圖像降噪方法研究

⑴ 數字圖像降噪演算法研究及應用

圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。

圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。

傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]

* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見

[編輯] 解決方案

幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。

從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。

[編輯] 常用的信號處理技術

大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。

圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。

[編輯] 從一維信號處理擴展來的技術和概念

* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)

[編輯] 專用於二維（或更高維）的技術和概念

* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)

[編輯] 典型問題

* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。

[編輯] 應用

* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)

[編輯] 相關相近領域

* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）

⑵ 比較數字圖像處理,計算機圖形學,計算機視覺各自研究內容的特點,並給出具體實

數字圖像處理偏重信號處理，計算機圖形學偏重對graph元素的處理，計算機視覺偏重人工智慧方向。

比如：在數字圖像處理中，用個數字濾波器抑制圖像中的雜訊；在計算機圖形學中對點雲進行三角網格化；在計算視覺中，針對街道場景自動地識別出行人和車輛。

再具體點：
1）
數字圖像處理是通過計算機對圖像進行去除雜訊、增強、復原、分割、提取特徵等處理的方法和技術。數字圖像處理又稱為計算機圖像處理，它是指將圖像信號轉換成數字信號並利用計算機對其進行處理的過程。
主要研究內容有：

幾何變換：包括放大、縮小、旋轉等。

顏色處理：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。

圖像融合：多個圖像的加、減、組合、拼接。

圖像降噪：研究各種針對二維圖像的去噪濾波器或者信號處理技術。

邊緣檢測：進行邊緣或者其他局部特徵提取。

圖像分割：依據不同標准，把二維圖像分割成不同區域。

圖像編輯：和計算機圖形學有一定交叉。

圖像配准：比較或集成不同條件下獲取的圖像。

圖像增強：改善圖像的視覺效果。

圖像水印：研究圖像域的數據隱藏、加密、或認證。

圖像壓縮：以較少的比特有損或無損地表示原來的像素矩陣的技術，也稱圖像編碼。
2）
計算機圖形學是一種使用數學演算法將二維或三維圖形轉化為計算機顯示器的柵格形式的科學。簡單地說，計算機圖形學的主要研究內容就是研究如何在計算機中表示圖形、以及利用計算機進行圖形的計算、處理和顯示的相關原理與演算法。
計算機圖形學的研究內容非常廣泛，如圖形硬體、圖形標准、圖形交互技術、光柵圖形生成演算法、曲線曲面造型、實體造型、真實感圖形計算與顯示演算法，以及科學計算可視化、計算機動畫、自然景物模擬、虛擬現實等。作為一本面向計算機專業本科生和非計算機專業研究生的圖形學教材，本書著重討論與光柵圖形生成、曲線曲面造型和真實感圖形生成相關的原理與演算法
3）
計算機視覺是一門研究如何使機器「看」的科學，更進一步的說，就是是指用camera和computer代替人眼對目標進行識別、跟蹤和測量等等，並且進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。作為一個科學學科，計算機視覺研究相關的理論和技術，試圖建立能夠從圖像或者多維數據中獲取『信息』的人工智慧系統。
計算機視覺包含如下一些分支：畫面重建，事件監測，目標跟蹤，目標識別，機器學習，索引建立，圖像恢復等。
主要研究的內容包括：
a.識別
一個計算機視覺，圖像處理和機器視覺所共有的經典問題便是判定一組圖像數據中是否包含某個特定的物體，圖像特徵或運動狀態。這一問題通常可以通過機器自動解決，但是到目前為止，還沒有某個單一的方法能夠廣泛的對各種情況進行判定：在任意環境中識別任意物體。現有技術能夠也只能夠很好地解決特定目標的識別，比如簡單幾何圖形識別，人臉識別，印刷或手寫文件識別或者車輛識別。而且這些識別需要在特定的環境中，具有指定的光照，背景和目標姿態要求。
廣義的識別在不同的場合又演化成了幾個略有差異的概念：

識別（狹義的）：對一個或多個經過預先定義或學習的物體或物類進行辨識，通常在辨識過程中還要提供他們的二維位置或三維姿態。

鑒別：識別辨認單一物體本身。例如：某一人臉的識別，某一指紋的識別。

監測：從圖像中發現特定的情況內容。例如：醫學中對細胞或組織不正常技能的發現，交通監視儀器對過往車輛的發現。監測往往是通過簡單的圖象處理發現圖像中的特殊區域，為後繼更復雜的操作提供起點。
識別的幾個具體應用方向：

基於內容的圖像提取：在巨大的圖像集合中尋找包含指定內容的所有圖片。被指定的內容可以是多種形式，比如一個紅色的大致是圓形的圖案，或者一輛自行車。在這里對後一種內容的尋找顯然要比前一種更復雜，因為前一種描述的是一個低級直觀的視覺特徵，而後者則涉及一個抽象概念（也可以說是高級的視覺特徵），即『自行車』，顯然的一點就是自行車的外觀並不是固定的。

姿態評估：對某一物體相對於攝像機的位置或者方向的評估。例如：對機器臂姿態和位置的評估。

光學字元識別：對圖像中的印刷或手寫文字進行識別鑒別，通常的輸出是將之轉化成易於編輯的文檔形式。
b.運動
基於序列圖像的對物體運動的監測包含多種類型，諸如：

自體運動：監測攝像機的三維剛性運動。

圖像跟蹤：跟蹤運動的物體。
c.場景重建
給定一個場景的二或多幅圖像或者一段錄像，場景重建尋求為該場景建立一個計算機模型/三維模型。最簡單的情況便是生成一組三維空間中的點。更復雜的情況下會建立起完整的三維表面模型。

⑶ vb編寫程序去除圖像雜訊

圖像降噪是一項較為復雜的技術,不是你100分就能求到的,就算你100RMB都很難求..現在圖像降噪大部分為自己研究,自己編寫,網路上流傳有許多降噪演算法,但是畢竟沒按照自己的需求做,降噪效果並不理想..普遍的圖像降噪方法有:基於小波變換的圖像降噪,基於FPGA降噪,基於數學方程的圖像降噪,閥值降噪等等...最出名的就是小波變換...如果你很需要,可以在網上閱讀下這些降噪演算法的文章,自己編寫代碼...

⑷ 遙感影像的處理效果

通過對獲取的研究區遙感圖像進行幾何精校正、遙感圖像的降噪處理、遙感圖像的增強處理、遙感圖像的彩色合成、遙感圖像的邊緣增強等技術處理，獲得以下應用效果。

（1）小波變換圖像雜訊處理結果

運用小波變換對遙感圖像雜訊處理，用以上演算法對研究區遙感圖像進行消噪處理。按文中方法處理效果如下圖3-17所示：

圖3-22 研究區遙感地質解譯略圖

Q—第四系；P—二疊系；C₁b—下石炭統包古圖組；C₁t—下石炭統太勒古拉組；C₁x—下石炭統希貝庫拉斯組

基於Canny演算法的邊緣檢測技術，通過在中亞包古圖地區的試驗可知，對經過針對性預處理後的遙感影像進行該方法的線形體信息提取是成功的（見圖3-20b）；通過對線形體的統計特徵分析即線形體等密度分析，可以識別出研究區內的一級斷裂-達拉布特大斷裂的大體位置及走向；對線形體的等密度圖分析可知研究區內發育有較多環形構造，岩株發育顯著；得出研究區內主要地層邊界位置。最後結合已知地質資料，採用遙感岩性識別技術得出研究區內的遙感地質解譯圖，加深了我們對研究區地質情況的進一步認識，為下一步地質工作奠定了基礎。

但無論哪一種邊緣檢測演算法在解決一定問題的同時都存在不同類型的缺陷。邊緣檢測作為視覺的初級階段通常被認為是一個非良態問題，很難從根本上解決。因而，尋求演算法簡單、能較好解決邊緣檢測精度與抗噪性能協調問題的邊緣檢測演算法成為首選。本文所提出的方法也僅僅是在該領域進行一點探索性研究，還有許多不足之處。比如偽地質邊界的剔除處理，帶有很大的主觀臆斷。這些都需要今後對其進行進一步的完善。

⑸ 請幫忙翻譯一下，關於圖像雜訊的論文，謝謝

導言
損壞的圖像往往是在其雜訊採集和傳輸。例如在圖像採集，其性能的影像感測器是受多種因素，如環境條件和質量檢測的內容本身。例如，在獲取圖像的CCD相機，輕水平和感測器溫度是主要影響因素的數量所產生的雜訊的形象。圖像傳輸過程中還損壞，由於干擾的頻道用於傳輸。圖像降噪技術，必須消除這種添加劑隨機雜訊，同時保留盡可能多的重要信號的功能。的主要目標，這些類型的隨機雜訊去除抑制雜訊，同時保持原始圖像的細節。統計過濾器一樣平均濾波器[ 1 ] [ 2 ] ， Wiener濾波器[ 3 ]可用於消除這種噪音，但基於小波變換的去噪方法更好的結果證明不是這些過濾器。一般來說，圖像去噪規定之間的妥協，減少噪音和保護重要的圖像細節。為了實現良好的性能在這方面，去噪演算法，以適應圖像的不連續性。小波代表性，自然有利於建設這種空間自適應演算法。它壓縮在一個重要信息信號轉換成相對較少，大量系數，代表圖像細節在不同的決議尺度。在最近幾年出現了相當數量的研究小波閾值和閾值選取的信號和圖像去噪[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] ，因為小波提供了一個適當的基礎分離噪音信號從圖像信號。許多小波閾值技術一樣VisuShrink [ 10 ] ， BayesShrink [ 11 ]已經證明，效益較好的圖像去噪。在這里，我們描述一個有效的閾值去噪技術通過分析統計參數的小波系數。本文安排如下：簡要回顧了離散小波變換（ DWT域）和小波濾波器銀行第二節。小波閾值技術是基於解釋第三節。在第四部分提出了新的閾值技術的解釋。的步驟在此范圍內工作的解釋第五節第六節的實驗結果這個擬議的工作和其他去噪技術是當前和比較。最後總結發言中給出了第七節。

⑹ 顧及光譜信息的遙感影像去噪研究現狀

遙感技術發展到高光譜階段，利用連續窄波段與高波譜維的特點，使探測地物的微量信息成為了可能。但高光譜影像受到自然光照條件、地形的起伏、混合像元、感測器不穩定等多種因素的影響而包含著更為復雜的信息（劉堂友等，2004），不可避免地融進大量非目標類地物信息，因此有必要對原始影像進行空間與光譜維分析以便能更好地達到圖像去噪、壓縮、分類等處理目的。與普通的遙感圖像相比，高光譜影像實現了圖譜合一，可視為「三維」影像，它融合了空間信息和光譜信息，所以在影像去噪與分類等處理的過程中不能忽視除空間數據外的光譜信息。

傳統的高光譜影像去噪方法主要有基於空間維消噪和基於光譜維消噪（吳傳慶等，2005）。圖像空間維通常是利用線性濾波器平滑消噪，但會損害圖像的幾何信息；圖像光譜維多數是利用插值等方法消噪，但忽略了波段本身的信息。基於以上各自的缺點，國內外學者提出了一系列關於同時在圖像 「三維」信息環境下的去噪方法，如，Othman et al.（2006）提出了一種將高光譜維信息轉換成一階微分域，然後在混合空間和光譜信息進行小波閾值去噪的空間與光譜域混合去噪方法；孫蕾等（2009）在空間與光譜域分別採用了非線性閾值BayesShrink演算法去噪和Savitzky－Golay濾波平滑的方法，再進行光譜積分及修正，但是割裂了空間維和光譜維的內在聯系；Atkinson et al.（2003）提出在光譜維和空間維分別採用傅立葉變換和二維小波變換去噪，這種方法雖然可以將光譜和空間相結合，但是忽視了各波段圖像之間內在的相關性；吳傳慶等（2005）提出採用一個新的波段信息為參照，對目標高光譜影像波段雜訊部分進行去除，但是不可避免新加入的標准波段會受到雜訊的干擾，從而產生新的雜訊冗餘。由於高光譜影像的雜訊主要集中在高頻信息中，而小波包變換可以在圖像頻域范圍內對圖像信息進行高、低頻信息分解處理，克服了小波變換不能分解高頻信息的缺點，因此，基於小波包變換所獨有的和非常利於圖像消除雜訊的低熵性、多解析度、去相關性和選基靈活性等特點（Vidakovic et al.，1998；孫兆林，2002；楊可明等，2008），在圖像 「三維」 環境下同時進行數據處理，在每一層分解中它可以將高光譜圖像分解成低頻和高頻三維系數，從而再對系數進行處理就可很好的實現高光譜影像的去噪、分類等。

本章針對目前高光譜影像去噪的不足，以小波包變換為基礎，通過保留低頻系數，對高頻系數進行奇異值分解，利用產生的奇異特徵值，開展確定高光譜影像最佳小波包分解層數的新演算法研究，並利用軟閾值去除高頻雜訊以達到較好的去噪效果。

⑺ 誰能幫我在中國知網下載幾個文章，可以免費下載的朋友請幫一下忙，寫論文的孩子傷不起，謝謝大家

您好

已上傳附件壓縮包

望採納回答。