关键字 |
| 数字图像处理,垫实验室。 |
介绍 |
| 在图像处理通常需要执行的高度在图像降噪执行更高级的处理步骤,如边缘检测。中值滤波是一种非线性数字滤波技术,经常用于去除图像噪声或其他信号。这个想法是为了检查样本的输入,确定信号的代表。这是使用一个窗口执行由奇数个样本。窗口中的值分为流水号;值,中值样本中心的窗口中,选择作为输出。最古老的样本被丢弃,新的样品了,重复计算。一个新框架的去除脉冲噪声图像提出了过滤操作条件的性质在状态变量定义为分类器的输出,作用于输入像素之间的差异,其余rank-ordered像素在一个滑动窗口。作为这个框架的一部分,检查了一些算法,每一种都适用于固定和random-valued脉冲噪声模型。首先,一个简单的两国中描述的方法是均值滤波的算法之间的切换输出。 |
| 本文是一个早期的研究灰度图像增强。在本文中,我们提出两个新的detection-estimation基于图像滤波算法,有效地消除损坏像素数字彩色图像脉冲噪声。现有的方法提高损坏彩色图像通常拥有固有问题在计算时间和消除边缘,因为所有的像素都过滤。我们提出的算法首先分类的像素在每个通道或每个像素。因为边际或向量中值滤波是只执行分类像素,这个过程是计算效率,和边保存好。此外,因为没有合适的标准来评估对彩色图像脉冲噪声检测器的性能,客观的比较噪声探测器是很困难的。因此,我们引入一个新的效率因素比较噪声在数字彩色图像探测器的性能。 |
| 必要和充分条件下不变的信号中值滤波的一种具体形式。这些条件状态信号必须在本地单调通过中值滤波不变。这是证明,连续的形式中值滤波(也就是一个信号。,the filtered output is itself again filtered) eventually reduces the original signal to an invariant signal called a root signal. For a signal of length L samples, a maximum of i (L - 2) repeated filtering produces a root signal. |
框图 |
 |
噪音和过滤器 |
| 噪声:常用的噪声这个词意味着不必要的声音或噪音污染。电子噪声可以引用相对应的电子信号噪声(音频系统)或电子信号(视觉)对应噪声通常被视为“雪”在电视或视频图像退化。在信号处理或计算,它可以被认为是数据没有意义;即数据没有被用来传输一个信号,但仅仅是作为多余的附产品而产生的其他活动。然而在信息理论,噪声仍被认为是信息。在更广泛的意义上,胶片颗粒甚至广告网页可以被认为是噪音。 |
| 噪音的产生:背景噪音是随机事件,必须处理在每一个系统处理真实信号。他们不是理想信号的一部分,可能是由于广泛的来源,如检测器灵敏度的变化,环境变化、辐射的离散特性,传播或量子化错误等。还可以治疗无关的场景细节就像图像噪声(如表面反射材质)。噪声的特点取决于他们的来源,和运营商的减少其影响。许多图像处理软件包包含运营商人工添加噪声图像。故意损坏图像与噪声允许我们测试电阻噪声的图像处理操作和评估各种噪声滤波器的性能。 |
| 探测器噪声:一种噪声发生在所有记录图像在一定程度上是探测器噪声。这种噪声是由于辐射的离散特性,即每个成像系统是记录一个图像通过计算光子。允许一些假设(这对许多应用程序是有效的)噪声可以通过一个独立的建模,相加模型——噪音n (i, j)具有零均值高斯分布描述的标准偏差(σ),或方差。(一维高斯分布的形式如图1所示)。这意味着噪声图像中的每个像素的总和是正确的像素值和一个随机的,高斯分布的噪声值。 |
| 中值滤波:中值滤波器通常是用来减少图像噪声,有点像均值滤波器。然而,它通常比均值滤波器做得更好的保留图像中有用的细节。如均值滤波、中值滤波认为图像中每个像素,看附近的邻国来决定是否代表其环境。而不是简单地替换像素值与邻近的像素值的平均值,它取代它与这些值的中值。中位数计算首先排序的所有像素值周围的邻居到序号,然后替换像素被认为是与中间像素值。(如果周围环境考虑包含偶数个像素,使用两个中间像素值的平均值)。图1展示了一个例子的计算。 |
| 在上面的图2中可以看到中央像素值为150,而非代表性的周围像素的和被替换为中间值:124。这里使用一个3×3广场附近——更大的社区会产生更严重的平滑。 |
| 均值滤波:均值滤波是一种简单、直观和易于实现的图像平滑方法,即减少一个像素之间的强度变化和未来。它经常被用来减少图像的噪声。平均滤波的概念就是图像中每个像素的值替换为平均(平均)值的邻居,包括自己。这有代表性的消除像素值的影响他们的环境。均值滤波通常被认为是一种卷积过滤器。像其他运算是基于一个内核,代表的形状和大小社区时采样计算的意思。通常一个3×3平方内核使用,如图1所示,虽然大内核(例如5×5平方)可以用于更严重的平滑。(注意,一个小的内核可以应用不止一次为了产生类似的——但不是相同的影响作为一个传递大内核。) |
| 计算这个内核的简单的卷积图像进行均值滤波过程。 |
数字图像噪声去除的方法 |
| 在我们的项目中,两个不同的图像滤波算法相比,基于重构噪声影响图像的能力。这些算法的目的是将噪声从信号通过一个图像的传播可能发生。 |
噪音的产生: |
| 在测试中,我们考虑包含各种大量的人工噪声的图像。脉冲噪声是随机的能量峰值发生在一个图像的数据传输。产生噪音,形象受损的百分比通过改变一个随机选择的频道指向一个随机的值从0到255。噪声模型,给出了 |
 |
| 我是原始图像,红外,搞笑,和Ib代表原来的红色,绿色,和蓝色分量强度的原始图像,x, y =[0, 1]是连续均匀随机数,z =[0255]是一个离散的随机数,和p =[0, 1]是一个参数代表图像中噪声的概率。 |
均值滤波技术: |
| 这些算法的简单的均值滤波器。均值滤波器是一个线性滤波器,使用一个面具在每个像素的信号。每个组件的像素属于面具平均在一起形成一个像素。然后使用这个新的像素来代替像素的信号进行了研究。均值滤波器差保持在图像边缘。 |
 |
中值滤波技术: |
| 使用信号处理中的中值被j·w·图基首次引入。中值滤波器通过执行所有的向量的大小在一个面具和排序的情况下。的像素值用于替换像素级进行了研究。简单的中值滤波器有一个优势均值滤波器,它依赖于数据的中值相反的意思。一个嘈杂的像素在图像可以显著倾斜一组的均值。一组的中位数是更健壮的关于噪音的存在。 |
 |
| 使用简单的中值滤波,滤波时的原始像素和由此产生的过滤像素样本研究有时相同的像素。一个像素不会改变由于过滤称为面具的根源。它可以显示足够的迭代中值滤波的信号后收敛于一个根信号。 |
实验结果比较 |
| 测试的准确性均值和中位数过滤器,我们需要三样东西:一个未堕落的图像,图像通过某种方法应用了腐败,和估计重建原始的空间均值和中值滤波。估计重建图像的质量,我们计算原始图像和重构图像之间的均方根误差。均方根误差(RMSE)非原创图片我和R是定义为重建图像 |
 |
| 一组十个不同大小的照片是用于这些测试。图像有多种材质和主题。图像的纹理更大比面具的大小对阈值选择的影响。进行了测试,以确定最好的面具的大小以这种方式: |
| 1。每个十图像集合中人为地扭曲了p = 0.0, p = 0.05, p = 0.10, p = 0.20噪声成分,导致40图像。 |
| 2。120之间的均方根误差计算重建图像和原件。RMSE是一个简单的评估分数的两幅图像之间的区别。理想的RMSE将是零,这意味着算法正确识别每一个噪声点并正确地导出原始数据在这个位置的信号。均值滤波的性能是最严重的中值滤波器。为所有噪声成分至少含有p = 0.10噪音,它产生的最准确的结果。所以对于不同的噪声成分包含p < = 0.15,我们看到,中位数过滤器产生最精确的图像。 |
峰值信噪比 |
| 经常缩写PSNR值是一个工程术语之间的比例最大可能的信号和腐败的力量噪声影响的忠诚表示。因为许多信号有一个很宽的动态范围,PSNR值通常表示的对数分贝。PSNR (dB)被定义为: |
 |
结果和讨论 |
| 使用空间中值滤波和均值滤波我们可以重建噪声图像如下所示的数据。通过使用均值滤波总噪声不是减少而是中位数过滤器使用总噪声降低了如下所示的数据。 |
| 在图4中,它显示了原始图像。这里我们选择下阶段添加噪声的原始图像。 |
| 在图5所示,它显示了噪声图像。我们在这里添加噪声原始图像通过选择droupdown列表,列表包含噪声的水平表示。通过选择噪声水平表示我们可以应用orinal图像的噪声matlap软件使用GUI应用程序。 |
| 在图6所示,它显示了我们将均值滤波器应用于噪声图像噪声图像一些噪声降低。但总噪声不是减少使用均值滤波。 |
| 在图7所示,它显示中值滤波器的输出图像。我们在应用中值滤波的噪声图像的噪声图像完全下降。 |
| 在图8所示,它显示了MSE和PSNR值均值和中位数过滤器应用图像。从这些我们可以识别更多的质量形象价值。 |
结论 |
| 我们引入了两个过滤器去除脉冲噪声的图像。中值滤波器优于均值滤波器,它不会使许多未堕落的像素的变化。噪声去除过滤器,这种比较的实验进行了不同的图像,在不同的噪声水平,并看到,中位数过滤器执行最好的整体噪声成分测试通过提供最小MSE。 |
数据乍一看 |
|
|
引用 |
- j·w·图基非线性(Nonsuperposable),平滑数据的方法。会议记录EASCON,第685 - 673页,1974年。
- n·c·加拉格尔,jr .)和g . l .明智的中值滤波器的特性的理论分析。IEEE声学,演讲,andSignal处理,29卷,第1141 - 1136页,1981年。
- JaakkoAstola,佩特里哈维斯托,Yrj¨oNeuvo,矢量中值滤波器。IEEE学报》4号,卷。78年,第689 - 678页,1990年。
- ProbalChaudhuri,几何概念的分位数多元数据。美国统计协会杂志》上,卷91,不,434,pp。862 - 872年,1996年。
- 罗伯特•Serfling深度函数和一个规模曲线基于空间分位数。在y道奇(Ed):基于L1-Norm和相关统计数据分析方法发表的Birkh¨用户巴塞尔25-38,2002页。
- 耶胡达瓦迪和张Cun-Hui多元L1-median深度和相关数据。美国国家科学院院刊》上第四卷。97年,第1426 - 1423页,2000年。
|
菜单
