图像去噪算法（空间域+频率域）

     图像应用在人们日常生活的方方面面，是不可或缺的一部分。图像根据记录方式可分为：模拟图像和数字图像。模拟图像可以通过某种物理量的强弱来记录图像亮度信息；数字图像是由模拟图像数字化得到的，以像素为基本元素、可以用数字计算机或数字电路存储和处理的图像。数字图像根据采样数目及特性的不同可以划分为二值图像、彩色图像、伪彩色图像和三维图像。通常去噪处理使用的是数字图像。

     图像去噪包含两个方面的内容：消除噪声和增强图像特征。如何能够在滤去噪声的同时保留图像的细节部分，这一直是图像去噪中的一个难题。传统图像去噪方法大致分为空间域滤波和频域滤波两大类。下面将具体介绍其中的一些算法。

1.空间域图像去噪

空间域滤波是基于邻域处理的去噪方法，直接作用于图像中的每个像素点，新的像素灰度值由原始灰度值与邻域的所有像素进行模板运算得到。根据采用的模板是否满足叠加原理，空间域去噪算法可分为线性滤波和非线性滤波。下面介绍其中的一些具体算法。

1.1 线性滤波去噪

均值滤波算法是线性滤波代表算法之一，均值滤波器是应用最广的线性滤波器，它的运算速度很快，对高斯噪声有明显去噪效果。设一幅图像f（x，y）是M×N的模板，处理后的图像是g（x，y）,用下式得到处理后的图像：

其中0≤x≤N-1，0≤y≤M-1,S是（x，y）以点为中心的邻域的集合，n是S内坐标点的总数。这种算法计算速度快，但在减少噪声同时会使图像变得模糊，尤其是图像边缘、细节部分。为了增强图像细节部分，有研究者提出可以采取阈值法。设阈值T（T≠0），阈值法的准则如下：

  阈值法相较与简单局部平均法能更好的保留下细节，但还是会损失边缘、模糊细节。目前提出的解决办法都是在考虑邻域选择的大小、形状和方向，阈值的选取还有邻域各点的权重系数等方面。

1.2 非线性滤波法去噪

非线性滤波的代表算法是中值滤波算法，该算法对于椒盐噪声的滤去效果较好。设对一个一维序列

进行中值滤波，窗口长度是m（m是奇数），则是取出序列，其中窗口的中心位置为i，然后再将这些点从大到小进行排序，位于为正中间位置的数为输出值。可表示为：

当对二维序列进行中值滤波时，窗口也应是二维的，窗口形状分为多种，如方形、圆形等。中值滤波器能够有效地去除图像中的椒盐噪声，对高斯噪声、随机噪声也具有一定的抑制作用，但并不具备很好的边缘细节判断能力。后来，人们提出了改进的加权中值滤波算法，公式如下：

其中W（N+1,N+1)是窗口中心像素的权值，a是常量，d是点(i,j)到窗口中心的距离，D,m分别是窗口的方差和均值。这种算法虽然从一定程度上可以保护图像边缘，但还是存在缺陷。对于大面积的噪声污染，中值滤波的滤波窗口里面大部分都是噪声点，所以滤波结果还是含有噪声的像素点。

2频率域图像去噪

2.1 傅里叶变换

20世纪60年代傅里叶变换的快速算法被提出，从此被广泛的应用在图像处理中。傅里叶变换是连接离散空间域和离散频域之间的桥梁，可以将图像从图像空间转换到频率空间。二维离散信号的离散傅里叶变换对可以定义为：

  

2.2 低通滤波

基于傅里叶变换的频域低通滤波算法的主要思想是把图像利用傅里叶变换到频域，再通过低通滤波器进行处理，最后通过傅里叶反变换把图像再变换到空间域中。低通滤波器是将图像中的高频部分滤除，保留图像中的低频部分。通常高频分量都是图像中的噪声、边缘部分傅里叶变换而来，所以滤除高频分量可以减弱噪声对图像的影响。

常用的低通滤波器有以下几种：其中D0是一个规定的非负量，称为低通滤波器的截断频率。D（u，v）是从频率平面的原点到（u,v)的距离。

（a）理想低通滤波器，其传递函数如下：

 

理想低通滤波器将小于D0的频率全部保留下来，而滤去了大于D0的频率。理想低通滤波器可以平滑图像，但由于高频部分包含着大量的图像细节部分，滤除过多的高频分量会导致图像丢失大量的细节部分，产生较严重的模糊和振铃现象。            

（b）巴特沃斯低通滤波器。它的传递函数连续性较好，在高频和低频间过度光滑，所以它的去噪效果相比于理想低通滤波器会更好。一个n阶巴特沃斯低通滤波器的传递函数为：

虽然它保留了大部分的高频分量，但平缓图像效果并不好。

（c）一个n阶指数低通滤波器，其传递函数为：

一阶指数低通滤波器具有较为平滑的过滤带，故图像没有振铃现象，但其在开始阶段传递函数的衰减程度较快，滤除高频分量的能力较强，导致图像会更加模糊。       

2.3 高通滤波

高通滤波器是通过滤波将图像中的低频部分滤除而让图像中的高频部分通过。图像中的边缘部分对应着高频分量，高通滤波能消除图像中灰度值变换缓慢区域的低频分量。

常用的高通滤波器有以下几种：其中D0是一个规定的非负量，称为高通滤波器的截断频率。D（u，v）是从频率平面的原点到（u，v）的距离。

（a）理想高通滤波器，其传递函数如下：

（b）一个n阶巴特沃斯高通滤波器的传递函数为：

巴特沃斯高通滤波在高频和低频分量间的过渡较为平缓，所以振铃现象并不明显。虽然它保留了大部分的高频分量，但平缓图像效果并不好。

（c）一个n阶指数高通滤波器，其传递函数为：

二阶指数高通滤波器也可以称为高斯高通滤波器。一阶指数高通滤波器与指数低通滤波器互补，也具有较为平滑的过滤带，所以图像的振铃现象较弱，但其在开始阶段传递函数的增长程度较快，能够使得一些低频分量保留下来，一定程度上保护了图像的灰度层次。       

2.4 同态滤波

同态滤波可以在频域中压缩图像亮度范围的同时增强图像的对比度，对乘法噪声的滤除效果较好，设一幅图像f（x，y）可以由照度分量i（x，y）和反射分量r（x，y）表示为：

同态滤波的主要思想是将这两个分量分别开来进行滤波，其过程先将上式取对数，即：

再将对数进行傅里叶变换，得：

设一个频域增强函数去处理傅里叶变换结果，得：

再将处理结果反变换到空域中，得：

最终两边取指数可以得到最后结果，如下：

其中H（u，v）为同态滤波函数，分别作用于照度分量和反射分量上。通常照度分量变换较为缓慢，反射分量会急剧变化，所以图像傅里叶变换后的低频部分对应照度分量，而高频部分对应反射分量。选取适当的同态滤波函数H（u，v）可以有效的去除图像噪声。

2.5 维纳滤波

维纳滤波是由维纳提出的一种以最小平方为最优准则的线性滤波，也称最小平方滤波或最小二乘滤波。维纳滤波对于去除高斯白噪声有着较好的效果，往往应用于平缓随机的变换过程。设含噪信号为G（t），原信号f（t）和滤波变换输出的差值是误差，对误差求均方，即为均方误差。

当输入信号为一幅二维图像时，设原图像和噪声不相关，之间有一个均值为零且估计的灰度级是退化图像灰度级的线性函数，则误差函数为：