计算机视觉（基于MWORKS）课件 第三章 基于形态学的权重自适应图像去噪

计算机视觉第三章基于形态学的权重自适应图像去噪目录CONTENTS任务背景介绍3.1图像去噪3.2形态学去噪3.33.1任务背景介绍1、数字图像的噪声来源获取阶段：受摄像机组件性能、拍摄环境条件、传感器质量等因素影响。传输阶段：​受传输介质干扰，例如无线电网络中的光或大气因素。2、图像去噪的目的与重要性旨在减少数字图像中的噪声。是图像处理中关键的预处理步骤，其效果直接影响后续的图像分割、模式识别等任务。3、数学形态学的基本概念以图像的形态特征为研究对象。用集合论来描述图像元素间的关系，其基础运算包括并、交、补等集合运算。在图像分析和模式识别等领域有重要应用。3.2图像去噪3.2.1概述1、噪声的本质图像噪声是在图像获取（数字化）或传输过程中受到的随机干扰信号，具有不可预测性，需用概率统计方法进行分析。2、噪声主要来源一方面在获取过程中，受拍摄环境条件和摄像机传感器元器件自身质量等因素影响；另一方面在传输过程中，因传输介质受到干扰而被污染。3、噪声描述方法采用均值和方差这两个统计学概念来描述图像噪声：3.2图像去噪3.2.2噪声模型噪声模型大致有高斯噪声、椒盐噪声、局部方差噪声、泊松噪声、散粒噪声1、高斯噪声高斯噪声是一种概率密度函数服从高斯（正态）分布的噪声。在数字图像中，它主要来源于图像采集时的不良照明或传感器在高温下产生的传感器噪声。其概率密度函数由一个核心公式定义，其中关键参数包括：均值(μ)：决定了分布的中心位置。标准差(σ)：衡量了噪声幅值的离散程度。函数值

p(z)​表示噪声幅值为z​的概率密度大小。3.2图像去噪在图像中添加高斯噪声后的成像变化3.2图像去噪2、椒盐噪声定义：椒盐噪声是数字图像处理中一种常见的脉冲噪声，表现为图像中随机出现的白色亮点（盐噪声）和黑色暗点（椒噪声）。其特点是噪声点与周围像素差异极大（极黑或极白），严重影响视觉观感。主要成因：信号干扰、数字转换错误、传感器故障。主要影响：一方面破坏图像视觉效果；另一方面对后续的边缘检测、特征提取等图像处理任务产生不良影响。去除方法：中值滤波、自适应滤波。3.2图像去噪在图像中添加椒盐噪声后的成像变化3.2图像去噪3、局部方差噪声定义：局部方差噪声是一种在图像或信号处理中常见的噪声类型，其核心特征是噪声的方差会随着图像或信号的不同区域而变化，导致某些区域噪声强，而其他区域噪声弱。主要成因：通常由环境干扰、传感器的不均匀性、或信号处理过程中的不稳定条件引起，反映了真实环境中噪声来源的复杂性和多样性，比均匀噪声更贴近实际情况。特点：噪声的概率密度函数在不同区域各不相同，表现出局部波动。这种非均匀性使得去除该类噪声比处理均匀噪声更为复杂。去除方法：常采用能适应局部特性的高级方法，如自适应滤波（动态调整参数）和统计建模（分析并建立噪声模型）。3.2图像去噪在图像中添加局部方差噪声后的成像变化3.2图像去噪4、泊松噪声定义：泊松噪声又称量子噪声，是一种常见于图像和信号处理中的噪声类型，尤其在摄影、X射线成像和显微镜等光学系统中普遍存在。产生根源：其产生源于光子或电子在检测过程中的统计波动性，即检测过程遵循泊松分布——每个观测值都是基于一个期望值的随机波动。核心特征：噪声强度与信号本身成正比、非加性噪声、信号越弱，相对波动越大处理方法：由于其统计特性，处理时需采用能利用信号信息的方法，如统计建模和贝叶斯估计等。3.2图像去噪在图像中添加泊松噪声后的成像变化3.2图像去噪5、散粒噪声定义：散粒噪声是一种常见于相干成像系统（如雷达成像、超声成像、激光成像）中的噪声类型。表现形式：图像中出现颗粒状或斑点状的纹理。成因：主要由多个相干波在传播过程中相互干涉所引起，是信号在反射和折射过程中产生相位差导致的干涉现象（例如超声成像中介质界面反射）。核心特性：噪声的强度与信号本身相关，因此在图像的亮区和暗区表现不同。主要影响：会降低图像质量，影响对细节的识别。常用处理方法：包括中值滤波和小波变换等，旨在平滑图像、减少噪声的同时尽量保留细节。应用重要性：在医学成像和遥感图像处理等领域，有效去除散粒噪声对提高图像的清晰度和准确性至关重要。3.2图像去噪在图像中添加散粒噪声后的成像变化3.2图像去噪3.2.3图像去噪方法1、均值滤波基本定义与原理：均值滤波是一种线性滤波方法，其核心思想是邻域平均法。具体操作：对于图像中的待处理像素点(x,y)，取其周围多个邻近像素构成一个矩形模板（如3×3、5×5等）。计算出该模板内所有像素灰度值的算术平均值，并用这个平均值来替代原像素点(x,y)​的值，从而得到去噪后的新像素值g(x,y)。核心特性与效果：主要优势：能够有效抑制加性噪声，例如热噪声、散粒噪声等。这类噪声的特点是与图像信号叠加，且独立于图像内容持续存在。主要缺陷：在平滑噪声的同时，会导致图像（尤其是边缘、纹理等高细节区域）产生模糊。这是因为平均运算削弱了像素间的突变和对比。3.2图像去噪噪声图像在均值滤波后的成像变化3.2图像去噪2、中值滤波基本定义与原理：中值滤波是一种非线性滤波，属于基于排序统计理论的图像平滑技术。核心操作：对于图像中的每一个像素点，定义一个以其为中心的滑动窗口，将该窗口内所有像素的灰度值从小到大排序，然后取排序后的中间值，并用此中间值替换原中心像素的值。核心特点与适用性：非线性特性：基于排序而非平均，能更好地保护图像边缘和细节，避免均值滤波带来的模糊问题。对不同噪声的抑制效果有显著差异：对椒盐噪声效果很好、对高斯噪声效果不佳。3.2图像去噪噪声图像在中值滤波后的成像变化3.3

形态学去噪3.3.1形态学概述1、基本定义与性质数学形态学是一种基于集合论和拓扑学的图像处理技术。其核心是以集合为运算对象，使用一种称为“结构元素”（常用正方形、圆形等）的小集合在图像上滑动并进行“探测”。它是一种非线性且不可逆的图像处理方法，运算后丢失的信息无法通过逆变换恢复。它反映了图像中像素点之间的逻辑关系，而非简单的数学关系。2、核心操作：膨胀、腐蚀、开运算、闭运算等基本形态学操作，来分析和处理图像的形状与结构。3、应用优势与特点理论框架完善，算法效率高，易于硬件实现。特别适合处理与形状相关的问题（如二值图像），并已扩展到灰度图像处理（即灰度形态学）。3.3

形态学去噪3.3.2形态学运算1、膨胀运算和腐蚀运算膨胀运算：定义：是一种使图像中的对象从原始形状扩大的形态学操作。过程：一个小的结构元素（通常为3×3）在目标图像上滑动。只要结构元素与图像在当前位置有重叠的像素点，该位置（结构元素中心点）的输出像素值即被置为1。腐蚀运算：定义：是膨胀的逆运算，作用是收缩图像。过程：同样使用小的结构元素（如3×3）在图像上滑动。只有当结构元素与图像在当前位置完全重合时，中心点像素值才被保留（或置为1），否则被置为0。3.3

形态学去噪腐蚀膨胀运算腐蚀和膨胀运算对图像进行形态学运算的仿真图3.3

形态学去噪2、开运算和闭运算开运算定义：先用结构元素对图像进行腐蚀运算，然后在腐蚀的基础上进行膨胀运算。作用：平滑图像轮廓；削弱狭窄部分，去掉细的突出；可用于去除图像噪声。闭运算定义：与开运算相反，先用结构元素对图像进行膨胀运算，然后在膨胀的基础上进行腐蚀运算。作用：填充背景中狭窄及凹陷的部分；消除小洞，填充轮廓上的空白；平滑图像的轮廓；同样可用于去除图像噪声。3.3

形态学去噪开闭运算开运算与闭运算的结果3.3

形态学去噪3.3.3权重自适应多结构形态学去噪1、数学形态学概述与应用步骤数学形态学是一种非线性滤波方法，已成为图像处理的重要技术，广泛应用于去噪、分割、增强、边缘检测、形态分析、图像压缩等领域。其处理步骤为：提取图像的几何结构特征并找出相应的几何结构模式。根据该模式选择能有效展现该几何结构且形态最简的结构元素。用选定的结构元素对目标图像进行形态学变换，必要时通过变量定量描述图像的几何结构。使图像更清晰，便于提取信息。3.3

形态学去噪2、形态学去噪的核心要素形态学去噪的关键在于设计有效的形态学滤波器，通过合理运用数学形态学算子，可在滤除噪声的同时保留图像原有信息。滤波器的有效性主要取决于两个决定性因素：结构元素的选择与数学形态学运算的设计。形态学滤波器作为图像形态学分析方法的一种，必须遵循这两个核心原则。3、结构元素的选择原则结构元素是具有一定尺寸的背景图像，通过它在待处理图像中的移动和相互作用，确定图像各部分之间的几何形状、亮度、颜色等特征关系及几何参数。结构元素的选择目前尚无通用方法，但可遵循以下