论文部分内容阅读
图像是人类日常交流的一种信息载体。清晰度高的图像可以更好地传递信息,帮助人们了解事物的内在规律及事物之间的联系。然而,图像在采集、接收和保存等过程中不可避免地会受到噪声的影响,造成图像数据损坏,严重影响人们的工作和学习。为了获得所需要的信息,图像去噪便成为图像数据处理的关键技术。通常图像中的噪声并不只是单一类型的,而是由高斯噪声和脉冲噪声混合而成的,不同的位置呈现出不同的噪声。实际预处理中的去噪算法通常仅针对高斯噪声或者脉冲噪声,因此并不能达到很好的去噪效果。本文重点研究针对脉冲噪声的切尾均值和针对高斯噪声的小波阈值函数的改进。在脉冲噪声和高斯噪声混合污染图像中,先检测噪声,然后利用改进的切尾均值和改进的小波阈值函数对图像进行去噪。具体工作总结如下:首先,简单概述了图像噪声的分类及常见噪声模型,介绍了传统图像去噪方法,包括:空域滤波、频域滤波及最优线性滤波,并对小波阈值函数的原理进行了阐述。其次,重点研究改进切尾均值、小波变换及脊波变换。分析了切尾均值的不足,切尾均值主要对图像中的脉冲噪声进行去噪处理,其主要原理是通过对数据进行排序,去掉数据中最大值和最小值,然后对剩下的数据求均值。但是,当一张图像的信息对比较大时,图像的灰度值差异较大,此时图像的最大值或最小值可能是图像信息,若利用切尾均值,便会造成图像信息损失。为了克服上述缺点,本文提出改进的切尾均值算法。针对脉冲噪声,此算法主要是通过判断最大值和最小值的个数,根据给定的条件判断具体剪切的最大值或最小值的个数,同时对可疑噪声点进行二次检验。这样,在滤除脉冲噪声的同时,可以更好地保存图像的原有信息。针对高斯噪声,分析了传统阈值方法,提出了一种改进的阈值函数,并分析了该函数的性能,结合小波变换与脊波变换,滤除高斯噪声。实验结果表明改进的切尾均值算法可以很好地去除脉冲噪声,并且其对于高斯噪声也有着不错的效果,改进的阈值函数结合小波变换与脊波变换可以很好地滤除高斯噪声。最后,根据图像中存在混合噪声的特点,仅用传统的空域滤波或频域滤波不能达到最佳效果。本文依据高斯噪声和脉冲噪声的特点,借助选择滤波器,利用先检测后滤波的思想,对选定的图像子块先判断噪声类型,然后使用第三章和第四章所提出的方法,对相应噪声进行滤除。实验结果验证了所提算法可以很好地去除图像中存在的混合噪声。