数字图像处理技术及应用 课件 4-图像去噪技术

图像去噪技术图像噪声与退化模型基于空间滤波的去噪方法基于频域滤波的去噪方法基于深度学习的去噪方法总结与展望1.图像噪声与退化模型图像噪声是指在图像获取或传输过程中引入的随机干扰信号。常见噪声类型：高斯噪声：服从正态分布，表现为像素值的轻微波动椒盐噪声：表现为随机出现的亮/暗像素点泊松噪声：与像素强度成正比，低光条件下明显图像退化模型图像退化是指图像在获取、传输或处理过程中受到的非随机性变化。模糊模型：光学系统或运动引起的模糊几何失真模型：图像的拉伸、扭曲、旋转等色彩失真模型：色彩饱和度、色调、亮度的不准确2.1均值滤波通过计算像素邻域内像素值的平均值来平滑图像，减少噪声。优点：简单、对随机噪声有效缺点：导致图像模糊，边缘信息损失

原图像滤波后图像噪声图像2.2高斯滤波使用高斯函数作为卷积核，加权平均邻域像素值。优点：平滑噪声的同时保留边缘缺点：对椒盐噪声效果较差

原图像滤波后图像噪声图像2.3统计顺序滤波中值滤波：取邻域中值，对椒盐噪声效果好最大值滤波：取邻域最大值，用于去除暗噪声最小值滤波：取邻域最小值，用于去除亮噪声2.4双边滤波结合空间邻近度和像素值相似度，保留边缘的同时去噪。优点：边缘保持能力强缺点：计算复杂度高

2.5非局部均值滤波利用图像全局自相似性，计算相似像素的加权平均。优点：去噪效果好，细节保留能力强缺点：计算量大

3.1频域滤波基础将图像转换到频域，通过滤波器抑制高频噪声。步骤：傅里叶变换频域滤波傅里叶反变换

频域滤波流程图3.2理想低通滤波器完全阻断高于截止频率的高频成分。优点：理论完美缺点：振铃效应明显理想低通滤波器传递函数的透视图

3.3巴特沃兹低通滤波器提供平滑的频率过渡，减少振铃效应。优点：过渡平滑，无振铃缺点：阶数选择影响性能巴特沃兹低通滤波器传递函数的透视图

3.4高斯低通滤波器使用高斯函数作为滤波器，平滑过渡优点：无振铃，平滑性好缺点：截断效果宽松高斯低通滤波器传递函数的透视图

4.1基于DnCNN的图像去噪DnCNN

是一种专门用于图像去噪的卷积神经网络。主要特点：残差学习批量归一化加速训练感受野大小可调（如35×35）DnCNN网络结构由三种层构成：卷积+ReLU（第一层）卷积+BN+ReLU（中间层）卷积（输出层）优势：性能优于传统方法，适应多种噪声挑战：需要大量训练数据DnCNN网络架构图4.2

基于FFDNet的图像去噪FFDNet

是一种快速灵活的去噪网络，引入噪声水平图作为输入。核心机制：可逆下采样操作噪声水平图输入多卷积层+ReLU+BNFFDNet结构FFDNet处理流程步骤：输入图像+噪声水平图可逆下采样卷积神经网络处理上采样恢复图像优点：灵活适应不同噪声水平

应用：灰度与彩色图像均可处理5.总结与展望传统方法（空间/频域滤波）计算简单，但细节损失明显。深度学习方法（DnCNN、FFDNet）性能优越，适应性强，但依赖数据与算力。未来方向：轻量化网络设计自适应噪声估计多模态融合去噪思考题与习题基于空间滤波和频域滤波的图像去噪算法有哪些？阐述原理并比较优缺点。简述DnCNN模型对图像进