噪声
根据噪声和信号的关系可将其分为三种形式:(f(x, y)表示给定原始图像,g(x, y)表示图像信号,n(x, y)表示噪声。)
- 加性噪声,此类噪声与输入图像信号无关,含噪图像可表示为f(x, y)=g(x, y)+n(x, y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;
- 乘性噪声,此类噪声与图像信号有关,含噪图像可表示为f(x, y)=g(x, y)+n(x ,y)g(x, y),飞点扫描器扫描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。
- 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。
去噪声
目前来说图像去噪分为三大类:
- 基于滤波器的方法(Filtering-Based Methods)
- 基于模型的方法(Model-Based Methods)
- 基于学习的方法(Learning-Based Methods)。
基于滤波器
对图像进行滤波去噪的算法其实就是一个加权平均的运算过程,滤波后图像中的每个像素点都是由其原图像中该点邻域内多个像素点值得加权平均,不同的滤波器最根本的差异就是权值不同。另外根据噪声的不同,滤波效果也各有不同。
缺点: 1. 块操作会导致模糊输出。2. 需要手动设置超参数。
中值滤波器:
场合: 适用于椒盐噪声和脉冲噪声。对点、线和尖顶多的图像不宜采用中值滤波
均值滤波:
特点:均值滤波处理会噪声部分被弱化到周围像素点上,所得到的结果是噪声幅度减小,但是噪声点的颗粒面积同时变大,所以污染面积反而增大。
高斯滤波:原理细节链接
特点:权重完全取决于图像像素之间欧氏距离,与图像的内容没有关系。
双边滤波:原理细节链接
特点: 双边滤波器的好处是可以做边缘保
引导滤波:原理细节链接
特点:需要引导图,引导图也可以是原图
维纳滤波器:
原理:它能根据图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。
NLM(Non-Local means)算法:原理细节链接
特点: 计算复杂度高。
BM3D算法:原理细节链接
特点: 相比于NLM噪声更少,图像细节恢复更多,但算法复杂度高
参考链接: