对于我一个初学者,首先区别于一个概念。
一、 图像去噪 与 图像增强
图像去噪:是降低图像中没有用或干扰有用信息的操作
比如降低随着图像捕捉进来的CCD噪音,传输时带入的电子干扰噪音。所以做好降噪操作就必须了解噪音来源,噪音特征。
图像增强:是突出图像中有用信息的操作。
比如电视图像的细节,比如医用图像中目标轮廓和质地。图像增强往往不是一定有好坏之分,因为不同人群对目标图像应该呈现的样子喜好不一样。功力深的图像增强会对目标人群进行区分,了解他们的视觉背景敏感喜好,光照敏感,色彩敏感,和清晰度、对比度敏感区间。
二、 常用的图像去噪算法
2.1 邻域平均法
邻域平均法:称均值滤波算法,也称线性滤波。主要是用几个像素灰度的平均值来代替每个像素的灰度。
是以图像模糊为代价来减小噪声的,且模板尺寸越大,噪声减小的效果越显著。如果f(i,j)是噪声点,其邻近像素灰度与之相差很大,采用邻域平均法就是用邻近像素的平均值来代替它,这样能明显消弱噪声点,使邻域中灰度接近均匀,起到平滑灰度的作用。因此,邻域平均法具有良好的噪声平滑效果,是最简单的一种平滑方法。
优缺点:算法简单,而且计算速度快。平滑效果与采用的领域的半径有关,半径愈大,图像模糊程度越大。反之愈小。有效抑制加性噪声,但容易引起图像模糊。
解决模糊问题方法:阈值法,K邻点平均法,梯度倒数加权平滑法,最大均匀性平滑法,小斜面模型平滑法等。
2.2 中值滤波
中值滤波法是一种非线性平滑技术,也是典型的低通滤波。基本原理是把数字图像或数字字列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。这里的邻域被称为窗口,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。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。
消除噪声最好的结果是,在消除噪声的同时,图像边缘完好的保留。中值滤波能够比较好的实现这一点。
总结中值滤波的表现:中值滤波容易去除孤立点,线的噪声同时保持图象的边缘;它能很好的去除二值噪声(“step”,脉冲),但对高斯噪声无能为力。要注意的是,当窗口内噪声点的个数大于窗口宽度的一半时,中值滤波的效果不好。
2.3 自适应维纳滤波器
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效果。对于去除高斯噪声效果明显。