一种改进的自适应混合噪声滤波算法的研究(源码)【字数：8924】
摘 要在图像传输的过程中,由于外部或内部的各种原因，比如光学系统的像差、大气扰动、运动、散焦和系统噪音,不可避免地会引入各种噪声，从而使图像质量下降。为了不让图像降质，图像恢复显得尤为重要。目前主要的方法是对图像进行滤波，图像滤波主要体现在两个方面噪声滤除和细节保护。但是这两个方面在图像滤波中往往是矛盾的，所以，图像滤波问题一直没有能够得到很好的解决。对含有混合噪声的图像处理一直以来都是一个热门的话题，当图像同时具有脉冲噪声和高斯噪声的时候，采用中值滤波算法或者是均值滤波算法中的任何一个算法，都不能很好的达到对混合噪声的滤除。因此，为了很好的解决对混合噪声的滤除，本文提出了一种改进的自适应混合噪声滤波算法，该算法可以在线性滤波和非线性滤波中来调节,首先对含有噪声的图像进行检测,判断图像是否受到了脉冲噪声的污染，如果是的就用中值滤波算法来去除,反之，不是受到脉冲噪声污染的图像就用不同的算法来滤除。最后通过matlab进行仿真，从仿真结果可以看出，所提出的混合滤波算法优于传统的算法，体现在两个方面噪声滤除和细节保护。
目 录
第一章 绪论 1
1.1课题研究的背景和意义 1
1.2国内外发展现状 1
1.3课题研究的主要内容 2
第二章 基础理论简介 3
2.1图像的噪声 3
2.2图像噪声模型 3
2.2.1脉冲噪声 3
2.2.2高斯噪声 3
2.2.3瑞利噪声 4
2.2.4伽玛分布噪声 4
2.3常见图像去噪算法 4
2.3.1中值滤波算法 4
2.3.2均值滤波算法 4
2.3.3限幅滤波算法 5
2.3.4递推平均滤波算法 5
2.4衡量图像滤波效果的评价方法 5
第三章 混合噪声的自适应滤除算法 7
3.1噪声检测 7
3.2混合噪声的自适应滤除算法 8
3.3仿真实验及结果分析 10
3.3.1Lena图像处理 10
3.3.2Cameraman图像处理 12
3.3.3实验分析 14
第 *好棒文|www.hbsrm.com +Q: *351916072*
四章 总结与展望 16
4.1课题总结 16
4.2未来展望 16
结束语 17
致 谢 18
参考文献 19
附录A 20
第一章 绪论
1.1课题研究的背景和意义
随着社会的的不断的进步，人类的需求也在不断的扩大。图像涉及在人类生活的方方面面。但在传输过程中的图像，会受到不同的噪声，如光学系统的像差，大气扰动，运动，散焦，环境噪声和随机噪声，从而导致图像质量的降低。这样就不能满足人类的需求。所以，图像的恢复具有十分重要的意义。在对图像处理中，为了能够让质量不高的图像恢复成原来质量高的图像，图像滤波是目前主要的方法之一。使用不同的算法，可以去除不同的图像噪声。由于计算机技术不断的被运用各个行业，当然图像处理也不例外，对图像处理也取得了很大的进步。
由于图像处理技术不断的进步，使用的范围也接连不断的扩张，例如医学领域，军事科学，天文观测等等。
在医学领域，图像处理技术被广泛应用于超声、CT、X射线成像、磁共振成像、MRI等领域。因此，它极大地促进了医学的发展。
在军事公安领域，广泛的应用在指纹，印章的识别，地形的侦察，高科技的图像的运用，这些都离不开图像的处理。
1.2国内外发展现状
由于图像处理技术运用的广泛，国内外的许多专家进行了研究。目前，有许多表示图像的方法，有两种常用的方法，中值滤波和均值滤波。由于两种算法的特征不同，因此对不同噪声的去噪能力也不同。中值滤波器对含有脉冲噪声的图像有更好的去噪效果，而均值滤波器对含有高斯噪声的图像噪有更好的去噪能力。所以，在实际图像处理中，图像往往包含高斯噪声和脉冲噪声，常被称为混合噪声。因此，单一应用中值滤波或均值滤波不能达到很好的去噪效果。
根据许多专家和学者的研究［3 ～ 10］，即使该方法可以很好地消除图像中混杂的噪声，但它们在噪声抑制和细节上总是存在一些不满意的地方。文献［3 ～ 4］首先对噪声进行测试，然后改进中值滤波。文献［5］在噪声定位过程中，同时需要设置多个参数，不考虑图像区域的有用信息。文献［6 ～ 10］首先对噪声进行检测，然后对噪声分离，分别用不同的滤波方法来对含有噪声的图像处理，但在噪声检测中，往往把区域极值点作为脉冲噪声点判断。但实际效果是,脉冲噪声点可能是灰色的极值点的一个特定的区域,但是区域灰度极值点不一定是脉冲噪声点,比如边缘点,所以这种算法的坏处是对不是噪声点进行错误的判断,因此,滤波后的图像细节信息会损失。文献［8，9］在脉冲噪声滤波时,窗口中的所有像素灰度值替换窗口中间像素的灰度值,由于所有的脉冲噪声点都参与滤波算法的操作,导致了对图像滤除效果并不理想,举个例子，当噪声密度越大,过滤的影响越严重。文献［7，10］在对高斯噪声滤波时，使用加权平均滤波器，但当确定加权系数时，只考虑图像像素的灰色关联，而不考虑图像像素相关的位置。在含有高斯噪声的图像中，图像灰度中的所有像素都有不同程度的变化，只是考虑到像素灰色的相关性明显不能准确地反映像素的相似性。
1.3课题研究的主要内容
图像噪声的滤除的主要是将质量低的图像转换为质量高的图像，同时图像的细节信息也要保留。但是这两方面往往是矛盾的，所以，在图像处理中还没有得到很好的解决。世界千变万化，图像降质系统不同，给图像的去噪问题带来了很大的困难，目前，图像去噪的方法有很多，但混合噪声没有好的处理效果，实现混合噪声图像去噪必须做很多工作,新理论,思路和方法都需要不断的总结和完善。
在本文传统图像表示算法的基础上，提出了改进算法，改进的算法优于传统算法。体现在两个方面，噪声滤除和细节保护。
第一章 绪论。介绍了本课题研究的背景和意义，国内外发展现状。
第二章 基础理论简介。简单介绍了图像噪声的几种模型。不同噪声对图像影像具有不同的效果。图像去噪的常用算法，分析不同的算法的特点，以及对不同噪声滤除可以达到不同的效果。
目 录
第一章 绪论 1
1.1课题研究的背景和意义 1
1.2国内外发展现状 1
1.3课题研究的主要内容 2
第二章 基础理论简介 3
2.1图像的噪声 3
2.2图像噪声模型 3
2.2.1脉冲噪声 3
2.2.2高斯噪声 3
2.2.3瑞利噪声 4
2.2.4伽玛分布噪声 4
2.3常见图像去噪算法 4
2.3.1中值滤波算法 4
2.3.2均值滤波算法 4
2.3.3限幅滤波算法 5
2.3.4递推平均滤波算法 5
2.4衡量图像滤波效果的评价方法 5
第三章 混合噪声的自适应滤除算法 7
3.1噪声检测 7
3.2混合噪声的自适应滤除算法 8
3.3仿真实验及结果分析 10
3.3.1Lena图像处理 10
3.3.2Cameraman图像处理 12
3.3.3实验分析 14
第 *好棒文|www.hbsrm.com +Q: *351916072*
四章 总结与展望 16
4.1课题总结 16
4.2未来展望 16
结束语 17
致 谢 18
参考文献 19
附录A 20
第一章 绪论
1.1课题研究的背景和意义
随着社会的的不断的进步，人类的需求也在不断的扩大。图像涉及在人类生活的方方面面。但在传输过程中的图像，会受到不同的噪声，如光学系统的像差，大气扰动，运动，散焦，环境噪声和随机噪声，从而导致图像质量的降低。这样就不能满足人类的需求。所以，图像的恢复具有十分重要的意义。在对图像处理中，为了能够让质量不高的图像恢复成原来质量高的图像，图像滤波是目前主要的方法之一。使用不同的算法，可以去除不同的图像噪声。由于计算机技术不断的被运用各个行业，当然图像处理也不例外，对图像处理也取得了很大的进步。
由于图像处理技术不断的进步，使用的范围也接连不断的扩张，例如医学领域，军事科学，天文观测等等。
在医学领域，图像处理技术被广泛应用于超声、CT、X射线成像、磁共振成像、MRI等领域。因此，它极大地促进了医学的发展。
在军事公安领域，广泛的应用在指纹，印章的识别，地形的侦察，高科技的图像的运用，这些都离不开图像的处理。
1.2国内外发展现状
由于图像处理技术运用的广泛，国内外的许多专家进行了研究。目前，有许多表示图像的方法，有两种常用的方法，中值滤波和均值滤波。由于两种算法的特征不同，因此对不同噪声的去噪能力也不同。中值滤波器对含有脉冲噪声的图像有更好的去噪效果，而均值滤波器对含有高斯噪声的图像噪有更好的去噪能力。所以，在实际图像处理中，图像往往包含高斯噪声和脉冲噪声，常被称为混合噪声。因此，单一应用中值滤波或均值滤波不能达到很好的去噪效果。
根据许多专家和学者的研究［3 ～ 10］，即使该方法可以很好地消除图像中混杂的噪声，但它们在噪声抑制和细节上总是存在一些不满意的地方。文献［3 ～ 4］首先对噪声进行测试，然后改进中值滤波。文献［5］在噪声定位过程中，同时需要设置多个参数，不考虑图像区域的有用信息。文献［6 ～ 10］首先对噪声进行检测，然后对噪声分离，分别用不同的滤波方法来对含有噪声的图像处理，但在噪声检测中，往往把区域极值点作为脉冲噪声点判断。但实际效果是,脉冲噪声点可能是灰色的极值点的一个特定的区域,但是区域灰度极值点不一定是脉冲噪声点,比如边缘点,所以这种算法的坏处是对不是噪声点进行错误的判断,因此,滤波后的图像细节信息会损失。文献［8，9］在脉冲噪声滤波时,窗口中的所有像素灰度值替换窗口中间像素的灰度值,由于所有的脉冲噪声点都参与滤波算法的操作,导致了对图像滤除效果并不理想,举个例子，当噪声密度越大,过滤的影响越严重。文献［7，10］在对高斯噪声滤波时，使用加权平均滤波器，但当确定加权系数时，只考虑图像像素的灰色关联，而不考虑图像像素相关的位置。在含有高斯噪声的图像中，图像灰度中的所有像素都有不同程度的变化，只是考虑到像素灰色的相关性明显不能准确地反映像素的相似性。
1.3课题研究的主要内容
图像噪声的滤除的主要是将质量低的图像转换为质量高的图像，同时图像的细节信息也要保留。但是这两方面往往是矛盾的，所以，在图像处理中还没有得到很好的解决。世界千变万化，图像降质系统不同，给图像的去噪问题带来了很大的困难，目前，图像去噪的方法有很多，但混合噪声没有好的处理效果，实现混合噪声图像去噪必须做很多工作,新理论,思路和方法都需要不断的总结和完善。
在本文传统图像表示算法的基础上，提出了改进算法，改进的算法优于传统算法。体现在两个方面，噪声滤除和细节保护。
第一章 绪论。介绍了本课题研究的背景和意义，国内外发展现状。
第二章 基础理论简介。简单介绍了图像噪声的几种模型。不同噪声对图像影像具有不同的效果。图像去噪的常用算法，分析不同的算法的特点，以及对不同噪声滤除可以达到不同的效果。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/rjgc/432.html
