数字图像的噪声主要来源于图像的获取(数字化过程)和传输过程。
图像退化和复原:
图像退化:指图像在形成、传输和记录过程中,由于成像系统、传输介质和设备的原因,导致图像质量下降。
图像复原:将图像退化的过程模型化,并采取相反的过程得到原图像。
图像增强不考虑图像降质的原因,只将图像中感兴趣的特征有选择的突出(增强),衰减其不需要的特征,这是一个主观过程;而图像复原则要考虑图像降质的原因,建立“降质模型”,这是一个客观的过程。
图像退化/复原过程的模型:
如果系统H是一个线性、位置不变的过程,那么在空间域中给出的退化图像可由下式给出:
g(x,y) = h(x,y) * f(x,y) + n(x,y)
其中h(x,y)是退化函数的空间描述,*表示空间卷积。由于空间上的卷积相当于频域上的乘积,因此,模型在频域上描述为:
G(u,v) = H(u,v)F(u,v) + N(u,v)
一些重要噪声的概率密度函数:
高斯噪声
瑞利噪声
伽马(爱尔兰)噪声
指数分布噪声
均匀分布噪声
脉冲噪声
讲到噪声,后面就是各种滤波器的设计了。
向lena.bmp添加高斯噪声:
代码:
function imgafter = GaussianNoise(imgbefore, xmean, sigma)
[m,n] = size(imgbefore);
for i = 1:m
for j = 1:n
temp = rand(1)*255 - 255/2; %产生-127-127的随机数
sigma2 = sigma*sigma*2;
PI2 = pi*2;
sigmaPI2 = sqrt(PI2*sigma);
GaussianValue = exp(-temp/sigma2)/sigmaPI2;
imgafter(i,j) = imgbefore(i,j) + xmean + sigma*GaussianValue;
end
end
end
结果:
添加椒盐噪声
代码:
function imgafter = SaltAndPepper(imgbefore, SNR)
imgafter = imgbefore;
[m,n] = size(imgbefore);
NoiseNum = m*n*(1-SNR); %要加噪的像素点的数目
%随机获取要加噪的每个像素位置
% for j = 1:m
% for i = 1:n
for k = 1:NoiseNum
h = ceil(rand(1)*m);
v = ceil(rand(1)*n);
% if bitshift(imgbefore(h,v),8) %左移8位
% imgafter(h,v) = 0;
% else
% imgafter(h,v) = 1;
% end
imgafter(h,v) = bitshift(255, 24) | bitshift(255,24) | bitshift(255,8) | 255;
end
% end
% end
end
结果: