各种噪声消除技术的比较研究使用过滤器

文摘

增加传统空调系统的性能系数采用子冷却的方法。由于子冷却饱和液体在冷凝器出口接头冷却这将导致增加制冷效果。子的冷却是通过提取热量从冷凝器采用风扇之间的油管(热交换器)和冷凝器。油管放置平行于冷凝器和油管的风扇吹凉爽的空气。油管由部分制冷剂在蒸发器出口和流传使用的冷却剂泵。这将导致提取的额外热量从制冷剂由于通过冷凝器。因此,子冷却。这也将保证持续供应压缩机的制冷剂在饱和蒸汽阶段,因此压缩机寿命将增加提供更高的系统的总体效率。冷却剂的使用冷凝器冷却显示了积极的响应。通过实现这种改革传统空调系统我们还可以增加性能系数和增加传统空调系统的节能。 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、降噪、过滤器、PSNR, MSE

介绍

数字图像扮演非常重要的角色在研究和技术数字图像处理涉及到数字数据的修改为提高图像质量的帮助下电脑。处理有助于最大限度地清晰、图像锐度和细节感兴趣的特性对提取的信息和进一步分析。图像噪声是随机变化的亮度或颜色信息图像,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用于各个领域,如医疗和教育但经常退化的图像噪声。噪音可能发生在图像采集、传输、复制等等。如果噪声图像的图像质量将减少(1]。保留原始图像的噪声损坏的图像噪声消除技术。从图像去噪方法去除不需要的信息。不同的噪音消除技术是用来过滤各种类型的噪声。

噪声类型

数字图像中噪声的主要来源出现在图像采集(数字化)或在图像传输。图像传感器的性能受到各种原因的影响,如环境条件在图像采集或敏感元件本身的质量。成像传感器会受到环境条件的影响(2]。干扰可以添加到一个图像在传输过程中。我们可以考虑一个嘈杂的图像建模如下:

g (x, y) = f (x, y) +η(x, y) (1)

f (x, y)是原始图像像素,η(x, y)噪声项和g (x, y)产生的噪声像素。如果我们能估计噪声的类型在一个图像,适当的过滤技术是用来恢复原始图像。

类型的噪声

根据干扰,噪声会影响形象完全不同的程度。通常我们的焦点是带走一定很噪音。因此我们倾向于建立绑定很噪音和完全不同的滤波技术应用于去除噪声(3]。各种形式的噪音广场测量数学家噪音,泊松噪声、盐和胡椒噪声和散斑噪声。这些并不是所有的噪音是遇到了一个图像,但这些常见的噪音。

高斯噪声

也称为添加剂噪声称为等每一个像素被修改,一定被添加到每个像素分布(4]。最常见的分布是高斯分布或钟形曲线(图1)。是由于照明不佳引起的在捕获或由于高温(图2)。它也可以引起噪声出现在电子电路。高斯随机变量的概率密度函数P z是由:

(2)

泊松噪声

也称为光子散粒噪声或噪音。主导噪声在较轻的元素的一个相关的图像,是由于变化引起光子探测到在给定的风险水平。在此之前统计泊松分布。这种噪声的均方根值与根图像的强度成正比。完全不同的像素是遭受不同的噪声值(5]。光子噪声和众多不同传感器信号基础设备噪声腐败完全不同的比例。泊松噪声的PDF方程和后所示图3和图4。

(3)

椒盐噪声

一个有趣的噪音也称为脉冲噪声的类型。它可以被描述为稀疏图像中干扰导致变色的几个像素在图像可以看到几个像素已经成为黑人和其他图像能够幸免(6]。是由于引起的突然干扰像尘埃电荷耦合装置故障期间捕获的图像。只有在小没有噪音的影响。像素触及了其余的照片。盐和胡椒类型的噪声,噪声像素需要盐值(灰度-225)或胡椒值(灰度值0),它显示为黑色和白色斑点的图片(图5)。随机值脉冲噪声,噪声可以采取任何灰度值从0到225。

散斑噪声

是一种乘法噪声。它会导致任何分布乘以每个像素的图片。它腐蚀图像如超声波、激光、声纳。这通常噪声降低合成孔径雷达(SAR)图像在大程度上(7]。这噪音主要是由于随机起伏引起的信号来自一个比一个小对象图像处理组件。这是造成结合地一致的背散射信号处理的分布式目标(图6)。另外这个噪音会增加图像的平均灰度。这个噪音创建解密图像的一堆问题。

噪声去除过滤器

滤波是用于去除图像噪声。滤波是图像处理技术用于不同的任务像降噪,插值和重采样。它主要是用于所有图像处理系统。过滤器的选择取决于噪声在图像的类型和数量,因为不同的过滤器能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

是用来减少随机噪声,锐化边缘和纠正不平等的灯饰。这些过滤器模糊边缘和摧毁一个图像的细节。他们表现不佳在消除信号噪声的依赖。线性滤波的滤波值的输出像素的线性组合输入像素邻域像素的值,程序是由内核过滤图像相关性的一个适当的过滤器(9]。输出像素的价值计算的加权和邻近像素卷积。线性滤波器可以用下面的方程。

(3)

最小值滤波器

最小滤波器也称为第0个百分位滤波器。它取代像素的值的最低强度水平附近的像素。这个过滤器是用来找到用来找到最黑暗的点在一个图像。它发现的最小值滤波和增强了黑暗区域环绕的区域的图像。最小值滤波器减少盐噪声最小操作的结果(10]。最小值滤波器可以表示为如下方程:

(4)

马克斯过滤器

马克斯滤波器也称为第100个百分位滤波器。它取代的价值最大像素的邻域的像素强度水平。这个过滤器找到最亮的点在一个图像。发现该地区最大价值包含过滤器和增强了明亮的区域的图像(11]。它去除椒盐噪声从包含椒盐噪声图像由于其极低的强度值最大操作的结果。

(5)

如果min和max过滤器一起使用可以消除椒盐噪声。

中值滤波器

结合地称为次序统计滤波器。它是最著名的,通常使用的非线性滤波器。它平滑去除噪声的图像。这个过滤器另外降低强度差异,图像的所有像素。在这个过滤器,图像的像素值与平均值取代最初安排的中值计算中的所有图片元素值升序排序后中间的图片元素替换为计算值。如果相邻组件的形象考虑,包含一个甚至没有像素,然后替换组件平均两个中间组件的值。中值滤波器提供了最好的结果一旦脉冲噪声分享量低于0.1并不表现良好在去除高密度椒盐噪声12]。

均值滤波器可以表示为如下方程:

(6)

维纳滤波器

在信号过程中,维纳滤波器是一种自适应滤波器用于提供估计线性定常的期望或目标随机过程(LTI)观测噪声的滤波过程,假设熟悉固定信号和噪声谱,和加性噪声13]。如果方差较小,维纳执行更好的平滑和如果方差进行平滑。自适应滤波器的选择性比线性滤波器,它保留了边缘和其他图像的高频部分。维纳滤波器提供了统计估计一个未知的信号通过一个相对信号作为输入,利用已知的信号产生估计作为输出。

高斯滤波器

高斯核给少的体重从窗口的中心像素进一步。内核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)

高斯滤波器是一个线性滤波器。它通常用于模糊图像或减少噪音。如果你使用其中的两个,减去,您可以使用它们为“钝的屏蔽”(边缘检测)。高斯滤波器本身就会模糊边缘,减少对比。高斯函数的标准偏差行为起着重要的作用。这是非常重要的在设计固定长度的高斯内核。

引导滤波器

引导过滤器执行边缘保护,平滑的图像,使用第二个图像称为指导图像的内容,影响过滤。指导图像可以是图像本身,另一个版本的图像或一个完全不同的形象。它考虑地区的统计数据中相应的空间社区指导图像在计算输出像素的值。如果指导是一样的图像过滤结构都是相同的。如果指导形象不同,结构指导图像将影响过滤后的图像(14]。

引导滤波器是一个最快的线性时间算法,其计算复杂度是独立过滤内核的大小。引导滤波器是有效和高效的各种各样的计算机视觉和计算机图形学的应用程序包括降噪、细节平滑/增强,HDR压缩,图像羽毛,阴霾、抽样和联合起来(图7)。

BM3D(块匹配和三维过滤)

这是最复杂和先进的图像滤波方法。它组织类似的2维图像分割成3 ddata数组称为“组”。我们进行块匹配计划一声图像往往方法图像块在一个非常滑的方式;我们往往倾向于寻找块表现出相似的当前处理的。匹配块方形测量堆放在形成一个三维数组。在这种方式中,我们往往会诱发高之间的关联数组的街区广场测量堆叠。协同过滤显示:最好的细节是由分组共享块和保存每个块的基本特色。

自适应模糊开关中值滤波

这个过滤器是一种噪声自适应模糊开关中值滤波。最初,损坏的检测阶段将利用直方图图像识别噪声像素。这些发现“噪声像素”将进行第二阶段的过滤作用,而“无噪声的像素”返回和左未加工。然后,过滤器使用模糊逻辑来处理不确定性存在于本地信息提取所引入的噪音。模糊集合理论和模糊逻辑提供了强大的工具来表示人类知识和过程模糊if - then规则的形式。另一方面,许多困难出现在图像处理,因为数据/任务/结果是不确定的。然而,这种不确定性并不总是由于随机性但模棱两可,含糊不清。模糊过滤器消除脉冲噪声。尽管,这些都是常见的非自适应的噪声密度变化和容易分类像素特征。

实现和结果

实验进行各种标准灰度图像大小为256 x 256。模拟使用垫实验室R2013a软件执行。输入图像被模拟高斯白噪声(均值= 0,方差= 0.01),盐和胡椒噪音(噪声密度= 0.05),散斑噪声(均值= 0,方差= 0.04),泊松噪声。多种滤波器去噪过程,例如线性滤波器(3 x3)中值滤波器(3 x3),最小值滤波器(3 x3)、马克斯过滤器(3 x3),维纳滤波器(3 x3),高斯平滑滤波器,BM3D过滤器(3 x3),自适应模糊切换的定量性能评估通过过滤器(表1)。

表1。性能比较各种不同类型的过滤器的使用摄影师图像噪声。

(8)

峰值信噪比

PSNR = 20 * log10 (255 /√(MSE)) (9)

在那里,r是指原始图像;x表示恢复形象;M×N是处理图像的大小。

结论

很难说哪个过滤器是最好的在所有过滤器,但根据噪声的类型,可以使用过滤器,经过仿真比较分析噪声的去除技术。调查结果通过应用不同的噪声类型图像模型以下结论:块匹配滤波器(BM3D)被发现是稳定的和全面的。我们还观察到中值滤波对椒盐噪声和工作很好高斯噪声。泊松噪声线性滤波器工作很好。维纳滤波器对泊松噪声方面做得很好,同样的盐和胡椒高斯,泊松,散斑噪声适度工作Min和Max过滤器。引导滤波器与泊松噪声做得很好。自适应模糊中值滤波器已被证明是最好的椒盐噪声。最后得出一个结论:BM3D过滤器是强大的过滤,效果很好,各种各样的声音。

引用

1. Kalpana, et al。复习纸:研究图像去噪技术。国际研究工程与技术杂志。2015;2:127 - 129。
2. Rajni等图像去噪技术-概述。国际计算机应用杂志。2014;86:13-17。
3. Raghav M, et al .图像去噪技术:文献综述。国际工程和计算机科学杂志。2014;3:5637 - 5641。
4. 库马尔,et al .评审论文。信号和图像处理:一个国际期刊(SIPIJ)。2015;15:6。
5. Kaushik P,等。比较不同的图像增强技术基于Psnr和Mse。国际应用工程研究杂志。2012;7。
6. 拿AK和混合噪声消除技术的比较研究。国际期刊的信号处理和模式识别。2014;7:405 - 414。
7. Kamboj P,等。一个简短的各种噪声模型和过滤技术的研究。全球研究计算机科学杂志。2013;4:166 - 171。
8. 考尔R, et al。图像恢复——一项调查。IOSR计算机工程杂志。2014;16:107 - 111。
9. Sarode M, et al .降低散斑噪声和图像增强的图像使用过滤技术。国际技术进步杂志。2011;2:30-38。
10. 拿破仑D, et al。图像增强的水下图像使用结构化保护降噪算法。国际计算机趋势和技术杂志。2013;4:3697 - 3700。
11. 一生P,等。为不同噪声图像去噪的各种过滤器。国际计算机应用杂志。2010;9:45-50。
12. 彼得斯J, et al .识别因果关系在离散数据使用添加剂噪声模型。人工智能国际会议上和统计。2010;9:597 - 604。
13. Sivasundari年代,et al。性能分析MRI图像的图像滤波算法。国际期刊的研究在工程和技术。2014;3:438 - 440。
14. Boyat AK, et al。评论:噪声模型。在数字图像处理。信号和图像处理。2015;6。