图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后
续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都
可能会受到噪声的污染,一般数字图像系统中的常见噪声主要有:高斯噪声
(主要由阻性元器件内部产生)、椒盐噪声(主要是图像切割引起的黑图像上
的白点噪声或光电转换过程中产生的泊松噪声)等;
目前比较经典的图像去噪算法主要有以下三种:
均值滤波算法:也称线性滤波,主要思想为邻域平均法,即用几个像素灰度的
平均值来代替每个像素的灰度。有效抑制加性噪声,但容易引起图像模糊,可
以对其进行改进,主要避开对景物边缘的平滑处理。
中值滤波:基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处
理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域,一般
为方形邻域,也可以为圆形、十字形等等,然后将邻域中各像素的灰度值排序,
取其中间值作为中心像素灰度的新值,这里领域被称为窗口,当窗口移动时,
利用中值滤波可以对图像进行平滑处理。其算法简单,时间复杂度低,但其对
点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。
Wiener 维纳滤波:使原始图像和其恢复图像之间的均方误差最小的复原方法,
是一种自适应滤波器,根据局部方差来调整滤波器效果。对于去除高斯噪声效
果明显。
实验一:均值滤波对高斯噪声的效果
代码
桌面读
取图像
! !!!"加入均值为 !,方差为 !!!" 的高斯噪
声
#$%& ' ()
%原始图像
#$%& ' &()
%加入高斯噪声之后的图像
采用 *+,- 中的函数 .%& 对受噪声干扰的图像进行均值滤波
/.%&$%0 ' 1&""模板尺寸为 '
/&.%&$%0 " 1&""模板尺寸为 "
评论0