浅谈基于双边滤波的图像去噪的方法
基于双边滤波的图像去噪方法院系
专业
姓名
指导教师
年月
摘要
双边滤波是非线性的滤波方法，是结合图像的像素值相似度空间邻近度和空间领近度的一种折衷处理，同时考虑灰度相似性和空域信息，达到保边去噪的目的。双边滤波具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波比高斯滤波多了一个高斯方差，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息对于彩色图像里的高频噪声，双边滤波器不能够彻底的滤掉，只能够对于低频信息进行较好的滤波。其具体的操作方法有两个，第一个是高斯模版，用个模板对图像中的每一个像素值进行扫描，然后把某一点和其邻域内像素的加权平均值代替那一个中心的值高斯滤波器是根据高斯函数的形状来选择其权值的线性平滑滤波器，高斯滤波是线性平滑滤波的一种，最适合去除的噪声类型是服从正态分布的噪声。第二个
是以灰度级的差值作为函数系数生成的模板。然后这两个模板点乘就得到了最终的双边滤波模板，最后得到双边滤波处理后的图像。
关键词：图像；去噪；双边滤波；高斯滤波
Abstract
The bilateral filter is a nonlinear filtering method, is the combination of image pixel value similarity space proximity and space brought a compromise approach degree, considering the gray similarity and spatial information, to achieve the purpose of edge preserving denoising. The bilateral filter has the advantages of simple, non iterative, local. The bilateral filter is good to do edge
preservation,generally used Wiener filtering or Gauss filter to denoise, will obviously fuzzy edge, for the protection of high frequency detail
is not obvious. Bilateral filtering than Gauss filter has a Gauss variance, it is Gauss filter function based on the spatial distribution, so near the edge, the pixel will not affect the farther to the pixel on the edge of the value, thus ensuring the preservation of edge pixel values. But because of the high frequency information saved too much for the high frequency noise in the color image, the bilateral filter can not be completely filtered out, can only be better filtering for the low frequency information. The specific operation method has two, the first is Gauss template, scanning for each pixel in the image with a template, and then the weighted one point and its neighborhood pixels instead of the average value of a central value Gauss filters are linear smoothing filter to select the weights based on the Gauss function the shape, the Gauss filter is a linear smoothing filter for noise removal, the type is
subject to normally distributed noise. The second is the difference of gray level as function coefficients generated templates. Then the two template dot get bilateral filtering template final, finally get the image after bilateral filtering.
Key words: Image ;Denoising;Bilateral Filtering;Gauss Filtering
目录
摘要 I
Abstract II
1 引言 1
1.1 课题的研究背景及意义 1
1.2 国内外研究现状 1
1.3 图像噪声及图像去噪方法 2
1.4 图像质量评价方法 4
1.5论文研究目标及结构安排 7
2 双边滤波理论 7
2.1双边滤波定义 7
2.2双边滤波器的设计 7
3 图像去噪的方法 9
3.1 中值滤波介绍 9
3.2 高斯滤波介绍 11
4 双边滤波实验结果 13
4.1结果图片 13
5 论文总结 18
参考文献 19
1 引言
1.1 课题的研究背景及意义
当今社会已经进入了一个高度信息化的阶段，人们对信息的需求越来越多。人们通过视觉，听觉，触觉，味觉等感知器官来进行感知而视觉是人类最高级的感知器官，在人类接受的信息中，有将近80%来自于视觉，而图像信息成为人们获取信息的主要来源和利用信息的主要手段以其包含的信息量大，便于存储以及传播等优势。传统的对于图像的处理经常利用的方法是光学或者模拟电路，例如眼镜和望远镜等，而对于数字图像而言常用的方法是利用计算机对进行加工处理，以提高原图像的质量，压缩图像数据或者是从图像中获取更多信息。随着现代科学技术的发展例如，DSP，VLSI等一些新的理论技术，数字图像处理已经成为了一门独立的新兴学科，并得到了广泛的应用，在空间，时间和功能上扩展人类视觉[1]。数字图像处理技术的迅速发展为人类带来了巨大的社会效益和经济效益。例如，卫星遥感数字图像处理技术可以进行环境气候的全球性检测，还可以广泛地应用到所有与地球相关的农，林，地，矿，油等领域；在医学领域，CT，核磁共振等技术已经广泛应用于临床诊断，显然，对于数字图像进行处理的技术已经融入到了各个科学领
域，因此，对于数字图像的处理不仅会对自然科学而且会对人类社会的发展产生具有深远意义的影响。
图像去噪是图像处理领域的研究热点在图像采集过程，采集和传输，由于受
到各种条件的限制，图像受到噪声污染”[2]。但是，噪声是影响图像质量的主要因素，噪声的存在不仅影响视觉质量，但也使一些进一步的图像处理方法，如图像融合，特征提取，目标识别，图像超分辨率重建的应用更加困难。噪声的存在也会增加图像的熵，将大大降低编码效率。因此，在图像处理的各个领域的图像去噪具有重要的实用价值。在医学图像处理中，图像边缘清晰且具有很高的信噪比大大降低误诊率，在军事上更为突出，高分辨率，提供了必要的保证低噪声图像的自动目标识别和目标的精确。当然，任何一种去噪方法不能完全去除图像中的噪声，完全恢复的图像，然而，研究人员一直在原有方法的基础上逐步突破其局限性，提高去噪方法，为了得到更好的去噪效果，提高去噪质量。在本文中，基于双边滤波去噪图像是一个双线性过滤，整个图像的加权平均，每个像素值，是由本身和其他像素的像素值的加权平均得到的域。对扫描图像中的每个像素的模板的具体操作，确定像素的邻域的加权平均灰度值代替像素值使用模板模板中心。高斯平滑滤波器是非常有效的正常分布的噪声抑制，已在图像去噪，图像分割，广泛应用于分类。
1.2 国内外研究现状
20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技
术不断完善,逐渐成为一个新兴的学科。为了从图像中提取有效信息,改善图像质量,必须对图像进行去噪预处理。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域去噪法,频域去噪法，高斯滤波法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤波器,低通滤波器,维纳滤波器等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。一幅原始图像在获取和传输过程中会受到各种噪声的干扰，使图像质量下降，对分析
图像不利。主要的噪声类型有两种是非常典型的：一种噪声是随机噪声，特点是每一点都存在，但幅值随机分布；另一种是椒盐噪声，其特点是幅值基本相同，但出现的位置随机。对于一副数字图像为了使其图像质量得到改善，收到的噪声得到抑制便需要对其进行平滑处理。对数字图像进行平滑处理的常用方法有均值滤波，中值滤波，维纳滤波等。
1.3 图像噪声及图像去噪方法
1.3.1 图像噪声
所谓噪声，就是能妨碍到系统传感器对所接收的图像进行分析或理解的各种因素。因为噪声对于图像的采集，输入，处理等的每一个环节有很大的影响，尤其是在图像的输入时，图像采集中的产生的噪声会对图像处理的全过程及最终结果有非常大的影响，所以对于数字图像噪声的抑制已经成为了图像处理中极其重要的步骤。一般噪声是不可预测的随机信号，它只是用概率统计的方法去认识。
1.图像噪声特点：
(1) 叠加性：图像的传输系统如果是串联的，系统串联的各个部分所引起的噪声会进行叠加，使图像信噪比下降，降低图像的质量；
(2) 图像与噪声间具有相关性：一般摄像机信号和噪声相关，噪声小时图像比较明亮，噪声大时图像比较黑暗。对数字图像进行处理时存在的量化噪声便与图像相位有关；
(3) 大小与分布不规则：噪声的分布和幅值是不规则是因为图像中的噪声是随机出现。
2.图像噪声的分类：
(1) 高斯噪声：含有服从高斯或正态分布强度的噪声。
(2) 脉冲噪声：只含有随机的白强度值（正脉冲噪声），黑强度值（负脉冲噪声）。
(3) 椒盐噪声：含有随机出现的黑白强度值。
噪声分类方法不是绝对的，按不同的性质有不同的分类方法。噪声从统计理论观点可以分为平稳和非平稳噪声，凡是统计特性不随时间变化的噪声称为平稳噪声，统计特性随时间变化的噪声称为非平稳噪声；噪声从幅度分布形态可分为高斯型噪声和瑞利型噪声；还可以按频谱分布形状对噪声进行分类，例如均匀分布的噪声称为白噪声。而根据噪声与信号之间关系，可分为加性噪声和乘性噪声，加性噪声是信道一直存在的噪声，不管有没有信号，一直存在，理论上加性噪声分析方法成熟，且处理比较方便，乘性噪声是随着信号的出现而出项的，如果没有信号也没有噪声，而乘性随机噪声处理方法目前还没有成熟的理论，并且处理起来非常复杂。一般条件下，现实生活中所遇到的绝大多数图像噪声可以认为是高斯加性白噪声。
1.3.2 图像去噪方法
图像去噪方法可以划分为两类: 一类是空间域的图像去噪方法, 主要采用图像平滑模板对图像进行卷积处理, 达到抑制或消除噪声的目的；另一类是频率域的图像去噪方法,主要通过对图像进行变换然后选择适当频率的带通滤波器对图像进行滤波处理, 再经过反变换，最后得到去除噪声后的图像。
1.均值滤波
均值滤波是用某一点和它的邻域内的点的像素平均值去替代中心点的像素灰度，选择一幅有N
N个像素点的图像g(x,y),经过处理后的图像记作为h(x,y),则根据均值滤波的方法可得如1-1所示：
(1-1)
式中x,y=0,1,2,……,N-1,S是(x,y)点邻域中点的坐标的集合,M是集合内坐标点的总数。此种方法是把噪声点的像素值分散为其某一邻域各点中以对图像达到平滑滤波的作用，平滑滤波后的图像h(x,y)，其中任一点的像素值由其和其邻域内像素的平均值确定。
2.中值滤波
中值滤波是把数字序列或者图像中的一点的值用该点的一个邻域中的各点值的中值代替，因此中值滤波是一种基于排序理论的非线性信号处理方法。确定一个以某个像素为中心点的邻域，这里邻域常被称为窗口，常用的形状有方形，十字形等，一般选择方形邻域，然后将邻域内各个像素灰度值进行排序，并取中间值作为中心像素灰度的新值。当活动窗口在图像中进行移动后，就可以利用中值滤波算法对图像进行平滑处理。设
表示数字图像各点的灰度值, 滤波窗口为A的二维中值滤波可定义为式1-2:
(1-2)
由于中值滤波的输出像素是由邻域像素的中间值决定，因此其对于与周围像素灰度值差别比较大的像素远不如平均值敏感，所以可以在消除孤立噪声点的同时使图像不会那么模糊。中值滤波的去噪效果和噪声类型有关的同时也和邻域的空间范围和计算中的像素数有关，一般情况下会选择N*N的方形模板进行图像去噪滤波，总之，中值滤波具有实时性好，可靠性高，算法简单等特点，具有较高的实用价值。
基于小波变换的语音信号去噪(详细)
测试信号处理作业 题目：基于小波变换的语音信号去噪 年级：级 班级：仪器科学与技术 学号： 姓名： 日期：2015年6月
基于小波变换的语音信号去噪 对于信号去噪方法的研究是信号处理领域一个永恒的话题。经典的信号去噪方法，如时域、频域、加窗傅立叶变换、维纳分布等各有其局限性，因此限制了它们的应用范围。小波变换是八十年代末发展起来的一种新时-频分析方法，它在时-频两域都具有良好的局部化特性；并且在信号去噪领域获得了广泛的应用。 目前已经提出的小波去噪方法主要有三种：模极大值去噪、空域相关滤波去噪以及小波阈值去噪法。阈值法具有计算量小、去噪效果好的特点，取得了广泛的应用。然而在阈值法中，阈值的选取直接关系到去噪效果的优劣。如果阈值选取过小，那么一部分噪声小波系数将不能被置零，从而在去噪后的信号中保留了部分噪声信息；如果阈值选的偏大，则会将一部分有用信号去掉，使得去噪后的信号丢失信息。 1、语音信号特性 由于语音的生成过程与发音器宫的运动过程密切相关，而且人类发音系统在产生不同语音时的生理结构并不相同，因此使得产生的语音信号是一种非平稳的随机过程(信号)。但由于人类发生器官变化速度具有一定的限度而且远小于语音信号的变化速度，可以认为人的声带、声道等特征在一定的时间内(10- 30ms)基本不变，因此假定语音信号是短时平稳的，即语音信号的某些物理特性和频谱特性在10-30ms的时间段内近似是不变的，具有相对的稳定性，这样可以运用分析平稳随机过程的方法来分析和处理语音信号。在语音增强中就是利用了语音信号短时谱的平稳性。 语音信号基本上可以分为清音和浊音两大类。清音和浊音在特性上有明显的区别，清音没有明显的时域和频域特性，看上去类似于白噪声，并具有较弱的振幅；而浊音在时域上有明显的周期性和较强的振幅，其能量大部分集中在低频段内，而且在频谱上表现出共振峰结构。在语音增强中可以利用浊音所具有的明显的周期性来区别和抑制非语音噪声，而清音由于类似于白噪声的特性，使其与宽带平稳噪声很难区分。 由于语音信号是一种非平稳、非遍历的随机过程，因此长时间时域统计特性对语音信号没有多大的意义，而短时谱的统计特性对语音信号和语音增强有着十分重要的作用。语音信号短时谱幅度统计特性的时变性，使得语音信号的分析帧在趋于无穷大时，根据中心极限定理，其短时谱的统计特性服从高斯(Gauss)分布，而在实际应用时只能在有限帧长下进行处理，因此，在有限帧时这种高斯分布的统计特性是一种近似的描述，这样就可以作为分析宽带噪声污染的带噪语音信号增强应用时的前提和假设。
图像去噪方法
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后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 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(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 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。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。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)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。
常用图像去噪方法比较及其性能分析
龙源期刊网 https://www.wendangku.net/doc/3c15961158.html, 常用图像去噪方法比较及其性能分析 作者：孟靖童王靖元 来源：《信息技术时代·下旬刊》2018年第02期 摘要：本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现，比较了去噪的效果。 关键词：数字图像；噪声；滤波 一、引言 随着当今社会数字化的普及，人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题，数字图像处理技术应运而生。数字图像处理技术的产生，不仅满足了人们的视觉，同时经过处理的图像还可以更好的应用于图像加密，图像识别等领域。 二、空间域去噪算法 （一）均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上，通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果，使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响，然而对于由于椒盐噪声带来的对于图像的影响，均值滤波去除的效果并不很好。同时，由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值，来决定区域中心点灰度值的，所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉，造成视觉上细节不清楚的情况。并且所取范围越大，图像中细节部分越不清晰，图像越平滑。 （二）中值滤波去噪 通过求区域中心点及其周围点灰度值的中值，来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高，因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外，与均值滤波相比，中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。 （三）维纳滤波去噪
数字图像处理-图像去噪方法
图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中,经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。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后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波,他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声:主要有阻性元器件内部产生。 2、椒盐噪声:主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 ３、量化噪声:此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法.图像频率域去噪方法
是对图像进行某种变换，将图像从空间域转换到频率域,对频率域中的变换系数进行处理,再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多,常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值，再把该均值赋予当前像素点（x,y),作为处理后 ∑f?sf(x,y),其中，s为模图像在该点上的灰度ｇ(x,y),即g(x,y)=1 M 板，M为该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊,特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。
基于小波变换的去噪方法
文章编号：1006-7043（2000）04-0021-03 基于小波变换的去噪方法 林克正 李殿璞 （哈尔滨工程大学自动化学院，黑龙江哈尔滨150001） 摘 要：分析了信号与噪声在小波变换下的不同特点，提出了基于小波变换的去噪方法，且将该去噪算法 用算子加以描述，给出了具体实例.小波变换硬阈值去噪法和软阈值去噪法的性能比较及仿真实验，表明基于小波变换的去噪方法是非常有效的.!关 键 词：小波变换；去噪；奇异性检测；多尺度分析 中图分类号：TN911.7 文献标识码：A Denoising Method Based on Wavelet Transform Lin Ke-zheng Li Dian-pu （Automation Coiiege ，Harbin Engineering University ，Harbin 150001，China ） Abstract ：This paper anaiyzes the different characteristics of noise and signai under waveiet transform and proposes the denoising method based on waveiet transform.The denoising aigorithm based on waveiet transform are described with some operators.Some exampies are demonstrated.The performance of denoising with hard and soft threshoid method based on waveiet transform are compared in computer simuiation.The simuiation shows that the denoising method based on waveiet transform is very effective. Key words ：waveiet transform ；denoising ；singuiarity detection ；muitiresoiution anaiysis 提取掩没在噪声中的信号是信号处理的一项重要课题.实际的信号总是含有噪声的，当待检测信号的输入信噪比很低，各种噪声幅值大、分布广，而干扰信号又与真实信号比较接近时，用传统的时域或频域滤波往往不能取得预期效果.D.L.Donoho 提出的非线性小波方法从噪声中提取信号 效果最明显［2-5］ ，并且在概念上也有别于其它方 法，其主要思想有局部极大值阈值法、全局单一阈 值法［3］和局部SURE 多阈值法［4］ .在此基础上，本文首先分析了信号和噪声在小波变换下的不同特 性，据此可有效地从噪声信号检出有用的信号，用算子的形式对基于小波变换的去噪方法进行了统一的描述，并提出了一种可浮动的自适应阈值选取方法. 1 小波分析基础 1.1 信号的小波变换 ［1］ 设母波函数是!（t ），伸缩和平移因子分别为a 和6，小波基函数!a ，6（t ） 定义为!a ， 6（t ）=1! a !（t -6 a ）（1）式中，6"R ，a "R -｛0｝. 函数f （t ）" 2 （R ） 的小波变换W a ，6（f ）定义为 W a ，6（f ）=
基于小波变换的图像去噪
第1章绪论 由于各种各样的原因，现实中的图像都是带噪声的。噪声恶化了图像质量，使图像变得模糊。对同时含有高斯噪声和椒盐噪声的图像先进行混合中值滤波，在滤除椒盐噪声的同时，又很好地保留了图像中的物体细节和轮廓。小波域去噪处理具有很好的时频特性、多分辨分析特性等优点，可以看成特征提取和低通滤波功能的综合。小波模极大值去噪方法能有效地保留信号的奇异点信息，去噪后的信号没有多余振荡，具有较好的图画质量，改进后可以得到更满意的图像。小波相位滤波去噪算法是基于小波变换系数相关性去噪算法的，适于强噪声图像，去噪后也可以改善图像质量。 1.1课题背景 图像信息以其信息量大、传输速度快、作用距离远等优点成为人类获取信息的重要来源及利用信息的重要手段，而现实中的图像由于种种原因都是带噪声的。噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。为了去除噪声，会引起图像边缘的模糊和一些纹理细节的丢失。反之，进行图像边缘增强也会同时增强图像噪声。因此在去除噪声的同时，要求最小限度地减小图像中的信息，保持图像的原貌。经典的图像去噪算法，如均值滤波、维纳滤波、中值滤波等，其去噪效果都不是很理想。 中值滤波是由图基（Turky）在1971年提出的，开始用于时间序列分析，后来被用于图像处理，在去噪复原中得到了较好的效果。它的基本原理是把数字图像或数字序列中的一点的值，用该点的一个邻域中的各点的中值代替。中值滤波在抑制椒盐噪声的同时又能较好地保持图像特征，图像也得到了平滑。对同时含有高斯噪声和椒盐（脉冲）噪声的图像，先进行混合中值滤波处理。基于极值的混合中值滤波兼容了中值滤波和线性滤波的优点，在滤除椒盐噪声的同时又对图像中的物体细节和轮廓进行了很好的保留。基于混合中值滤波和小波去噪相结合的方法，去噪效果好于单纯地使用小波变换去除噪声，或者单纯使用混合中值滤波去除噪声，能获得比单一使用任何一种滤波器更好的效果。
基于小波理论的图像去噪和图像增强
基于小波理论的图像去噪和图像增强 1．3图像去噪技术 图像去嗓是信号处理中的一个经典的问题。传统的去噪方法多采用平均或线性方法，如Wiener滤波，但去嗓效果不令人满意。随着小波理论嚣趋完善，它以其自身良好的时频特性在图像信号去噪领域受到越来越多的关注，开辟了用非线性方法去噪的先河。小波变换用于豳像去噪的理论基础始于S。Mallat把数学上的Lipschitz系数与小波变换的模极大值联系起来。随后Donohol8j提出了小波M值萎缩方法并从渐透意义上证明了其优越性。然而在实际应用中却往往效果不好，存在“过扼杀"系数的缺点。以后人们进一步研究小波相关去噪方法、比例萎缩方法等，并且在进一步提高辣法的局部适旋性、先验模型的准确性、边缘信息的傈留性等方西取得了巨大的进步。具体回顾小波去噪方法可以大致分成以下三个阶段：第～阶段，最初的去噪方法主要是利用小波变换去相关性。在小波分解后不同层次麴纲节子带，采用不同的阈值。代表方法有Visushrink(逶用软闺值去噪方法)和SureShrink(基于Stein's的无偏风险估计，可得出接近最优软阈值的佶计量)方法等。这期间硬阂值、．软阙值和半软闽值等阈值函数也楣继提出。第二阶段，人们开始根据小波系数的统计性质建立各种先验模型，对小波系数的萎缩自适应变化，也就是每个小波系数所采取的阈值都各不相同。小波系数模型主要可分为基于尺度内相关性的层内模型、基于尺度阗相关性的层闻模型和混合模型。最常用小波系数先验模型是广义高斯分布模型。原图像小波系数的方差估计采髑局部邻域估计，代表方法有数据驱动的爨适应BayesShrink 方法，LawmlShrink方法等。第三阶段，这～阶段入们主要关注如何利用小波系数层闻和层肉的楣关性，二元或多元的小波萎缩函数被提出。在去噪的同时如何尽可能地保留边缘、纹理等细节、如何使去噪后的图像更光滑、如何将小波变换去噪与其他方法结合等都处于不断地探索和研究中，代表方法有BivaShrink方法、小波的马尔可夫方法和复数小波去噪方法等。 1．4图像增强技术 数字图像增强是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息的处理方法，其主要目的是使处理后的图像对某种特定的应用来浼，比原始图像更适用。因此，这类处理是为了某种应用目的两去改 3 武汉理王大学硕士学位论文善图像矮量的。处理的结果锼图像更适合于人的视觉特性或机器的识别系统Il别。图像的增强技术主要分为两大类：～类是空域类处理法，一类是频域类处理法。空域法是指蛊接对图像孛的像素进行处理，基本上是以获度映射变换为基础的。频域法的基础是卷积定理，一般情况下采用修改傅立叶变换的方法来实现对图像进行增强处理。健在这里以延伸为其毽的变换翔DCT变换、Walsh 变换和小波变换等。小波算法的发展极大影响了信号与图像处理领域的研究。在图像处理领域，很多算法被痰用到罂像去嗓方面。相对来讲在图像增强这个领域研究工作做得稍微少了些，但还是出现了～些很重要的方法。图像增强中主要问题是噪声，许多通用、知名方法都存在下列瓣题：帮在增强细节信号豹同时，也放大了噪声。在诸如CCD这种低对比度、多噪声图像中，尤其需要改进算法，在增强微弱细节信号的困时抑制背景孛的离频噪声。传统图像增强方法，如直方腿均衡、高通滤波、反掩模锐化法等。但是，这些传统的图像增强方法都存在着不足，如噪声放大、有时可能弓l入新的噪声结擒等。知翁解决这些闯题一直是图像增强领域孛的～个难题。小波分
图像去噪去噪算法研究 开题报告
图像去噪去噪算法研究论文开题报告 （1）选题的目的、意义 目的： 由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。 意义： 噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要[4] [5]。图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。 （2）国内外对本课题涉及问题的研究现状 针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下，产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。 目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明，这些方法虽有一定的降噪效果，但都有其局限性。比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。 对于去除椒盐噪声，主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。后来
基于小波变换的图像去噪方法研究毕业设计
题目基于小波变换的图像去噪方法研究
毕业论文﹙设计﹚任务书 院(系) 物理与电信工程学院专业班级通信1101班学生姓名陈菲菲 一、毕业论文﹙设计﹚题目基于小波变换的图像去噪方法研究 二、毕业论文﹙设计﹚工作自 2015 年 3 月 1 日起至 2015 年 6 月 20 日止 三、毕业论文﹙设计﹚进行地点: 物理与电信工程学院实验室 四、毕业论文﹙设计﹚的内容 1、图像处理中，输入的是质量低的图像，输出的是改善质量后的图像。常用的图像处理方法有图像增强、复原、编码、压缩等。一般图像的能量主要集中在低频区域中，只有图像的细节部的能量才处于高频区域中。因为在图像的数字化和传输中常有噪声出现，而这部分干扰信息主要集中在高频区域内，所以消去噪声的一般方法是衰减高频分量或称低通滤波，但与之同时好的噪方法应该是既能消去噪声对图像的影响又不使图像细节变模糊。为了改善图像质量，从图像提取有效信息，必须对图像进行去噪预处理。 设计任务： （1）整理文献，研究现有基于小波变换的图像去噪算法，尝试对现有算法做出改进； （2）在MATLAB下仿真验证基于小波变换的图像去噪算法。 2、要求以论文形式提交设计成果，应掌握撰写毕业论文的方法，应突出“目标，原理，方法，结论”的要素，对所研究内容作出详细有条理的阐述。 进度安排： 1-3周：查找资料，文献。 4-7周：研究现有图像去噪技术，对基于小波变换的图像去噪算法作详细研究整理。 8-11周：研究基于小波的图像去噪算法，在MATLAB下对算法效果真验证。 12-14周：分析试验结果，对比各种算法的优点和缺点，尝试改进算法。 15-17周：撰写毕业论文，完成毕业答辩。 指导教师陈莉系(教研室) 系(教研室)主任签名批准日期 2015.1.1 接受论文 (设计)任务开始执行日期 2015.3.1 学生签名
小波变换图像去噪MATLAB实现
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：
图像去噪方法
图像去噪方法 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后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有:高斯噪声(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声)等; 目前比较经典的图像去噪算法主要有以下三种: 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(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。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。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。 Wiener维纳滤波:使原始图像和其恢复图像之间的均方误差(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)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。
图像去噪的发展历程与方法简介
图像去噪的发展历程与方法简介 1 图像去噪的概念 2 图像去噪的发展历程与现状 2.1图像去噪传统方法 2.2全变分去噪的提出 1 图像去噪的概念 图像去噪指的是利用各种滤波模型，通过传统滤波、小波、偏微分方程等多种方法从已知的含有噪声的图像中去掉噪声部分。图像去噪从整个图像分析的流程上来讲属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，它的存在有着非常重要的意义。 图像恢复问题是图像处理中最基本的问题，图像恢复以图像退化的数学模型为基础，通过退化现象的某种先验知识来重建、恢复原来的图像。其中图像退化的原因主要是源于图像的获取和传输的过程中受到各种因素的干扰。 对图像进行去噪是对图像作进一步处理的可靠保证，如果对含有噪声的图像进行特征提取、图像融合等处理后的结果，显然不能令人满意。另外，由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。噪声严重的时候，图像几乎变形，更使得图像失去了存储信息的本质意义。显然，对图像进行去噪处理，是正确识别图像信息的必要特征。 在对有噪声图像和模糊图像恢复时，除了去除噪声外，一个很重要的目标是保护图像的重要细节(包括几何形状细节如纹理、细线、边缘和对比度变化细节)。但是噪声的去除和细节的保护是一对矛盾关系，因为噪声和细节都属于图像信号中的高频部分，很难区分出它们，所以在滤除图像噪声的同时，也会对图像的特征造成破坏，致使图像模糊。为了抑制图像中的噪声，更好地复原因噪声污染引起的图像质量退化，有必要寻找更好的去噪方法，保证在去除噪声的同时，还能保持边缘和纹理信息。近年来，为了解决这一问题，研究者们提出了很多模型和方法。 图像是人类视觉的基础，而视觉是人类最重要的感知手段，图像恰恰又客观的反映了自然景物，成为了人类认识世界和人类本身的重要源泉。随着科技的日新月异，数字图像也于20世纪50年代诞生。而所谓的数字图像，可以将其看成是一个矩阵或是一个二维数组，在计算机上表示的方式。每个像素取值为0~255的整数。取值越大，表明这个格子越亮;反之，这个格子越暗。而数字图像所载有的信息就是每个像素的取值。
基于小波变换的信号去噪论文
河南农业大学 本科生毕业论文 题目基于小波变换的信号去噪研究 学院理学院 专业班级信安3班 学生姓名秦学珍 指导教师吴莉莉 撰写日期：年月日
基于小波变换的信号去噪研究 秦学珍 摘要 小波变换是一种新型的数学分析工具，是80年代后期迅速发展起来的新兴学科。小波变换具有多分辨率的特点，在时域和频域都具有表征信号局部特征能力，适合分析非平稳信号，可以由粗及精地逐步观察信号。小波分析的理论和方法在信号处理、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用，它被认为是近年来在工具及方法上的重大突破。 信号的采集与传输过程中，不可避免会受到大量噪声信号的干扰，对信号进行去噪，提取出原始信号是一个重要的课题。那么究竟应该如何从含噪声的信号中提取出原始的信号，这就成了最重要的问题。经过长期的探索与努力、实验仿真，对比于加窗傅里叶对信号去噪，提取原始信号的方法，终于找到了一种全新的信号处理方法——小波分析。它将信号中各种不同的频率成分分解到互不重叠的频带上，为信号滤波、信噪分离和特征提取提供了有效途径，特别在信号去噪方面显出了独特的优势。 本文从小波变换的定义和信号与噪声的不同特性出发，在对比分析了各种去噪方法的优缺点基础上，运用了对小波分解系数进行阈值化的方法来对一维信号去噪，该方法对去除一维平稳信号含有的白噪声有非常满意的效果，具有有效性和通用性，能提高信号的信噪比。与此同时，本文还补充介绍了强制消噪处理、默认阈值处理、给定软阈值处理等对信号消噪的方法。在对含噪信号运用阈值进行消噪的过程中，对比了用不同分解层数进行处理的去噪效果。 本文采用的是用传感器采集的微弱生物信号。生物信号通常是噪声背景小的低频信号，而噪声信号通常集中在信号的高频部分。因此，应用小波分解，把信号分解成不同频率的波形信号，并对高频波进行相关的处理，处理后的高频信号在和分离出的低频信号进行重构，竟而，就得到了含少量噪声的原始信号。而且，随着分解层数的不同，小波去噪的效果也是不同的。并对此进行了深入
图像去噪方法及发展
图像去噪方法及其发展概述学院（系）：机械工程学院 专业：机械制造及其自动化 学生姓名：高某某
一、概述 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。但是图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。消除图像噪声的工作称之为图像滤波或平滑。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。 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”，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，这样描述方法是很复杂，甚至不可能的，而实际应用往往也不必要，通常使用其数值特征，即均值方差、相关函数等。因为这些数值特征都可以从某些方面反映出噪声的特征。 二、图像中的噪声 噪声对图像信号幅度和相位的影响十分复杂，有些噪声和图像信号相互独立不相关，有些是相关的，噪声本身之间也可能相关。因此要减少图像中的噪声，必须针对具体情况采用不同方法，否则很难获得满意的处理效果。一般图像处理中常见的噪声有: 1.加性噪声。加性噪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的。这类带有噪声的图像可看成为理想无噪声图像f与噪声n 之和，即 g = f + n 2.乘性噪声。乘性噪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噪声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是 g = f + fn 3.量化噪声。量化噪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，减少这种噪声的最好办法就是采用按灰度级
基于小波变换的图像去噪方法研究
基于小波变换的图像去噪方法研究
毕业设计（论文）基于小波变换的图像去噪方法研究 院别计算机与通信工程学院 专业名称通信工程 班级学号 学生姓名
指导教师 2014年6月10 日
基于小波变换的图像去噪方法研究 摘要 一般来说，现实生活中的图像都是含有噪声的。因此，为了能够更好地进行后续处理，对图像进行去噪处理是很有必要的。然而，在传统的去噪方法中，有效的去噪和保留图像细节信息是非常矛盾的。所以，寻找一种既能有效地去除图像噪声又能保留下更多的图像细节的去噪方法便成了众多研究人员的共同目标。 经过研究和实践发现，小波变换在对图像进行去噪的同时，又能成功地保留图像的边缘信息。因而本文进行了基于小波变换的对图像去噪方法的研究。在多种多样的基于小波变换的去噪方法中本文选择主要讨论阈值去噪方法和模极大值去噪方法这两种方法，并对两者进行了仿真实验与分析。 通过开展对阈值函数的仿真实验发现，采用软、硬折中阈值函数去除由泊松噪声、椒盐噪声、高斯白噪声、斑点噪声污染的图像有着更显著的效果，而对于只需去除微量噪声且保留更多细节信息的图像而言，半软阈值却是更好的选择。同时，本文还通过实验研究发现，模极大值对各种噪声的去噪处理都有着不错的效果，并且非常适合低信噪比的图像去噪。但是，由于主流算法实现的效率较低，该去噪方法总体来说并不能达到理想的效果。 关键词：图像去噪，小波变换，阈值去噪，模极大值去噪
Research on Image Denoising on Wavelet Transform Author： Tutor： Abstract Generally speaking, the images in our real life always contain noise. Therefore，for better subsequent processing, it is necessary to denoise the images.However, the traditional way of denoising the images is an obvious contradiction which aims at smoothing noise of images as well as retaining the details in the images. Thus, it has become a common goal of many researchers to find a way that can not only denoise images but also preserve the images' details. Through research and practice，we can find wavelet transform can reduce the noise, and meanwhile retain edge information of the images well. So, we discusses the denoising algorithm based on wavelet transform in this test.In various denoising algorithms based on wavelet transform, this text primarily discusses wavelet threshold denoising and the wavelet transform modulus maxima, and test the two methods by simulation then analyze. By testing the threshold function by simulation, it can be found that eclectic function of soft and hard thresholding has better effect on images that are polluted by poisson noise, salt and pepper noise, gauss white noise and speckle noise, while semi-soft threshold seems a better choice for denoising the images which require to remove little noise and preserve more detail information. At the same time, through the experimental study we can also find wavelet transform modulus maxima is efficient to denoise different kinds of noises, especially to denoise the low SNR images. Nonetheless, since the mainstream algorithms are inefficient, wavelet transform modulus maxima in general cannot receive satisfactory results. Key Words: Image de-noising, Wavelet transform,Thresholding de-noising,Modulus maxima de-noising
毕业设计--基于双边滤波的图像去噪的方法
学号：1008431110 本科毕业论文（设计） (2014届) 基于双边滤波的图像去噪方法 院系电子信息工程学院 专业通息工程 姓名 指导教师讲师 2014年4月
双边滤波是非线性的滤波方法，是结合图像的像素值相似度空间邻近度和空间领近度的一种折衷处理，同时考虑灰度相似性和空域信息，达到保边去噪的目的。双边滤波具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波比高斯滤波多了一个高斯方差，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息对于彩色图像里的高频噪声，双边滤波器不能够彻底的滤掉，只能够对于低频信息进行较好的滤波。其具体的操作方法有两个，第一个是高斯模版，用个模板对图像中的每一个像素值进行扫描，然后把某一点和其邻域内像素的加权平均值代替那一个中心的值高斯滤波器是根据高斯函数的形状来选择其权值的线性平滑滤波器，高斯滤波是线性平滑滤波的一种，最适合去除的噪声类型是服从正态分布的噪声。第二个是以灰度级的差值作为函数系数生成的模板。然后这两个模板点乘就得到了最终的双边滤波模板，最后得到双边滤波处理后的图像。 关键词：图像；去噪；双边滤波；高斯滤波
The bilateral filter is a nonlinear filtering method, is the combination of image pixel value similarity space proximity and space brought a compromise approach degree, considering the gray similarity and spatial information, to achieve the purpose of edge preserving denoising. The bilateral filter has the advantages of simple, non iterative, local. The bilateral filter is good to do edge preservation,generally used Wiener filtering or Gauss filter to denoise, will obviously fuzzy edge, for the protection of high frequency detail is not obvious. Bilateral filtering than Gauss filter has a Gauss variance, it is Gauss filter function based on the spatial distribution, so near the edge, the pixel will not affect the farther to the pixel on the edge of the value, thus ensuring the preservation of edge pixel values. But because of the high frequency information saved too much for the high frequency noise in the color image, the bilateral filter can not be completely filtered out, can only be better filtering for the low frequency information. The specific operation method has two, the first is Gauss template, scanning for each pixel in the image with a template, and then the weighted one point and its neighborhood pixels instead of the average value of a central value Gauss filters are linear smoothing filter to select the weights based on the Gauss function the shape, the Gauss filter is a linear smoothing filter for noise removal, the type is subject to normally distributed noise. The second is the difference of gray level as function coefficients generated templates. Then the two template dot get bilateral filtering template final, finally get the image after bilateral filtering. Key words: Image ;Denoising;Bilateral Filtering;Gauss Filtering