关键字 |
| 图像去噪，非局部均值滤波，小波域，Gabor滤波。 |
介绍 |
| 在图像传输过程中，通常会引入噪声。添加的噪声将是各种各样的，如添加随机噪声(高斯噪声)，盐和胡椒噪声等。根据噪声的类型，图像的退化会有所不同。根据图像质量退化的百分比，必须选择噪声去除技术。传统的噪声去除方法有NLM滤波、全变分法、收缩模型和不同变换。小波变换、曲波变换和波原子变换是图像去噪算法中的有效变换。其中一些技术使用了模糊逻辑和其他工具。 |
| 到目前为止，大多数建议的噪声去除技术都是基于所引入的噪声类型。此外，图像和视频的应用程序也决定了所需的噪声去除算法。 |
| 第一节演示了不同类型的噪声和减少它们的方法。第二节介绍了目前为获得最佳降噪效果而采用的降噪方法，并对几种参数进行了比较。第三节总结了所有指定算法的讨论，并提出了改进图像增强的方法。后面是参考文献。 |
图像去噪算法 |
| Krishan Kant Lavania, Shivali和Rajiv Kumar[1]提出了CB (centre -to-Boundary)和BB (Boundary-to- Boundary)滤波器来提高图像质量。使用这些CB和BB滤波技术对1000多张图像进行了分析，证明了质量较差的图像得到了非常有效的改善。该滤波器增强了图像的外观，也增强了异常像素值。由于远噪声像素对周围好的像素[1]影响较小，给出了好的像素与噪声像素之间的关系。 |
| CB和BB滤波器产生优秀的EME(图像增强质量测量)，MSE, RMSE和PSNR值与平均滤波器相比。CB算法从中心像素开始扫描所有相邻像素，寻找奇N × N矩阵。BB滤波器分配左角像素而不是中心像素，因此扫描从左角像素本身开始。 |
| 作者还证明了他们的技术为他们所考虑的参数产生了更好的值。表1显示了所提出的过滤器相对而言产生了较好的度量。 |
| G.Venkateswara Rao, Satya P Kumar Somaiyajulu和dr . c.p.v.n.j.m han Rao[2]提出了基于矢量法的灰度法去除脉冲噪声。基于矢量的方法在应用算法之前对颜色分量进行分离。模糊逻辑区分噪声和图像特征，从而通过保留边缘清晰度和颜色来过滤组件像素。 |
| 作者介绍了脉冲噪声发生器用于估计添加到图像的噪声水平。这有助于计算所需图像中引入噪声量的PSNR百分比。该方法获得的最大PSNR为35。图2给出了模糊逻辑算法的结果。 |
| Rajesh Kumar Rai, Jyoti Asnani, R.R.Sontakke[3]比较了不同的收缩方法，如oracle收缩，平滑收缩，Neigh收缩，Bayes收缩，Sure收缩，Visu收缩，Bishrink和Probshrink。结果表明，在最小标准偏差下PSNR值最高，在最大标准偏差下PSNR值最低。大多数实时和在线应用程序需要这些类型的过滤器，执行时间更短。 |
| 与其他降噪方法相比，子带编码原理的降噪效果非常好。该方法通过分析统计参数，加入邻域像素滤波算法和邻域像素差算法，通过保留边缘值来提高图像的清晰度，从而提高PSNR。S.Kalavathy和R.M.Suresh[4]设计了子带阈值和邻域像素算法系统，如图4所示。子带编码结果如图3所示。 |
| 表2显示了不同收缩方法的PSNR值。 |
| 这种方法产生的最大PSNR为66。低通滤波器在保留信号能量的同时，对信号不连续处的高通特征进行了衰减，以达到两者兼备的效果。这样可以提高视觉质量。 |
| 由G.L.V.TataRao, M.S.Madhan Mohan和g.m.v.p拉萨德博士提出的一种新的迭代算法使用窗口内像素。通过增加噪声密度来增加相邻像素的大小。通过为每个损坏像素分配二进制值1并搜索无噪声像素来构造检测映射。该算法一般用于去除椒盐噪声。在图5中，图像的去噪部分可以很容易地识别出来，这反过来又有助于医学图像的分割目的。 |
| 周明远、陈浩军等提出的非参数贝叶斯字典学习[6]对不完整图像有很好的效果。压缩、不完整和有噪声的测量要求使用非参数贝叶斯方法恢复图像。在简单测量的基础上，测量并定义了图像像素子集的均匀随机选择。相对于标准标准正交图像展开，学习字典在图像恢复方面提供了非常好的改进。为此，通过使用截断β -伯努利过程[6]推断出适当的字典和被测数据。 |
| 为了减少在高光谱图像中引入一定量的噪声对目标检测和高光谱图像分类造成的不利影响，袁q、张磊和沈h[7]提出了一种新的去噪技术——高光谱。 |
| 频谱-空间自适应全变分(TV)模型是考虑频谱噪声差异和空间信息差异的最佳降噪方法。对不同波段噪声强度的去噪强度进行自适应调整，是在高噪声强度波段通过保留低噪声强度波段的详细信息来抑制噪声的关键。该图像去噪采用光谱空间自适应全变分模型。该技术适用于具有不同空间属性区域的图像，如同质区域和纹理区域。 |
| 多分辨率分析给出了几种新颖的算法，分别采用圆核算法、均值最大阈值算法和最近邻算法来保留边缘和背景信息。这些算法的结果在医学分析和纹理分析中得到了很好的应用。Bijalwan, Nidhi Sethi和R.P.Arora[8]提出了一种基于多分辨率技术的高效算法。 |
| 为了抑制医学超声图像中的散斑噪声，提出了一些特殊的小波域算法。S.Sudha, GR.Suresh和r.s sukanesh[9]估计了阈值和多尺度积方案，涉及使用加权方差计算阈值系数。作者认为相邻子带乘法利用了小波尺度间相关性。由Antonio Buemi、Arcangelo Bruna、Massimo Mancuso、Alessandro Capra和Giuseppe Spampinato设计的开源Cipeg编码器[10]可用于为色度模糊算法生成参考图像，该算法可在PSNR中产生声音改善。本文介绍的Dfine算法[10]实现了明显的降噪。 |
| 侯彪，张晓华，布晓明，冯宏晓[11]介绍了SAR(合成孔径雷达)图像的无下采样剪切波变换。首先，去噪算法应该能够区分真实的SAR图像和人工去噪图像。为了避免散斑的解释，提出了非下采样Shearlet变换(NSST)。这种散斑处理通过清晰地实现散斑和细节保存来抑制散斑。NSST通过NSST模型对NSST系数进行收缩进行散斑方差估计，从而捕捉到SAR图像的各向异性信息，从而获得方向子带。多尺度局部系数变化减小了预期收缩率。 |
| Shanshan wang等提出的基于Gabor特征的非局部均值滤波器(GFNLM)，[12]为纹理图像去噪提供了很好的措施。该滤波器在噪声损坏图像恢复方面取得了显著的改善。本文提出的滤波器与现有的NLM滤波器和其他图像去噪方案进行了比较。 |
| NLM滤波器具有鲁棒性差、简单、基于像素值的自相似性度量等优点，主要适用于非平稳图像内容。 |
| GFNLM将每个像素值替换为搜索窗口中像素值的加权和，以恢复噪声损坏的图像。下图是用于GFNLM滤波方法和纹理特征提取的一些纹理图像。 |
讨论 |
| 本文进行了多种调查。我们讨论了各种去噪算法，并分别比较了它们的性能指标。具有自适应性的非局部均值在图像去噪中具有很好的效果。尽管应用不同，但各种去噪方案都在各自的限制范围内执行。必须有一种技术，可以适用于所有类型的噪声图像，而不考虑应用。未来的研究为这种去噪算法提供了空间，同时也有助于保留图像中必要的清晰细节。 |
鸣谢 |
| 作者要感谢Sona SIPRO, Sona信号和图像处理研究中心的成员，他们在整个工作过程中不断的支持和鼓励。作者还要感谢AVS工程学院院长tholkappia Arasu博士和s。索纳理工学院欧洲经委会系主任兼教授Jayaraman，感谢他们一直以来对这项工作的鼓励。 |
表格一览 |
 |
|
| 表1 |
表2 |
|
|
数字一览 |
|
|
参考文献 |
- Krishnan Kant Lavania, Shivali和Rajiv Kumar，“基于滤波技术的图像增强”，国际计算机科学与工程杂志，卷。4、问题第一页。14-20, January 2012.
- G.Venkateswara Rao, Satya P Kumar Somaiyajulu和c.p.v.n.j.m mohan Rao，“基于模糊逻辑的彩色图像脉冲降噪方法的实现”，全球计算机科学与技术杂志，Vol.11, No. 22, pp. 71-75, 2011年12月。
- Rajesh Kumar Rai, JyotiAsnani, R.R.Sontakke，“图像去噪收缩技术综述”，《国际计算机应用杂志》，第42卷，第19期，pp. 13-16, 2012年3月。
- “基于邻域像素滤波的子带自适应阈值技术在磁共振图像去噪中的应用”，中国机械工程学报，Vol.4, No.2, pp. 731- 734, 2012年2月。
- G.L.V.TataRao, M.S.Madhan Mohan和g.m.v博士。普拉萨德，“一种新的遥感图像脉冲噪声去除方法”，《全球计算机科学与技术杂志》，2011年10月，第11卷第17期，第1.0期，第41-44页。
- 周明远，陈浩军等，“基于非参数贝叶斯字典学习的噪声和不完整图像分析”，《ieee图像处理学报》，第21卷，第1期，第130-144页，2012年1月。
- 袁强，张磊，沈华，“基于光谱-空间自适应全变分模型的高光谱图像去噪”，遥感学报，Vol.PP, no .9,pp。队,2012年。
- AkhileshBijalwan, NidhiSethi, R.P.Arora，“基于小波变换的图像去噪方法”，《国际先进科学研究与技术》，第3卷，第2期，pp . 272 -280, 2012年6月。
- S.Sudha, GR.Suresh和r.s sukanesh，“基于上下文自适应小波阈值的超声图像散斑噪声抑制”，IETE研究杂志，第55卷，第3期，pp. 135-143, 2009年8月。
- Antonio Buemi, ArcangeloBruna, Massimo Mancuso, Alessandro Capra, Giuseppe Spampinato，基于软阈值的DCTDomain色度噪声抑制，中国图象与视频处理学报，2010,doi:10.1155/2010/323180。
- 侯彪，张晓华，布晓明，冯宏晓，“基于非subsampledshearlet变换的SAR图像消噪”，遥感学报，第5卷，第3期，pp. 809-823, 2012年6月。
- 王珊珊，等，“基于Gabor特征的非局部均值滤波纹理图像去噪”，《视觉传播与图像表示》，第23卷，第7期，第1008-1018页，2012年10月。
|
菜单
