❶ 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）
❷ 多图像平均法为什么能去除噪声，该方法的难点是什么
多图平均法跟多次测量取平均值差不多。多幅图像加权，噪声的强度下降。至于难点，应该是加权权值的选取，以及图像的多少。
❸ 图像去噪的国内外研究现状
当前国内、外的研究动态
从对图像进行滤波的过程中所采用的滤波方法来分，可分为空间域滤波、变换域滤波；从滤波类型来分，又可以分为线性滤波和非线性滤波。
2002年Do.M.N和VetterliM.提出了一种“真正”的二维图像稀疏表达方法——Contourlet变换[7,8]，这种变换能够很好的表征图像的各向异性特征。由于Contourlet变换能更好的捕获图像的边缘信息，因此选择合适的阈值进行去噪就能获得比小波变换更好的效果。Starck等人将Curvelet变换应用于图像的去噪过程中并取得了良好的效果[9]，该方法虽然能有效的去除噪声，但往往会“过扼杀”Curvelet系数，导致在消除噪声的同时丢失图像细节。在过去的二十年里，自适应滤波器在通信和信号处理领域引起了人们的极大关注。TerenceWang等人针对二维自适应FIR滤波器提出了一种二维最优块随机梯度算法(TDOBSG)[10]。这种算法对滤波器的所有系数使用了空间可变的收缩因子。基于使后验估计方差矢量的二范数最小的最小方差准则，在块迭代的过程中选出最优的收敛因子。
线性滤波器的最大优点是算法比较简单且速度比较快，缺点是容易造成细节和边缘模糊。在目前对非线性滤波器的研究中，中值滤波器有较明显的优势，很多科学工作者对中值滤波器作了改进或者提出了一些新型的中值滤波器。Loupas等人提出的自适应的加权中值滤波方法(AWMF)，但他利用的Speckle噪声模型不够精确，图像细节损失较大[11]。针对中值滤波器在处理矢量信号存在的缺点，Jakko等人提出两种矢量中值滤波器[12]。
近年来，小波分析是当前应用数学中一个迅速发展的新领域，它凭借其卓越的优越性，越来越多的被应用于图像去噪等领域，基于小波分析的图像去噪技术也随着小波理论的不断完善取得了较好的效果。上个世纪八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，并首先把小波理论运用于信号和图像的分解与重构，利用小波变换模极大值原理进行信号的奇异性检测，提出了交替投影算法用于信号重构，为小波变换用于图像处理奠定了基础[13]。后来，人们根据信号与噪声在小波变换下模极大值在各尺度上的不同传播特性，提出了基于模极大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了“小波收缩”，它较传统的去噪方法效率更高。“小波收缩”被Donoho和Johnstone证明是在极小化极大风险中最优的去噪方法，但在这种方法中最重要的就是确定阈值。1995年，Stanford大学的学者D.L.Donoho和I.M.Johnstone提出了通过对小波系数进行非线性阈值处理来降低信号中的噪声[15，16，17]。从这之后的小波去噪方法也就转移到从阈值函数的选择或最优小波基的选择出发来提高去噪的效果。影响比较大的方法有以下这么几种：EeroP.Semoncelli和EdwardH.Adelson提出的基于最大后验概率的贝叶斯估计准则确定小波阈值的方法[18]；ElwoodT.Olsen等在处理断层图像时提出了三种基于小波相位的去噪方法：边缘跟踪法、局部相位方差阈值法以及尺度相位变动阈值法[19]；学者Kozaitis结合小波变换和高阶统计量的特点提出了基于高阶统计量的小波阈值去噪方法[20]；G.P.Nason等利用原图像和小波变换域中图像的相关性用GCV(generalcross-validation)法对图像进行去噪[21]；Hang.X和Woolsey等人提出结合维纳滤波器和小波阈值的方法对信号进行去噪处理[22]，VasilyStrela等人将一类新的特性良好的小波(约束对)应用于图像去噪的方法[23]；同时，在19世纪60年代发展的隐马尔科夫模型(HiddenMarkov Model)[24]，是通过对小波系数建立模型以得到不同的系数处理方法；后又有人提出了双变量模型方法[25,26]，它是利用观察相邻尺度间父系数与子系数的统计联合分布来选择一种与之匹配的二维概率密度函数。这些方法均取得了较好的效果，对小波去噪的理论和应用奠定了一定的基础。
另外，尽管小波去噪方法现在已经成为去噪和图像恢复的重要分支和主要研究方向，但目前在另类噪声分布（非高斯分布）下的去噪研究还不够。目前国际上开始将注意力投向这一领域，其中非高斯噪声的分布模型、高斯假设下的小波去噪方法在非高斯噪声下如何进行相应的拓展，是主要的研究方向。未来这一领域的成果将大大丰富小波去噪的内容。
总之，由于小波具有低墒性、多分辨率、去相关性、选基灵活性等特点[27]，小波理论在去噪领域受到了许多学者的重视，并获得了良好的效果。但如何采取一定的技术消除图像噪声的同时保留图像细节仍是图像预处理中的重要课题。目前，基于小波分析的图像去噪技术已成为图像去噪的一个重要方法。
❹ 什么是图像去噪
图像去噪
简介：
现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像去噪。
去除图像噪声的方法：
均值滤波器
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图象细节。
谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。
自适应维纳滤波器
它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。
中值滤波器
它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且,在实际运算过程中不需要图象的统计特性,这也带来不少方便,但对一些细节多,特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。
形态学噪声滤除器
将开启和闭合结合起来可用来滤除噪声,首先对有噪声图象进行开启操作,可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作,将图象上的噪声去掉。根据此方法的特点可以知道,此方法适用的图像类型是图象中的对象尺寸都比较大,且没有细小的细节,对这种类型的图像除噪的效果会比较好。
小波去噪
这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤：
(1)对图象信号进行小波分解。
(2)对经过层次分解后的高频系数进行阈值量化。
(3)利用二维小波重构图象信号。
详细资料见网络：http://ke..com/view/4518756.htm
❺ 图像去噪的方法
①高斯滤波：
高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的 加权平均灰度值 去替代模板中心像素点的值。
1.高斯滤波是平滑线性滤波器，在对邻域内像素灰度平均时赋予了 不同位置不同的权值，越靠近邻域中心权值越 大(?)。
2.高斯滤波技能平滑噪声，也能保留图像的整体灰度分布特征；
3.高斯滤波公式是各向同性扩散方程，在图像边缘处沿切向和法向是同等扩散的，所以绝大多数 边缘和细节纹理特征被模糊掉，损失了大量的信息。
4.高斯滤波 适合处理均值为零的高斯噪声，但 处理离散的点噪声时，会损失大量细节信息。
5.一维高斯函数：
二维高斯函数：
②中值滤波
中值滤波是统计排序滤波器，通过对邻域内所有像素的排序，然后取其 中值为邻域中心的像素。
1.该方法 不适合处理高斯噪声，但处理离散的点噪声效果明显。
2.该方法 忽略了像素点间的相关性，当目标图像细节纹理复杂时，中值滤波的结果会破坏其不分纹理。
❻ 小波图像去噪的原理是什么啊
图像降噪的主要目的是在能够有效地降低图像噪声的同时尽可能地保证图像细节信息不受损失，。图像去噪有根据图像的特点、噪声统计特性和频率分布规律有多种方法，但它们的基本原理都是利用图像的噪声和信号在频域的分布不同，即图像信号主要集中在低频部分而噪声信号主要分布在高频部分，采取不同的去噪方法。传统的去噪方法，在去除噪声的同时也会损害到信号信息，模糊了图像。
小波变换主要是利用其特有的多分辨率性、去相关性和选基灵活性特点，使得它在图像去噪方面大有可为，清晰了图像。经过小波变换后，在不同的分辨率下呈现出不同规律，设定阈值门限，调整小波系数，就可以达到小波去噪的目的。
小波变换去噪的基本思路可以概括为：利用小波变换把含噪信号分解到多尺度中，小波变换多采用二进型，然后在每一尺度下把属于噪声的小波系数去除，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。