图像降噪方法研究

⑴ 数字图像降噪算法研究及应用

图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。

图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。

传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
目录
[隐藏]

* 1 解决方案
* 2 常用的信号处理技术
o 2.1 从一维信号处理扩展来的技术和概念
o 2.2 专用于二维（或更高维）的技术和概念
* 3 典型问题
* 4 应用
* 5 相关相近领域
* 6 参见

[编辑] 解决方案

几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，例如 全息摄影。但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。

从通常意义上讲，数字图像处理技术更加普适、可靠和准确。比起模拟方法，它们也更容易实现。专用的硬件被用于数字图像处理，例如，基于流水线的计算机体系结构在这方面取得了巨大的商业成功。今天，硬件解决方案被广泛的用于视频处理系统，但商业化的图像处理任务基本上仍以软件形式实现，运行在通用个人电脑上。

[编辑] 常用的信号处理技术

大多数用于一维信号处理的概念都有其在二维图像信号领域的延伸，它们中的一部分在二维情形下变得十分复杂。同时图像处理也具有自身一些新的概念，例如，连通性、旋转不变性，等等。这些概念仅对二维或更高维的情况下才有非平凡的意义。

图像处理中常用到快速傅立叶变换，因为它可以减小数据处理量和处理时间。

[编辑] 从一维信号处理扩展来的技术和概念

* 分辨率(Image resolution|Resolution)
* 动态范围(Dynamic range)
* 带宽(Bandwidth)
* 滤波器设计(Filter (signal processing)|Filtering)
* 微分算子(Differential operators)
* 边缘检测(Edge detection)
* Domain molation
* 降噪(Noise rection)

[编辑] 专用于二维（或更高维）的技术和概念

* 连通性(Connectedness|Connectivity)
* 旋转不变性(Rotational invariance)

[编辑] 典型问题

* 几何变换（geometric transformations）：包括放大、缩小、旋转等。
* 颜色处理（color）：颜色空间的转化、亮度以及对比度的调节、颜色修正等。
* 图像合成（image composite）：多个图像的加、减、组合、拼接。
* 降噪（image denoising）：研究各种针对二维图像的去噪滤波器或者信号处理技术。
* 边缘检测（edge detection）：进行边缘或者其他局部特征提取。
* 分割（image segmentation）：依据不同标准，把二维图像分割成不同区域。
* 图像制作（image editing）：和计算机图形学有一定交叉。
* 图像配准（image registration）：比较或集成不同条件下获取的图像。
* 图像增强（image enhancement）：
* 图像数字水印（image watermarking）：研究图像域的数据隐藏、加密、或认证。
* 图像压缩（image compression）：研究图像压缩。

[编辑] 应用

* 摄影及印刷 (Photography and printing)
* 卫星图像处理 (Satellite image processing)
* 医学图像处理 (Medical image processing)
* 面孔识别, 特征识别 (Face detection, feature detection, face identification)
* 显微图像处理 (Microscope image processing)
* 汽车障碍识别 (Car barrier detection)

[编辑] 相关相近领域

* 分类（Classification）
* 特征提取（Feature extraction）
* 模式识别（Pattern recognition）
* 投影（Projection）
* 多尺度信号分析（Multi-scale signal analysis）
* 离散余弦变换（The Discrete Cosine Transform）

⑵ 比较数字图像处理,计算机图形学,计算机视觉各自研究内容的特点,并给出具体实

数字图像处理偏重信号处理，计算机图形学偏重对graph元素的处理，计算机视觉偏重人工智能方向。

比如：在数字图像处理中，用个数字滤波器抑制图像中的噪声；在计算机图形学中对点云进行三角网格化；在计算视觉中，针对街道场景自动地识别出行人和车辆。

再具体点：
1）
数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
主要研究内容有：

几何变换：包括放大、缩小、旋转等。

颜色处理：颜色空间的转化、亮度以及对比度的调节、颜色修正等。

图像融合：多个图像的加、减、组合、拼接。

图像降噪：研究各种针对二维图像的去噪滤波器或者信号处理技术。

边缘检测：进行边缘或者其他局部特征提取。

图像分割：依据不同标准，把二维图像分割成不同区域。

图像编辑：和计算机图形学有一定交叉。

图像配准：比较或集成不同条件下获取的图像。

图像增强：改善图像的视觉效果。

图像水印：研究图像域的数据隐藏、加密、或认证。

图像压缩：以较少的比特有损或无损地表示原来的像素矩阵的技术，也称图像编码。
2）
计算机图形学是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。简单地说，计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。
计算机图形学的研究内容非常广泛，如图形硬件、图形标准、图形交互技术、光栅图形生成算法、曲线曲面造型、实体造型、真实感图形计算与显示算法，以及科学计算可视化、计算机动画、自然景物仿真、虚拟现实等。作为一本面向计算机专业本科生和非计算机专业研究生的图形学教材，本书着重讨论与光栅图形生成、曲线曲面造型和真实感图形生成相关的原理与算法
3）
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用camera和computer代替人眼对目标进行识别、跟踪和测量等等，并且进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
计算机视觉包含如下一些分支：画面重建，事件监测，目标跟踪，目标识别，机器学习，索引建立，图像恢复等。
主要研究的内容包括：
a.识别
一个计算机视觉，图像处理和机器视觉所共有的经典问题便是判定一组图像数据中是否包含某个特定的物体，图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。现有技术能够也只能够很好地解决特定目标的识别，比如简单几何图形识别，人脸识别，印刷或手写文件识别或者车辆识别。而且这些识别需要在特定的环境中，具有指定的光照，背景和目标姿态要求。
广义的识别在不同的场合又演化成了几个略有差异的概念：

识别（狭义的）：对一个或多个经过预先定义或学习的物体或物类进行辨识，通常在辨识过程中还要提供他们的二维位置或三维姿态。

鉴别：识别辨认单一物体本身。例如：某一人脸的识别，某一指纹的识别。

监测：从图像中发现特定的情况内容。例如：医学中对细胞或组织不正常技能的发现，交通监视仪器对过往车辆的发现。监测往往是通过简单的图象处理发现图像中的特殊区域，为后继更复杂的操作提供起点。
识别的几个具体应用方向：

基于内容的图像提取：在巨大的图像集合中寻找包含指定内容的所有图片。被指定的内容可以是多种形式，比如一个红色的大致是圆形的图案，或者一辆自行车。在这里对后一种内容的寻找显然要比前一种更复杂，因为前一种描述的是一个低级直观的视觉特征，而后者则涉及一个抽象概念（也可以说是高级的视觉特征），即‘自行车’，显然的一点就是自行车的外观并不是固定的。

姿态评估：对某一物体相对于摄像机的位置或者方向的评估。例如：对机器臂姿态和位置的评估。

光学字符识别：对图像中的印刷或手写文字进行识别鉴别，通常的输出是将之转化成易于编辑的文档形式。
b.运动
基于序列图像的对物体运动的监测包含多种类型，诸如：

自体运动：监测摄像机的三维刚性运动。

图像跟踪：跟踪运动的物体。
c.场景重建
给定一个场景的二或多幅图像或者一段录像，场景重建寻求为该场景建立一个计算机模型/三维模型。最简单的情况便是生成一组三维空间中的点。更复杂的情况下会建立起完整的三维表面模型。

⑶ vb编写程序去除图像噪声

图像降噪是一项较为复杂的技术,不是你100分就能求到的,就算你100RMB都很难求..现在图像降噪大部分为自己研究,自己编写,网络上流传有许多降噪算法,但是毕竟没按照自己的需求做,降噪效果并不理想..普遍的图像降噪方法有:基于小波变换的图像降噪,基于FPGA降噪,基于数学方程的图像降噪,阀值降噪等等...最出名的就是小波变换...如果你很需要,可以在网上阅读下这些降噪算法的文章,自己编写代码...

⑷ 遥感影像的处理效果

通过对获取的研究区遥感图像进行几何精校正、遥感图像的降噪处理、遥感图像的增强处理、遥感图像的彩色合成、遥感图像的边缘增强等技术处理，获得以下应用效果。

（1）小波变换图像噪声处理结果

运用小波变换对遥感图像噪声处理，用以上算法对研究区遥感图像进行消噪处理。按文中方法处理效果如下图3-17所示：

图3-22 研究区遥感地质解译略图

Q—第四系；P—二叠系；C₁b—下石炭统包古图组；C₁t—下石炭统太勒古拉组；C₁x—下石炭统希贝库拉斯组

基于Canny算法的边缘检测技术，通过在中亚包古图地区的试验可知，对经过针对性预处理后的遥感影像进行该方法的线形体信息提取是成功的（见图3-20b）；通过对线形体的统计特征分析即线形体等密度分析，可以识别出研究区内的一级断裂-达拉布特大断裂的大体位置及走向；对线形体的等密度图分析可知研究区内发育有较多环形构造，岩株发育显着；得出研究区内主要地层边界位置。最后结合已知地质资料，采用遥感岩性识别技术得出研究区内的遥感地质解译图，加深了我们对研究区地质情况的进一步认识，为下一步地质工作奠定了基础。

但无论哪一种边缘检测算法在解决一定问题的同时都存在不同类型的缺陷。边缘检测作为视觉的初级阶段通常被认为是一个非良态问题，很难从根本上解决。因而，寻求算法简单、能较好解决边缘检测精度与抗噪性能协调问题的边缘检测算法成为首选。本文所提出的方法也仅仅是在该领域进行一点探索性研究，还有许多不足之处。比如伪地质边界的剔除处理，带有很大的主观臆断。这些都需要今后对其进行进一步的完善。

⑸ 请帮忙翻译一下，关于图像噪声的论文，谢谢

导言
损坏的图像往往是在其噪声采集和传输。例如在图像采集，其性能的影像传感器是受多种因素，如环境条件和质量检测的内容本身。例如，在获取图像的CCD相机，轻水平和传感器温度是主要影响因素的数量所产生的噪声的形象。图像传输过程中还损坏，由于干扰的频道用于传输。图像降噪技术，必须消除这种添加剂随机噪声，同时保留尽可能多的重要信号的功能。的主要目标，这些类型的随机噪声去除抑制噪声，同时保持原始图像的细节。统计过滤器一样平均滤波器[ 1 ] [ 2 ] ， Wiener滤波器[ 3 ]可用于消除这种噪音，但基于小波变换的去噪方法更好的结果证明不是这些过滤器。一般来说，图像去噪规定之间的妥协，减少噪音和保护重要的图像细节。为了实现良好的性能在这方面，去噪算法，以适应图像的不连续性。小波代表性，自然有利于建设这种空间自适应算法。它压缩在一个重要信息信号转换成相对较少，大量系数，代表图像细节在不同的决议尺度。在最近几年出现了相当数量的研究小波阈值和阈值选取的信号和图像去噪[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] ，因为小波提供了一个适当的基础分离噪音信号从图像信号。许多小波阈值技术一样VisuShrink [ 10 ] ， BayesShrink [ 11 ]已经证明，效益较好的图像去噪。在这里，我们描述一个有效的阈值去噪技术通过分析统计参数的小波系数。本文安排如下：简要回顾了离散小波变换（ DWT域）和小波滤波器银行第二节。小波阈值技术是基于解释第三节。在第四部分提出了新的阈值技术的解释。的步骤在此范围内工作的解释第五节第六节的实验结果这个拟议的工作和其他去噪技术是当前和比较。最后总结发言中给出了第七节。

⑹ 顾及光谱信息的遥感影像去噪研究现状

遥感技术发展到高光谱阶段，利用连续窄波段与高波谱维的特点，使探测地物的微量信息成为了可能。但高光谱影像受到自然光照条件、地形的起伏、混合像元、传感器不稳定等多种因素的影响而包含着更为复杂的信息（刘堂友等，2004），不可避免地融进大量非目标类地物信息，因此有必要对原始影像进行空间与光谱维分析以便能更好地达到图像去噪、压缩、分类等处理目的。与普通的遥感图像相比，高光谱影像实现了图谱合一，可视为“三维”影像，它融合了空间信息和光谱信息，所以在影像去噪与分类等处理的过程中不能忽视除空间数据外的光谱信息。

传统的高光谱影像去噪方法主要有基于空间维消噪和基于光谱维消噪（吴传庆等，2005）。图像空间维通常是利用线性滤波器平滑消噪，但会损害图像的几何信息；图像光谱维多数是利用插值等方法消噪，但忽略了波段本身的信息。基于以上各自的缺点，国内外学者提出了一系列关于同时在图像 “三维”信息环境下的去噪方法，如，Othman et al.（2006）提出了一种将高光谱维信息转换成一阶微分域，然后在混合空间和光谱信息进行小波阈值去噪的空间与光谱域混合去噪方法；孙蕾等（2009）在空间与光谱域分别采用了非线性阈值BayesShrink算法去噪和Savitzky－Golay滤波平滑的方法，再进行光谱积分及修正，但是割裂了空间维和光谱维的内在联系；Atkinson et al.（2003）提出在光谱维和空间维分别采用傅立叶变换和二维小波变换去噪，这种方法虽然可以将光谱和空间相结合，但是忽视了各波段图像之间内在的相关性；吴传庆等（2005）提出采用一个新的波段信息为参照，对目标高光谱影像波段噪声部分进行去除，但是不可避免新加入的标准波段会受到噪声的干扰，从而产生新的噪声冗余。由于高光谱影像的噪声主要集中在高频信息中，而小波包变换可以在图像频域范围内对图像信息进行高、低频信息分解处理，克服了小波变换不能分解高频信息的缺点，因此，基于小波包变换所独有的和非常利于图像消除噪声的低熵性、多分辨率、去相关性和选基灵活性等特点（Vidakovic et al.，1998；孙兆林，2002；杨可明等，2008），在图像 “三维” 环境下同时进行数据处理，在每一层分解中它可以将高光谱图像分解成低频和高频三维系数，从而再对系数进行处理就可很好的实现高光谱影像的去噪、分类等。

本章针对目前高光谱影像去噪的不足，以小波包变换为基础，通过保留低频系数，对高频系数进行奇异值分解，利用产生的奇异特征值，开展确定高光谱影像最佳小波包分解层数的新算法研究，并利用软阈值去除高频噪声以达到较好的去噪效果。

⑺ 谁能帮我在中国知网下载几个文章，可以免费下载的朋友请帮一下忙，写论文的孩子伤不起，谢谢大家

您好

已上传附件压缩包

望采纳回答。