5 圖像的噪聲抑制
(一)噪聲與圖像噪聲的概念
噪聲
是不可預測的隨機信號。
- 根據產生來源分類: 外部噪聲、內部噪聲
- 根據統計特徵是否隨時間變化分類: 平穩噪聲、非平穩噪聲
- 根據對信號的影響分類: 加性噪聲、乘性噪聲
圖像噪聲
:所謂的圖像噪聲,是圖像在攝取時或是傳輸時所受到的隨機干擾信號。
常見的有 椒鹽噪聲 和 高斯噪聲。
椒鹽噪聲
的特徵: 出現位置是隨機的,但噪聲的幅值是基本相同的。高斯噪聲
的特徵:出現位置是一定的(每一點上),但噪聲的幅值是隨機的。
(二)圖像噪聲的抑制方法
設計噪聲抑制濾波器,在儘可能保持原圖信息的基礎上,抑制噪聲。
有三種方法:均值濾波器
、中值濾波器
、邊界保持類濾波器
1)均值濾波器
原理
均值濾波器基本工作原理:
- 噪聲具有隨機性。一個鄰域內的所有像素點同時被疊加同樣幅值的噪聲,概率是很低的。 (噪聲有大有小,甚至相互抵消)
- 同時,相鄰像素點之間的取值具有局部相似性
- 因此,可以用鄰域像素點的平均值來推斷該點的真實像素值,從而在保持原始信號概貌的同時,削弱噪聲的影響
均值濾波器原理
在圖像上,對待處理的像素給定一個模板,該模板包括了其周圍的鄰近像素。將模板中的全體像素的均值來替代原來的像素值的方法。
處理方法
缺點
均值濾波器的缺點是:模板越小,對噪聲抑制作用越小;但另一方面,模板越大,會使圖像變的模糊。
原因是它對所有的點都是同等對待,在將噪聲點分攤的同時,將景物的邊界點也分攤了。
爲了改善效果,就可採用加權平均的方式來構造濾波器。
2) 中值濾波器
問題的提出
雖然均值濾波器對噪聲有抑制作用,但同時會使圖像變得模糊。即使是加權均值濾波,改善的效果也是有限的。
爲了有效地改善這一狀況,必須改換濾波器的設計思路,中值濾波就是一種有效的方法。
設計思想
- 因爲噪聲(如椒鹽噪聲)的出現,使該點像素比周圍的像素亮(暗)許多。
- 如果在某個模板中,對像素進行由小到大排列的重新排列,那麼最亮的或者是最暗的點一定被排在兩側。
- 取模板中排在中間位置上的像素的灰度值替代待處理像素的值,就可以達到濾除噪聲的目的。
原理示例
濾波處理方法
中值濾波器對不同類型的噪聲抑制效果:
- 對於椒鹽噪聲,中值濾波的噪聲抑制效果比較好。
- 對於高斯噪聲,中值濾波的噪聲抑制效果不夠好。
- 椒鹽噪聲 是幅值近似相等但隨機分佈在不同位置上,圖像中 有乾淨點也有污染點。
- 中值濾波,有較大概率選擇到圖像中未被噪聲污染的點來替代污染點,所以有抑制噪聲的作用。
- 高斯噪聲是幅值近似正態分佈,但分佈在每點像素上。
- 因爲圖像中的每點都是污染點,所以中值濾波選不到合適的乾淨點。
3)邊界保持類平滑濾波器
問題的提出
經過平滑濾波處理之後,圖像就會變得模糊。
分析原因,在圖像上的景物之所以可以辨認清楚是因爲目標物之間存在邊界。 而邊界點與噪聲點有一個共同的特點是,都具有灰度的躍變特性。所以平滑處理會同時將邊界也處理了。
設計思想
爲了解決圖像模糊問題,一個自然的想法就是,在進行平滑處理時,首先判別當前像素是否爲邊界上的點,如果是,則不進行平滑處理;如果不是,則進行平滑處理。
① 灰度最小方差平滑濾波器
—— 基本原理
將屬於同一個區域的可能的相鄰關係以9種模板表示出來,然後計算每個模板中的灰度分佈方差,以方差最小的那個模板的均值替代原像素值。
—— 模板結構
② K近鄰(KNN)平滑濾波器
—— 原理分析
邊界保持濾波器的核心是確定邊界點與非邊界點。
如圖所示,點1是黃色區域的非邊界點,點2是藍色區域的邊界點。
點1模板中的像素全部是同一區域的; 點2模板中的像素則包括了兩個區域。
在模板中,分別選出5個與點1或點2灰度值最相近的點進行計算,則不會出現兩個區域信息的混疊平均。這樣,就達到了邊界保持的目的。
—— 實現算法
1)以待處理像素爲中心,作一個m*m的作用模板。
2) 在模板中,選擇K個與待處理像素的灰度差爲最小的像素。
3) 將這K個像素的灰度均值替換掉原來的像素值。
—— 效果分析
KNN濾波器因爲有了邊界保持的作用,所以在去除椒鹽以及高斯噪聲時,對圖像景物的清晰度保持方面的效果非常明顯。當然,所付出的代價是:算法的複雜度增加了。
③ 對稱近鄰平滑濾波器
—— 基本原理
算法示意圖如下,從模板中的對稱點對尋找與待處理像素相同區域的點。然後對選出的點做均值運算。
以行列的點爲中心,用的模板覆蓋點。模版中的任意一點(row行col 列)的對稱點的座標爲:
邊界保持類平滑濾波器的核心是:儘可能地將平滑處理避開兩個或多個不同區域進行計算。可以採用不同形狀結構判別,也可以採用同類相似的概念進行判別。
bingo~ ✨ To love,and to be loved,is the greatest happiness of existence. 愛與被愛是生存的最大幸福