传统图像处理之随机脉冲噪声检测(二）

---

这里是接着我的上一篇的内容所讲 详情请点： 传统图像处理之随机脉冲噪声检测.

---

前言

这里我们继续讲后面的内容

---

提示：前面我们讲到LCI值是什么以及如何计算LCI值 今天我们来讨论一下阈值对于噪声像素检测的影响

一、什么是平坦区和粗糙区？

首先让我们来看一张图

其实我们一直没有给平坦区一个正式的定义 如我前面的文章所讲的一样我们可以通过给定一个像素点与周围像素点的值进行比较 如果都相进 那么我们就说它是在一个平坦区内 反之则不是

二、如何确定阈值？

1.首先需要明白一件事 一副的图片的阈值并不是一尘不变的

为了更直观的证明这一点 我们可以看到一下实验结果图 图（a)，图（b),图（c)分别代表损失率为20%，40%，60%的图片判断情况 左边为平坦区
右边为粗糙区

我们可以看到这几条线相交后对应的LCI值即为阈值 明显的平坦区的阈值要比粗糙区的要大 并且仔细观察能发现损失度越大 无论是平坦区还是粗糙区LCI值都要大很多，也侧面证明阈值不仅和图片的损失率有关还与区域有关

2.计算阈值

1.平坦区与粗糙区区分计算

由于我们也无法给出平坦区一个正式的定义 但是LCI值却给我们一个好的解决办法 如果一个LCI值被当像素是否为噪声点的可能性 我们可以计算出它的一个平均值和与周围像素强度的标准差进行比较，并且根据距离的远近来计算周围像素值标准差的权重 如下图示



很明显 计算出来的σx ≤ Tσ则为平坦区 反之则为粗糙区 这样我们就把平坦区与粗糙区分别出来了
结果我们可以输出图片的形式呈现

噪声污染程度估算

通过上面的描述 我们知道阈值与两个变量有关 其中一个就是图片的损失率，也就是被噪声像素的占比情况 但是多数情况下我们是不知道图片的损失率的，这个时候就需要我们去估算 为了解决这个问题我们先是只检测平坦区那些容易检测的像素点：

当然单单只看平坦区会有肯定是不行的 我们这里就需要用到拟合 将误差降到最小
这里是拟合的曲线与我们算出来的值差值函数

当然T值（阈值）可以由此计算出 这些式子都是由大量的实验结果得出

终于 经过上面的一系列步骤我们终于得到两个阈值 接下来我们仅仅需要将LCI值进行比较即可检出噪声

---

总结

这一部分主要是讲了阈值的选定以及图片损失的估计方法 以及如何拟合 后面我将会讲到当噪声被检测出来后如何去噪声