《基于dsp的图像去噪实现.doc》由会员分享，可在线阅读，更多相关《基于dsp的图像去噪实现.doc（34页珍藏版）》请在金锄头文库上搜索。
1、摘 要数字图像在产生、传输、处理、储存的过程中，不可避免地受到各类噪声的干扰导致信息难以获取，这就直接影响后期处理的效果。因此在对图像进行后续操作前必须进行提前加工处理，而图像去噪就是一种重要的方法之一。 图像噪声有很多种类，本文主要研究椒盐噪声和高斯噪声。中值滤波是一种非线性数字滤波器技术，中值滤波的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邻域中各点值的中值代替，从而消除孤立的噪声点。本文以灰度图像去噪为研究课题，通过使用DSP平台对图像分别加入椒盐噪声和高斯噪声，再进行中值滤波处理对比仿真结果，得出中值滤波能有效去除椒盐噪声的结论。也提出了一些中值滤波的优化改进算法思想。关键词
2、: 图像去噪；DSP；椒盐噪声；高斯噪声；中值滤波 1目录摘要.I1 设计方案.11.1 设计目的.11.2 设计内容及要求.12 数字图像基础 .1 2.1数字图像 .12.2数字图像灰度化.22.3噪声的分类与特点.32.4灰度图像噪声的清除.72.5图像去噪效果的评价方法.103 中值滤波.113.1标准中值滤波.11 3.2中值滤波的改进算法.144 算法及DSP仿真.184.1算法.184.2仿真.225 设计总结.30参考文献.31致谢.321 设计方案1.1 设计目的通过对课程设计任务的完成，使学生理解课程教学的理论内容，并且能够掌握和熟悉DSP的开发流程和基本的编程方法。同时，
3、由于设计中涉及到各种器件的使用，可以提高学生综合运用各种技术和知识的能力。1.2 设计内容及要求基于DSP技术完成图像取反设计，具体要求如下： （1）总体方案设计。 （2）设计出软件编程方法，并写出源代码。 （3）仿真与结果分析。 （4）论文格式要符合学院的统一规定，结构要合符逻辑，表达要得体。2数字图像基础 2.1数字图像 在人们的视界里，图像分为彩色和黑白。对于彩色图像，按照色度学理论：任何颜色都可由红、绿、蓝三种基本颜色按不同的比例混合得到。这样，自然界的图像可以用基于位置坐标的三维函数来表示，即：利用 f 表示空间坐标点的颜色函数，fred、fgreen、fblue分别表示该点颜色的红
4、、绿、蓝三种原色的分量值。由于平面上每一点仅包括两个坐标(x, y),所以我们可以将空间三维函数转化为二维函数。对于黑白图像，就比彩色图像简单多了，只需要用表示该点图像的灰度（强度）即可。我们所说的数字图像是相对于模拟图像而言的。是将图像按空间坐标和明暗程度的连续性分类得到的：(1) 模拟图像指空间坐标和明暗程度都是连续变化的图像，计算机无法对其直接处理。即是空间的连续函数，为连续的空间，即在连续空间内，每一个点都有一个精确的值与之相对应。(2) 数字图像是一种空间坐标和灰度均不连续的、用离散的数字表示的图像，这样的图像才能被计算机处理。由于计算机仅能处理二进制数据，如果要用计算机来处理图像的
5、话，必须把连续的图像函数转化为离散的数据集。经过离散化处理，原来连续的模拟图像就变成了由许多像素依据一定规则形成的数字图像来近似表示，一般用一个矩阵表示那些离散的数据，每一个离散的矩阵元素表示一个像素的颜色值。把像素依据不同的方式组织和存储，就形成了不同的图像格式，把图像数据存成文件就会得到相应的图像文件。由于是数字图像，那么对于一幅黑白图像来说，只要把各个像素赋值为0或1即可，我们用1 表示白色，用 0 表示黑色，于是我们把一幅黑白图像称为二值图像，彩色图像或其它图像转化为黑白图像的过程叫做二值化。对于一幅彩色图像，每个像素我们都需要用3个取值范围为0,255之间的整数值来分别表示红、绿、蓝
6、三原色分量，且这些分量都是用整型数据表示，称之为像素颜色的R, G, B值。表示一个取值范围为0,255的整型数据，需要占用 8bit 空间，三个 R, G, B这样的整型数据就需要用24bit 来存储，所以，我们常把一幅真彩色位图称为 24 位位图。在对数字图像进行处理的过程中，一般先把 24 位的位图转化为灰度图像，然后再进行相关的处理。所谓灰度图像，就是把图像矩阵中每个像素的值用1个0,255 内的整型数据表示。如果彩色图像的R, G, B三个分量相等就成为灰度图像。灰度图中的每个像素只需要占有 8bit 空间，所以，灰度图像通常也被称为 8 位位图。 2.2数字图像灰度化 对数字图像进
7、行灰度化处理，主要方法有以下三种： 1.最大值法：使 R、G、B 的值等于三个值中最大的一个，即： R=G=B=max(R,G,B) 最大值法会使灰度图像亮度变高。 2.平均值法：使 R、G、B 的值等于三个的平均值，即： R=G=B=(R,G,B)/3 平均值法会形成比较柔和的灰度图像。 3.加权平均值法：根据重要性或敏感度等其他指标的要求给R，G，B 设定不同的权值，并使R、G、B值加权，即： 其中，, , 分别为R, G, B的权值。, , 取不同的值，加权平均值法将形成不同的灰度图像。人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此让可以得到合理的灰度图像。实验和理
8、论推导都表明，当, , 时，即： 此时，R, G, B, 的取值就是该像素的亮度值，此时得到的灰度图像最合理。2.3噪声的分类与特点 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。噪声通常是一种随机信号，不可能预测，因此它只能用概率统计的方法来分析。使用某种方法从被摄体或信息源把信息传递给受看者时，如果通过视觉接收平面二维亮度分布，那么对这种接收起干扰作用的亮度分布就叫图像噪声。噪声存在于图像的获取、传输和处理的各个环节。因此，去噪己经成为图像处理中极其必要的步骤之一，同时也是图像处理领域中一个重点研究的课题。本节先对噪声的来源和性质进行简要的介绍。 黑白图满足二维亮度分布函
9、数，则噪声就是对亮度的干扰，用来表示。因为噪声具有随机性，所以我们需要用随机过程来描述，也就是说要求知道噪声的分布函数和密度函数。然而，在许多情况下，这些函数难以确定和描述，甚至根本无法得到，所以我们只能用统计方法来描述噪声，例如均值、方差、自相关函数等。 描述噪声的总功率： 噪声的交流功率利用方差描述：噪声的直流功率利用均值的平方表示： 一般在图像处理技术中常见的噪声有如下几种：白噪声、椒盐噪声、脉冲噪声、量化噪声等，我们重点介绍高斯噪声和椒盐噪声。2.3.1椒盐噪声 椒盐噪声（Pepper Noise） ：是一种脉冲噪声，它在图像中产生黑色点和白色点。这种噪声在图像中表现非常明显，对图像具
10、有严重的破坏作用，极大地妨碍了图像分割、边缘检测、特征提取等后续处理。它的噪声概率密度函数可表示为：因为脉冲信号的强度通常比图像信号强度要大的多，因此脉冲噪声可以用灰度极限值（黑或白）来量化。我们一般假设a 和b 作为所取图像允许的最大灰度和最小灰度值，即“饱和”值。如果, 灰度 b在图像中表示为白点，而灰度 a 在图像中表示为黑点。如果或等于0，这时脉冲噪声被称之为单极性噪声。如果和都不等于0，但两者大小接近，这时脉冲噪声就像椒盐随机洒在图像上一样，因此，我们把双极性的脉冲噪声也叫做椒盐噪声。2.3.2高斯噪声所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。高斯分布，也
11、称正态分布，又称常态分布，记为，其中, 为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p(x)也就确定了，特别当=0，=1时，X的分布为标准正态分布。高斯随机变量z的PDF如下式： 其中z表示灰度值，表示z的平均值或期望值，表示z的标准差。标准差的平方称为z的方差。当z服从式（1-8）的分布时候，其值有70落在内，且有95落在范围内。2.3.3其他各类噪声1. 均匀噪声分布均匀噪声的概率密度在较宽的频率范围内有固定的频谱分布，均匀噪声分布的概率密度，由下式给出： 概率密度函数的期望值和方差可由下式给出： 2. 瑞利噪声瑞利噪声是指频谱服从瑞利分布的噪声，瑞利分布（Rayleigh D
12、istribution）是指一个均值为(0.5*2)(0.5)，方差为(2-0.5*)*2的平稳窄带高斯过程，其包络的一维分布是瑞利分布。当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分布时，这个向量的模呈瑞利分布。两个正交高斯噪声信号之和的包络服从瑞利分布。它的概率密度函数由下式给出： 概率密度的均值和方差由下式给出： 3. 伽马(爱尔兰)噪声伽马噪声的PDF如下式： 其中，a0，b为正整数且“!”表示阶乘。其密度的均值和方差由下式给出：4. 指数分布噪声指数噪声的PDF可由下式给出： 其中a0。概率密度函数的期望值和方差是： 2.3.4图像系统噪声的特点 1噪声的扫描变换 在对图像处理时，首先先把二
