基于dsp的图像去噪实现_毕业设计(编辑修改稿)

基于dsp的图像去噪实现_毕业设计(编辑修改稿)内容摘要：

(112) 基于 DSP 的图像去噪实现 6 3. 伽马 (爱尔兰 )噪声 伽马噪声的 PDF 如 下式： 错误 !未找到引用源。 (113) 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： 错误 ! 未 找 到 引 用 源。 (114) 4. 指数分布 噪声 指数噪声的 PDF 可由下式给出： 错误 !未找到引用源。 (115) 其中 a0。 概 率密度函数的期望值和方差是： 错误 ! 未 找 到 引 用 源。 (116) 图像系统噪声的特点 1．噪声的扫描变换 在对图像处理时，首先先把二维图像信号扫描变换成一维的电信号，然后再进行处理，处理完成后，还要将一维电信号还原成二维图像信号。 在进行这种图像转换的同时，噪声也同样会参与相同的变换。 2．噪声的迭加性 在串联类型的图像传输系统中，如果各子系统窜入的噪声是同种 噪声，就会进行功率相加，导致信噪比不断下降。 如果不是同种形式噪声时就应区别对待，此外还要考虑视觉检出性征对视觉效果的影响。 但是因为视觉检出性征中的许多问题还没有被人类研究透彻，所以我们也就只能进行一些主观的评价体验。 例如空间频率性征不同的噪声迭加时我们要考虑到视觉空间频谱带通的特性。 如果是时间性征不同的噪声迭加，则要考虑到视觉滞留、闪烁的性征等。 3．噪声与图像的相关性 如果使用的是光导摄象管的摄象机，可以认为，噪声幅度和信号幅度无关。 但如果使用的是超正析摄象机，噪声幅度与信号幅度关联。 此外在数字图像处 理技术中，量化噪声一定存在，并且和图像相位有关联。 基于 DSP 的图像去噪实现 7 灰度图像噪声的清除 图像去噪通常是根据不同图像的特性和不同目标而采用不同的方法进行处理。 对某一种图像很理想的去噪处理方法对另一种图像则不一定可行，也可以说某种去噪方法在处理某一类型图像效果理想，但处理其他类型的图像时却收不到好的效果。 这是因为任何一种处理方法都要在满足其限定条件的前提下进行才会收到好的效果，在没有满足其限定条件时，效果就就会极大地降低。 这也说明，由于图像本身具有的随机性与特殊性，我们在图像去噪的方法选择上要灵活应变。 图像噪声在 图像上往往表现为灰度值是离散的，并且它们在图像上的分布是随机的。 我们可以采用多种方法去除噪声，主要有空域处理、频域滤波和统计滤波，但它们各有长处。 虽然频域滤波与统计滤波精度相对较高，但是运算量巨大，并且过程繁杂；空域处理方法虽然精度相对比较低，但它运算简单方便。 邻域平均法、中值滤波和空域低通滤波法就是比较常用的相对简单的去除噪声方法。 邻域平均去噪法 对于给出的 N N 大小的图像 错误 !未找到引用源。 ，定义一个邻域 S,选择一个点 错误 !未找到引用源。 ，取它的领域 S 内的所有像素点的 平均灰度值作为该点的灰度值，以此类推，对整幅图像中每个像素点做类似的处理，就得到新的图像 错误 !未找到引用源。 其过程可表示为： 错误 !未找到 引用源。 (117) 式中， s 表示所取像素邻域 S 中像素的坐标范围， M 为邻域 S 中容纳像素的个数。 邻域平均去噪法特点是：去噪效果效果明显，容易实现；缺点是会导致边缘模糊。 所取邻域 S 越大，去噪效果越显著，但边缘越模糊。 为此，我们可以在进行邻域平均时需要设定一个阈值， 以此来减轻边缘模糊，即： 错误 !未找到引用源。 (118) T 为一个预先设定的阈值，并且非负。 当某点灰度值与其邻域内灰度均值之差小于预定的阈值 T 时，就保留该点原有的灰度值，这种方法在一定程度上可以减小边缘的模糊程度。 频域去噪方法 频域去噪技术的数学基础是卷积理论。 假设线性不变算子 错误 !未找到引用源。 与函数 错误 !未找到引用源。 进行卷积后的结果是 错误 !未找到引用源。 错误 !未找到引用源。 ) (119) 基于 DSP 的图像去噪实现 8 据卷积定理在频域有： 错误 !未找到引用源。 (120) 其中 G(u, v)、 H(u, v)、 F(u, v)分别是 g(x, y)、 h(x, y)、 f(x, y)的 X 类型变换(Fourier 变换等 )。 在对特定的图像信号进行处理应用中， f(x, y)是给定的，我们主要确定 H(u, v)，于是由具有所需特性的 g(x, y)我们就可以算出 G(u, v)，然后再通过 X 反变换得到 g(x, y)，如下式 错误 !未找到引用源。 (121) 在频域中进行图像去噪，可以分成以下三个主要步骤： ①对需要去噪的图像进行 X 变换计算； ②变换后的结果与一个函数 (根据需要设计 )相乘； ③将结果进行反 X 变换操作就可以得到图像的去噪结果。 几种新型的滤波方法 近些年来，随着数学各分支在理论和应用上的逐步深入，使得很多数学理论在图像去噪技术应用中取得了很大的进展，产生了不 少的新算法。 新的滤波方法主要有： (1)数学形态滤波方法 自从 的专著《 Image Analysis and Mathematical Morphology》出版，提出数学形态学以来，已经引起了世界各国学者的兴趣。 数学形态学的数学基础和所用语言是集合论。 使用数学形态学可以简化图像数据，保持它们基本的形状特征，并且可以除去不相干的结构。 数学形态学的算法由于具有天然的并行实现的结构，因此实现了形态学分析和处理算法的并行 ,极大提高了图像分析和处理的速度。 数学形态学是由一组形态学的代数运算 子组成的，它的基本运算有 4 个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合，它们在二值图像和灰度图像中各有特点。 在这些基本运算的基础上，还可以推导和组合成各种数学形态学实用算法，使用它们可以进行图像分析及处理，包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。 数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。 目前，有关数学形态学的技术和应用正在不断地研究深入。 (2)小波滤波方法 基于 DSP 的图像去噪实现 9 小波变换是傅 里叶变换的发展，是从 20 世纪 80 年代中期逐渐发展起来的一个重要的数学分支。 作为一个非常重要的数学分析工具，在数字图像去噪领域获得广泛的使用。 由于小波去噪方法具有以下四个特点，所以可以取得很好的效果：一是低熵性；二是多分辨率性质，三是去相关性，四是选基灵活性。 小波方法目前可以分为三类： 第一种是由 Mallat 提出的基于小波变换模极大值原理的去噪方法。 二是基于小波变换域内相邻尺度间系数相关性的去噪方法。 三是小波阈值去噪方法，由 Donoho 等人提出。 其中小波阈值去噪法算法简单、效果好，因此使用广泛。 (3)基于模糊数学的滤波方法 近年来，随着图像处理数据的持续不断增加，同时对实时性要求的日益提高，但伴随着模糊理论的发展及人们对事物模糊性认识的深入，模糊理论在图像去噪方面的应用日益增多。 在图像去噪过程中采用模糊手段，可以在减少信息的输入量、处理量和存储量的同时能实时且令人满意地去除噪声。 总体上而言，通过对图像信息模糊性的理解，利用模糊集来更为精确的描述图像信息，这时就需要将传统的经典集处理方法推广到模糊集，也就是要通过隶属度函数来进行分集，从而形成了一类模糊图像处理算法。 (4)基于神经网络的滤波方法 由于神经网络滤波器本身具备并行运算的性质，再加上它独特具备的自组织和自学习能力，从而使其在图像处理领域中的应用越来越广泛。 目前，神经网络在图像去噪中的应用研究主要集中在针对图像的特点系统地研究学习算法和训练方法上，特别是在训练方法方面还需要作出更加深入研究，再者就是如何简化神经网络滤波算法的运算速度和如何硬件实现并且进行优化和简化的问题。 图像去噪效果的评价方法 如何评价图像去噪效果是图像信息学科的基础研究之一。 对于图像处理和图像通信系统而言，图像就作为信息的载体，图像的质量就是衡量这个图像 信息系统的重要指标。 图像去噪的直观目的就是为了提高图像的视觉显示效果。 在对一个去噪模型作具体评估时，需要考虑以下几个因素： (1)图像经去噪后应尽量平滑，尽可能的降低噪声遗留痕迹； (2)去噪不应该过度损失图像的细节； (3)不能因为去噪而产生过度的的的噪声； 基于 DSP 的图像去噪实现 10 (4)采用去噪方法，如果必然产生新的噪声，那么它应尽量地接近随机噪声； (5)信噪比要高。 使去噪后的图像尽量接近原始图像。 这就都要求设计一个合理的图像去噪评估方法。 现有的评价方法分为主观和客观两种，本文我们将只对结果进行主观评价，下面简 单介绍下主观评价方法。 主观评价一般分两种：一种是观察者的主观评价，由观察者对图像直接用肉眼进行观察，由本人对所观察的图像的质量给出相应的评价，综合众多观测者的意见给出一个综合结论。 这种方法没有定量，非常容易受观察者主观因素的影响，因此评价的结果存在一定的不确定性。 第二种是采用模糊综合评判方法，它实现了对图像质量近似定量的评估，目的为了尽量减少主观因素的影响，但主观不确定性并没有完全消除，而且需要专家利用经验来确定定量计算公式中的参数。 本文使用肉眼观察的直观方法来对中值滤波的去噪效果进行探究。 本章小结 本章首先阐述了如何把图像离散化和数字化，然后简要介绍了几种常用的灰度图像去噪处理方法，并阐明了各种去噪的原理及其所具有的优缺点。 由于图像特征的随机性和多样性以及使用者的不同使用目的，采用不同增强处理方法针对不同噪声的处理效果是不同的，因此需要分别用各类处理方法对各种常见噪声图像进行处理并分析结果 2 中值滤波 中值滤波 (Median Fi1ter)以排序统计理论作为其理论基础，作为一种非线性平滑滤波算法，可以有效抑制噪声，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便使用。 标准中值滤波 中值滤波的原理 中值滤波是由图基（ Turky）在 1971 年提出的， 中值滤波的基本原理是把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，让周围的像素值接近真实值，从而消除孤立的噪声点。 具体来讲就是先以某个像素为中心，定义它的一个邻域（通常是方形邻域）。 对邻域内所有像素按灰度值的大小排序，取其中间值作为中心像素新的灰度值。 这基于 DSP 的图像去噪实现 11 个邻域一般我们称之为称为窗口。 然后把图像中不同的像素依次作类似的处理。 对于奇数个元素，中值是指按大小排序后中间的数值；对于偶数个元素，中值是指排序 后中间两个元素灰度值的平均值。 序列的中值 y为： 错误 !未找到引用源。 (21) 公式中，若把一个点的特定长度或形状的邻域作为窗口，在一维情况下，中值滤波器是一个含有奇数个像素的滑动窗口。