MATLAB應用在基於噪聲檢測的圖像均值去噪法

2020-12-13 電子產品世界

引言

本文引用地址：http://www.eepw.com.cn/article/194932.htm

　　圖像是用各種觀測系統以不同形式和手段觀測客觀世界而獲得的，可以直接或間接作用於人眼並進而產生視知覺的實體，是人類感知世界的視覺基礎，是人類獲取信息、表達信息和傳遞信息的重要手段。研究表明，人類獲取的視覺圖像信息在人類接受的信息中的比重達到75％，「百聞不如一見」便是非常形象的例子之一。在高度信息化條件下的今天，數字圖像越來越得到普及和應用。

　　然而，人們在獲取和傳輸數字圖像的同時，難免於圖像數據被外界噪聲所汙染，妨礙了人們對圖像信息的理解。由此，圖像去噪技術應運而生。圖像去噪，即在儘可能地不損失原圖像細節的前提下，去除圖像中無關的噪點。現有的圖像去噪方法[11很多，如：

　　1 均值濾渡器

　　均值濾波器是一種典型的線性去噪方法，因為其運算簡單快速，同時又能夠較為有效地去除高斯噪聲。因而適用面較廣。

　　許多濾除噪聲方法都是在此基礎上發展而來的。其缺點是嚴重破壞了圖像的邊緣，模糊了圖像。

　　2 低通濾波器

　　低通濾波器，信號或圖像的能量大部分集中在幅度譜的低頻和中頻段是很常見的；而在較高頻段，感興趣的信息常被噪聲所淹沒。因此。一個能降低高頻成分幅度的濾波器就能減弱噪聲的看的見的影響。這是一種頻域處理法。在分析圖像信號的頻率特性時，一幅圖像的邊緣、跳躍部分以及顆粒噪聲代表圖像信號的高頻分量，而大面積的背景區則代表低頻分量。用濾渡的方法濾除其高頻部分就能去掉噪聲，使圖像得到平滑。但同時，有用的高頻成分也濾除了。因此這種處理是以犧牲清晰度為代價的。

　　3 中值濾波器

　　中值濾波器是一種消除噪聲的非線性處理方法，它是由Tueky在1971年提出的。它的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰近各點值的中值代替。中值定義如下：對一個數字序列的元素進行排序，如果元素個數為奇數，則取排序後序列的中間值。如果序列元素個數為偶數，則取排序後序列的中間兩個值的均值。

　　把一個點的特定長度或形狀的領域稱作窗口。在一維情況下，中值濾波器是一個含有奇數個像素的滑動窗口。窗口正中問那個像素的值用窗口內各像素值的中值代替。

　　該濾波器是一種典型的非線性處理方法。它的優勢在對圖像中脈衝噪聲消除極為有效，且能夠較好地保護圖像邊緣信息。

　　弱點是因為涉及大量排序運算，運算速度較慢，對圖像的實時處理有影響。圖像一般要傳化成數字圖像後才可以使用計算機對其進行各種處理。數字圖像，是以數字的形式而存在的。利用MATLAB（矩陣實驗室）進行處理時，我們簡單地理解它為一定大小的數字矩陣。矩陣中的每個效字代表圖像的一個像索點。由此可以知道，對數字圖像的處理，實際上就是對一個數字矩陣的運算處理。

　　為了研究方便，我們的方法是人工的給原圖像添加噪聲·主要是不同強度的正態分布隨機噪聲和脈衝噪聲。在MATLAB中，正態分布噪聲是由randn函數實現的，而脈衝噪聲，即平常所說的椒鹽噪聲，是由imnoise（Io，’saIt 8L pepper，i）實現的。其中Io是原圖像矩陣，i取值。至1之間，表示噪聲的強度。

低通濾波器相關文章:低通濾波器原理

相關焦點

  • 圖解噪聲與去噪 之二 ---- 從'均值濾波' 到 'BM3D'
    在信號處理教科書中，介紹過很多經典的圖像去噪方法，主要的是針對隨機噪聲的，對於圖像中非隨機噪聲，比如sensor本身的物理缺陷導致的hot pixel，weak pixel 或是dead pixel，一般稱之為impulse noise，對於impulse noise有單獨的處理方法，因為他們不屬於隨機噪聲。
  • 圖像去噪算法的優點和缺點
    BM3D 降噪方法的優點是更好的保留圖像中的一些細節，BM3D採用了不同的去噪策略。通過搜索相似塊並在變換域進行濾波，得到塊評估值，最後對圖像中每個點進行加權得到最終去噪效果。  原理：首先將一幅圖像分割成尺寸較小的小像素片，選定參考片後，尋找與參考片相似的小片組成 3D 塊。此過程過後將得到 3D 塊。然後將所有相似塊進行 3D 變換。
  • 基於中值的圖像椒鹽噪聲的非迭代濾除
    現實中由於照相機的性能和光線強弱的變化，噪聲在圖像中不可避免。去除噪聲的方法大致分為兩類：線性方法和非線性方法。線性濾波和含噪圖像的卷積能有效地去除高斯噪聲以及其他呈均勻分布的噪聲，但由於這種方法把邊界處灰度變化較大位置的點也當作椒鹽噪聲處理，因此他對這樣的噪聲效果甚微，並且還經常對圖像造成模糊。
  • OpenCV-Python 圖像去噪|五十九
    目標在本章中，你將學習用於去除圖像中噪聲的非局部均值去噪算法。你將看到不同的函數，例如cv.fastNlMeansDenoising()，cv.fastNlMeansDenoisingColored()等。理論在前面的章節中，我們已經看到了許多圖像平滑技術，例如高斯模糊，中值模糊等，它們在某種程度上可以消除少量噪聲。
  • 基於新閾值函數的小波閾值去噪算法
    小波變換以其多解析度分析的特性，在時頻域內良好的表徵信號的能力以及大小固定形狀可變的窗口等特點，廣泛應用於圖像去噪中，並得到了很好的去噪效果。而小波閾值去噪法是小波分析法在圖像去噪眾多應用中最常用的一種方法，利用閾值處理後的小波係數進行小波反變換重構出去噪後的結果圖像。
  • matlab處理圖像代碼
    %例2：直方圖的顯示imshow('c:\lilizong\boat.bmp');title('原圖像')%顯示原圖像A=imread('e:\matlabwork\tuxiang\Girl.bmp','bmp');figure;imhist(A),title('對應直方圖')在圖像處理中，點運算是簡單而又重要的一種技術，其中最常用的一種應用就是直方圖的均衡化
  • 【圖像處理】基於形態學的權重自適應圖像去噪
    數字圖像在進行數學形態濾波去噪時，根據噪聲特點可以嘗試採用維數由小到大的結構元素來進行處理，進而達到濾除不同噪聲的目的。
  • 2020「水下目標檢測算法賽」賽題解析——聲學圖像
    這將導致聲波的折射、擴散、吸收、噪聲等問題。這也導致在對聲納圖像左準確智能檢測時，將面臨噪聲幹擾、灰度畸變、幾何畸變、形態多樣、樣本稀缺、混疊失真等問題。非局部均值聲納圖像去噪圖像去噪聲在 OCR、機器人視覺與機器視覺領域應用開發中是重要的圖像預處理手段之一，對圖像二值化與二值分析很有幫助。
  • 基於Matlab的三維人臉識別系統開發
    人臉檢測為了從整個圖像中僅提取面部區域，利用深度信息。如果注意到圖4中所示的圖像，則可以觀察到對象面向z軸，並且傳感器捕獲正面。因此噪聲尖端點將具有來自攝像機的最小深度。 圖7（b）：裁剪的臉部圖像圖7（a）和7（b）表示當以不同角度可視化時的裁剪的面部圖像。一旦獲得裁剪的面部區域，下一步就是執行去尖峰，孔填充和去噪。
  • 大神帶你玩轉matlab圖像處理(6)——Hough變換
    Hough是基於特徵值提取技術的圖像變換方案。Hough運用兩個坐標空間的之間的變換將在一個空間中具有相同形狀的曲線或直線映射到另一個坐標空間的一個點上形成峰值，從而把檢測任意形狀的問題轉換為統計峰值問題。基本原理Hough變換是利用表決原理的參數軌跡技術，說到參數估計，大家能夠想到過冷水做的有關概率統計的推文不？——統計分布講解。
  • 實時視頻圖像的清晰度檢測算法研究
    目前針對實時視頻圖像清晰度檢測的研究較少，圖像清晰度檢測算法的研究對象主要針對靜止的圖像。現有的圖像清晰度檢測算法大致分為空域和頻域兩類。在空域中多採用基於梯度的算法，如拉普拉斯(Laplace)算法、差分平方和(SPSMD)算法、Sobel算子等。此類算法計算簡潔、快速、抗噪性能好、可靠性較高。
  • Matlab圖像增強與復原技術在SEM圖像中的應用
    在分析圖像信號的頻率特性時，對於一幅圖像，直流分量表示了圖像的平均灰度；大面積的背景區域和緩慢變化部分代表了圖像的低頻分量，而它的邊緣，細節，跳躍部分以及顆粒噪聲都代表圖像的高頻分量。因此，在頻域中對圖像採用濾波器函數衰減高頻信息而使低頻信息暢通無阻的過程稱為低通濾波。通過濾波可以去除高頻分量，消除噪聲，起到平滑圖像去噪聲的增強作用。
  • 基於深度學習的去噪方法簡介|貝葉斯|高斯|光譜|神經網絡_網易訂閱
    對於普通的自然圖像而言，基於深度學習的方法在降噪方面的效果要比基於數學模型的去噪方法更好，同時也為高光譜遙感影像的去噪問題帶來了啟發。相比於傳統的人工神經網絡（Artificial Neural Network，ANN），深度神經網絡（Deep Neural Networks，DNN）隱藏層至少在2層以上，使其有了更強的抽象特徵提取能力。
  • 基於矢量空間投影的深層語音去噪
    1.簡介一個多世紀以來，信號去噪一直是多媒體中的一個問題，其應用範圍包括聲學語音處理、圖像處理、地震數據分析和其他模態。對於每種應用的方法已經發展了幾十年，包括傳統的統計信號處理，如Wiener和卡爾曼濾波，小波理論以及矩陣分解的特定實例。
  • 基於圖像的目標區域分割算法研究
    和Lantuejoul等人將其引入數字圖像處理，該算法是一種基於數學形態學的分割方法。　　基於標記的分水嶺算法實現步驟：　　①對圖像進行去噪處理;　　②對圖像進行梯度處理，計算處理後圖像中各「積水盆地」位置;　　③使用imextendedmin函數獲得標記符;　　④使用watershed函數對標記好的圖像進行分割處理;　　⑤合併過分割區域。　　傳統方法與改進方法處理效果如圖5所示。
  • 精通信號處理設計小Tips(8):檢測淹沒在噪聲中的信號
    相關函數的應用很廣，比如噪聲中信號的檢測，信號中隱含周期性的檢測，信號時延長度的測量等等。這一節專門討論利用自相關函數檢測淹沒在噪聲下的周期性信號。　　基於信號的自相關累積可以檢測是否有周期信號的存在，這是基於幾個前提：　　第一，通常把噪聲都看作加性的白噪聲對待，因為這種噪聲從理論上便於分析和處理。
  • 基於opencv 的圖像處理入門教程
    >形心檢測對彩色圖片採用蒙版（mask）提取圖片的文字（OCR）檢測和修正歪曲的文字顏色檢測去噪所以中值模糊主要用於消除椒鹽噪聲和斑點噪聲。實現代碼：7. 邊緣檢測邊緣檢測主要是通過 Canny() 方法，它實現了 Canny 邊緣檢測器，這也是目前最優的邊緣檢測器。
  • 結合實例與代碼談數字圖像處理都研究什麼?
    這裡面其實還包含了插值算法(這是某些幾何變換所必須的)，例如最鄰近插值法、雙線性插值法等等)　　幾何變換同時和圖像的濾鏡特效是緊密聯繫的，某些特效的實現本質上就是某種類型的幾何變換。例如　　   　　基於全變分方法的TV去噪、基於PM方程的非線性擴散去噪等等。
  • 小波去噪方法及步驟_小波去噪方法的比較
    本文主要介紹小波分解與重構法、非線性小波變換閾值法、平移不變量小波法以及小波變換模極大值法這4種常用的小波去噪方法。將它們分別用於仿真算例的去噪處理，並對這幾種方法的應用場合、去噪性能、計算速度和影響因素等方面進行比較。 選擇了Matlab軟體中的仿真信號Blocks作為原始信號，信號長度（即採樣點數）N=2048，如圖1a所示。
  • 【推薦】基於MATLAB編程、機器學習、深度學習在圖像處理中的實踐技術應用
    MATLAB代碼實現方法4.掌握生成式對抗網絡（GAN）及其在圖像處理中的應用及代碼實現方法5.掌握目標檢測YOLO模型及其在圖像處理中的應用及代碼實現方法6.通過深入淺出的講解、多案例實操，問題解析及學員項目交流，掌握其方法及對接工作實踐問題。