关键字 |
图像恢复模型,图像噪声模型,维纳滤波器,伪逆滤波器,逆滤波器 |
介绍 |
以数字图像形式传输的视觉信息正在成为现代通信的主要方式,但传输后得到的图像往往带有噪声。接收到的图像在应用程序中使用之前需要处理。图像去噪涉及对图像数据的处理,以产生视觉上高质量的图像。本文简要介绍了各种图像去噪方法。采用MATLAB 7.8.0进行数值计算。 |
图像去噪通常用于摄影或出版领域,其中图像以某种方式退化,但需要在打印之前进行改进。对于这种类型的应用程序,我们需要了解一些退化过程,以便为其开发一个模型。当我们有退化过程的模型时,逆过程可以应用于图像,使其恢复到原始形式。 |
图像中的各种噪音源 |
噪声是在图像采集或传输时引入图像的。不同的因素可能会导致图像中的噪声。图像中损坏的像素的数量将决定噪声的量化。数字图像中噪声的主要来源是: |
a)图像采集过程中,成像传感器可能会受到环境条件的影响。 |
b)光照水平和传感器温度不足可能会导致图像中的噪声。 |
c)传输通道中的干扰也可能损坏图像。 |
d)如果扫描仪屏幕上存在灰尘颗粒,它们也会在图像中引入噪声。 |
噪音种类 |
图像中的噪声是由像素处亮度或颜色信息的波动引起的。噪声是一种扭曲获取图像的过程,不是原始图像的一部分。图像中的噪声可以以多种方式出现。在图像采集过程中,光信号转换为电信号,然后再转换为数字信号。在每一个转换过程中,噪声都被添加到图像中。在以数字信号的形式传输图像时,图像也会变得有噪声。噪音的类型有: |
1.2.高斯噪声椒盐噪音 |
3.射击噪声(泊松噪声)散斑噪声 |
图像去噪技术 |
图像在获取和传输过程中经常受到噪声的破坏。图像去噪的目的是去除附加噪声,同时尽可能地保留信号的重要特征。由于小波为从图像信号中分离噪声信号提供了适当的依据,近年来对小波阈值化和信号去噪[1]、[2]的阈值选择进行了相当多的研究。其动机是小波变换擅长能量压缩,小系数更容易受到噪声的影响,大系数更容易受到重要信号特征的影响。这些小系数可以作为阈值,而不影响图像的显著特征。 |
阈值分割是一种简单的非线性技术,每次只处理一个小波系数。在其最基本的形式中,每个系数都是阈值,通过与阈值进行比较,如果系数小于阈值,则设置为零;否则将保留或修改。将小噪声系数替换为零,并对结果进行小波反变换,可以得到具有基本信号特征且噪声较小的重构。 |
其他方法包括过滤方法任何过滤方法的目标是: |
*在均匀区域内有效抑制噪声。 |
*保存边缘和其他类似的图像特征。 |
*提供视觉上自然的外观。[3] |
线性和非线性去噪的重要性:图像去噪是图像处理中一个非常重要的任务。去噪方法可以是线性的,也可以是非线性的,其中线性方法足够快,但它们不保留图像的细节,而非线性方法保留图像的细节。广义上讲,去噪滤波器可以分为以下几类:1)平均滤波器2)阶统计滤波器3)自适应滤波器。 |
自适应滤波器:自适应滤波器是改变行为的基础上的静态特征的图像区域,包括滤波器区域。自适应滤波器由于算法中系数的反馈,具有较好的稳定性和效率。 |
反滤波:逆滤波器是一种直接的图像恢复方法,如果我们知道图像退化系统中精确的psf模型,并忽略噪声影响,就可以使用逆滤波器恢复退化图像。 |
![方程](//www.cheescube.com/articles-images/IJAREEIE-318-e001.gif) |
维纳滤波器: |
维纳滤波器的作用是滤除破坏信号的噪声。该过滤器基于统计方法。大多数滤波器都是为理想的频率响应而设计的。维纳滤波器处理从不同角度对图像进行滤波。 |
维纳滤波的目标是尽量减小均方误差。该滤波器具有降噪和降噪的功能。一种方法是假设我们已经了解了噪声和原始信号的光谱特性。我们使用线性时不变滤波器,使输出尽可能与原始信号相似 |
维纳滤波器的特点是: |
一个假设:信号和加性噪声是稳定的线性随机过程,具有已知的谱特征。 |
b.Requirement:维纳滤波器必须是物理上可实现的,或者它可以是因果关系。 |
c.Performance标准:存在最小均方[MSE]误差。维纳滤波器的傅里叶定义域是 |
![方程](//www.cheescube.com/articles-images/IJAREEIE-318-e002.gif) |
结果 |
采集测试图像,对图像进行点扩散函数降级,然后对降级后的图像进行自适应线性滤波,得到恢复后的图像,计算出保真度指标NCC、PSNR和isnr。在此计算中,回归分析可以更好地说明哪种方法更适合计算算法的效率。 |
客观保真度标准:为了比较原始图像和修复图像,我们计算参数: |
![方程](//www.cheescube.com/articles-images/IJAREEIE-318-e003.gif) |
![方程](//www.cheescube.com/articles-images/IJAREEIE-318-e004.gif) |
结论 |
在现代数字世界中,电子行业通过提供更好的服务和发展下一代网络,日益推出功能更好的电子产品。为了避免通信中的带宽限制,采用了数字图像、视频处理和多媒体处理等数字通信。选择合适的去噪算法起着至关重要的作用,对各种方法进行实验和比较是很重要的。本文的计算时间可以减少到7个cpu,提高了内存的利用率。本文讨论了不同类型的去噪滤波器的比较。 |
未来工作范围: |
本文可以推广到视频去噪中,并将进行混合滤波器的实验,该算法可用于彩色图像的去噪。 |
表格一览 |
|
参考文献 |
- 苏雷·库马尔,“中值滤波与维纳滤波在图像去噪中的性能比较”,计算机应用学报(0975-8887)第12卷第4期,2010年11月。
- 帕敏德·考尔和贾格鲁普·辛格,2011。高斯噪声对数字图像PSNR值的影响研究。计算机与电气工程学报,vol . 4。3, 2号,1793-8163。
- C. Mythili女士和V.Kavitha医生。彩色图像降噪的有效方法。II (I ii)
- amitagrawal先生和Ramesh Raskar先生。运动模糊的最佳单幅图像捕获。《IEEE计算机视觉与模式识别会议》,第2560{2567页,2009。
- pawanpatidar先生等人。用不同滤波器对不同噪声的图像去噪,《国际计算机应用杂志》(0975 - 8887)第9卷第4期,2010年11月
- Charles Boncelet著,<图像噪声模型>。在艾伦·c·波维克身上。图像与视频处理手册。2005。
- 萨利姆·萨利赫·阿姆里先生等。遥感图像噪声去除的比较研究。IJCSI国际计算机科学杂志,第7卷第1期,第1期,2010年1月32 ISSN(在线):169 4-0784 ISSN(印刷):1694-0814
- K. Dabov, A. Foi, V. Katkovnik和K. Egiazarian,“稀疏三维变换域协同滤波图像去噪”,IEEE反式。图像的过程。,第16卷,no。8,第2080-2095页,2007年8月。
- Aram Danielyan, Vladimir Katkovnik和Karen Egiazarian,IEEE高级会员"“BM3D帧与变分图像去模糊”,图像处理,IEEE学报(卷:21,期:4),ISSN: 1057-7149。
- d . Maheswariet。四、用中值滤波器去除复合图像中的噪声。(计算机科学与工程学报)Vol. 02, No. 04, 2010, 1359-1362。
- Rafael C. Gonzalez,“图像恢复与重建”,《数字图像处理》,第3版,印度:Pearson Prentice Hall, 2011,第322-330页。
|