利用图像滤波算法实习对高椒盐噪声的去噪处理——杨建春
编号：____________
审定成绩：____________
毕业设计（论文）
设计（论文）题目:_利用图像滤波算法实现
对高椒盐噪声的去噪处理
单位（系别）：通信与信息工程系______
学生姓名：_______杨建春_________
专业：__电子信息工程________
班级：____06111203__________
学号：__10__________
指导教师：_____靳艳红___________
答辩组负责人：______________________
填表时间： 2016年5月
重庆邮电大学移通学院教务处制
重庆邮电大学移通学院毕业设计(论文)任务书设计(论文)题目利用图像滤波算法实现对高椒盐噪声的去噪处理
学生姓名杨建春系别通信与信息工程系专业电子信息工程
班级 06111203
指导教师靳艳红职称讲师联系电话
教师单位重庆邮电大学移通学院下任务日期2016年__1__月_ 4__日
摘要
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。图像信号在获取和传输过程中，不可避免地受到各种噪声的污染，从而导致图像质量退化，对图像的后续处理，如边缘检测、图像分割、特征提取、模式识别等产生严重的影响，因此图像去噪是图像预处理的一个非常重要的环节。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，且其实践应用非常广泛，在医学、军事、艺术、农业等方面都有广泛且成熟的应用[1]。
本文首先介绍了图像去噪的研究背景和意义、图像滤波算法的发展概况及方法;然后介绍了图像噪声的分类和数学模型，并着重介绍了传统的图像去噪算法：均值滤波器、中值滤波器和自适应滤波器以及对应的去噪算法。对常用的几种阈值去噪方法进行了分析比较和仿真实现。最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际的图像处理中，去噪算法的选择和改进提供了数据参考和依据。
【关键词】自适应滤波器均值滤波器直方图梯度椒盐噪声加权中值滤波高斯降噪
ABSTRACT
Image is an important source of information by image processing can help people understand the connotation of information. And obtaining an image signal in the transmission process, inevitably contaminated all kinds of noise, resulting in degradation of image quality, image subsequent processing, such as edge detection, image segmentation, feature extraction and pattern recognition have a serious impact, thus denoising is a very important part of image preprocessing. It relates to the field of digital image noise removing optical systems, microelectronics, computer science, mathematical analysis, is a highly comprehensive interdisciplinary science, now has its theoretical system is perfect, and the practice is widely used in medical, military respect, art, agriculture and others have a wide range of sophisticated applications.
This paper introduces the research background and significance, image filtering algorithm development situation and method for image denoising; then introduces the classification and mathematical model of image noise, and highlights the traditional image denoising algorithm: mean filter, median filter and adaptive filter and the corresponding de-noising algorithm. Several commonly used thresholding method were analyzed and compared and Simulation. Finally, the theoretical analysis and experimental results, a complete discussion of the various factors affecting denoising denoising performance. The actual image processing, de-noising algorithm selection and improve the delivery of reference data and evidence.
【Key words】Adaptive filter Mean filter Salt and pepper noise gradient histogram Weighted median filtering Gaussian noise
目录
前言 (1)
第一章图像去噪算法综述 (2)
第一节图像去噪方法概述 (2)
第二节图像噪声模型 (3)
第三节图像去噪质量的评估方法 (4)
第四节中值滤波 (6)
第五节维纳滤波 (6)
第六节均值滤波 (7)
第七节本章小结 (9)
第二章几种中值滤波去噪方法分析 (10)
第一节标准中值滤波方法 (10)
第二节带权值的中值滤波方法 (11)
第三节三态中值滤波方法 (12)
第四节自适应中值滤波方法 (13)
第五节本章小结 (15)
第三章基于噪声检测的自适应中值滤波 (16)
第一节噪声检测机制 (16)
第二节椒盐噪声滤除方法 (21)
一、噪声滤除策略 (22)
二、动态窗口策略 (23)
第三节本章小结 (24)
第四章仿真结果 (25)
第一节均值滤波仿真 (25)
第二节中值滤波仿真 (28)
第三节维纳滤波仿真 (29)
第四节本章小结 (29)
结论 (30)
致谢 (31)
参考文献 (32)
附录 (34)
一英文原文 (34)
二英文翻译 (38)
前言
我们对图像去噪的目的是提高给定的图像质量，解决实际图像因为该图像质量劣化的噪声。通过去噪技术可以提高图像质量，增加信噪比，更大程度地反映原图象的信息，作为一个非常重要的预处理装置，人们已经对去噪算法进行了非常广泛的研究。现在所有的去噪算法，在低维信号和图像处理方面取得了良好的的效果，但不能用于高维图像信号处理;或者也许有很好的去噪效果，但的图像的边缘信息的一部分，或在检测图像的边缘信息上面保持不了图像细节。如何找到在抵抗噪声的良好平衡和保留细节找到平衡点，成为在近几年研究的焦点。图像数据的共模噪声有两种，一种是高斯噪声，另一个是椒盐噪声。高斯噪声对原始图像造成的影响比较小，椒盐噪声相比原图像造成的影响比较大，因为它是由图像的极值组成，所以会产生一个严重的图像扰动[2]。
在椒盐噪声这方面，人们已经提出了各种非线性滤波方法。其中基于这样的思想而出现的滤波方法有：中值滤波的滤波算法；标准的中值滤波算法；加权中值滤波算法。因为它们非常简单，而且易于实现，并具有保留图像细节部分的能力，所以它们一直是人们关注的焦点。但是，由于这些算法的最大缺点是所有的像素都是统一的处理方法，因此，在过滤掉噪声的同时，也影响了远图像中非噪声像素的灰度值，从而导致了模糊的图像。在最近几年，很多人提出了多种基于先定位、后滤波的思想的滤波算法。虽然相对于传统的中值滤波方法都有了很大的提高，但对图像的更严重的污染，会出现一个大型过滤窗口过滤图像模糊，小型过滤器窗口不能很好去除噪声问题。如何找到一个很好的平衡，抗噪，并保留细节，成为近年来研究的焦点
【关键词】滤波算法椒盐噪声模拟仿真中值滤波
第一章图像去噪算法综述
去噪图像复原是指分析有噪声的图像，然后设计滤除噪声的方法，从而提高了给定图像的效果。常见的图像噪声滤波方法有均值滤波、中值滤波、维纳滤波。我们实际生活中由于各种不确定的因素干扰图像，出现噪声的原因很多。导致图像噪声去除的时候很复杂。因此，当对图象噪声进行滤波的时候，需要有效地去除包含在图像上尽可能多的噪声并尽最大可能保留原始图像原貌和细节，改进图像质量。
第一节图像去噪方法概述
在实践中，人们需要对有噪声图像进行滤波处理并移除负面效果，并且将被污染的图像噪点遮蔽并改变整个主体感官，和信噪比污染的影响，从而提高了图像质量的结果
图 1.1图像退化-复原过程的模型
人们在实验模拟中，为了控制该图像噪声密度，以及更准确地计算图像滤波前和过滤后峰值信噪比，和无噪声图象退化而得到噪声图像，然后通过含过滤噪声的映像进行恢复。假设需要输入图像(,)
g x y，原始图像可被设置为一
f x y和降解图像过程，得到退化图像(,)
个降解功能，并添加附加噪声(,)
n x y。对于发生线性变化和位置不变性的退化过程，冈萨雷斯在《数字图像处理》这一本书中给出了在空间域中的如下退化模型[2]：
()()()()y x n y x f y x h y x ,,*,,g +=
式中()y x h , 就是退化函数的空间描述。通过退化函数与原始图像的空间卷积操作以得到空间退化图像，并且在退化完成后再加上一个加性噪声项就完成了退化的这个过程。分析退化模型，制定相反的过程进行处理就是图像的复原过程，从而复原出原图像()y x f ,'。图像退化到复原的这整个过程模型如图所示：
第二节 图像噪声模型
数字图像的噪声一般都是来自于将图像数字化过程和传输的过程。在这两个过程中由于受到环境条件的影响和设备的性能质量原因以及不可控因素的影响，使得图像必不可免的产生噪声。文献[1]中给出了如下几种比较常见的比较重要的几种噪声：
① 均匀分布噪声
均匀分布噪声是指图像中每一个像素点等概率产生的噪声。均匀噪声的概率密度如式 所示，其期望值和方差如式 所示
()10
a z
b p z b a ?≤≤?=-??? （） ()22;212
b a a b μσ-+== （） ② 高斯噪声
高斯噪声也被称为正态噪声，它的噪声的概率密度如式所示：
()()2222z p z e μσπσ
--= （） 式中，z 代表图像的灰度值，代表z 的期望值，代表z 的标准差。高斯噪声在实际图像中比较常见，而且在数学上处理也比较容易，使得高斯噪声的模型应用也比较广泛。
③ 椒盐噪声
椒盐噪声是指持续时间小于等于秒，大于1秒间隔时间的噪声。椒盐噪声作为一种平常容易遇到的图像噪声，决定性的对图像质量起着效果。其噪声概率密度如式所示：
()0a z b p z a p z p z b =??==??? （）
式中，假定b>a ，则图像中灰度值b 将以
的概率在图像中显示为一个亮点（盐粉微粒）；灰度值a 则将以
的概率显示为一个暗点（胡椒微粒）。
④ 瑞利噪声 瑞利噪声是指服从瑞利分布的噪声。它的概率密度函数如式所示：
()()22()0z a b z a e
z a p z b z a
-??-≥=??
伽马噪声又被叫做爱尔兰噪声，它的概率密度函数如式所示：
()()01!00b b z
az a z e z b p z z --?≥?-=??
（）
该式中，a>0，b 为正整数。
⑥ 指数分布噪声
指数分布噪声的概率密度函数如式所示：
()00
0az ae z p z z -?≥=?0。需要注意的是，伽马噪声在b=1时，它的概率密度函数和指数分布概率密度函数是一样的；即指数分布噪声是伽马噪声的一个非常特殊的特例。
第三节 图像去噪质量的评估方法
我们一般用客观准则和主观准则去评价图像去噪效果
通过去噪后图像与原始图像的偏离程度的方法来客观评价图像去噪的质量。常用的方法是均方误差估计法，它通过计算输入图像和输出图像的均方值(Mean Square Error, MSE)[3]。详细计算方法如下：
假设f 为原始图像，f N 是加噪图像，f d 是复原图像，则对于图像中任意点(x,y)，其误
差值为：
()()(),,,d e x y f x y f x y =- （）
假定原始图像为M*N 的大小，则均方误差可以表示为： ()()211001,,M N d X Y MSE f x y f x y MN --===-????∑∑ （）
其中，均方误差越小，则去噪效果越好。
另一种常用的客观评价准则是信噪比(SNR)，fd 的均方信噪比可以式表示 ()()2
2110025510log 1,,M N d X Y SNR f x y f x y MN --==?? ?= ? ?-??????∑∑ （） 对于式所式的信噪比，将其转化为分贝制，这样就可以得到峰值信噪比(Peak Signal to Noise Ratio, PSNR)。PSNR 是最普遍，最广泛使用的评鉴画质的客观量测法，其表达式如式所示：
()()2
2110025510log 1,,M N d X Y PSNR f x y f x y MN --==?? ?= ? ?-??????∑∑ （） 上面介绍了两种常用的客观评价准则。当我们在评估时，也可以采用主观评测准则，即凭借我们的经验去比较去噪图像和原始图像。因为主观评价带有主观性，因人而异，主要可以从以下两个方面进行主观评价[11]：
观察去噪图像的平滑效果。可以通过观测比较图片平坦区域和缓变区域复原图像的平滑程度。调查发现，人们对于变化不大的区域噪声敏感度相对其它区域更高，所以目前常见的平滑噪声的过程也是对这些缓变的区域进行。
通过观察图像的保护作用的效果。因为为了平滑噪声，避免不了图像会模糊图像的边缘，以及详细信息。大多数过滤方法将有边缘模糊，边缘移位，边缘失真和细节丢失现象。所以可以通过比较观察图像的边缘区域来判断滤波器对图像结构的保护效果。
第四节 中值滤波
中值滤波的基本原理是通过把数字图像或着数字序列当中随便一点的值当作该点周围各点值的中值代替。用数学公式表示为:
{}v i i v i i f f f Med Y +-=,,,, 21,-=∈m v Z i （） 对于二位序列{}ij X 进行中值滤波时，滤波窗口肯定也是二维的，但是这种二维的窗口
可以有各种各样的形状，有线性、十字状、圆环状等。二维数据的中值滤波可以表示为： 为滤波窗口},{,A X Med Y ij A j
i = （） 在实际使用中窗口的窗口大小，一般都是使用慢慢增加，直到滤波效果满意。我们使用的二维的中值滤波时，最值得注意的是，最好保持图像有效薄形物体。并比较平均滤波器，中值滤波器一般来讲，可以很好地保存在原始图像转换部分，得到更好的结果图像。
第五节 维纳滤波
维纳滤波又称为最小均方误差滤波，是由在1942年提出的一种线性图像复原方法。它的原理是对原始图像假设为f ，找出它的一个估计值，使得f 和估计图像之间的均方误差值最小，也就是实现了图像的去噪复原。其误差度量的公式如式所示
(){}2
2e E f f =- （） 我们假设噪声和图像没有任何关系，其中任意一个有零均值而且估计的灰度值是退化图像灰度级的线性函数。那么在这样的情况下，式中误差函数的最小值在频域中可以用下面的式子来表示：
()()()()()()()22,1?,,,,,/,f H u v F u v G u v H u v H u v S u v S u v η????=??+????
（） 我们在针对运动中的模糊图像去噪复原过程中，维纳滤波对于反滤波法中H(u,v)零点的噪声放大问题完美的可以进行解决，但是也存在着一定的缺陷，例如无法消除图像模糊而导致信息不完整而造成的边缘误差。维纳去卷积算法的设计在基本点上就决定了会存在
着一定的局限性[16]：
①采用均方误差作为判断图像复原程度的标准，在数学计算上是较好的算法，但会导致我们所得的复原图像对于人类视觉上面的图像存在着一定的出入。我们用标量的方式找到最好的滤波器。人们希望能够找到滤除传统感染信号噪声的滤波器，这样维纳滤波器产生了。
②对于退化函数具有空间可变、点扩散等性质的时候，经典的维纳滤波处理效果差强人意。
③对于非平稳的图像，如具有被边缘分开的平坦区域、噪声与图像局部灰度值相关等，维纳滤波无法较好的保证其滤波的效果。
假定线性滤波器的输入是有用信号和噪声的和，两者均为广义平稳过程且知它们的二阶统计特性，维纳方程是根据最小均方误差准则来求得最佳线性滤波器的参数，这种滤波器被称为维纳滤波器[5]。
实现维纳滤波的要求是：输入过程是广义平稳的；输入过程的统计特性是已知的。
维纳滤波器的优点是适合于更广泛的去噪滤波器，无论是在平稳随机过程或离散过程的都可应用。对其中的一些问题，而且还可以得到明确解答，从而通过构成维纳滤波器的简单物理元件组成的利用网络的滤波器的传递函数。缺点是维纳滤波器是需要得到所有观察到的数据在条件范围内得到一种半无限的时间间隔的全部数据是很难满足的，同时它也不能用于非平稳噪声的随机过程，对于向量应用的情况是不容易。因此，在我们的很多现实生活中的问题用维纳滤波是不能解决的。
第六节均值滤波
均值滤波算法是比较典型的滤波算法，它是指定图像上面用目标像素为中心点来设定一个小窗口。这个窗口包含了靠近目标像素的像素。再来爸全部像素的均值代表中心点的灰度值。常见的取均值的算法有算术均值、几何均值、谐波均值、逆滤波均值。
①算术均值滤波
算术均值，由文知意是以窗口内全部的像素点的灰度值取算术平均值以替代窗口中心
为中心在点(x,y)，尺寸为m*n 的灰度值。这个就是最简单最常见的均值滤波器。假定S
xy
的矩形窗口的坐标组，则点(x,y)可通过式所求的算术均值滤波计算从而得到复原图像在该
点的灰度值 。 ()()(),1?,,xy s t S f x y g s t mn ∈=∑ （）
利用算术均值可以将噪声图像简单快速的进行去噪并将图像平滑，但是也同时会对图像的模糊产生影响，造成了图像的很多细节信息丢失。
② 几何均值滤波
实际上我们在图像去噪这一过程中，通常将普遍化的维纳滤波器当成几何均值滤波器从而进行图像滤波去噪。对于复原滤波器：
()()()()()()()()1**22,,?,,,,,,n f H u v H u v f u v G u v P u v H u v H u v P u v ααβ-??????????=??????+???? （）
当1α=时，该滤波函数退化为逆滤波；当0α=时，变为参数维纳滤波；当1β=时即标准维纳滤波。而如果12
α=时，该滤波器函数变为两个相同幂次的函数的乘积，形式如同几何均值滤波。经过人们的验证，形如式的几何均值滤波式可以给出比维纳滤波器好的很多的去噪复原结果。
③ 谐波均值滤波器
谐波均值滤波器的操作可以式给出：
()()(),?,1,xy s t S mn
f x y
g s t ∈=∑ （）
从上面的式子我们可以发现谐波滤波器对于盐噪声的去噪效果很好，然而却对于椒点基本无效。因为椒点灰度值为g 为0，即()(),1,xy s t S g s t ∈∑无限大，滤波后该像素点的灰度值也还是0，仍表现为暗点。对于盐点，其灰度值g 为255，在计算机()(),1,xy s t S g s t ∈∑时将盐点忽略，只统计其余像素点的值，滤波后所得的灰度值则是窗口内不要盐点后其他像素点的谐波均值，可以很有效的去除盐点噪声的影响。
④ 逆谐波均值滤波器
实际应用于去除椒盐噪声较好的均值滤波器是逆谐波均值滤波器。它糅合了其他均值滤器的特性，通过参数进行调节。其表达式如所示：
()()()
()()1,,,?,,xy xy Q s t S Q s t S g s t f x y g s t +∈∈=∑∑ （）
如果Q 是正数的时候，那么逆谐滤均值滤波器对于胡椒噪声可以得到很好的去除效果；当Q 为负数的时候，就可以有效的去除椒盐噪声。
第七节 本章小结
人们通常会给指定图像添加高斯噪声和椒盐噪声，使用不一样的滤波方式来评测上面所介绍的滤波器的优劣势然后采用相对应最优的滤波方法。
均值滤波、维纳滤波这两个线性滤波器消除噪声是通过图像模糊为代价来进行的，并且结果也不是很理想。在去噪时，调节滤波窗口的大小来调节去噪效果与图像模糊程度。由于窗口的大小决定了有效去除噪声效果，从而导致图像的模糊程度也会大很多；相对应的，窗口越小那么滤除效果也就会不好，并且会有不少残留噪声。
中值滤波及最大值最小值滤波法，作为非线性滤波器，相比较与线性滤波器虽然可以在去除噪声的同时更好的保留图像，但也会存在一定的图像模糊现象[6]。这些滤波在保留图像时候去除更多的噪声，但在图像细节的处理方面则会有较大的缺陷，容易把细节点作为噪声处理掉，从而影响除噪效
第二章几种中值滤波去噪方法分析
在数字图像的转换、存储和传输等过程中，经常性由于电子设备工作环境的不稳定，由于设备中含有一些污染物等原因，导致数字图像中一些像素点的灰度值发生非常大的变化，变得非常小或者非常大；而且大气环境很容易干扰无线数据传输，从而让传输信号混入噪声，接收到的无线信号恢复成传输过来的数字图像较原图像相比也会有很大的不同。在这些过程中，椒盐噪声很容易就会对数字图像造成感染。客户满意的数字图像尽可能少或者没有受到椒盐噪声的污染。所以我们需要去噪处理。
在现阶段处理椒盐噪声方面的研究成果方面，因为中值滤波有其非线性的特性，对比其他线性滤波方法可以取得更好的效果，同切同时还可以更好的保留图像的边缘信息。很多学者在研究通过中值滤波消除椒盐噪声的影响，希望可以得到更好的去噪效果。
第一节标准中值滤波方法
标准中值滤波是把这个窗口内的像素点按灰度值大小进行排列，把灰度值的平均值当作标准值。
我们以一个8位的图像作为例子，因为椒盐噪声会让受影响的像素点灰度值改为亮点，即灰度值为255；或者暗点，即灰度值为0。我们在排序的时候，把收到污染的像素点的灰度值大小排列出来，取中间值为所有噪点值，那么就可以消除噪声污染对这个点的影响。其具体步骤如下：
①把窗口在图像中滑动，然后让窗口中心与某一像素点重合
②记录下窗口中所有像素点的灰度值
③将这些灰度值从小到大排序
④记录下该灰度值序列中间的值
⑤将所记录下的中间值替代窗口中心像素点的灰度值
因为中值滤波的输出灰度值大小是由窗口的中值大小所决定的，所以中值滤波对于窗口内脉冲噪声远远没有均值滤波敏感。因此相对于均值滤波，中值滤波可以在有效去除脉冲噪声的同时，减小更多的模糊图像。由于由于中值滤波所采用的窗口大小会直接决定去
噪效果和图像模糊程度，而且图像去噪后的用途也就决定了窗口的形式。以5*5窗口为例，常见的形状如图所示：
图 2.1 常见的尺寸为5*5的中值滤波窗口
尽管标准中值滤波方法称得上是现在市面上的一种最简单有效的去除椒盐噪声的方法。但是它判断像素点是否被噪声影响的机制不明确，尽管采用该方法时已经对所有像素点进行了一次滤波操作，还是会在一定程序上对图像的边缘、细节信息产生破坏。
第二节 带权值的中值滤波方法
Brownrigg 提出了一种改进的中值滤波方法：带权值的中值滤波方法。这个滤波的步骤和SM 基本一样，不同的地方在于：WM 在排序取中值的时候要在SM 之前，而且会先对窗口内所有像素点设置相应的权值，并在排序时统计每个像素点需要按照其权值的数值出现多少次。
我们先假定点集(){}*,*x 是输入窗口的像素点集合，对应的(){}*,*y 就是输出窗口像素
点集合。对于当前进行滤波操作的像素点(s, t)，以其为中心选取一个()()21*21N N ++ 的滤波窗口(){},,Win i j s N i s N t N j t N =-≤≤+-≤≤+ 。对于窗口Win ，其权值()()()(){},,,,,i j Win Weight h i j i j Win h i j C ∈=∈=∑ 。其中C 为奇数，且应大于或等于窗口的
大小。在排序操作时，则窗口内任意像素点X(i,j)需重复h(i,j)次，窗口中心点(s,t)的值被修改为：
()()()(){}
,,,,Y s t median h i j X i j x i j Win =∈ （） 以一个一维的WM 滤波窗口Win 为例，设Win 是以X(4,0)为中心，左右各取一个像素点的窗口，即()()(){}3,0,4,0,5,0Win x x x = 。设该窗口各个像素点的权值()()(){}{}3,0,4,0,5,02,3,2Weights x x x = ，对于该窗口，其输出值，即滤波后窗口中心像素点Y 值为：
()()()()()()()(){}0,03,0,3,0,4,0,4,0,4,0,5,0,5,0Y median x x x x x x x =（）
我们通过观察窗口内各个像素点的不同权值，发现可以大大加强滤波器输出结果和窗口内其他像素点之间的联系。而且设定合适的权值，WM 滤波方法相比SM 滤波方法不但可以更好的保护图像的细节及边缘信息，还能够较好的去除噪声污染。
第三节 三态中值滤波方法
tri-state 中值滤波方法首先通过噪声检测机制的手段，来判断当前像素点是否已经被噪声感染。如果未被感染，则输出结果仍旧为该像素点的灰度值。如果已经被感染，则根据之前检测的结果选择采用CWM 或者SM 进行滤波操作，以去除噪声。其算法结构可以用图表示：
图 2.2 tri-state 滤波器结构图
TSM 滤波器的输出值可以根据TSM 的特性可得到以下公式表达： 1212
ij TSM TSM ij ij SM
ij X T d Y Y d T d Y T d ?≥?=≤
1,2SM CWM ij ij ij ij d x Y d X Y =-=-
我们为了到达更好的除噪效果可以通过以下手段：
①保持输出灰度值与输入灰度值一致可以保护图像的细节信息；
②采用SM 和CWM 滤波器这两种滤波算法可以有效的去除椒盐噪声。
TSM 作为从SM 和CWM 提出来的新滤波方法,TSM 的优势在于根据SM 与CWM 滤波器的结果，控制阈值T 检测噪声并调节输出结果。所以对于SM 和CWM 这两种方法能处理的噪声点，TSM 不但都可以有效的进行滤除；而且对于未受椒盐噪声感染的像素点，可以保持原图像不变。综上所述TSM 相对于SM 和CWM ，它不但在处理噪声表现良好，而且在保持图像细节信息的处理上更为合理有效[8]。
第四节 自适应中值滤波方法
我们通过对中心权值进行分析，不难得出以下结论：假设权值为1时，CWM 则退化成
为SM ，然而当权值不小于窗口大小时，CWM 滤波器的输出值始终为初始值，也就是会导致CWM 失去去噪效果。通过科学实验验证，当中心权值取3的时候，可以得到相比其他值更好的滤波效果。
从上面的结论可知，CWM 的中心权值为3时，可以增加序列里中心像素点占所有像素点的比重，以便得到更好的去噪效果。那对于SM ，通过改变序列中值左右两个值的大小，观察其去噪效果会发生什么变化呢
对于SM 滤波器，除了序列中值外，序列中中值前面一个值与中值后面一个值对去噪的效果也会起到了明显作用。于是结合CWM 的这些优点，并整合了TSM 和NASWF 等滤波器设计的思想，设计了一个改进的自适应中值滤波器( Adaptive Median Filter, AM)[10]。
其主要滤波方法如下： ()()()()122212221122211212
2ij ij ws ws ij ij ij ij ws ws ij WS rank W WS SM R R if rank X AM WS rank W WS SM R R ifrank X WS ++++??+?-???+???--?≤?????????=??+??-???+??--?>?-????????? （） 式中，WS 表式窗口大小，R i 表示序列中第i 个元素的值，rank(X)表示元素X 在序列中
的位置，点(i,j)为窗口中心像素点。对于点(I,j)，经过AM 滤波后的输出值即为AM ij 。
根据TSM 中设计的阈值策略，Chang 在其设计中也加入了类似的策略，通过阈值T 来判断是否需对当前像素点采用式进行滤波，或者保留原值:
ij ij ij ij ij ij ij AM X AM T Y X X AM T ?-≥?=?-
（）
图 3.5 AM 滤波器结构图
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。
改变图像质量的几种滤波方法比较
1 改变图像质量的几种滤波方法比较 一、概述 滤波是图像处理重要技术之一，是提高图像质量的主要手段。对输入的图像实现直方图均衡化；设计完成同态滤波器，并用之改善图象质量；对某图像加入不同类型﹑不同强度的噪声（周期﹑椒盐噪声），并分别用空间域和频率域的方法抑制噪声。 二、图像处理过程 1.直方图均衡化 输入一幅图片，统计原图直方图数组，用一个数组hf 记录hf(i)；i 从0到255，令pa(i)=pa(i-1)+hf(i)，其中hf(i)为灰度值为i 的像素点占总像素点的概率；一个数组F 记录新的索引值，即令F(i,j)= (pa(f(i,j)+1))*255；依次循环每一个像素，取原图的像素值作为数组F 的下标值，取该下标对应的数组值为均衡化之后的像素值。结果显示原图图像、原图直方图，均衡化后的图像和直方图，并用于对比。 其中图像中灰度级出现的概率近似为： ()n n r p k k r =，k=0,1,2,…,L -1。而变换函数为：00()(),0,1,2,,1 k k j k k r j j j n s T r p r k L n ======-∑∑ 2.巴特沃斯同态滤波器： 图像f(x,y)是由光源照度场(入射分量)fi(x,y)和场景中物体反射光(反射分量)的反射场fr(x,y)两部分乘积产生，关系式为： f(x,y)=fi(x,y)*fr(x,y); fi(x,y)的性质取决于照射源，fr(x,y)取决于成像物体的特性。一般情况下,照度场f i ( x , y) 的变化缓慢,在频谱上其能量集中于低频;而反射场f r ( x , y) 包含了所需要的图像细节信息,它在空间的变化较快,其能量集中于高频. 这样就可以根据照度—反射模型将图像理解为高频分量与低频分量乘积的结果。由于两个函数乘积的傅立叶变换是不可分的，故不能直接对照度和反射的频率部分分别进行操作。
滤波图像降噪算法研究报告
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
常用的8种数字滤波算法
常用的8种数字滤波算法 摘要：分析了采用数字滤波消除随机干扰的优点，详细论述了微机控制系统中常用的8种数字滤波算法，并讨论了各种数字滤波算法的适用范围。 关键词：数字滤波；控制系统；随机干扰；数字滤波算法 1 引言 在微机控制系统的模拟输入信号中，一般均含有各种噪声和干扰，他们来自被测信号源本身、传感器、外界干扰等。为了进行准确测量和控制，必须消除被测信号中的噪声和干扰。噪声有2大类：一类为周期性的，其典型代表为50 Hz 的工频干扰，对于这类信号，采用积分时间等于20 ms整倍数的双积分A/D转换器，可有效地消除其影响；另一类为非周期的不规则随机信号，对于随机干扰，可以用数字滤波方法予以削弱或滤除。所谓数字滤波，就是通过一定的计算或判断程序减少干扰信号在有用信号中的比重，因此他实际上是一个程序滤波。 数字滤波器克服了模拟滤波器的许多不足，他与模拟滤波器相比有以下优点： (1)数字滤波器是用软件实现的，不需要增加硬设备，因而可靠性高、稳定性好，不存在阻抗匹配问题。 (2)模拟滤波器通常是各通道专用，而数字滤波器则可多通道共享，从而降低了成本。 (3)数字滤波器可以对频率很低(如0.01 Hz)的信号进行滤波，而模拟滤波器由于受电容容量的限制，频率不可能太低。 (4)数字滤波器可以根据信号的不同，采用不同的滤波方法或滤波参数，具有灵活、方便、功能强的特点。 2 常用数字滤波算法 数字滤波器是将一组输入数字序列进行一定的运算而转换成另一组输出数字序列的装置。设数字滤波器的输入为X(n)，输出为Y(n)，则输入序列和输出序列之间的关系可用差分方程式表示为： 其中：输入信号X(n)可以是模拟信号经采样和A/D变换后得到的数字序列，也
实验三常用图像滤波方法
实验三常用图像滤波方法 一、实验目的 1、熟悉并掌握MATLAB图像处理工具箱的使用； 2、理解并掌握常用的图像的滤波技术。 二、实验环境 MATLAB 6.5以上版本、WIN XP或WIN7计算机 三、相关知识 1 imnoise imnoise函数用于对图像生成模拟噪声，如： i=imread('e:\w01.tif'); j=imnoise(i,'gaussian',0,0.02);模拟均值为0方差为0.02的高斯噪声，j=imnoise(i,'salt&pepper', 0.04) 模拟叠加密度为0.04的椒盐噪声 2 fspecial fspecial函数用于产生预定义滤波器，如： h=fspecial('sobel');%sobel水平边缘增强滤波器 h=fspecial('gaussian');%高斯低通滤波器 h=fspecial('laplacian');%拉普拉斯滤波器 h=fspecial('log');%高斯拉普拉斯（LoG）滤波器 h=fspecial('average');%均值滤波器 3 基于卷积的图像滤波函数 imfilter函数，filter2函数，二维卷积conv2滤波,都可用于图像滤波，用法类似，如： i=imread('e:\w01.tif'); h=[1,2,1;0,0,0;-1,-2,-1];%产生Sobel算子的水平方向模板
j=filter2(h,i); 或者： h = fspecial(‘prewitt’) I = imread('cameraman.tif'); imshow(I); H = fspecial('prewitt‘); %预定义滤波器 M = imfilter(I,H); imshow(M) 或者： i=imread('e:\w01.tif'); h=[1,1,1;1,1,1;1,1,1]; h=h/9; j=conv2(i,h); 4 其他常用滤波举例 （1）中值滤波 medfilt2函数用于图像的中值滤波，如： i=imread('e:\w01.tif'); j=medfilt2(i，[M N]);对矩阵i进行二维中值滤波，领域为M*N，缺省值为3*3 （2）利用拉氏算子锐化图像, 如: i=imread('e:\w01.tif'); j=double(i); h=[0,1,0;1,-4,0;0,1,0];%拉氏算子 k=conv2(j,h,'same');
10种常用滤波方法
1、限幅滤波法(又称程序判断滤波法) A、方法: 根据经验判断,确定两次采样允许的最大偏差值(设为A) 每次检测到新值时判断: 如果本次值与上次值之差<=A,则本次值有效 如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值B、优点: 能有效克服因偶然因素引起的脉冲干扰 C、缺点 无法抑制那种周期性的干扰 平滑度差 2、中位值滤波法 A、方法: 连续采样N次(N取奇数) 把N次采样值按大小排列 取中间值为本次有效值 B、优点: 能有效克服因偶然因素引起的波动干扰 对温度、液位的变化缓慢的被测参数有良好的滤波效果 C、缺点: 对流量、速度等快速变化的参数不宜 3、算术平均滤波法 A、方法: 连续取N个采样值进行算术平均运算 N值较大时:信号平滑度较高,但灵敏度较低 N值较小时:信号平滑度较低,但灵敏度较高 N值的选取:一般流量,N=12;压力:N=4 B、优点: 适用于对一般具有随机干扰的信号进行滤波 这样信号的特点是有一个平均值,信号在某一数值范围附近上下波动 C、缺点: 对于测量速度较慢或要求数据计算速度较快的实时控制不适用 比较浪费RAM 4、递推平均滤波法(又称滑动平均滤波法) A、方法: 把连续取N个采样值看成一个队列 队列的长度固定为N 每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的N个数据进行算术平均运算,就可获得新的滤波结果 N值的选取:流量,N=12;压力:N=4;液面,N=4~12;温度,N=1~4 B、优点:
对周期性干扰有良好的抑制作用,平滑度高 适用于高频振荡的系统 C、缺点: 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除由于脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM 5、中位值平均滤波法(又称防脉冲干扰平均滤波法) A、方法: 相当于“中位值滤波法”+“算术平均滤波法” 连续采样N个数据,去掉一个最大值和一个最小值 然后计算N-2个数据的算术平均值 N值的选取:3~14 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差C、缺点: 测量速度较慢,和算术平均滤波法一样 比较浪费RAM 6、限幅平均滤波法 A、方法: 相当于“限幅滤波法”+“递推平均滤波法” 每次采样到的新数据先进行限幅处理, 再送入队列进行递推平均滤波处理 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差C、缺点: 比较浪费RAM 7、一阶滞后滤波法 A、方法: 取a=0~1 本次滤波结果=(1-a)*本次采样值+a*上次滤波结果 B、优点: 对周期性干扰具有良好的抑制作用 适用于波动频率较高的场合 C、缺点: 相位滞后,灵敏度低 滞后程度取决于a值大小
matlab图像去噪算法设计(精)
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 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，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。实验一：均值滤波对高斯噪声的效果 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');
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/7b18172168.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
小波变换图像去噪的算法研究自设阈值
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队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： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
基于Matlab的常用滤波算法研究(含代码)讲解
毕业设计(论文) UNDERGRADUATE PROJECT (THESIS) 题目: 冲击测试常用滤波算法研究 学院 专业 学号 学生姓名 指导教师 起讫日期
目录 摘要 (2) ABSTRACT (3) 第一章绪论 (4) 1.1课题背景 (4) 1.2国内外相关领域的研究 (4) 1.3主要研究内容与创新 (5) 1.3.1研究内容与意义 (5) 1.3.2课题的创新点 (5) 1.3.3 研究目的与技术指标 (6) 第二章数字滤波基础 (7) 2.1数字滤波算法概念 (7) 2.2数据采样与频谱分析原理 (8) 2.2.1 时域抽样定理 (8) 2.2.2 离散傅立叶变换(DFT) (8) 2.2.3 快速傅立叶变换(FFT) (9) 2.2.4 频谱分析原理 (9) 2.3常用数字滤波算法基础 (10) 2.3.1常用数字滤波算法分类 (10) 2.3.2常用数字滤波算法特点 (11) 2.3.3常用滤波算法相关原理 (13) 2.4 冲击测试采样数据 (16) 2.4.1噪声的特点与分类 (16) 2.4.2冲击测试采样数据特点 (17) 2.5 MATLAB简介 (17) 2.5.1 MATLAB功能简介 (18) 2.5.2 MATLAB的发展 (18) 第三章、冲击测试滤波算法设计及滤波效果分析 (20) 3.1 冲击测试采样数据的分析 (20) 3.2 滤波算法设计及效果分析 (21) 3.2.1 中位值平均法的设计 (21) 3.2.2限幅法和限速法的设计 (23) 3.2.3一阶滞后法的设计 (25) 3.2.4低通法的设计 (26) 第四章结论与展望 (34) 4.1冲击测试的滤波算法总结 (34) 4.2冲击测试的滤波算法展望 (34) 致谢 (36) 参考文献 (37) 附录：程序代码清单 (38)
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),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 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。
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
图像去噪原理
图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。因此，正是为了处理这种问题，是有噪声的图片变得更加清晰，人们研究出各种各样的方式去除图像中的噪声。 首先，为了让本报告易懂，我先解释几个名词的含义。 线性滤波算法：利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法，如均值滤波、高斯滤波，由于线性滤波是算术运算，有固定的模板，因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法：原始数据域处理结果数据之间存在的是一种逻辑关系，即采用逻辑运算实现的，如最大值滤波器、最小值滤波器、中值滤波器，通过比较领域内灰度值大小来实现的，它没有固定的模板和特定的转移函数。 高斯噪声：噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以采用线性滤波器滤除掉。 椒盐噪声：类似把胡椒和盐撒到图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声，采用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。 白噪声：指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的，因此我们把这种性质叫做“白色的”，就把这种噪声称作白噪声。 现在介绍，我采用的去噪算法。 （1）均值滤波：均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法，即对待处理的某个像素点（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，
图像椒盐噪声与高斯噪声去噪方法研究
德州学院毕业论文开题报告书 2011年3月16日院（系）物理系专业电子信息工程 姓名田程程学号200700802041 论文题目图像椒盐噪声与高斯噪声去噪方法研究 一、选题目的和意义 图像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，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。 二、本选题在国内外的研究现状和发展趋势 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、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，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的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。所以，降噪处理一直是图像处理和计算机视觉研究的热点。
三、课题设计方案 本设计为图像椒盐噪声与高斯噪声去噪方法研究 一、研究高斯噪声和椒盐噪声特性 二、研究去噪算法，提出适合去除高斯噪声和椒盐噪声的算法 三、计算机仿真 四、计划进度安排 第一周至第二周：根据寒假期间针对论文题目收集的有关资料，认真分析和整理资料，形成撰写论文的大体框架。对论文的撰写形成明确地认识，认真书写开题报告，完成开题报告并上交。 第三周至第五周：学习和研究图像椒盐噪声与高斯噪声去噪方法。 第六周至第十一周：对前期的关于图像椒盐噪声与高斯噪声去噪方法的研究进行总结。 第十二周：根据论文指导意见和建议对论文进行修改和完善后形成论文终稿。
图像滤波去噪处理
摘要 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。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。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。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。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。 因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录 摘要 (2) 一、图像滤波的应用 (4) 二、均值滤波 (5) 2.1 均值滤波的思想 2.2 均值滤波的算法 2.3 均值滤波的实验结果 三、中值滤波 (7) 3.1 中值滤波的思想 3.2 中值滤波的算法 3.3 中值滤波的实验结果 四、维纳滤波 (8) 4.1 维纳滤波的思想 4.2 维纳滤波的算法 4.3 维纳滤波的实验结果 五、小波变换 (9) 5.1 小波变换滤波的思想 5.2 小波变换滤波的算法 5.3 小波变换滤波的实验结果 六、Contourlet变换的图像去噪 (11) 6.1 Contourlet变换的基本思想 6.2Contourlet变换的算法 七、全变差正则化的Shearlet收缩去噪 (12) 7.1 Shearlet收缩去噪原理简介 7.2 Shearlet收缩去噪算法 八、结果分析及自己的收获 (12) 8.1结果分析 8.2自己的收获 参考文献 (13)
数据处理中的几种常用数字滤波算法
数据处理中的几种常用数字滤波算法 王庆河王庆山 (济钢集团计量管理处，济南250101) (济钢集团中厚板厂，济南250101) 摘要随着数字化技术的发展，数字滤波技术成为数字化仪表和计算机在数据采集中的关键性技术，本文对常用的几种数字滤波算法的原理进行描述，并给出必要的数学模型。 关键词：数据采样噪声滤波移动滤波 一、引言 在仪表自动化工作中，经常需要对大量的数据进行处理，这些数据往往是一个时间序列或空间序列，这时常会用到数字滤波技术对数据进行预处理。数字滤波是指利用数学的方法对原始数据进行处理，去掉原始数据中掺杂的噪声数据，获得最具有代表性的数据集合。 数据采样是一种通过间接方法取得事物状态的技术如将事物的温度、压力、流量等属性通过一定的转换技术将其转换为电信号，然后再将电信号转换为数字化的数据。在多次转换中由于转换技术客观原因或主观原因造成采样数据中掺杂少量的噪声数据，影响了最终数据的准确性。 为了防止噪声对数据结果的影响，除了采用更加科学的采样技术外，我们还要采用一些必要的技术手段对原始数据进行整理、统计，数字滤波技术是最基本的处理方法，它可以剔除数据中的噪声，提高数据的代表性。 二、几种常用的数据处理方法 在实际应用中我们所用的数据滤波方法很多，在计算机应用高度普及的今天更有许多新的方法出现，如逻辑判断滤波、中值滤波、均值滤波、加权平均 2中值滤波 中值滤波是对采样序列按大小排滤波、众数滤波、一阶滞后滤波、移动滤波、复合滤波 等。 假设我们采用前端仪表采集了一组采样周期为1s的温度数据的时间序列 T0为第0s 采集的温度值，Ti为第is采集的温度值。下面介绍如何应用几种不同滤波算法来计算结果温度T。 1.程序判断滤波 当采样信号由于随机干扰、误检测或变送器不稳定引起严重失真时，可采用程序判断滤波算法，该算法的基本原理是根据生产经验，确定出相邻采样输入信号可能的最大偏差△T,若超过此偏差值，则表明该输入信号是干扰信号，应该去掉，若小于偏差值则作为此次采样值。 (1)限幅滤波 限幅滤波是把两次相邻的采集值进行相减，取其差值的绝对值△T作为比较依据，如果小于或等于△T,则取此次采样值,如果大于△T,则取前次采样值，如式(1)所示：
MATLAB图像滤波去噪分析及其应用
《MATLAB图像滤波去噪分析及其应用》,双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波、Wiener 滤波、Kuwahara滤波、Beltrami流滤波、Lucy Richardson滤波、NoLocalMeans滤波等研究内容。 《MATLAB图像滤波去噪分析及其应用》全面而系统地讲解了MATLAB图像滤波去噪分析及其应用;结合算法理论,详解算法代码（代码全部可执行且验证通过）,以帮助读者更好地学习本书内容。对于网上讨论的大部分疑难问题,本书均有涉及。 第1章图像颜色空间相互转换与MATLAB实现 1．1图像颜色空间原理 1．1．1RGB颜色空间 1．1．2YCbCr颜色空间 1．1．3YUV颜色空间 1．1．4YIQ颜色空间 1．1．5HSV颜色空间 1．1．6HSL颜色空间 1．1．7HSI颜色空间 1．1．8CIE颜色空间 1．1．9LUV颜色空间 1．1．10LAB颜色空间 1．1．11LCH 颜色空间 1．2颜色空间转换与MATLAB实现 1．2．1图像YCbCr与RGB空间相互转换及MATLAB实现 1．2．2图像YUV与RGB空间相互转换及MATLAB实现 1．2．3图像YIQ与RGB空间相互转换及MATLAB实现 1．2．4图像HSV与RGB空间相互转换及MATLAB实现 1．2．5图像HSL与RGB空间相互转换及MATLAB实现 1．2．6图像HSI与RGB空间相互转换及MATLAB实现 1．2．7图像LUV与RGB空间相互转换及MATLAB实现 1．2．8图像LAB与RGB空间相互转换及MATLAB实现 1．2．9图像LCH 与RGB空间相互转换及MATLAB实现 第2章图像噪声概率密度分布与MATLAB实现 2．1噪声概率密度分布函数 2．1．1均匀分布 2．1．2正态分布 2．1．3卡方分布 2．1．4F分布 2．1．5t分布 2．1．6Beta分布 2．1．7指数分布 2．1．8Gamma分布 2．1．9对数正态分布 2．1．10瑞利分布 2．1．11威布尔分布
基于小波变换的图像阔值降噪算法研究开题报告
中国计量大学 毕业设计（论文）开题报告 学生姓名：马日斯江·库尔班学号：1200101237专业：测控技术与仪器 班级： 12测控1班 设计（论文）题目： 基于小波变换的图像阈值降噪算法研究 指导教师：侯德鑫 系：计量测试工程学院 2016年3 月25 日
基于小波变换的图像阈值降噪算法研究 开题报告 一、课题的背景及意义： 图像降噪是图像预处理的主要任务之一，其作用是为了提高图像的信噪比，突出图像的期望特征。不同性质的噪声应采用不同的方法进行消噪。最简单的也比较通用的消噪算法，是用傅立叶变换直接进行低通滤波或带通滤波。这种方法虽然简单、易于实现，但它对滤去有用信号频带中的噪声无能为力，并且带宽的选择和高分辨率是有矛盾的。带宽选的过宽，达不到去噪的目的;选的过窄，噪声虽然滤去的多，但同时信号的高频部分也损失了，不但带宽内的信噪比得不到改善，某些突变点的信息也可能被模糊掉了。将小波变换应用于信号处理中，是因为它的主要优点是在时间域和频率域中同时具有良好的局部化特性，从而非常适合时变信号的分析和处理。特别在图像去噪领域中，小波理论受到了许多学者的重视，他们应用小波进行去噪，并获得了非常好的效果。具体来说，小波去噪方法的成功主要得益于小波变换具有以下特点： （1）低熵性由于小波系数的稀疏分布，使得图像变换后的熵降低了； （2）多分辨率由于小波采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等； （3）去相关性因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪； （4）选基灵活性由于小波变换可以灵活选择变换基，所以对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的去噪效果。 因此，就信号消噪问题而言，它比传统的傅立叶频率域滤波和匹配滤波器更具有灵活性。以小波变换为基础的时变信号消噪算法是把含噪信号放在二维平面上，利用信号和噪声表现出的截然不同的特性进行分时分频处理，此方法理论上不但能够获得较高的信噪比，而且能够保持良好的时间分辨率。采用小波消噪算
常用7种软件滤波
随机误差是有随机干搅引起的，其特点是在相同条件下测量同一个量时，其大小和符号做无规则变化而无法预测，但多次测量结果符合统计规律。为克服随机干搅引入的误差，硬件上可采用滤波技术，软件上可以采用软件算法实现数字滤波，其算法往往是系统测控算法的一个重要组成部分，实时性很强，采用汇编语言来编写。 采用数字滤波算法克服随机干搅引入的误差具有以下几个优点： （1）数字滤波无须硬件，只用一个计算过程，可靠性高，不存在阻抗匹配问题，尤其是数字滤波可以对 频率很高或很低的信号进行滤波，这是模拟滤波器做不到的。 （2）数字滤波是用软件算法实现的，多输入通道可用一个软件“滤波器”从而降低系统开支。 （3）只要适当改变软件滤波器的滤波程序或运行参数，就能方便地改变其滤波特性，这个对于低频、脉冲 干搅、随机噪声等特别有效。 常用的数字滤波器算法有程序判断法、中值判断法、算术平均值法、加权滤波法、滑动滤波法、低通滤波法和复合滤波法。 1．程序判断法： 程序判断法又称限副滤波法，其方法是把两次相邻的采样值相减，求出其增量（以绝对值表示）。然后与两次采样允许的最大差值△Y进行比较，△Y的大小由被测对象的具体情况而定，若小于或等于△Y，则取本次采样的值；若大于△Y，则取上次采样值作为本次采样值，即 yn - yn-1|≤△Y，则yn有效， yn -yn-1|＞△Y，则yn-1有效。 式中yn ——第n次采样的值； Yn-1——第（n-1）次采样的值； △Y——相邻两次采样值允许的最大偏差。 设R1和R2为内部RAM单元，分别存放yn-1和yn，滤波值也存放在R2单元，采用MCS-51单片机指令编写的程序判断法子程序如下：付表 2．中值滤波法即对某一参数连续采样N次（一般N为奇数），然后把N次采样值按从小到大排队，再取中间值作为本次采样值。