数字图像处理，常见噪声的分类与Matlab实现

最新推荐文章于 2024-04-20 20:18:23 发布

EbowTang

最新推荐文章于 2024-04-20 20:18:23 发布

阅读量5.9k

点赞数 3

分类专栏：图像处理算法文章标签：算法图像处理图像噪声 matlab

图像处理算法专栏收录该内容

21 篇文章 110 订阅

订阅专栏

1.研究噪声特性的必要性

本文的内容主要介绍了常见噪声的分类与其特性。将噪声建模，然后用模型去实现各式各样的噪声。

实际生活中的各种照片的老化，都可以归结为以下老化模型。

这个模型很简单，也可以直接用以下公式来表达。

在频域内，用以下公式区表示。

根据以上式子，可以看出，老旧照片的复原，主要分为两个任务，一个是去噪；另一个是去卷积，或者称为逆滤波，也就是将老化滤波器做反处理。

本文首先由噪声类型与其建模。随后的博文，会介绍几种基础的去噪方法和基础的逆滤波方法。

2.噪声的实现

2.1 评价用图像与其直方图

2.2 高斯噪声

高斯噪声，也称为正态噪声，其统计特性服从正态分布。一种较为泛用的噪声模型。

Matlab的实现较为简单，Matlab已经有一个randn(M,N)的函数，用其可以产生出均值为0、方差为1、尺寸为M X N像素的高斯噪声图像。

用以下程序就可以产生任意均值和方差的高斯噪声。

[plain] view plain copy

a = 0;
b = 0.08;
n_gaussian = a + b .* randn(M,N);

来自另一种写法：

randn('seed', 0);
noisy = original + sigma*randn(size(original));

2.3 瑞利噪声

瑞利噪声相比高斯噪声而言，其形状向右歪斜，这对于拟合某些歪斜直方图噪声很有用。

瑞利噪声的实现可以借由平均噪声来实现。如下所示。

这里的表示均值为0，方差为1的均匀分布的噪声。Matlab里，使用函数rand(M,N)就可以产生一个均值为0，方差为1的均匀噪声。

[plain] view plain copy

a = -0.2;
b = 0.03;
n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;

2.4 伽马噪声

伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现，需要使用b个服从指数分布的噪声叠加而来。指数分布的噪声，可以使用均匀分布来实现。

使用若干个(这里用b表示)均匀分布叠加，就可以得到伽马噪声。

当然，当b=1的时候，就可以得到指数噪声了。

[plain] view plain copy

a = 25;
b = 3;
n_Erlang = zeros(M,N);
for j=1:b
n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));
end

2.5 均匀噪声

如同前面所示，均匀噪声可以由函数rand(M,N)直接产生。

[plain] view plain copy

a = 0;
b = 0.3;
n_Uniform = a + (b-a)*rand(M,N);

2.6 椒盐噪声

椒盐噪声也成为双脉冲噪声。在早期的印刷电影胶片上，由于胶片化学性质的不稳定和播放时候的损伤，会使得胶片表面的感光材料和胶片的基底欠落，在播放时候，产生一些或白或黑的损伤。事实上，这也可以归结为特殊的椒盐噪声。

椒盐噪声的实现，需要一些逻辑判断。这里我们的思路是，产生均匀噪声，然后将超过阈值的点设置为黑点，或白点。当然，如果需要拟合电影胶片的损伤的话，可以选用别的类型噪声去拟合。

[plain] view plain copy

a = 0.05;
b = 0.05;
x = rand(M,N);
g_sp = zeros(M,N);
g_sp = f;
g_sp(find(x<=a)) = 0;
g_sp(find(x > a & x<(a+b))) = 1;

3.总结

本文，实现的几类较为基本的噪声。并给出了其实现的方法，代码在下面。下一篇博文，会进行几个常用去噪滤波器的比较。

close all;
clear all;
clc;

f = imread('./original_pattern.tif');
f = mat2gray(f,[0 255]);
[M,N] = size(f);

figure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original image');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(f,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');
%% ---------------gaussian-------------------
a = 0;
b = 0.08;
n_gaussian = a + b .* randn(M,N);

g_gaussian = f + n_gaussian; 

figure();
subplot(1,2,1);
imshow(g_gaussian,[0 1]);
xlabel('a).Ruselt of Gaussian noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_gaussian,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');

%% ---------------rayleigh-------------------
a = -0.2;
b = 0.03;
n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;

g_rayleigh = f + n_rayleigh; 

figure();
subplot(1,2,1);
imshow(g_rayleigh,[0 1]);
xlabel('a).Ruselt of Rayleigh noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_rayleigh,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');
%% ---------------Erlang-------------------
a = 25;
b = 3;
n_Erlang = zeros(M,N); 

for j=1:b
    n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));
end

g_Erlang = f + n_Erlang; 

figure();
subplot(1,2,1);
imshow(g_Erlang,[0 1]);
xlabel('a).Ruselt of Erlang noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_Erlang,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');

%% ---------------Exponential-------------------
a = 9;
n_Ex = (-1/a)*log(1 - rand(M,N)); 

g_Ex = f + n_Ex;

figure();
subplot(1,2,1);
imshow(g_Ex,[0 1]);
xlabel('a).Ruselt of Exponential noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_Ex,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');

%% ---------------Uniform-------------------
a = 0;
b = 0.3;
n_Uniform = a + (b-a)*rand(M,N);

g_Uniform = f + n_Uniform;

figure();
subplot(1,2,1);
imshow(g_Uniform,[0 1]);
xlabel('a).Ruselt of Uniform noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_Uniform,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.014]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');

%% ---------------Salt & pepper-------------------
a = 0.05;
b = 0.05;
x = rand(M,N);

g_sp = zeros(M,N);
g_sp = f;

g_sp(find(x<=a)) = 0;
g_sp(find(x > a & x<(a+b))) = 1;

figure();
subplot(1,2,1);
imshow(g_sp,[0 1]);
xlabel('a).Ruselt of Salt & pepper noise');

subplot(1,2,2);
x = linspace(-0.2,1.2,358);
h = hist(g_sp,x)/(M*N);
Histogram = zeros(358,1);
for y = 1:256
    Histogram = Histogram + h(:,y);
end
bar(-0.2:1/255:1.2,Histogram);
axis([-0.2 1.2 0 0.3]),grid;
xlabel('b).The Histogram of a');
ylabel('Number of pixels');

原文发于博客：http://blog.csdn.net/thnh169/

参考资源：

【1】原作者，zhoufan900428，原文地址：http://blog.csdn.net/zhoufan900428/article/details/37695357

EbowTang

关注

3
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
数字图像处理，常见噪声的分类与Matlab实现

1.研究噪声特性的必要性本文的内容主要介绍了常见噪声的分类与其特性。将噪声建模，然后用模型去实现各式各样的噪声。实际生活中的各种照片的老化，都可以归结为以下老化模型。这个模型很简单，也可以直接用以下公式来表达。在频域内，用以下公式区表示。根据以上式子，可以看出，老旧照
复制链接

扫一扫