域处理学习链接
https://wenku.baidu.com/view/33dfc143580102020740be1e650e52ea5518ce2f.html
https://www.jianshu.com/p/67adf1c5664e
https://blog.csdn.net/it_job/article/details/78837088
https://blog.csdn.net/wangr0120/article/details/78336722
图像去噪
https://blog.csdn.net/jacke121/article/details/55215416
https://blog.csdn.net/yeler082/article/details/78168788
https://blog.csdn.net/xuehuitanwan123/article/details/86314768
https://blog.csdn.net/weixin_40446557/article/details/81451651
https://blog.csdn.net/xiabodan/article/details/23662633
一.图像去噪的大致分类
1.空间域滤波
空域滤波是在原图像上直接进行数据运算,对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。
2.变换域滤波
图像变换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变换域,再对变换域中的变换系数进行处理,再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。将图像从空间域转换到变换域的变换方法很多,如傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。
3.偏微分方程(例如:P-M方程)
偏微分方程是近年来兴起的一种图像处理方法,主要针对低层图像处理并取得了很好的效果。偏微分方程具有各向异性的特点,应用在图像去噪中,可以在去除噪声的同时,很好的保持边缘。偏微分方程的应用主要可以分为两类:一种是基本的迭代格式,通过随时间变化的更新,使得图像向所要得到的效果逐渐逼近,这种算法的代表为Perona和Malik的方程[27],以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间,在前向扩散的同时具有后向扩散的功能,所以,具有平滑图像和将边缘尖锐化的能力。偏微分方程在低噪声密度的图像处理中取得了较好的效果,但是在处理高噪声密度图像时去噪效果不好,而且处理时间明显高出许多。
4.变分法(例如:全变分TV模型)
另一种利用数学进行图像去噪方法是基于变分法的思想,确定图像的能量函数,通过对能量函数的最小化工作,使得图像达到平滑状态,现在得到广泛应用的全变分TV模型就是这一类。这类方法的关键是找到合适的能量方程,保证演化的稳定性,获得理想的结果。
5.形态学噪声滤除器
将开与闭结合可用来滤除噪声,首先对有噪声图像进行开运算,可选择结构要素矩阵比噪声尺寸大,因而开运算的结果是将背景噪声去除;再对前一步得到的图像进行闭运算,将图像上的噪声去掉。据此可知,此方法适用的图像类型是图像中的对象尺寸都比较大,且没有微小细节,对这类图像除噪效果会较好。
6.基于深度学习的去燥方法
二.常用去躁算法
1.NL-Means
2.BM3D
---------------------
作者:佳佳费_
来源:CSDN
原文:https://blog.csdn.net/feiyanjia/article/details/82869675
版权声明:本文为博主原创文章,转载请附上博文链接!
噪声是干扰和妨碍人类认知和理解信息的重要因素,而图像噪声则是图像中干扰和妨碍人类认识和理解图像信息的重要因素。由于噪声本身具有不可预测性,可以将它当做一种随机误差(这种误差只有通过概率统计的方法来识别)。因此,图像噪声可以视为一种多维随机过程,可以选择随机过程的概率分布函数和概率密度函数来作为对图像噪声进行描述的方法。
1 图像噪声的分类
图像在采集和传输的过程当中必然会受到各种噪声在不同程度上的污染。根据图像和噪声之间的相互关系将噪声划分为以下三种形式:
(1)加性噪声
噪声和原始图像不相关,可以表示为:
其中f(x,y)代表被污染的图像(噪声图像),g(x,y)代表原始图像,n(x,y)代表噪声。图像中的加性噪声一般是在图像的传输过程中由“信道噪声”和CCD摄像机对图像数字化的过程中产生的。
(2)乘性噪声
噪声和原始图像相关,可以表示为:
图像中的乘性噪声一般是由胶片中的颗粒、飞点扫描图像中的噪声、电视扫描光栅等原因造成的。
(3)量化噪声
图像中的量化噪声是图像在量化过程中图像从模拟到数字所产生的差异,是图像量化过程中的误差。
2 图像噪声的模型
图像中的噪声根据其概率分布的情况可以分为高斯噪声(Gaussian noise)、脉冲噪声(Impulsive noise)、瑞利噪声(Rayleigh noise)、伽马噪声(Gamma noise)、指数噪声(Exponential noise)和均匀噪声(Uniform noise)等各种形式。
(1)高斯噪声
高斯噪声是所有噪声当作使用最为广泛的,传感器在低照明度或者高温的条件下产生的噪声就属于高斯噪声,电子电路中产生的噪声也属于高斯噪声,还有很多噪声都可以根据高斯分布(正态分布)的形式进行描述。高斯噪声的概率密度函数可以表示为:
其中灰度值用z表示,灰度值的期望值用μ表示,灰度值的标准差用σ表示。高斯噪声的概率密度函数如下图所示:
(2)脉冲噪声
脉冲噪声的概率密度函数可以表示为:
当a<b时,图像中灰度值a和b分别显示为一个暗点和一个亮点。当Pa或者Pb的值是零,此时的脉冲噪声变成单极脉冲。当Pa和Pb的值都不为零,特别是它们的值近似相等的时候,脉冲噪声的值和在图像上随机分布的胡椒还有盐粉颗粒非常相似。所以,双极脉冲噪声有时也被称为椒盐噪声、尖峰噪声和散粒噪声。
脉冲噪声的概率密度函数分布图:
(3)瑞利噪声
瑞利噪声的概率密度函数分布为:
(4)伽马噪声
伽马噪声的概率密度函数可以表示为:
其概率密度函数分布图为:
(5)指数函数
其概率密度函数分布图为:
(6)均匀噪声
其概率密度函数分布为:
一、什么是图像噪声?
噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。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。通俗的说就是噪声让图像不清楚。
二、噪声来源—两个方面
(1)图像获取过程中
两种常用类型的图像传感器CCD和CMOS采集图像过程中,由于受传感器材料属性、工作环境、电子元器件和电路结构等影响,会引入各种噪声,如电阻引起的热噪声、场效应管的沟道热噪声、光子噪声、暗电流噪声、光响应非均匀性噪声。
(2)图像信号传输过程中
由于传输介质和记录设备等的不完善,数字图像在其传输记录过程中往往会受到多种噪声的污染。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。
三、常见噪声介绍
图像常见噪声基本上有以下四种,高斯噪声,泊松噪声,乘性噪声,椒盐噪声。
下面五幅图分别代表了,原图,以及添加了高斯噪声,泊松噪声,乘性噪声,椒盐噪声的图像。
1、原图:
2、高斯噪声(下图)
高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声。如果一个噪声,它的幅度分布服从高斯分布,而它的功率谱密度又是均匀分布的,则称它为高斯白噪声。高斯白噪声的二阶矩不相关,一阶矩为常数,是指先后信号在时间上的相关性。
产生原因:
1)图像传感器在拍摄时市场不够明亮、亮度不够均匀;
2)电路各元器件自身噪声和相互影响;
3)图像传感器长期工作,温度过高。
3、泊松噪声(下图)
泊松噪声,就是符合泊松分布的噪声模型,泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数,电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等
4、乘性噪声(下图)
乘性噪声一般由信道不理想引起,它们与信号的关系是相乘,信号在它在,信号不在他也就不在。
5、椒盐噪声(下图)
椒盐噪声,椒盐噪声又称脉冲噪声,它随机改变一些像素值,是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。