【遥感数字图像处理（朱文泉）】第七章 图像去噪声

7 1 图像去噪声概述

 一、图像噪声概念
 二、图像去噪声概念
 三、图像去噪声方法

一、图像噪声概念

 图像噪声是指造成图像失真、质量下降的图像信号，在图像上常表现为引起较强视觉效果的孤立像元点或像元块。

二、图像去噪声概念

 遥感图像噪声既影响视觉效果及图像美观，也会给特征提取、信息分析和图像分类等后续处理带来很大困难。减少或改善数字图像中噪声的过程，就叫做图像去噪声。

三、图像去噪声方法

 图像去噪声既可以在空间域处理，也可以在变换域处理。
 空间域处理的原理是借助像元与其邻近像元之间的关系来判断并去除噪声，常用的空间域处理方法有均值滤波、中值滤波、边缘保持平滑滤波等。
 变换域处理则是在图像的某个变换域内去除或者压缩噪声的变换域系数，保留原始信号的变换域系数，然后再反变换到空间域以达到图像去噪声的目的，常用的变换域处理方法有傅里叶变换、小波变换、主成分变换等。

7 2 常见噪声类型及其识别

 一、噪声类型分类
 二、随机噪声模型
 三、随机噪声类型识别
 四、周期噪声及其识别

重点：常见噪声类型的分布图形、识别原理

一、噪声类型分类

 遥感数字图像成像过程中，受到外部环境和内部系统等因素干扰会产生噪声，我们将其分为内部噪声和外部噪声。
 噪声具有随机性，可以被认为是由概率密度函数（PDF）表示的随机变量，通常采用噪声分量灰度值的统计特性（如均值、方差等）进行描述。
 从噪声的概率密度函数来看，图像噪声主要有高斯噪声、瑞利噪声、伽玛噪声、指数分布噪声、均匀分布噪声、脉冲噪声等。
 遥感图像的噪声根据统计特征又可分为周期噪声和随机噪声两大类。
 从图像与噪声的相互关系来看，通常可以将图像噪声分为加性噪声和乘性噪声。

二、随机噪声模型

三、随机噪声类型识别

 在实际应用中，我们通常选取图像中一小块信噪比非常高的单色区域（如白色的墙壁、灰色的地板等），通过查看其直方图形状来判断其噪声类型。

四、周期噪声及其识别

7 3 空间域去噪声

 一、空间域去噪声概述
 二、均值滤波
 三、中值滤波
 四、边缘保持平滑滤波
 五、数学形态学操作滤波

重点：各空间域去噪声方法的原理、各方法的优劣

一、空间域去噪声概述

 原理：由于噪声像元的灰度值常与周边像元的灰度值不协调，表现为极高或极低，因此可利用局部窗口的灰度值统计特性（如均值、中值）来去除噪声。
 方法：空间域去噪声是利用待处理像元邻域窗口内的像元进行均值、中值或其他运算得到新的灰度值，并将其赋给待处理像元，通过对整幅图像进行窗口扫描及运算，达到去除噪声的目的。常用的空间域去噪方法有均值滤波、中值滤波、边缘保持平滑滤波和数学形态学去噪声等。

二、均值滤波

 均值滤波是取每个像元邻域内的像元平均值代替该邻域中心的像元值，从而达到去除尖锐噪声以及平滑图像的目的。
  线性滤波
  卷积滤波
  常用均值滤波模板：

三、中值滤波

 中值滤波与均值滤波很相似，只是将像元的替换值由邻域内的像元平均值变为了邻域内的像元中间值。
  非线性滤波
  卷积滤波

四、边缘保持平滑滤波

 去噪声方法应在追求抑制噪声的同时能够保持图像的细节信息。平滑滤波在去除噪声时会使图像变得模糊，而边缘保持平滑滤波在平滑滤波的同时能够保持图像的边缘信息。
 为了保持目标物之间的边缘信息，边缘保持平滑滤波在平滑处理之前先判断当前像元是否为边缘点，如果是边缘点则不进行平滑处理，如果不是则进行平滑处理。
 K近邻均值滤波和K近邻中值滤波是边缘保持平滑滤波较为常用的方法。K近邻均值滤波的思想是找出待处理像元邻域内K个与该邻域中心像元灰度值最接近的像元，然后取这K个像元的平均值作为待处理像元的新值。

五、数学形态学操作滤波

 数学形态学的开运算和闭运算经常用来消除图像中的噪声
 开运算可以消除图像中相对于结构元素而言较小的明亮细节，所以常用于抑制图像中的峰值噪声。
 闭运算可以消除图像中相对于结构元素而言较小的暗细节，所以常用于抑制图像中的低谷噪声。
 结构元素的选取和设计对于数学形态学去噪声有着非常关键的作用。
 基于数学形态学的图像去噪声通常使用的是开运算和闭运算的组合，即开-闭运算或闭-开运算。

7 4 傅里叶变换去噪声

 一、傅里叶变换去噪声原理
 二、傅里叶变换去噪声技术流程
 三、滤波器概述
 四、低通滤波器
 五、带阻滤波器
 六、陷波滤波器

重点：傅里叶变换去噪声技术流程、各滤波器的优劣

一、傅里叶变换去噪声原理

二、傅里叶变换去噪声技术流程

 频率域去噪声的技术流程：先把图像从空间域变换到频率域，然后在频率域对噪声成分进行掩膜滤波，抑制或者消除噪声，最后再把图像从频率域反变换到空间域。

三、滤波器概述

 基于傅里叶变换的图像去噪声主要是采用低通滤波器、带阻滤波器和陷波滤波器掩膜过滤掉噪声部分所对应的频率；
 每类滤波器又主要包含了三种具体的滤波器：理想滤波器、巴特沃斯滤波器和高斯滤波器；
 从理想滤波器，到巴特沃斯滤波器，再到高斯滤波器，这三类滤波器的传递函数由非常尖锐过渡到非常平坦。

四、低通滤波器

五、带阻滤波器

 带阻滤波器只滤除掉设定范围之内的频率，而通过范围之外的频率。

六、陷波滤波器

 陷波滤波器阻止事先定义的中心频率邻域内的频率，由于傅里叶变换后的频率域图像是对称的，所以中心频率必须成对且关于频率域原点对称，但是邻域范围（即陷波区域）可以任意设置。

7 5 小波及其他变换去噪声

 一、小波变换去噪声原理
 二、小波变换去噪声方法
 三、主成分等其它变换去噪声

一、小波变换去噪声原理

 小波变换去噪的基本思路：利用小波变换把含噪信号分解到多尺度中，然后在每一尺度下把属于噪声的小波系数抑制或去除，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号。

二、小波变换去噪声方法

 1、高频系数置零

 利用小波变换去噪声的最简单方法就是将每一层的高频系数（HH、HL、LH）都置零，然后利用小波系数重构图像，这是一种强制消噪方法。  2、小波阈值法  由于小波变换是线性变换，对含有噪声的信号作离散小波变换之后得到的小波系数仍由两部分组成：一部分是信号（包含部分噪声能量）对应的小波系数；另一部分是噪声对应的小波系数。  基于有用信号和噪声在经小波变换之后具有不同的统计特性：有用信号的能量对应着幅值较大、数目较少的小波系数；噪声能量对应幅值较小、数目较多的小波系数，并分散在小波变换后的所有系数中。  对小波系数幅值（或功率谱，即幅值的平方）设置一个阈值，将信号能量与噪声能量在小波域区分开来——剔除噪声贡献的系数，然后重构，达到降噪目的。  小波阈值去噪声可以分为硬阈值方法、软阈值方法。  幅值大于阈值所对应的小波分解系数被认为主要是由信号引起的，硬阈值方法是将这部分直接保留下来，而软阈值方法是将其按照某一固定量向零收缩。

三、主成分等其它变换去噪声

 主成分变换和最小噪声分离变换去噪声主要用于多波段数据，其去噪声的原理基本相同，即图像通过变换，噪声主要集中在后面几个分量，选择前面噪声较少的分量进行反向变换即可实现对图像的去噪声处理。
 这里只简单介绍一下主成分变换去噪声的过程，最小噪声分离变换去噪声的过程类似。