❶ 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）
❷ 多圖像平均法為什麼能去除雜訊，該方法的難點是什麼
多圖平均法跟多次測量取平均值差不多。多幅圖像加權，雜訊的強度下降。至於難點，應該是加權權值的選取，以及圖像的多少。
❸ 圖像去噪的國內外研究現狀
當前國內、外的研究動態
從對圖像進行濾波的過程中所採用的濾波方法來分，可分為空間域濾波、變換域濾波；從濾波類型來分，又可以分為線性濾波和非線性濾波。
2002年Do.M.N和VetterliM.提出了一種「真正」的二維圖像稀疏表達方法——Contourlet變換[7,8]，這種變換能夠很好的表徵圖像的各向異性特徵。由於Contourlet變換能更好的捕獲圖像的邊緣信息，因此選擇合適的閾值進行去噪就能獲得比小波變換更好的效果。Starck等人將Curvelet變換應用於圖像的去噪過程中並取得了良好的效果[9]，該方法雖然能有效的去除雜訊，但往往會「過扼殺」Curvelet系數，導致在消除雜訊的同時丟失圖像細節。在過去的二十年裡，自適應濾波器在通信和信號處理領域引起了人們的極大關注。TerenceWang等人針對二維自適應FIR濾波器提出了一種二維最優塊隨機梯度演算法(TDOBSG)[10]。這種演算法對濾波器的所有系數使用了空間可變的收縮因子。基於使後驗估計方差矢量的二范數最小的最小方差准則，在塊迭代的過程中選出最優的收斂因子。
線性濾波器的最大優點是演算法比較簡單且速度比較快，缺點是容易造成細節和邊緣模糊。在目前對非線性濾波器的研究中，中值濾波器有較明顯的優勢，很多科學工作者對中值濾波器作了改進或者提出了一些新型的中值濾波器。Loupas等人提出的自適應的加權中值濾波方法(AWMF)，但他利用的Speckle雜訊模型不夠精確，圖像細節損失較大[11]。針對中值濾波器在處理矢量信號存在的缺點，Jakko等人提出兩種矢量中值濾波器[12]。
近年來，小波分析是當前應用數學中一個迅速發展的新領域，它憑借其卓越的優越性，越來越多的被應用於圖像去噪等領域，基於小波分析的圖像去噪技術也隨著小波理論的不斷完善取得了較好的效果。上個世紀八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，並首先把小波理論運用於信號和圖像的分解與重構，利用小波變換模極大值原理進行信號的奇異性檢測，提出了交替投影演算法用於信號重構，為小波變換用於圖像處理奠定了基礎[13]。後來，人們根據信號與雜訊在小波變換下模極大值在各尺度上的不同傳播特性，提出了基於模極大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了「小波收縮」，它較傳統的去噪方法效率更高。「小波收縮」被Donoho和Johnstone證明是在極小化極大風險中最優的去噪方法，但在這種方法中最重要的就是確定閾值。1995年，Stanford大學的學者D.L.Donoho和I.M.Johnstone提出了通過對小波系數進行非線性閾值處理來降低信號中的雜訊[15，16，17]。從這之後的小波去噪方法也就轉移到從閾值函數的選擇或最優小波基的選擇出發來提高去噪的效果。影響比較大的方法有以下這么幾種：EeroP.Semoncelli和EdwardH.Adelson提出的基於最大後驗概率的貝葉斯估計准則確定小波閾值的方法[18]；ElwoodT.Olsen等在處理斷層圖像時提出了三種基於小波相位的去噪方法：邊緣跟蹤法、局部相位方差閾值法以及尺度相位變動閾值法[19]；學者Kozaitis結合小波變換和高階統計量的特點提出了基於高階統計量的小波閾值去噪方法[20]；G.P.Nason等利用原圖像和小波變換域中圖像的相關性用GCV(generalcross-validation)法對圖像進行去噪[21]；Hang.X和Woolsey等人提出結合維納濾波器和小波閾值的方法對信號進行去噪處理[22]，VasilyStrela等人將一類新的特性良好的小波(約束對)應用於圖像去噪的方法[23]；同時，在19世紀60年代發展的隱馬爾科夫模型(HiddenMarkov Model)[24]，是通過對小波系數建立模型以得到不同的系數處理方法；後又有人提出了雙變數模型方法[25,26]，它是利用觀察相鄰尺度間父系數與子系數的統計聯合分布來選擇一種與之匹配的二維概率密度函數。這些方法均取得了較好的效果，對小波去噪的理論和應用奠定了一定的基礎。
另外，盡管小波去噪方法現在已經成為去噪和圖像恢復的重要分支和主要研究方向，但目前在另類雜訊分布（非高斯分布）下的去噪研究還不夠。目前國際上開始將注意力投向這一領域，其中非高斯雜訊的分布模型、高斯假設下的小波去噪方法在非高斯雜訊下如何進行相應的拓展，是主要的研究方向。未來這一領域的成果將大大豐富小波去噪的內容。
總之，由於小波具有低墒性、多解析度、去相關性、選基靈活性等特點[27]，小波理論在去噪領域受到了許多學者的重視，並獲得了良好的效果。但如何採取一定的技術消除圖像雜訊的同時保留圖像細節仍是圖像預處理中的重要課題。目前，基於小波分析的圖像去噪技術已成為圖像去噪的一個重要方法。
❹ 什麼是圖像去噪
圖像去噪
簡介：
現實中的數字圖像在數字化和傳輸過程中常受到成像設備與外部環境雜訊干擾等影響，稱為含噪圖像或雜訊圖像。減少數字圖像中雜訊的過程稱為圖像去噪。
去除圖像雜訊的方法：
均值濾波器
採用鄰域平均法的均值濾波器非常適用於去除通過掃描得到的圖像中的顆粒雜訊。領域平均法有力地抑制了雜訊,同時也由於平均而引起了模糊現象,模糊程度與領域半徑成正比。
幾何均值濾波器所達到的平滑度可以與算術均值濾波器相比,但在濾波過程中會丟失更少的圖象細節。
諧波均值濾波器對「鹽」雜訊效果更好,但是不適用於「胡椒」雜訊。它善於處理像高斯雜訊那樣的其他雜訊。
逆諧波均值濾波器更適合於處理脈沖雜訊,但它有個缺點,就是必須要知道雜訊是暗雜訊還是亮雜訊,以便於選擇合適的濾波器階數符號,如果階數的符號選擇錯了可能會引起災難性的後果。
自適應維納濾波器
它能根據圖象的局部方差來調整濾波器的輸出,局部方差越大,濾波器的平滑作用越強。它的最終目標是使恢復圖像f^(x,y)與原始圖像f(x,y)的均方誤差e2=E[(f(x,y)-f^(x,y)2]最小。該方法的濾波效果比均值濾波器效果要好,對保留圖像的邊緣和其他高頻部分很有用,不過計算量較大。維納濾波器對具有白雜訊的圖象濾波效果最佳。
中值濾波器
它是一種常用的非線性平滑濾波器,其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換其主要功能是讓周圍象素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的雜訊點,所以中值濾波對於濾除圖像的椒鹽雜訊非常有效。中值濾波器可以做到既去除雜訊又能保護圖像的邊緣,從而獲得較滿意的復原效果,而且,在實際運算過程中不需要圖象的統計特性,這也帶來不少方便,但對一些細節多,特別是點、線、尖頂細節較多的圖象不宜採用中值濾波的方法。
形態學雜訊濾除器
將開啟和閉合結合起來可用來濾除雜訊,首先對有雜訊圖象進行開啟操作,可選擇結構要素矩陣比雜訊的尺寸大,因而開啟的結果是將背景上的雜訊去除。最後是對前一步得到的圖象進行閉合操作,將圖象上的雜訊去掉。根據此方法的特點可以知道,此方法適用的圖像類型是圖象中的對象尺寸都比較大,且沒有細小的細節,對這種類型的圖像除噪的效果會比較好。
小波去噪
這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖象細節。小波分析進行圖像去噪主要有3個步驟：
(1)對圖象信號進行小波分解。
(2)對經過層次分解後的高頻系數進行閾值量化。
(3)利用二維小波重構圖象信號。
詳細資料見網路：http://ke..com/view/4518756.htm
❺ 圖像去噪的方法
①高斯濾波：
高斯濾波的具體操作是:用一個模板(或稱卷積、掩模)掃描圖像中的每一個像素，用模板確定的鄰域內像素的 加權平均灰度值 去替代模板中心像素點的值。
1.高斯濾波是平滑線性濾波器，在對鄰域內像素灰度平均時賦予了 不同位置不同的權值，越靠近鄰域中心權值越 大(?)。
2.高斯濾波技能平滑雜訊，也能保留圖像的整體灰度分布特徵；
3.高斯濾波公式是各向同性擴散方程，在圖像邊緣處沿切向和法向是同等擴散的，所以絕大多數 邊緣和細節紋理特徵被模糊掉，損失了大量的信息。
4.高斯濾波 適合處理均值為零的高斯雜訊，但 處理離散的點雜訊時，會損失大量細節信息。
5.一維高斯函數：
二維高斯函數：
②中值濾波
中值濾波是統計排序濾波器，通過對鄰域內所有像素的排序，然後取其 中值為鄰域中心的像素。
1.該方法 不適合處理高斯雜訊，但處理離散的點雜訊效果明顯。
2.該方法 忽略了像素點間的相關性，當目標圖像細節紋理復雜時，中值濾波的結果會破壞其不分紋理。
❻ 小波圖像去噪的原理是什麼啊
圖像降噪的主要目的是在能夠有效地降低圖像雜訊的同時盡可能地保證圖像細節信息不受損失，。圖像去噪有根據圖像的特點、雜訊統計特性和頻率分布規律有多種方法，但它們的基本原理都是利用圖像的雜訊和信號在頻域的分布不同，即圖像信號主要集中在低頻部分而雜訊信號主要分布在高頻部分，採取不同的去噪方法。傳統的去噪方法，在去除雜訊的同時也會損害到信號信息，模糊了圖像。
小波變換主要是利用其特有的多解析度性、去相關性和選基靈活性特點，使得它在圖像去噪方面大有可為，清晰了圖像。經過小波變換後，在不同的解析度下呈現出不同規律，設定閾值門限，調整小波系數，就可以達到小波去噪的目的。
小波變換去噪的基本思路可以概括為：利用小波變換把含噪信號分解到多尺度中，小波變換多採用二進型，然後在每一尺度下把屬於雜訊的小波系數去除，保留並增強屬於信號的小波系數，最後重構出小波消噪後的信號。其中關鍵是用什麼准則來去除屬於雜訊的小波系數，增強屬於信號的部分。