论文部分内容阅读
当今社会已经进入了数字化的信息时代,而占存储空间最大的信息量则是图像。图像在获取或传输过程中不可避免地会受到噪声污染,图像中的噪声严重影响了后续的图像处理工作,如图像特征提取、编码、分割和目标检测等。为了提高图像的质量以及满足后续更高层次处理的需要,对图像进行去噪就成为图像预处理中一项非常重要的工作。本文主要对图像去噪方法中的中值滤波技术和小波域去噪技术进行了研究。首先,本文前两章作为全文的基础,介绍了图像去噪的研究背景和意义、图像去噪的发展概况、图像噪声的分类和数学模型、图像质量的评价方法及常用的图像去噪方法,着重介绍了中值滤波算法和小波域图像去噪算法。其次,本文研究了常规中值滤波、加权中值滤波、开关中值滤波、极大极小中值滤波及自适应中值滤波算法,分析它们的优缺点后,给出了一种有效抑制脉冲噪声的图像去噪算法。该算法根据噪声检测窗口中信号点的数量,自适应改变检测窗口的大小,并考虑相邻像素的相关性,较准确的区分噪声点和信号点,然后根据方向相关依赖性,采用一种边缘保持滤波方法来重构被噪声污染像素的灰度值。仿真结果显示,该算法可以有效地去除图像中的脉冲噪声,更好地保持图像的边缘细节,视觉效果较好,其去噪性能优于其它几种较好的中值滤波算法。然后,本文对小波去噪中常用的小波模极大值法、小波系数相关性法和小波阈值法进行了研究,分析它们的优缺点后,给出了一种先优化后分类改进的小波域图像去噪方法。该方法先用stein的无偏风险估计,为小波域每一个子带确定一个最优的阈值和邻域窗口,然后根据邻域阈值的大小,将子带内的每个小波系数划分为“小”系数和“大”系数,最后对“小”系数直接置零,对“大”系数则采用一种具有局部空间强相关性的零均值高斯模型,通过最小均方误差准则得到真实系数的估计。实验结果表明,该方法可以有效地去除图像中的高斯噪声且较好的保存了图像的纹理信息,视觉效果较好,其去噪性能优于其它几种较好的小波域去噪方法。最后,本文末尾对论文所工作做了详细的总结,并对图像去噪方法的进一步研究方向做了展望。