数字图像信号去噪方法分析
雷贲
【摘 要】在图像的预处理阶段去除噪声是图像处理中的一个重要的内容。现简要介绍一下数字图像信号去噪方法。 【期刊名称】黑龙江科技信息 【年(卷),期】2012(000)008 【总页数】1
【关键词】数字图像信号；噪声；去噪方法
随着数字技术的发展，信息在人们的工作、学习和生活中发挥着越来越重要的作用，其中最直接、最主要的信息就是图像信息。但由于实际获得的图像在形成、传输、接收和处理的过程中不可避免地存在着外部干扰和内部干扰，如光电转换过程中敏感元件灵敏度不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等，均会存在着一定程度的噪声干扰。噪声恶化了图像质量，降低了图像的峰值信噪比，使图像变得模糊，甚至淹没图像特征，这给后面的图像分析、处理等工作带来了困难。因此，在图像的预处理阶段去除噪声是图像处理中的一个重要的内容。
1 图像的噪声
噪声通常是随机产生的，因而具有分布的不规则性，有些噪声和图像信号互相独立、互不相关，有些是相关的。因此要减少图像中的噪声，必须针对具体情况采用不同的方法，否则很难获得满意的处理效果。一般在图像中常见的噪声有：
（1）加性噪声：和图像信号强度不相关，如图像在传输过程中引进的信道噪声
等。
（2）乘性噪声：和图像信号相关，往往随图像信号的变化而变化。
（3）量化噪声：是数字图像的主要噪声源，其大小显示出数字图像和原始图像差异。
（4）“椒盐”噪声：如图像切割引起的黑图像上的白点噪声。
2 图像去噪的方法
人们根据实际图像的特点、噪声的统计特征和频谱分布规律，发展了各式各样的去噪方法，其最终目的就是为下一步图像分析和处理提供匹配的图像信号，图像去噪主要有以下几种方法。 2.1 图像平滑
图像平滑处理视其噪声图像本身的特性而定，可以在空间域也可以在频率域采用不同的措施。空间域里的一些方法是噪声去除，即先判断某点是否为噪声点，若是，重新赋值，如不是按原值输出。另一类方法是平均，即不依赖于噪声点的识别和去除，而对整个图像进行平均运算。在频域里是对图像频谱进行修正，一般采用低通滤波方法，而不像在空域里直接对图像的像素灰度级值进行运算。在空间域对图像平滑处理常用领域平均法和中值滤波。 2.1.1 邻域平均法
邻域平均法是将一个像素及其邻域中所有像素的平均值赋给输出图像中相应的像素，从而达到平滑的目的，又称均值滤波。其过程是使一个窗口在图像上滑动，窗口中心位置的值用窗内各点值的平均值来代替，即用几个像素的灰度平均值来代替一个像素的灰度。 2.1.2 中值滤波
中值滤波（Medi an Filt ering）是一种基于排序统计理论的可有效抑制噪声的非线性平滑滤波。其滤波原理是：首先确定一个以某个像素为中心点的邻域，一般为方形邻域，然后将邻域中各像素的灰度值进行排序，取中间值作为中心像素灰度的新值，这里的邻域通常被称为窗口；当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。中值滤波的输出像素是由邻域图像的中间值决定的，因而中值滤波对极限像素值（与周围像素灰度值差别较大的像素）远不如平均值那么敏感，从而可以消除孤立的噪声点，可以使图像产生较少的模糊。中值滤波去除噪声的效果除了与噪声的类型有关外，还与邻域的空间范围和中值计算中涉及的像素数有关。一般来说，小于滤波器面积一半的亮或暗的物体基本上会被滤除，而较大的物体几乎原封不动地保存下来，因此，中值滤波器的空间尺寸必须根据现有的问题来进行调整。 2.2 小波滤波方法
近年来，小波理论得到了飞速发展，而且由于其具备良好的时频局部化能力和多分辨率分析能力，因而在图像处理各领域有非常广泛的应用。目前，小波去噪方法大概可分为两大类：第一类方法是由Mallat提出的小波变换模极大值去噪方法；第二类方法是基于小波阈值去噪方法； 2.2.1 模极大值重构滤波
信号的模极大值重构是利用信号在各个尺度上小波系数的模极大值来重构信号。信号小波系数的模极大值包含了信号的峰变性与奇异性，如果可以从这些极大值来重构信号，那么就可以通过处理小波系数的模极大值而实现对信号奇异性的修改，也可以通过抑制某些极大值点而去除相应的奇异性，这是模极大值重构滤波的基本思想。模极大值重构滤波方法是根据信号和噪声在小波变换下随
数字图像信号去噪方法分析
