图像去噪的基本原理、典型方法和最新方法电子技术专业毕业设计毕业论文

图像去噪的基本原理、典型方法和最新方法电子技术专业毕业设计毕业论文内容摘要：

改进算法的 仿真结果 利用改进的局域最均匀平滑滤波方法对细胞图像进行了平滑处理 ,经过两遍平滑处理后 ,平滑效果在视觉上基本一致 ,边沿锐度及模糊度均与原算法相一致 . 图 21 仿真结果 (a) (b) (c) 图 21 仿真结果 ,(a)原始图像，（ b)算法 2 平滑结果， (c)算法 1 平滑结果 第 3 章 基于 频域 的图像去噪方法 频域增强的原理 卷积定理是频域技术的基础。 设函数 f(x,y)与线性位不变算子 h(x,y)的卷积结果是 g(x,y)，即      yxfyxhyxg ,  ， 那么根据卷积定理 在频域有：        1, vuFvuHvuG  其中 G(u,v)， H(u,v)， F(u,v)分别是 g(x,y)， h(x,y)， f(x,y)的傅立叶变换。 用线性系统理论的话来说， H(u,v)是转移函数。 在具体的增强应用中， f(x,y)是给定的，需要确定的是 H(u,v)，这样具有所需特性的 g(x,y)就可由式（ 1）算出 G(u,v)而得到：   Fyxg , g(x,y)=F1 [H(u,v)F(u,v)] 2 根据以上讨论，在频率域中进行增强是相当直观的，其主要步骤有： ； 1个转移函数相乘；。 巴特沃斯低通滤波 巴特沃斯低通滤波的 原理 n 阶巴特沃斯低通滤波器函数由下式决定：      3,11, 20  nDvuDvuH （ 3） 巴特沃斯特性为连续性衰减 ,而不像理想低通衰减器那样陡峭和明显的不连续性。 采用该滤波器在抑制噪声的同时，图像边缘的模糊程度大大减小，没有振铃现象产生。 基 于 MATLAB巴特沃斯低通滤波的代码实现及分析 J = imread(39。 39。 )。 % 读入原始图像 I = imnoise(J,39。 salt amp。 pepper39。 )。 %加入椒盐噪声 figure, imshow(J)。 figure, imshow(I)。 %显示预处理图像 f=double(I)。 g=fft2(f)。 %傅立叶转换 g=fftshift(g)。 %转换数据矩阵 [N1,N2]=size(g)。 n=2。 d0=50。 n1=fix(N1/2)。 n2=fix(N2/2)。 for i=1:N1 for j=1:N2 d=sqrt((in1)^2+(jn2)^2)。 h=1/(1+*(d/d0)^(2*n))。 %计算 butterworth低通转换函数 result(i,j)=h*g(i,j)。 end end result=ifftshift(result)。 x2=ifft2(result)。 x3=uint8(real(x2))。 figure,imshow(x3)。 （ a） （ b） （ c） 图 3－ 1 butterworth 低通滤波 ,(a)(原始图像，（ b)加入椒盐噪声的图箱， ( c) butterworth 低通滤波的图像 显然， 比较以上三 个 图可以看出处理后噪声大大减弱。 巴特沃斯高通滤波 巴特沃斯高通滤波的 原理 n阶巴特沃斯低通滤波器函数由下式决定：    4,11, 20  nvuDvuH D （ a） （ b） （ c） 图 3－ 1 butterworth 低通滤波 ,(a)(原始图像，（ b)加入椒盐噪声的图箱， ( c) butterworth 低通滤波 的图像 基于 matlab巴特沃斯高通滤 波的代码实现及分析 J= imread(39。 39。 )。 % 读入原始图像 figure,imshow(J)。 I = imnoise(J,39。 salt amp。 pepper39。 )。 %加入椒盐噪声 figure, imshow(I)。 %显示预处理图像 f=double(I)。 g=fft2(f)。 %傅立叶转换 g=fftshift(g)。 %转换数据矩阵 [N1,N2]=size(g)。 n=2。 d0=50。 n1=fix(N1/2)。 n2=fix(N2/2)。 for i=1:N1 for j=1:N2 d=sqrt((in1)^2+(jn2)^2)。 if d==0 h=0。 else h=1/(1+(d0/d)^(2*n))。 %计算 butterworth低通转换函数 end result(i,j)=h*g(i,j)。 end end result=ifftshift(result)。 x2=ifft2(result)。 x3=uint8(real(x2))。 figure,imshow(x3)。 （ a） （ b） （ c） 图 3－ 2 butterworth高通滤波去噪图像 （ a）原始图像，（ b）加入噪声图像， butterworth高通滤波去噪图像 从图中可以看出，图像比较昏暗，很多细节都看不清了。 这是因为如前所述，图像的大部分能量集中在低频区域，经过高通滤波后，虽然各区域边界得到了增强，但是图像 中的低频部分被滤波，原图的灰度动态范围被压缩，所以图像比较昏暗。 第 4 章 基于 小波域 的图像去噪方法 小波阈值去噪 传统的阈值化方法 传统的阈值化方法 总分为两类： 软阈值化是：      10s g n WWWWW 而硬阈值化是：  20   WWWW 其中：δ为阈值， W为小波系数 矩阵。 采用软阈值化为 0时，虽然保持连续、无断点，不会发生奇变，但是它对绝对值大于阈值δ的小波系数用δ来缩减，使图像失真；而采用硬阈值化 0时，在跳跃点处产生奇变，在图像上引起高频变化，其优点是对绝对值大于阈值 D的小波系数，保留的小波系数与原始系数相同，使图像保真。 总的来说，硬阈值方法可以很好保留图像边缘等局部特征；而软阈值方法处理结果则相对平滑得多，但可能会造成边缘模糊等失真现象。 这种方法我们具体应用在印刷品图像检测系统中。 由于在图像处理时需多次用到图像的重要控制信息，如边缘信息等，故选用硬阈值化方法去除图 像噪声。 阈值的选取 阈值的选取是个关键问题。 因为阈值选得过大，会造成有用的高频信息（如边缘信息）丢失，使图像变得模糊；而阈值选得过小，又会保留过多的噪声，使去噪效果不明显。 目前使用的阈值可以分成全局阈值和局部适应阈值两类。 全局阈值是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；而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。 全局阈值主要有以下四种： δ =σ Nln2 ，其中σ为噪声标准方差， N 为信号的尺寸或长度 分布的置信区间阈值 分析上述四类方法，方法 1和 2在去噪过程中，存在“过扼杀”小波系数，容易造成较大的重建误差。 方法 3 和 4 是需要预先知道原信号的，因为我们研究的应用场合是印刷品质量检测系统，图像的原信号我们是可以预先知道，所以后两种方法较为合适。 本文采用理想阈值法中的 GCV（ GeneralizedCross Validation） 阈值公式求取最优阈值。 用这种方法得到的阈值趋向于理想阈值，而且不需要对噪声方差进行估计。 GCV 阈值：      31,m i n202NT NNJJGC V   其中， N 是某一系数层中小波系数的个数 ,N0代表信号在阈值萎缩中被置为0的系数个数， ω 和 ω δ 分别代表带噪小波系数和阈值萎缩后的系数。 算法 图像经过小波变换后，能量主要集中在最低分辨率子带图像上，而图像的加性随机噪声经过小波变换后，能量则分散在各个高分辨率子带图像上。 因此，若设定一个阈值，将绝对值小于阈值的小波系数当作噪声去除，从而达到去噪的效果。 基于小波变换的图像去噪是由以下三个主要步骤来完成的： 处理 ，从而得到降噪图像 具体算法的提出 : 图像的噪声有很多种，可以分为两大类：加性噪声和乘性噪声。 在实际应用中，图像的噪声一般是加性的高斯白噪声，这样图像含噪模型可以建立：       4, yxyxfyxg  其中： f(x,y)为原始图像， g(x,y)为含噪图像， δ(x,y) 为加性高斯白噪声。