传统图像去噪总结

空域像素特征去噪

高斯滤波

高斯滤波矩阵的权值，随着与中心像素点的距离增加，而呈现高斯衰减的变换特性，这样的好处在于，离算子中心很远的像素点的作用很小，从而能在一定程度上保持图像的边缘特征。

算术均值滤波

算术均值滤波用像素邻域的平均灰度来代替像素值，适用于脉冲噪声，因为脉冲噪声的灰度级一般与周围像素的灰度级不相关，而且亮度高出其他像素许多。从频率域观点来看均值滤波是一种低通滤波器，高频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑。

中值滤波

中值滤波首先确定一个滤波窗口及位置（通常含有奇数个像素），然后将窗口内的像素值按灰度大小进行排序，最后取其中位数代替原窗口中心的像素值。特别是消除椒盐噪声，中值滤波的效果要比均值滤波更好。在滤波的过程中，动态的改变滤波器的窗口尺寸大小，这就是自适应中值滤波器 Adaptive Median Filter。

双边滤波

双边滤波模板主要有两个模板生成，第一个是高斯模板，第二个是以灰度级的差值作为函数系数生成的模板，然后这两个模板点乘就得到了最终的双边滤波模板。空域滤波器对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少。值域滤波器则是对像素值相近的点进行加权平均，加权系数随着值差的增大而减少。双边滤波器可以很好的保存图像边缘细节而滤除掉低频分量的噪音，但是双边滤波器的效率不是太高，花费的时间相较于其他滤波器而言也比较长。

引导滤波

引导滤波（导向滤波）是一种图像滤波技术，通过一张引导图，对初始图象（输入图像）进行滤波处理，使得最后的输出图像大体上与初始图象相似，但是，纹理部分与引导图相似。

滤波器的数学公式如下：

其中I是引导图像（guided Image），P是输入的带滤波图像，Q是滤波后的输出图像，W是根据引导图像I来确定加权平均运算中所采取的权值。一般我们选择原彩色图的灰度图作为引导图 I 或者对灰度图进行一些保留边缘的滤波操作再作为引导图。处于平坦区域的像素则会被加以较大的权重，平滑效果效果更明显，而处于边界两侧的像素则会被加以较小的权重，平滑效果较弱，能够起到保持边界的效果。
导向滤波器示意图如下：

非局部均值去噪

非局部均值去噪NLM算法使用自然图像中普遍存在的冗余信息来去噪，它利用了整幅图像来去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够比较好的去掉图像中存在的高斯噪声，在去除噪声和保持纹理细节方面都取得比较好的效果。
下图是NL-means算法执行过程，大窗口是以目标像素为中心的搜索窗口，两个灰色小窗口分别是以x,y为中心的邻域窗口。其中以y为中心的邻域窗口在搜索窗口中滑动，通过计算两个邻域窗口间的相似程度为y赋以权值 。

变换域去噪

变换域去噪具体实现
基于频域的处理方法主要是用滤波器，把有用的信号和干扰信号分开，它在有用信号和干扰信号的频谱没有重叠的前提下，才能把有用信号和干扰信号完全分开，但实际上很难分开。

傅里叶变换

原理：

其中，F(u,v)是含噪声图像的傅里叶变换，G(u,v)是平滑后图像的傅里叶变换，H(u,v)是低通滤波器传递函数。傅里叶变换的处理过程如下图所示：

傅立叶变换用于分析各种滤波器的频率特性，

对于一幅图像来说在分析其频率特性时，它的边缘，突出部分以及颗粒噪声往往代表图像信号的高频分量，而大面积的图像背景区则代表图像信号的低频分量。因此，使用滤波的方法滤除其高频部分也就可以去除噪声，使得图像得到一定的平滑。

高通滤波器有利于提取图像的轮廓。这是因为图像的轮廓或者边缘或者噪声处，灰度变化强烈，那么在它们经过傅里叶变换后，就会变成高频信号。

低通滤波后除了轮廓模糊外，基本没变化，这是因为图像的主要信息都集中到了低频上。

带通滤波的效果，既保留了一部分低频，也保留了一部分高频。

小波变换

主要思想是经过小波变换后图像和噪声的统计特性不同，其中图像本身的小波系数具有较大幅值，主要集中在高频，噪声小波系数幅值较小，并且存在于小波变换后的所有系数中。因此设置一个阈值门限来进行分离。
算法的基本过程为：
①对原始信号进行小波分解
②对变换后的小波系数进行阈值处理，得到估计小波系数
③根据估计小波系数进行小波重构