没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
文章首发于微信公众号《有三AI》
【技术综述】一文道尽传统图像降噪方法
图像预处理算法的好坏直接关系到后续图像处理的效果,如图像分割、目标识
别、边缘提取等,为了获取高质量的数字图像,很多时候都需要对图像进行降噪
处理,尽可能的保持原始信息完整性(即主要特征)的同时,又能够去除信号中
无用的信息。
并且,降噪还引出了一个非常热门的研究方向,即美颜磨皮,这对于中国用户来
说,是非常重要的计算机视觉领域,今天就来认真讲讲传统的图像降噪算法。
01
图
像
降
噪
算
法
分
类
虽然各种图像降噪算法犹如雨后春笋般不断新增,然而很多方法都存在一个通用
的缺点,就是在降噪的同时往往会丢失图像的细节或边缘信息。
一般的图像处理,微小的细节对图像降噪的后续处理程序影响不太明显,但是当
处理对象为医学图像时,这样的小失误是不被允许的,因为在医疗诊断或治疗
中,每一个微小的失误都会影响医师的治疗方法甚至威胁到患者的生命。这就要
求更多的研究者来投入时间和精力研究新的降噪技术,以达到降噪并同时仍能保
留足够细节信息的目的。
目前常用的图像去噪算法大体上可非为两类,即
空
域
像
素
特
征
去
噪
算
法
和变
换
域
去
噪
算
法
。前者是直接地在图像空间中进行的处理,后者是间接地在图像变
换域中进行处理。
1.1
空
域
像
素
特
征
去
噪
算
法
首先说明一点就是在信号处理教科书中,虽然介绍过很多经典的图像去噪方法,
但主要都是针对随机噪声的,对于sensor缺陷导致的一些脉冲噪声(impulse
noise)这里我们不考虑。
那么什么是随机噪声呢?相比于图像的真实信号来说随机噪声就是一种或高或低
呈现出不确定变化的一种信号,如下图所示虚线代表真实信号,红蓝线表示的就
是随机噪声信号,所有的随机噪声信号求和后结果为0。
由于这个零和特点,目前几乎所有的空域降噪算法都是基于这个理论为出发点来
进行降噪处理的。
基于空域像素特征的方法,是通过
分
析
在
一
定
大
小
的
窗
口
内
,
中
心
像
素
与
其
他
相
邻
像
素
之
间
在
灰
度
空
间
的
直
接
联
系
,来获取新的中心像素值的方法,因此往
往都会存在一个典型的输入参数,即滤波半径r。此滤波半径可能被用于在该局
部窗口内计算像素的相似性,也可能是一些高斯或拉普拉斯算子的计算窗口。在
邻域滤波方法里面,最具有代表性的滤波方法有以下几种:
(1)
算
术
均
值
滤
波
与
高
斯
滤
波
算术均值滤波用
像
素
邻
域
的
平
均
灰
度
来代替像素值,适用于脉冲噪声,因为脉
冲噪声的灰度级一般与周围像素的灰度级不相关,而且亮度高出其他像素许多。
均值滤波结果A'(i,j)随着L(滤波半径)取值的增大而变得越来越模
糊,图像对比度越来越小。经过均值处理之后,噪声部分被弱化到周围像
素点上,所得到的结果是噪声幅度减小,但是噪声点的颗粒面积同时变
大,所以污染面积反而增大。为了解决这个问题,可以通过设定阈值,比
较噪声和邻域像素灰度,只有当差值超过一定阈值时,才被认为是噪声。
不过阈值的设置需要考虑图像的总体特性和噪声特性,进行统计分析。自
适应均值滤波算法通过方向差分来寻找噪声像素,从而赋予噪声像素与非
噪声像素不同的权重,并自适应地寻找最优窗口大小,优于一般的均值滤
波方法。
高斯滤波矩阵的权值,随着与中心像素点的距离增加,而呈现高斯衰
减的变换特性。这样的好处在于,离算子中心很远的像素点的作用很小,
从而能在一定程度上保持图像的边缘特征。通过调节高斯平滑参数,可以
在图像特征过分模糊和欠平滑之间取得折中。与均值滤波一样,高斯平滑
滤波的尺度因子越大,结果越平滑,但由于其权重考虑了与中心像素的距
离,因此是更优的对邻域像素进行加权的滤波算法。
(2)
统
计
中
值
滤
波
中值滤波首先确定一个滤波窗口及位置(通常含有奇数个像素),然后将窗口内
的像素值按
灰
度
大
小
进
行
排
序
,最后取其中位数代替原窗口中心的像素值(如
下图)。
剩余16页未读,继续阅读
鲸阮
- 粉丝: 19
- 资源: 303
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0