各种滤波器降噪技术的比较研究

摘要

采用过冷的方法，提高了常规空调系统的性能系数。由于过冷，冷凝器出口饱和液体过冷，导致制冷效果增大。次冷却是通过使用风扇和冷凝器之间的管子(热交换器)从冷凝器中提取热量来完成的。管材与冷凝器平行放置，风机从管材中吹出冷空气。管路由从蒸发器出口取出的部分制冷剂和使用泵循环的冷却剂组成。这将导致通过冷凝器从制冷剂中提取额外的热量。因此实现了过冷。这也将确保压缩机中饱和气相制冷剂的持续供应，因此压缩机寿命将增加，提供更高的系统整体效率。冷却剂用于冷凝器冷却显示出积极的响应。通过对常规空调系统进行这种改造，可以提高常规空调系统的性能系数，也可以提高常规空调系统的节电效果。 The average cop improved obtained to be 50 percent so that Power consumption is reduced by 20-25 percent.

关键字

图像噪声，去噪，滤波器，PSNR, MSE

简介

数字图像数字图像处理是指借助计算机对数字数据进行修改，以提高图像质量的过程。该处理有助于最大限度地提高图像的清晰度、清晰度和感兴趣的特征的细节，以便提取信息和进一步分析。图像噪声是图像中亮度或颜色信息的随机变化，用于人脸识别、自动车牌识别、指纹识别、签名识别、卫星电视、磁共振成像、计算机断层扫描等。图像被用于医疗和教育等各个领域，但图像经常因噪声而退化。噪声会在图像采集、传输、复制等过程中产生。如果图像被噪声损坏，则图像的质量将会降低[1］．为了从噪声中保留原始图像，使用了噪声去除技术。去噪是指从图像中去除不需要的信息。不同的噪声去除技术用于过滤不同类型的噪声。

噪声类型

数字图像噪声的主要来源是在图像采集(数字化)或图像传输过程中产生的。图像传感器的性能受到各种原因的影响，如图像采集过程中的环境条件或传感元件本身的质量。成像传感器会受到环境条件的影响[2］．图像在传输过程中会受到干扰。我们可以将一个有噪声的图像建模如下:

G (x, y)= f (x, y) +η (x, y) (1)

其中f(x, y)是原始图像像素，η(x, y)是噪声项，g(x, y)是得到的噪声像素。如果我们可以估计图像中噪声的类型，那么就可以使用适当的滤波技术来恢复原始图像。

噪音种类

根据不同的干扰类型，噪声对图像的影响程度完全不同。通常我们的重点是去除束缚相当的噪音。因此，我们倾向于建立边界相当噪声，并应用完全不同的滤波技术来消除噪声[3.］．各种形式的噪声平方测量数学家噪声，泊松噪声，盐和胡椒噪声和斑点噪声。这些并不是图像中遇到的所有噪声，但这些是常见的噪声。

高斯噪声

它也被称为加性噪声，当每个像素被修改时，每个像素都被添加一定的分布[4］．观察到的最常见的分布是高斯分布或钟形曲线(图1)．这是由于捕获时光照差或由于高温引起的(图2)．它也可以由电子电路中的噪声引起。高斯随机变量z的概率密度函数P为:

（2）

泊松噪声

也称为抛射噪声或光子噪声。相关图像中较轻元素内部的显性噪声。它是在给定曝光水平下检测到的光子变化的结果。这遵循统计学的泊松分布。该噪声的均方根值与图像的根强度成正比。完全不同的像素受到不同的噪声值[5］．光子噪声和许多不同的基于传感器的设备噪声以完全不同的比例破坏信号。泊松噪声的PDF如下式所示图3及4．

（3）

盐和胡椒的噪音

一种有趣的噪声类型也被称为脉冲噪声。它可以被描述为图像中的稀疏扰动，导致图像中少数像素的变色，因为你可以看到一些像素已经变成黑色，而图像的其余部分则保持不变[6］．这是由于在图像捕捉过程中，电荷耦合器件故障等突然干扰造成的。噪声效应只对小无。图像的其他部分不受影响。在盐胡椒型噪声中，噪声像素要么取盐值(灰度-225)，要么取胡椒值(灰度-0)，在图像上表现为黑白斑点(图5)．对于随机值的脉冲噪声，噪声可以取0到225之间的任何灰度值。

散斑噪声

是一种乘性噪声。它使任何分布都乘以图片中的每个像素。它会破坏超声波，激光和声纳等图像。这种噪声通常会极大地降低合成孔径雷达(SAR)图像的质量[7］．这种噪声主要是由于来自一个比单个小的物体的信号的随机起伏引起的图像处理组件。这是由对多个分布式目标的后向散射信号进行一致处理共同造成的(图6)．这种噪声还会增加图像的平均灰度。这种噪声在解码图像时产生了一堆问题。

消噪滤波器

这里使用滤波来去除图像噪声。滤波是图像处理中的一种技术，用于不同的任务，如降噪、插值和重采样。它主要用于所有图像处理系统。滤波器的选择取决于图像中存在的噪声的类型和数量，因为不同的滤波器可以有效地去除不同类型的噪声。空间域有以下类型的过滤器[8］．

线性滤波器

用于减少随机噪声，锐化边缘和纠正不均匀照明。这些滤镜会模糊图像的边缘，破坏图像的细节。它们在去除信号相关噪声方面性能较差。线性滤波是一种滤波，其输出像素的值是输入像素邻域内像素值的线性组合，其过程是通过适当的滤波核的相关性对图像进行滤波[9］．输出像素的值被计算为相邻像素的加权和，称为卷积。线性滤波器可以用下式表示。

（3）

最小值滤波器

最小过滤器也称为第0百分位过滤器。它将像素的值替换为该像素的邻域的最小强度级别。这个滤镜是用来找到图像中最暗的点。它在滤波器所包含的区域中找到最小值，并增强图像的黑暗区域。由于最小操作，最小滤波器降低了盐噪声[10］．最小滤波器可以用下式表示:

（4）

马克斯过滤器

最大滤波器也称为百分位滤波器。它将像素的值替换为该像素的邻域的最大强度级别。这个滤镜可以找到图像中最亮的点。在被过滤器包围的区域中找到最大值，并增强图像的明亮区域[11］．它从含有盐和胡椒噪声的图像中去除胡椒噪声，因为它的强度值非常低，这是最大操作的结果。

（5）

如果同时使用最小和最大滤波器，辣椒噪声可以作为一个整体消除。

中值滤波器

它又被称为序统计滤波器。它是最著名和常用的非线性滤波器。它通过平滑图像来去除噪声。这个过滤器还降低了一个图像的所有像素之间的强度变化。在该滤波器中，首先将图像的像素值替换为平均值，然后通过将所有图像元素的值按升序排列来计算中值，然后将计算出的值替换为中间的图像元素。如果要考虑的图像的相邻分量包含偶数个像素，则将该分量替换为两个中间分量值的平均值。当脉冲噪声份额小于0.1时，中值滤波器的效果最好。它在去除高密度盐胡椒噪声时表现不佳[12］．

均值滤波器可以用下式表示:

(6）

维纳滤波器

在信号处理中，维纳滤波器是一种自适应滤波器，用于通过对观测到的噪声过程进行线性时不变(LTI)滤波来提供对期望或目标随机过程的估计，假设信号和噪声谱是熟悉的平稳的，并且加性噪声[13］．方差越小，维纳平滑效果越好，方差越小，维纳平滑效果越好。自适应滤波器比线性滤波器更具选择性，因为它保留了图像的边缘和其他高频部分。维纳滤波器通过使用相对信号作为输入，并使用该已知信号产生估计作为输出，提供了对未知信号的统计估计。

高斯滤波器

高斯核给予离窗口中心较远的像素较小的权重。核函数是一个近似高斯函数，用于模糊图像。它有效地降低了噪声和图像细节。

(7）

高斯滤波器是一种线性滤波器。它通常用于模糊图像或减少噪声。如果你使用其中的两个并相减，你可以使用它们进行“非锐化掩蔽”(边缘检测)。高斯滤波器将模糊边缘和降低对比度。高斯函数的标准差在其行为中起着重要的作用。当设计一个固定长度的高斯核时，这是非常重要的。

引导滤波器

所述引导滤波器利用所述第二图像(称为引导图像)的内容来影响滤波，对图像进行边缘保持、平滑。引导图像可以是图像本身、图像的不同版本或完全不同的图像。在计算输出像素值时，考虑了制导图像中相应空间邻域区域的统计信息。如果制导与待滤波图像相同，则结构相同。如果制导图像不同，则制导图像中的结构会对滤波后的图像产生影响[14］．

引导滤波是一种最快的线性时间算法，其计算复杂度与滤波核大小无关。引导滤波器在各种计算机视觉和计算机图形学应用中既有效又高效，包括降噪、细节平滑/增强、HDR压缩、图像羽化、雾霾去除和联合采样(图7)．

BM3D(块匹配和三维过滤)

这是目前最复杂、最先进的图像滤波方法。它将相似的2D图像片段分组到称为“组”的3Ddata数组中。对于大声图像，我们采用的块匹配方案往往采用一种非常光滑的方法来处理图像块;我们倾向于寻找与当前处理的区块有相似之处。匹配的方块以正方形的尺寸堆叠在一起形成一个三维数组。在这种方式下，我们倾向于在方块方块之间堆叠出高相关性的数组。协同过滤揭示:最好的细节由分组块共享，并保留每个单独块的基本独特特征。

自适应模糊切换中值滤波器

该滤波器是一种噪声自适应模糊开关中值滤波器。首先，检测阶段将利用损坏图像的直方图来识别噪声像素。这些都被检测到了噪声像素，然后将进行第二阶段的过滤操作，而“无噪声像素”将返回并不进行处理。然后，滤波器采用模糊逻辑处理所提取的局部信息中由于噪声引入的不确定性。模糊集理论和模糊逻辑为以模糊if-then规则的形式表示和处理人类知识提供了强大的工具。另一方面，由于数据/任务/结果的不确定性，图像处理产生了许多困难。然而，这种不确定性并不总是由于随机性，而是由于模糊性和模糊性。模糊滤波器能很好地消除脉冲噪声。尽管如此，这些通常被发现对噪声密度变化不适应，并且容易错误分类像素特征。

实施及结果

实验在大小为256 × 256的各种标准灰度图像上进行。采用mat lab R2013a软件进行仿真。输入图像被模拟高斯白噪声(均值=0，方差=0.01)、椒盐噪声(噪声密度= 0.05)、散斑噪声(均值=0，方差=0.04)、泊松噪声破坏。在去噪过程中，采用了线性滤波(3x3)、中值滤波(3x3)、最小滤波(3x3)、最大滤波(3x3)、维纳滤波(3x3)、高斯平滑滤波、BM3D滤波(3x3)、自适应模糊切换等滤波方法(表1)．

表1。利用摄像师图像对不同类型噪声的各种滤波器进行性能比较。

（8）

峰值信噪比

PSNR = 20 * log10(255 /根号方根(MSE)) (9)

式中，r为原像;X为恢复后的图像;M × N为处理后图像的大小。

结论

在所有的滤波器中，很难说哪个滤波器是最好的，但根据噪声的类型，可以使用滤波器，在模拟之后，对噪声去除技术进行了比较分析。通过将不同的噪声类型应用于图像模型，研究了结果，得出以下结论:块匹配滤波器(BM3D)是稳定和全面的。我们还观察到中值滤波器工作得很好，盐和胡椒噪声和高斯噪声．线性滤波对泊松噪声的处理效果很好。维纳滤波器对泊松噪声处理得很好，盐和胡椒高斯噪声、泊松噪声和散斑噪声对最小和最大滤波器处理得也很好。引导滤波器在处理泊松噪声方面做得很好。自适应模糊中值滤波器已被证明是最好的盐和胡椒噪声。最后得出结论，BM3D滤波器是一种强大的滤波器，可以很好地处理各种噪声。

参考文献

1. Kalpana等人。综述论文:研究图像去噪技术。中国机械工程学报，2015;(2):457 - 457。
2. Rajni等人。图像去噪技术-概述。国际计算机应用杂志，2014;86:13-17。
3. Raghav M，等。图像去噪技术:文献综述。清华大学学报(自然科学版)，2014;
4. 库马尔A，等。一篇综述论文。信号与图像处理:国际期刊(SIPIJ)。2015; 15:6。
5. Kaushik P，等。基于Psnr和Mse的不同图像增强技术比较。7.土木工程学报，2012;
6. 混合噪声去除技术的比较研究。国际信号处理与模式识别，2014;7:405-414。
7. Kamboj P，等人。简论各种噪声模型及滤波技术。计算机科学与技术，2013;(4):366 - 366。
8. Kaur R，等。图像恢复-一个调查。计算机工程学报，2014;16(4):344 - 344。
9. Sarode M，等。基于滤波技术的图像散斑噪声抑制与图像增强。国际科技进步杂志，2011;2:30-38。
10. 拿破仑D等人。基于结构保持降噪算法的水下图像增强。计算机科学与技术，2013;
11. Pawan P，等。不同滤波器对不同噪声的图像去噪。计算机应用，2010;9:45-50。
12. Peters J，等。使用加性噪声模型识别离散数据的因果关系。人工智能与统计国际会议。2010;9:597-604。
13. Sivasundari S，等。MRI图像滤波算法性能分析。清华大学学报(自然科学版)，2014;
14. Boyat AK等人。综述论文:噪声模型。在数字图像处理。5 .信号与图像处理，2015;