图像处理中消除噪声的方法研究——学士学位毕业论文(编辑修改稿)

图像处理中消除噪声的方法研究——学士学位毕业论文(编辑修改稿)内容摘要：

能量却分布于整个小波域内 .因此 ,经小波分解后 ,信号的小波系数幅值要大于噪声的系数幅值 .可以认为 ,幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声 .于是 ,采用阈值的办法可以把信号系数保留 ,而使大部分噪声系数减小至零 .小波阈值收缩法去噪的具体处理过程为 :将含噪信号在各尺度上进行 小波分解 ,设定一个阈值，幅值低于该阈值的小波系数置为 0,高于该阈值的小波系数或者完全保留 ,或者做相应的“收缩 (shrinkage)”处理 .最后将处理后获得的小波系数用逆小波变换进行重构 ,得到去噪后的图像 . 小波变换的图像去噪优越性 具体来说，小波去噪方法的成功主要得益于小波具有如下特点： 1）低熵性。 由于小波系数的稀疏分布，使得图像经小波变换后的熵明显降低，多分辨率特性。 由于采用了多分辨率的方法，所以小波变换可以在不同尺度上描述信号的局部特征，很好地刻画信号非平稳特征，如边缘、尖峰、断点等，可在 不同分辨率下根据信号和噪声分布的特点去噪。 2）去相关特性。 小波变换可以对信号去相关，是信号的能量集中于少数几个小波系数上，而噪声能量分布于大部分小波系数上，即噪声在变换后有白化趋势，所以小波域比时域更利于去噪。 3）选基灵活性。 由于小波变换可以灵活选择小波基，从而可针对不同的应用对象选用不同的小波函数，以获得最佳的效果 5 实验仿真 本章仿真时选取一张黑白图片“ ”，并在图片中加入两种噪声：高斯噪声和椒盐噪声。 所谓高斯噪声是指它的概率密度函数服从高斯分布的一图像处理中消除噪声的方法研究 6 类噪声。 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，属于非平稳噪声。 本章利用 Matlab 软件对含噪图像的去噪算法进行仿真，将应用中值滤波法、均值滤波法和小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。 中值滤波的仿真 本节选用中值滤波法对含有高斯噪声和椒盐噪声的图像进行去噪，并用 Matlab软件仿真。 1）给图像加入均值为 0，方差为 的高斯噪声，分别选择 3 3 模板、 5 5模板和 7 7 模板进行去噪 Matlab 部分代码： j=imnoise(I,39。 gaussian39。 ,0,)。 x=j(:,:,1)。 subplot(221)。 imshow(x)。 title(39。 高斯噪声图片 39。 )。 k1=medfilt2(x,[3 3])。 k2=medfilt2(x,[5 5])。 k3=medfilt2(x,[7 7])。 仿真结果如图 1 所示 : 含噪声图像100 200 300501001502003 3 模板中值滤波100 200 300501001502005 5 模板中值滤波 7 7 模板中值滤波长治学院学士学位论文（设计） 7 图 1 中值滤波法对高斯噪声去噪的仿真结果 2）给图像加入噪声密度为 的椒盐噪声，分别选择 3 3模板、 5 5模板和 7 7模板进行去噪。 Matlab 部分代码： i=imread(39。 39。 )。 j=imnoise(I,39。 salt amp。 pepper39。 ,)。 x=j(:,:,1)。 subplot(221)。 imshow(x)。 title(39。 椒盐噪声图片 39。 )。 k1=medfilt2(x,[3 3])。 k2=medfilt2(x,[5 5])。 k3=medfilt2(x,[7 7])。 仿真结果如图 2 所示 : 图 2 中值滤波法对椒盐噪声去噪的仿真结果 从仿真结果可以看出：对图像加入椒盐噪声后，应用中值滤波，如图 2所示，噪声的斑点 几乎全部被滤去，它对滤除图像的椒盐噪声非常有效。 而对于高斯噪声来说，如图 1 所示，虽然也有一些去噪效果，但效果不佳。 由此可知，中值滤波法含噪声图像100 200 300501001502003 3 模板中值滤波100 200 300501001502005 5 模板中值滤波 7 7 模板中值滤波图像处理中消除噪声的方法研究 8 运算简单，易于实现，而且能较好地保护边界，但有时会失掉图像中的细线和小块区域。 并且采用窗口的大小对滤波效果影响很大，窗口越大，图像去噪效果越好，但代价是模糊的程度越大。 均值滤波的仿真 本节选用均值滤波法对含有高斯噪声和椒盐噪声的图片进行去噪，并用 Matlab软件仿真 1）给图像加入均值为 0，方差为 的高斯噪声，选择 3 3 模板去噪 Matlab 部分代码： j=imnoise(x,39。 gaussian39。 ,0,)。 h=ones(3,3)。 h=h/9。 k=conv2(j,h)。 仿真结果如图 3 所示： 图 3 均值滤波法对高斯噪声去噪的仿真结果 2）给图像加入噪声密度为 的椒盐噪声，选择 3 3模板去噪 Matlab 部分代码： j=imnoise(x,39。 salt amp。 pepper39。 ,)。 h=ones(3 3)。 h=h/9。 k=conv2(j,h)。 仿真结果如图 4 所示： 长治学院学士学位论文（设计） 9 图 4 均值滤波对椒盐噪声去噪的 仿真结果 从仿真结果可以看出：均值滤波实现起来很方便，适用于消除图像中的颗粒噪声，但需要指出这种方法既平滑了图像信号，同时使图像的细节部分变得模糊。 由以上处理后的图像可以看到：均值滤波法消弱了图像的边缘，使图像变得有些模糊。 如图 3所示，均值滤波对高斯噪声的抑制是比较好的，但对椒盐噪声的抑制作用不好，如图 4所示，椒盐噪声仍然存在，只不过被削弱了而已。 为了改善均值滤波细节对比度不好、区域边界模糊的缺陷，常用门限法来抑制椒盐噪声和保护细小纹理，用加权法来改善图像的边界模糊，用选择平均的自适应技术来保持图像的边界。 基于小波变换法的仿真 本节选用模糊小波变换法对含有高斯噪声和椒盐噪声的图像进行去噪，并用Matlab 软件仿真。 1）给图像加入均值为 0，方差为 的高斯噪声，用小波函数 coif2 对图象进行 2层分解，选择 3 3模板去噪 Matlab。