噪声分类:
- 高斯噪声
- 是随机噪声, 服从高斯分布
- 主要特点表现为:麻点
- 椒盐噪声
- 胡椒噪声、盐噪声
- 主要特点表现为:黑白点
噪声的描述
- 均方误差 MSE : MSE越大,失真率越大
- 峰值信噪比 PSNR: PSNR越大,失真度越小
图像平滑(去噪)
-
平滑的目的: 在表刘源是图像基本特征的前提下, 消除或衰减噪声的影响, 提高视觉效果
-
基础知识:
(1): 滤波: 使用空间模版(滤波器)处理图像的过程
(2): 模版与模版运算: 模版和邻域大小相同 -
常用图像平滑方法(空间平滑滤波):
-
均值滤波 (邻域平均法)——线性空间滤波
MATLAB实现均值滤波,见我的博客:
https://blog.csdn.net/qq_37486501/article/details/80274928
(1): 基本思想: 某像素点灰度值=邻域中所有像素灰度值平均值 来代替
(2): 优点: 在一定程度上可衰减噪声影响——拉小灰度差异
(3): 缺点: 图像的边缘轮廓细节变模糊——边缘轮廓也做均值,导致的变模糊 -
中值滤波(中位数)——非线性滤波
MATLAB实现中值滤波,见我的博客:
https://blog.csdn.net/qq_37486501/article/details/80274960
(1): 基本思想: 某像素的灰度值=窗口内所有像素的灰度中值 来代替
(2):窗口:
有不同形状(
一维:线状
二维:十字、正方形、菱形、圆形)
有不同大小(窗口大小中必含奇数元素, 为了保证中心像素值)
(3): 优点:
在去噪同时,较好的保持边缘轮廓细节
适合处理椒盐噪声(因为: 不是去噪声点, 而使改变其灰度值) -
小波去噪
将信号通过小波变换(采用Mallat算法)后,信号产生的小波系数含有信号的重要信息,将信号经小波分解后小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阀值,大于阀值的小波系数被认为是有信号产生的,应予以保留,小于阀值的则认为是噪声产生的,置为零从而达到去噪的目的。 -
高斯滤波
高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 -
双边滤波器去噪
双边滤波器(Bilateral filter)是一种可以保边去噪的滤波器。可以滤除图像数据中的噪声,且还会保留住图像的边缘、纹理等(因噪声是高频信号,边缘、纹理也是高频信息,高斯滤波会在滤除噪声的同时使得边缘模糊)。是使用一个卷积核(模板矩阵),叠加到待处理像素点上,使用对应邻域像素点的加权求和来作为新的输出像素点的值一种方法,简单来说,双边滤波和高斯滤波一样,不同只在于模板矩阵的不同。