图像去噪算法的研究

论文摘要

图像信号在获取和传输过程中,不可避免地受到各种噪声的污染,从而导致图像质量退化,对图像的后续处理,如边缘检测、图像分割、特征提取、模式识别等产生严重的影响。因此,图像去噪是图像预处理的一个非常重要的环节。近年来,图像的恢复和去噪引起了人们的广泛关注。文章首先介绍了图像去噪的研究背景和意义、图像滤波算法的发展概况及其评价方法;然后介绍了图像噪声的分类和数学模型,并着重介绍了传统的图像去噪算法:包括各种均值滤波器、顺序统计滤波器、自适应滤波器以及近年来出现的形态学滤波器、偏微分方程去噪算法和小波去噪算法。在深入研究前人算法的基础上,针对脉冲噪卢感染的图像,借鉴开关滤波的思想,提出了一种新的基于二级噪声检测的改进中值滤波算法。算法通过分析Max-min噪声检测算子的图像灰度局部极值点的误判缺陷,在极值检测的基础上,增加了由局部能量信息为判别依据的第二级噪声检测过程,实现了对噪声的精确检测。同时,在去除噪声时只利用信号点参与中值滤波,并让噪声点逐步转化为信号点,减少了噪声在邻域的传播。实验表明,该算法对脉冲噪声具有很好的噪声滤除和细节保护能力,与传统中值滤波及其它改进开关滤波算法相比,该算法具有更优的滤波性能,即使是在噪声密度较高的情况下,也能取得令人满意的效果。针对同时感染脉冲噪声和高斯噪声的混合噪声的图像,以全变分去噪模型为基础,结合中值滤波技术,提出了一种新的混合噪声滤波算法。与以往算法相比,该算法深入分析了两种噪声的特点,充分利用邻域像素间的信息,并有效地结合了中值滤波和全变分去噪模型的优势,在降噪和图像细节保护方面取得了较好的折中。该算法在滤波前先进行了噪声定位,在去除脉冲噪声时,对中值滤波进行了改进,避免了噪声点对滤波结果的影响;而且采用保护细节的自适应广义变分模型滤除高斯噪声,选取了一种鲁棒性好和边缘保持能力强的势函数,避免了滤波结果产生“阶梯效应”,因而能更有效地滤除混合噪声。实验表明,该算法不仅可以有效地滤除混合噪声,而且能较好地保护图像的细节特征。针对传统小波阈值去噪算法的不足,提出了一种新的自适应闽值去噪算法。算法引入了一个新的阈值函数,在阈值估计过程中,充分考虑了当前小波系数与局部邻域信息的相关性,利用GGD模型对小波子带内的系数进行建模,再根据小波子带系数的局部邻域信息进行方差估计,从而得到自适应最优阈值。与其它几种传统小波去噪算法作了对比实验,结果表明,本算法去噪后的图像在峰值信噪比和主观视觉效果两方面均得到了明显改善。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究图像去噪处理的意义
• 1.2 图像去噪算法的发展概况
• 1.3 滤波性能评价标准
• 1.4 本文所作的工作
• 第2章 传统的图像去噪算法
• 2.1 噪声的分类和数学模型
• 2.2 几种常见空域图像去噪算法
• 2.2.1 均值滤波器
• 2.2.2 顺序统计滤波器
• 2.2.3 自适应滤波器
• 2.3 其它新型滤波器
• 2.3.1 形态学滤波器
• 2.3.2 偏微分方程图像去噪
• 2.3.3 小波去噪算法
• 第3章 滤波算法的改进
• 3.1 针对脉冲噪声的滤波改进算法
• 3.1.1 算法实现
• 3.1.2 实验结果与分析
• 3.1.3 结论
• 3.2 针对混合噪声的滤波算法
• 3.2.1 全变分去噪模型的改进
• 3.2.2 本文算法
• 3.2.3 实验结果与分析
• 3.2.4 结论
• 3.3 自适应小波阈值去噪算法
• 3.3.1 算法实现
• 3.3.2 实验结果与分析
• 3.3.3 结论
• 第4章 总结与展望
• 附录
• 附录1 变分原理和欧拉-拉格朗日方程
• 附录2 式（3-21）对应的欧拉-拉格朗日方程的推导
• 附录3 式（3-48）的推导
• 附录4 式（3-31）推导出式（3-47）的过程
• 附录5 边缘保持势函数
• 参考文献
• 致谢
• 攻读学位期间的研究成果