整数 j（1=c*a )return 0;else if( i-c*a & ia & i-b*a & i-a & ia & ib*a & i-g & i-e & i-d & id & ie & i=g )return (-L+1);return 0;得到了 Gm 函数以后，
5、可以根据以下的函数：处理的象素集合是： 51,1,1,1,1, ijijijijijijijijWxxxx在这个集合上，运用公式； ,5, ,1(,)8mnijij nijxWydefg其中 y 是处理后的象素值（其对应的位置是 I,j） ，x 是处理前的象素值（其对应的位置是 I,j，上次处理的结果） ，d 可以根据预估计的 （公式是 d=(5/4*+25/4)）计算得到，其他的参数可以根据 e=128， m1=f/(e-d)=2,m2=(L-1-f)/(g-e)=0.5 得到，m1 是处理前的象素值和处理后的象素值差的绝对值在 d 和 e 之间时的直线斜率；m2 是处理前的象素值和处理后的
6、象素值差的绝对值在 e 和 g 之间时的直线斜率，可以从我们的 float Gm(BYTE soursData, BYTE aroundData, float d)函数中看出来。经过以上处理以后，我们可以得到较好的消除高斯躁声的图象。 四. 实验结果及其说明：测试 1：图片 1（没有躁声，也就是说 =0）经过我们的填加躁声处理后，得到图片 2（设定的 =16）：经过我们的预测函数，预测得到的 =16，可见该函数还是比较准确的：经过处理后的图象,=4 ：注：可以得到两点：1.我们的填加高斯躁声的程序是正确的，欲估 的函数也是比较有效的；2.针对高斯躁声的图象加强的方法虽然不能将图片恢复到原样，但
7、也取得了比较好的结果，证明了算法的有效。测试 2：选用了原论文上的图片，其原文上给出的 =10：我们的预估函数得到的 =10，再次验证该函数还是比较准确的：经过处理后的图象,=3 ： 再次验证算法的有效五. 总结在开始阅读国外论文的时候，有些地方不是很了解，经过思考也还存在些问题，尤其是在预估计这个地方，最后请教老师，感到有豁然开朗的感觉。做这个程序，我一直很感兴趣，因为感到一种直观的结果，很有意思。我试图给出另一些算法，用于和该算法进行对比，但在进行滤波处理后，用一次微分锐化总觉得很过了，反观这个算法，它并没有单一的处理，不是一条直线，所以能很好的避免锐化过分的问题，我想这也就是 float Gm(BYTE soursData, BYTE aroundData, float d)函数构造的思路。想想自己滤波的处理也并不好，这就是 float Bt(BYTE soursData, BYTE aroundData, float a, float b, float c)和两次不同角度的平滑的原因，这样也有利于后面的锐化，这只是我的想法。六. 参考资料image enhancement based on noise estimation -Fabrizio Russo数字图像处理第二版-冈萨雷斯
