数字视频图像处理.pptx

《数字视频图像处理.pptx》由会员分享，可在线阅读，更多相关《数字视频图像处理.pptx（28页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、一 图像噪声的概念和图像去噪的意义1 什么是图像噪声？在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质。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”。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。第1页/共28页一 图像噪声的概念和图像去噪的意义2 图像去噪的意义是什么？（Image Denoising)为了获取高质量数字图像，很有必要对图像进行降噪处 理，尽可能地在保持原始信息完整性（即主要特征）的同 时，又能够去除信号中无用的信息。作为一种重要的预处理手段，图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到

2、后续的图像处理工作如图像分割、边缘检测、图像特征提取等等。降噪处理一直是图像处理和计算机视觉研究的热点。第2页/共28页一 图像噪声的概念和图像去噪的意义3 图像降噪的目的图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息。第3页/共28页二 图像噪声的种类按照噪声的成因分为常见的四类：加性噪声、乘性噪声、量化噪声、椒盐噪声（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

3、f 与噪声n之和，即：第4页/共28页二 图像噪声的种类2 乘性噪声乘性嗓声和图像信号是相关的，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、胶片颗粒造成的图像结果等。这类噪声和图像的关系是：为了分析方便，往往将乘性噪声假定为加性噪声，并假定信号和噪声是相互独立的。第5页/共28页二 图像噪声的种类3 量化噪声量化嗓声是数字图像的主要噪声源，其大小显示出数字图像和原始图像的差异。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。第6页/共28页三 图像噪声的模型1 噪声信号是随机过程噪声在理论上可以

4、定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。通常是用其数字特征，即均值方差，相关函数等。因为这些数字特征都可以从某些方面反映出噪声的特征。2 分类从噪声的概率分情况来看，可分为高斯噪声、瑞利噪声、伽玛噪声、指数噪声和均匀噪声。第7页/共28页三 图像噪声的模型（1）高斯噪声在空间域和频域中，高斯噪声在数学上的易处理性。这种噪声(也称为正态噪声)模型经常被用在实践中。高斯随机变量

5、Z的PDF由下式给出：第8页/共28页三 图像噪声的模型（2）脉冲噪声(椒盐噪声）（双极）脉冲噪声的PDF可由下式给出：如果ba，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。若Pa或Pb为零，则脉冲称为单极脉冲。如果Pa和Pb均不可能为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。由于这个原因，双极脉冲噪声也称为椒盐噪声。第9页/共28页三 图像噪声的模型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（pepper noise）。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，

6、呈现在图像上就是黑白杂点。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。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。第10页/共28页三 图像噪声的模型第11页/共28页三 图像噪声的模型（3）瑞利噪声 其均值和方差分别为：第12页/共28页三 图像噪声的模型（4）伽马噪声其密度的均值和方差为：第13页/共28页三 图像噪声的模型（5）指数分布噪声其中a0，概率密度函数的期望值和方差是：第14页/共28页三 图像噪声的模型（6）均匀噪声其均值和方差分别为：第15页/共28页四 图像去噪算法1 空间域滤波空域滤波是在原图像上直接进行数据运算

7、，对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法(均值滤波）、中值滤波、低通滤波等。2 变换域滤波图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。第16页/共28页四 图像去噪算法（3）偏微分方程偏微分方程是近年来兴起的一种图像处理方法，主要针对低层图像处理，并取得了很好的效果。偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好地保持边缘。偏微分方程在低噪声密度的图像处理中取得了较好的效果

8、，但是在处理高噪声密度图像时去噪效果不好，而且处理时间明显高出许多。（4）变分法另一种利用数学进行图像去噪的方法是基于变分法的思想，确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态。现在得到广泛应用的全变分TV模型就是这一类。这类方法的关键是找到合适的能量方程，保证演化的稳定性，获得理想的结果。（5）形态学噪声滤除器将开与闭结合可用来滤除噪声，首先对有噪声图像进行开运算，可选择结构要素矩阵比噪声尺寸大，因而开运算的结果是将背景噪声去除；再对前一步得到的图像进行闭运算，将图像上的噪声去掉。此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像除噪效果会较好

9、。第17页/共28页五 常用图像去噪方法1 均值滤波均值滤波算法，也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，改进的主要目的是避免对景物边缘的平滑处理。图像中加入均值为0，方差为0.005的高斯噪声。不同邻域大小。观察结果：使用均值滤波去噪（高斯噪声）效果选用的邻域半径越大效果越好，当然其代价也会更大，另外确切的去噪效果的好坏还需要用SNR等数据来度量。代价：边缘平滑第18页/共28页五 常用图像去噪方法1 均值滤波标准均值滤波算法的平均效果会引起图像模糊。模糊程度和滤波窗口大小成正比。选择较小的滤波

10、窗口能保护图像细节部分，但是去噪能力较弱；选择较大的滤波窗口虽然能得到较强的去噪能力，但是图像会变得模糊。第19页/共28页五 常用图像去噪方法2中值滤波基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口。当窗口移动时，利用中值滤波可以对图像进行平滑处理。特点：其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。设f(x，y)表示数字图像像素点(x，y)的灰度值，滤

11、波窗口为A的中值滤波器可以定义为：当n为奇数时，n个数x1，x2，xn的中值就是按数值大小顺序处于中间的数；当n为偶数时，我们定义两个中间数平均值为中值。第20页/共28页五 常用图像去噪方法2中值滤波 文：一种基于四阶累积量的自适应的均值滤波算法 电子技术应用 2007年5月8日第21页/共28页五 常用图像去噪方法3 维纳滤波Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。图像中加入均值为0，方差为0.005的高斯噪声。不同邻域大小。维纳滤波，不同窗口大小 33，55，77，99第22页/

12、共28页五 常用图像去噪方法比较中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。对点、线和尖顶较多的图像不宜采用中值滤波，因为一些细节点可能被当成噪声点 维纳滤波适用于对高斯噪声进行降噪处理；均值滤波实现简单，适用于加性高斯噪声，但容易造成图像模糊；均值滤波窗口大小的选择应何时，避免过度平滑图像边缘。第23页/共28页五 常用图像去噪方法自适应滤波效果最佳 自适应滤波根据图像局部特征确定滤波算法，降噪效果最佳，但是运算量也最大。

13、文：一种基于四阶累积量的自适应的均值滤波算法 电子技术应用 2007年5月8日第24页/共28页五 常用图像去噪方法3 小波阈值去噪小波萎缩法是目前研究最为广泛的方法，小波萎缩法又分成如下两类（1）阈值萎缩。主要基于如下事实，即比较大的小波系数一般都是以实际信号为主，而比较小的系数则很大程度是噪声。因此可通过设定合适的阈值，首先将小于闽值的系数置零，而保留大于阈值的小波系数。通过阈值函数映射得到估计系数，然后对估计系数进行逆变换，就可以实现去噪和重建。(2)比例萎缩。通过判断系数被噪声污染的程度，并引入不同的参数(例如概率和隶属度等)来度量方法系数被噪声污染的程度，进而确定萎缩的比例。阈值萎缩

14、方法中的两个基本要素是阈值和阈值函数。第25页/共28页五 常用图像去噪方法阈值的选择：阈值的确定在阈值萎缩中是最关键的。目前使用的阈值可以分成全局阈值和局部适应阈值两类。全局阈值对各层所有的小波系数或同一层内的小波系数都是统一的；局部适应阈值是根据当前系数周围的局部情况来确定阈值。全局阈值的主要计算方法：（1）Donoho和Johastone统一阈值（简称DJ阈值）：其中为噪声标准方差，N为信号的尺寸或长度。第26页/共28页五 常用图像去噪方法（2）基于零均值正态分布的置信区间阈值：其中为噪声标准方差，N为信号的尺寸或长度。（3）Bayes Shrink阈值和Map Shrink阈值。在小波系数服从广义高斯分布的假设下，Chang等人得出了阈值：其中为噪声标准方差，B为广义高斯分布的标准方差值。第27页/共28页感谢您的观看！第28页/共28页