数字图像处理技术图像增强之噪声抑制.pptx

椒盐噪声的特征椒盐噪声的特征:出现位置是随机的，但噪声的幅值是基本出现位置是随机的，但噪声的幅值是基本相同的。相同的。高斯噪声的特征：高斯噪声的特征：出现在位置是一定的（每一点上），但噪出现在位置是一定的（每一点上），但噪声的幅值是随机的。声的幅值是随机的。图像噪声的概念图像噪声的概念第1页/共47页设计出噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。设计出噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。均值滤波器均值滤波器中值滤波器中值滤波器边界保持类滤波器边界保持类滤波器图像噪声的抑制方法图像噪声的抑制方法第2页/共47页1 1、均值滤波、均值滤波图像平滑的目的是消除或尽量减少噪声的影响，改善图像质量。在假定加性噪声是随机独立分布的条件下，利用邻域的平均或加权平均可以有效地抑制噪声干扰。邻域的两种类型：4邻域和8邻域邻域平均法实际是在做空间域的滤波,所以这种方法也称为均值滤波。第3页/共47页均值滤波器均值滤波器 原理原理在图像上，对在图像上，对待处理的像素待处理的像素给定一个模板，给定一个模板，该模板包括了其周围的邻近像素。将模板中该模板包括了其周围的邻近像素。将模板中的全体像素的的全体像素的均值均值来替代原来的像素值的方来替代原来的像素值的方法。法。第4页/共47页以模块运算系数表示即：以模块运算系数表示即：12143122345768957688567891214312234576895768856789344556678待处理像素待处理像素示例示例2均值滤波器均值滤波器 处理方法处理方法示例示例1第5页/共47页均值滤波器的缺点是，会使图像变的模糊，原均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。分摊的同时，将景物的边界点也分摊了。为了改善效果，就可采用加权平均的方式来构为了改善效果，就可采用加权平均的方式来构造滤波器。造滤波器。均值滤波器的改进均值滤波器的改进 加权均值滤波加权均值滤波第6页/共47页均值滤波器的改进均值滤波器的改进 加权均值滤加权均值滤波波n 如下，是几个典型的加权平均滤波器。如下，是几个典型的加权平均滤波器。示例示例示例示例示例示例示例示例第7页/共47页2 2、中值滤波器、中值滤波器虽然均值滤波器对噪声有抑制作用，但同虽然均值滤波器对噪声有抑制作用，但同时会使图像变得模糊。即使是加权均值滤时会使图像变得模糊。即使是加权均值滤波，改善的效果也是有限的。波，改善的效果也是有限的。为了有效地改善这一状况，必须改换滤波为了有效地改善这一状况，必须改换滤波器的设计思路，中值滤波就是一种有效的器的设计思路，中值滤波就是一种有效的方法。方法。第8页/共47页中值滤波器中值滤波器 设计思想设计思想因为噪声（如椒盐噪声）的出现，使该点像素因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。比周围的像素亮（暗）许多。如果在某个模板中，对像素进行由小到大排列如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定的重新排列，那么最亮的或者是最暗的点一定被排在两侧。被排在两侧。取模板中排在中间位置上的像素的灰度值替代取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。待处理像素的值，就可以达到滤除噪声的目的。第9页/共47页中值滤波器中值滤波器 原理示例原理示例数值排序数值排序m-2m-1mm+1m+2610258mm+1m-2m+2m-1610258266第10页/共47页中值滤波器中值滤波器 处理示例处理示例例：模板是一个1*5大小的一维模板。原图像为：2 2 6 2 1 2 4 4 4 2 4 处理后为：2 2(1,2,2,2,6)2(1,2,2,2,6)2(1,2,2,4,6)2 2 4 4 4 4 4(2,4,4)第11页/共47页中值滤波器中值滤波器 滤波处理方法滤波处理方法与均值滤波类似，做与均值滤波类似，做3*33*3的模板，对的模板，对9 9个个数排序，取第数排序，取第5 5个数替代原来的像素值。个数替代原来的像素值。第12页/共47页中值滤波器中值滤波器 例题例题12143122345768957688567891214312234576895768856789234566678示例示例2示例示例1第13页/共47页中值滤波器与均值滤波器的比较中值滤波器与均值滤波器的比较对于对于椒盐噪声椒盐噪声，中值滤波效果比均值滤波效果好。，中值滤波效果比均值滤波效果好。第14页/共47页中值滤波器与均值滤波器的比较中值滤波器与均值滤波器的比较原因：原因：椒盐噪声是幅值近似相等但随机分布在不椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中同位置上，图像中有干净点也有污染点有干净点也有污染点。中值滤波中值滤波是选择适当的点来替代污染点的是选择适当的点来替代污染点的值，所以处理效果好。值，所以处理效果好。因为噪声的均值不为因为噪声的均值不为0 0，所以，所以均值滤波均值滤波不不能很好地去除噪声点。能很好地去除噪声点。第15页/共47页中值滤波器与均值滤波器的比较中值滤波器与均值滤波器的比较对于对于高斯噪声高斯噪声，均值滤波效果比中值滤波效果好。，均值滤波效果比中值滤波效果好。第16页/共47页中值滤波器与均值滤波器的比较中值滤波器与均值滤波器的比较原因：原因：高斯噪声是幅值近似正态分布，但高斯噪声是幅值近似正态分布，但分布在每点分布在每点像素上。像素上。因为图像中的每点都是污染点，所以因为图像中的每点都是污染点，所以中值滤波中值滤波选不到合适的干净点。选不到合适的干净点。因为正态分布的均值为因为正态分布的均值为0 0，所以，所以均值滤波均值滤波可以消除噪声。可以消除噪声。第17页/共47页中值滤波器与均值滤波器的比较中值滤波器与均值滤波器的比较噪声特点方法处理后图像椒盐分布随机幅值一定均值抑制噪声，边缘明显模糊中值滤除噪声，边缘少许模糊高斯分布固定幅值不定均值滤除噪声，边缘明显模糊中值噪声无法去除，边缘也无模糊第18页/共47页3 3、边界保持类平滑滤波器、边界保持类平滑滤波器经过平滑滤波处理之后，图像就会变得模糊。经过平滑滤波处理之后，图像就会变得模糊。分析原因，在图像上的景物之所以可以辨认清分析原因，在图像上的景物之所以可以辨认清楚是因为目标物之间存在边界。楚是因为目标物之间存在边界。而边界点与噪声点有一个共同的特点是，都具而边界点与噪声点有一个共同的特点是，都具有灰度的跃变特性。所以平滑处理会同时将有灰度的跃变特性。所以平滑处理会同时将边界也处理了。边界也处理了。第19页/共47页边界保持类平滑滤波器边界保持类平滑滤波器 设计思设计思想想为了解决图像模糊问题，一个自然的想法就是，在进行平滑处理时，首为了解决图像模糊问题，一个自然的想法就是，在进行平滑处理时，首先判别先判别当前像素是否为边界上的点当前像素是否为边界上的点，如果是，则不进行平滑处理；如果，如果是，则不进行平滑处理；如果不是，则进行平滑处理。不是，则进行平滑处理。第20页/共47页K K近邻近邻(KNN)(KNN)平滑滤波器平滑滤波器 原理分原理分析析边界保持滤波器的核心是确定边界点与非边界边界保持滤波器的核心是确定边界点与非边界点。点。如图所示，点如图所示，点1 1是黄色区域的非边界点，点是黄色区域的非边界点，点2 2是是蓝色区域的边界点。蓝色区域的边界点。点点1 1模板中的像素全部模板中的像素全部 是同一区域的；是同一区域的；点点2 2模板中的像素则包模板中的像素则包 括了两个区域。括了两个区域。12第21页/共47页K K近邻近邻(KNN)(KNN)平滑滤波器平滑滤波器 原理分原理分析析在模板中，分别选出在模板中，分别选出5 5个与点个与点1 1或点或点2 2灰灰度值最相近的点进行计算，则不会出现度值最相近的点进行计算，则不会出现两个区域信息的混叠平均。两个区域信息的混叠平均。这样，就达到了边界保持这样，就达到了边界保持 的目的。的目的。12第22页/共47页K K近邻近邻(KNN)(KNN)平滑滤波器平滑滤波器 实现算实现算法法1)1)以待处理像素为中心，作一个以待处理像素为中心，作一个3*33*3的作用模的作用模板板2 2）在模板中，选择）在模板中，选择K K个与待处理像素的灰度差个与待处理像素的灰度差为最小的像素为最小的像素3 3）将这）将这K K个像素的灰度均值替换待处理像素值个像素的灰度均值替换待处理像素值第23页/共47页K K近邻近邻(KNN)(KNN)平滑滤波器平滑滤波器 例例题题例：下图，给定例：下图，给定3*33*3模板，模板，k=5k=5。12143122345768957688567891214312234576895768856789223678768(1+1+2+2+2)/5=1.6=2(1+2+2+2+3)/5=2(2+3+3+4+4)/5=3.2=3(5+6+6+7+7)/5=6.2=6(6+6+7+7+8)/5=6.8=7(6+8+8+8+9)/5=7.8=8(6+6+7+7+7)/5=6.6=7(6+6+6+7+7)/5=6.4=6(7+8+8+8+8)/5=7.8=8第24页/共47页K K近邻近邻(KNN)(KNN)平滑滤波器平滑滤波器 效果分析效果分析首先来看一下首先来看一下KNNKNN平滑滤波的效果。平滑滤波的效果。KNNKNN滤波器因为有了边界保持的作用，所以滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的在去除椒盐以及高斯噪声时，对图像景物的清晰度保持方面的效果非常明显。清晰度保持方面的效果非常明显。当然，所付出的代价是：算法的复杂度增加当然，所付出的代价是：算法的复杂度增加了。了。示例示例2示例示例1第25页/共47页上机实验：滤波增强上机实验：滤波增强1、均值和中值滤波上机参考程序实验效果图2、维纳滤波上机参考程序实验效果图第26页/共47页图像的噪声示例图像的噪声示例返回第27页/共47页椒盐噪声示例椒盐噪声示例返回第28页/共47页高斯噪声示例高斯噪声示例返回第29页/共47页4 4邻域和邻域和8 8邻域邻域4邻域8邻域返回第30页/共47页均值滤波器滤椒盐噪声的效果均值滤波器滤椒盐噪声的效果返回第31页/共47页均值滤波器滤高斯噪声的效果均值滤波器滤高斯噪声的效果返回第32页/共47页加权均值滤波器的效果加权均值滤波器的效果(H(H1 1)H0的比较例的比较例H1的效果的效果返回第33页/共47页加权均值滤波器的效果（加权均值滤波器的效果（H H2 2）H0的比较例的比较例H2的效果的效果返回第34页/共47页加权均值滤波器的效果加权均值滤波器的效果(H(H3 3)H0的比较例的比较例H3的效果的效果返回第35页/共47页加权均值滤波器的效果加权均值滤波器的效果(H(H4 4)H0的比较例的比较例H4的效果的效果返回第36页/共47页中值滤波器的效果（椒盐噪声）中值滤波器的效果（椒盐噪声）返回第37页/共47页中值滤波器的效果（高斯噪声）中值滤波器的效果（高斯噪声）返回第38页/共47页中值滤波与均值滤波效果比较中值滤波与均值滤波效果比较（椒盐噪声）（椒盐噪声）中值滤波中值滤波均值滤波均值滤波返回第39页/共47页中值滤波与均值滤波效果比较中值滤波与均值滤波效果比较（高斯噪声）（高斯噪声）中值滤波中值滤波均值滤波均值滤波返回第40页/共47页KNNKNN均值滤波器的效果（椒盐噪声）均值滤波器的效果（椒盐噪声）均值滤波中值滤波中值滤波KNN均值滤波返回第41页/共47页KNNKNN均值滤波器的效果（高斯噪声）均值滤波器的效果（高斯噪声）均值滤波均值滤波 中值滤波中值滤波KNNKNN均值滤波均值滤波返回第42页/共47页均值和中值实验上机参考程序均值和中值实验上机参考程序I=imread(cameraman.tif);J=imnoise(I,salt&pepper,0.02);K=filter2(fspecial(average,3),J)/255;L=medfilt2(J,3 3);subplot(2,2,1),imshow(I)subplot(2,2,2),imshow(J)subplot(2,2,3),imshow(K)subplot(2,2,4),imshow(L)返回第43页/共47页维纳滤波实验上机参考程序维纳滤波实验上机参考程序I=imread(cameraman.tif);J=imnoise(I,gaussian,0,0.005);K=wiener2(J,5 5);L=medfilt2(J,3 3);subplot(2,2,1),imshow(I)subplot(2,2,2),imshow(J)subplot(2,2,3),imshow(K)subplot(2,2,4),imshow(L)返回第44页/共47页均值和中值滤波实验效果图均值和中值滤波实验效果图返回第45页/共47页维纳滤波实验效果图维纳滤波实验效果图返回第46页/共47页感谢您的观看！第47页/共47页