扫描图像去噪算法研究

毕业设计,题 目: 扫描图像去噪算法的研究与分析 学 院：轻工学院 专 业：印刷工程 学 生：王鹏 指导教师：王君,绪论,研究目的与意义,国内发展现状,国外发展现状,去网纹方法,空间域去噪法,频率域去噪法,其他去噪法,主观评价,实验仿真（中值，均值）,客观评价,结论,实验的评价方法,提 纲,绪论,目的：扫描图像在生成和传输过程中，常常因受到各种噪声干扰和影响而使图片降低质量，这对后续图像的处理（如分割，压缩和图像理解等）将产生不利影响。噪声种类很多，如：电噪声、机械噪声、信道噪声和其他噪声。在图像处理中，图像去噪是一个永远不会过时的主题，为了抑制噪声，改善图像质量，更高层次的处理，必须对图像进行去噪的预处理。图像中的噪声影响到人们对图像的理解，而图像去噪的目的就是去除图像中的噪声，使人们对图像的认识更加清楚，以便对图像做进一步地处理。 意义：(1)对于噪声图像去噪，可有效保证正确识别图像信息。由于成像机理不同的初始图像获得往往包含许多不同类型的噪声，他们的存在影响了人们观察图像的视觉感受，干扰的图像信息的人的理解。当图像包含噪声严重，画面变得非常模糊，图像丢失存储信息的本质意义。因此，图像去噪是非常重要的。 (2)除了能提高人识别视觉信息，对图像去噪处理的意义还在于它是图像作为进一步处理的可靠保证。如果一幅图像含有噪声并且对其进行特征提取、配准或者图像融合等处理，其结果肯定不能令人满意，所以图像去噪是不可缺少的。 (3)虽然已经提出了许多常见的图像去噪方法，但这些方法都不是完美的，主要性能：降低图像噪音，它不能很好的保护图像细节。因此，进一步提高了现有的图像去噪或研究新的图像去噪的意义仍然显著.,图像去噪理论基础,图像噪声的一般分类(1)从统计的观点看 ，凡是统计的特征不随时间变化而变化的称为平稳噪声，统计特征随时间变化而变化的称作非平稳噪声； (2)从噪声幅度分布的统计来看，其密度函数有瑞利型、高斯型，分别称为瑞利噪声和高斯噪声； (3)从噪声的来源来看可分为乘性噪声 、加性噪声 、椒盐噪、量化噪声声等； (4)从噪声的性质来看可分为脉冲噪声和高斯噪声（白噪声）两类。,噪声形成原因,而在数字图像的获取和传输过程中，传感器和传输信道经常会产生一些脉冲噪声，其极大地影响了图像质量。 光电子噪声、电子噪声、 感光片颗粒噪声是影响图像质量的三类主要噪声源，它们都可以来用直方图为高斯分布的白噪声作为有效模型。 现在的图像系统输入光电变换都是把二维图像信号扫描变换成一维电信号再进行处理加工。最后再将一维电信号变成二维图像信号。噪声也存在着同样的变换的方式。 使用光导摄象管摄像机，可以认为，信号的幅度和噪声幅度无关。而使用超正析摄像机的信号和噪声相关 ，黑暗部分的噪声大 ，明亮部分的噪声小，而在数字图像处理技术中量化噪声是肯定存在的，它和图像相位有关，如图像内容接近平坦时，量化噪声呈现出伪轮廓，但在此时图像信号中的随机噪声就会因为颤噪效应反而使量化噪声变得不太明显。,去噪方法,空间域去噪法 频率域去噪法 基于小波变换的去噪法 其他方法,空间域去网法,邻域平均法：以像素为中心形成n*n的邻域，求均值作为输出像素,像素点的操作,中值滤波法：以像素为中心形成n*n邻域，排序后取中间值作为输出像素,频域图像去噪算法,(1)小波去噪算法 小波去噪的特点有：多分辨率的特性，时频局部化的特性，选基的灵活性，解相关特性。这些特性使小波变换在去噪领域运用得相当成功。时频局部化特性和多分辨率特性使用小波变换的法去除图像噪声的同时能够很好的信号的突变和保留图像的边缘。,(2)基于 contourle变换的图像去噪算法 以上提出的关于小波阈值去噪方法广泛应以上提出的关于小波阈值去噪方法广泛应用于各种去噪处理中，并取得了巨大的成功，但是由一维小波通过张量积而形成的二维可分离小波变换只具有有限个方向，不能最优表示含线或者面奇异的二维图像。,其他去噪算法,(1)混合噪声的滤波算法 在图像获取和传输的过程中往往会同时受到两种或两种以上混合噪声的干扰，故采用单一的滤波器就不能很好的去除这类混合噪声。其中主要有两种算法，一类是采用两阶段法，即受不同性质噪声干扰的像素有不同的特点，然后根据各自噪声的特点将像素分开，再分别采用均值滤波算法去除受高斯噪声污染的像素和中值滤波算法去除受脉冲噪声干扰的像素；另一类是根据某邻域内像素对中心像素影响的大小来定义一个权重，同时考虑邻域内像素灰度值的权重并用局部平均值来代替中心像素的灰度值。,(2)基于数学形态学的滤波方法 是基于形态学的开、闭运算能够去除图像中的正、负脉冲噪声，故组合不同的开、闭运算可以达到去噪目的。另外，还可以根据不同的图像选择不同的结构元素，这样也有利于图像的去噪。,(3)基于神经网络的滤波方法18 基于神经网络的滤波方法是由于神经网络滤波器本身具备的并行运算能力、自组织和自学习能力特性，使其在图像处理领域中的应用非常广泛。,实验结果分析,通过上面的实验仿真，在中值滤波对扫描的处理中，随的着滤波窗口的尺寸逐渐增大，峰值信噪比逐渐减小。对图3.1的处理中，从3*3到9*9的滤波器的PSNR数值分别是36.1914,34.1461, 33.3538,32.5719，数值减小，也就是与图片的近似度越来越差，所以说并不是滤波窗口越大，图像的去噪效果越好，越大的滤波器还有可能使图片失真。在均值滤波中，随着滤波窗口的尺寸逐渐增大，峰值信噪比也是逐渐减小，对图3.1的处理中，峰值信噪比从3*3到9*9的滤波器的数值是33.8306,31.7281，30.7523, 29.9273，均值每个滤波窗口处理PSNR的数值都比中值的滤波窗口的PSNR数值小，说明在这两幅图片的处理效果中值比均值的效果好。当窗口尺寸增大到7*7,处理后的峰值信噪比已经开始降低,但却并不影响图像的去噪精度。如果再继续增大窗口尺寸(例如当窗口尺寸增大到9*9),峰值信噪比就会大幅降低,严重影响图像质量,导致去噪后图像失真。在保证图像质量的大前提下,最佳的窗口尺寸只能选择不大于7*7。,结论,无论中值滤波和均值滤波当窗口尺寸增大到7*7,处理后的峰值信噪比已经开始降低,如果再继续增大窗口尺寸(例如当窗口尺寸增大到9*9),峰