hp prime 函数图像_机器视觉 4.1 图像退化与噪声

I 图像退化和复原的过程

图像退化是因为对真实数据f(x,y)在拍摄过程中由于电流等因素的影响而质量变差。

h(x,y)是退化函数，θ(x,y)是噪声。

而图像复原的过程，首先就是要分析噪声的类型，然后根据噪声的类型对原始图像进行逆噪声处理。

II 噪声的类型分析

噪声的类型主要是根据噪声污染后的图像的直方图来观察，看符合哪种噪声的分布图，获得主观估计，再根据样本来估算这一分布的参数。

那么首先我们来看常见的噪声类型和他的分布图。

（1）高斯噪声

高斯噪声的概率密度函数：

是噪声均值，σ是方差。

高斯噪声的分布形状为：

流线对称的战斗机头

（2）瑞利噪声

瑞利噪声模型用于拟合向右歪斜的分布图。

概率密度函数为：

均值：

方差：

高斯是个战斗机，瑞利就是高斯战斗机侧翻了一个角度

（3）伽马噪声

伽马噪声的分布形状与瑞利噪声非常像，但是左边更直立，右边更平缓。就像一个高跟鞋。

刘敏涛的高跟鞋

它的概率密度函数

其中均值

，方差

（4）指数噪声

PDF为

均值

方差

（5）均匀噪声

PDF为

均值

,方差

（6）椒盐噪声

椒盐噪声就像在图像中撒上了胡椒面和盐粒一样，胡椒面是深色的，盐粒是白色的。

它的概率密度函数为

其中a表示胡椒噪声（图像中的暗点），b表示盐噪声（图像亮点）。且灰度值a<b。它的噪声图像表现为双极脉冲。

这些噪声在实际图像中是什么样子的呢？对一个纯净的图像分别加上以上各种类型的噪声后。

纯净的图像，灰度直方图只有三个尖峰

左：加高斯噪声；中：加瑞利噪声；右：加伽马噪声

左：指数；中：均值；右：椒盐（盐是最右侧的短柱，椒是中间的小短柱）

可以看出，加入这些噪音后，在每个尖峰处的灰度分布和三种噪声的曲线非常一致。

（7）周期噪声

周期噪声主要是由于图像获取时的电流或机电干扰形成的，是一种空间相关的噪声。这种非常规律的噪声可以再频域中清晰的反映出来。如下图，频谱中显示了一对共轭点就是这个周期噪声。

左图被正弦波污染，右图是它的频谱。