第9章 噪声图像的产生及处理

第4/48页
一、彩色图像灰度化的原理 方法3：最大值法
所谓最大值法就是将彩色图像中每个像素的R、 G、B三个分量中的最大值作为灰度图对应像素 的灰度值。
其计算式如下：
F (i, j ) max( R(i, j ), G(i, j ), B(i, j ))
第5/48页
第6/48页
(复习) 实验结果与分析
(3)平稳噪声和非平稳噪声。
(4)其它几类噪声。
第19/48页
3、噪声模型：
（1）高斯噪声：
1 2 2 p( z ) exp ( z u ) / 2 2
（2）瑞利噪声：
2 2 ( z a ) / b , 当z a ( z a) exp p( z ) b , 当z a 0
假定信号为S(t)，噪声为n(t)，如果混合叠加波形是 S(t)+n(t)的形式，则称其为加性噪声； 如果叠加波形为S(t)［1+n(t)］的形式，则称其为乘性 噪声。
(2)外部噪声和内部噪声。
外部噪声，即指系统外部干扰以电磁波或经电源串进系 统内部而引起的噪声；
电气设备内部引起的噪声为内部噪声。
第39/48页
第40/48页
9.4.2 算法步骤与流程图
第41/48页
9.4.2 算法步骤与流程图
第42/48页
9.4.3 C语言代码与分析分析
第43/48页
9.4.3 C语言代码与分析分析
第44/48页
9.4.3 C语言代码与分析分析
第45/48页
9.5 试验结果与分析
第33/48页
9.3.3 C语言代码与分析
第34/48页
试验结果与分析
第35/48页
试验结果与分析
第36/48页
9.4 高斯噪声
本节学习目的： 掌握高斯噪声的原理； 能够用DSP程序，在图像中添加椒盐噪声。
第37/48页
9.4 高斯噪声 9.4.1 基本原理
高斯噪声是指噪声的概率密度函数服从高斯分布（即正态 分布）的一类噪声。 含有高斯噪声的图像，可以看成是图像的每一个像素值加 上一个高斯分布的随机数。 因此，要生成含高斯噪声的图像，就必须先产生高斯分布 的随机数，然后再将随机数加入图像。 由于电脑系统函数库中的随机数生成函数生成的随机数为 均匀分布的随机数，没有直接生成高斯随机数的函数。
第25/48页
典型图像去噪方法分析
（2）中值滤波 ：
中值滤波是常用的非线性滤波方法，也是图像处理技术中最 常用的预处理技术。它在平滑脉冲噪声方面非常有效，同时 它可以保护图像尖锐的边缘。
（3）小波变换滤波 ：
小波去噪算法: （1） 进行二维图像信号的小波变换； （2） 提取小波分解中第一层的低频图像，跟踪该尺度下的极值点； （3） 令j = 1，对第一层低频图像进行小波变换，提取第二层低频图像 信号，同时，以步骤②中的小波变换极值点为参考，找出幅值减小的极值 点，并除去，保留幅值增加的极值点； （4）令j = 2 ,3 , ⋯⋯,重复步骤（3）； （5）重建去噪后的二维图像信息。
因此，产生高斯噪声要通过如下二个步骤来实现：
第一，生成均匀分布随机数；
第38/48页
9.4 高斯噪声 第二，实现均匀分布随机数向高斯分布随机 数转化。
常用转化方法：中心极限定理的方法和box-muller算法。
这里以中心极限定理的方法讲述高斯随机数的生成 方法：
计算机中都有产生概率为均匀分布的函数，通过反复相加 这个噪声，就可以产生高斯噪声，这就是中心极限定理生 成高斯随机数的方法。 这也可以解释为什么高斯噪声在自然界中这么常见，因为 各种噪声经过叠加就成了高斯噪声。
第3/48页
一、彩色图像灰度化的原理
方法2：平均值法
所谓平均值法就是对彩色图像的每个像素中的 R、 G、B三个分量的值进行简单的算术平均； 将得到平均值作为灰度图像对应像素的亮度值；
其计算式如下所示：
F (i, j) R(i, j) G(i, j) B(i, j) 3
这些源产生的电磁波或尖峰脉冲，通过磁、电耦合或是通过 电源线等路径进入放大电路、各种电气设备，形成各种形式 的干扰。 噪声可以理解为“ 妨碍人们感觉器官对所接收的信源信息的 理解”。
例如，一幅黑白图片，其平面亮度分布假定为f(x，y)，那么 对其接收起干扰作用的亮度分布R(x，y)，即可称为图像噪声。
第31/48页
9.3.2 算法步骤与流程图
开始Βιβλιοθήκη 输入原图像确定图像的大小 N×M
如果i<range×N×M Y
N
随机选择原始图像sourceIMG 的像素点置0或255
输出图像
图9.1 椒盐噪声加噪算法流程图
结束
第32/48页
9.3.3 C语言代码与分析
椒噪声和盐噪声加噪算法对应的DSP程序如下：
(3) 噪声具有叠加性。在串联图像传输系统中，各部分窜入噪声 若是同类噪声可以进行功率相加，依次信噪比要下降。若不 是同类噪声应区别对待，而且要考虑视觉检出特性的影响。
但是因为视觉检出特性中的许多问题还没有研究清楚，所以 也只能进行一些主观的评价试验。
第18/48页
2、噪声分类 ：
(1)加性噪声和乘性噪声。
如果b>a，灰度值b在图像中将显示为一个亮点，相反， a的值将显示为一个暗点；
若Pa或Pb为零，则脉冲噪声称为单极脉冲。如果Pa和 Pb均不可能为零，尤其是它们近似相等时，脉冲噪声值 将类似于随机分布在图像上的胡椒和盐粉微粒。
第29/48页
9.3.1 基本原理
噪声脉冲可以是正的，也可以是负的。 因为脉冲干扰通常与图像信号的强度相比较大，因 此，在一幅图像中，脉冲噪声总是数字化为最大值 (纯黑或纯白)。
第21/48页
第22/48页
第23/48页
9.2 图像去噪
图像去噪算法分类： （1）空间域滤波 （2）变换域滤波 （3）偏微分方程 （4）变分法 （5）形态学噪声滤除器
第24/48页
典型图像去噪方法分析
（1）均值滤波器：-----邻域平均法
像素点（x，y），选择一个模板，求模板中所有像素的 均值；
第16/48页
9.1 引 言
但是，噪声在理论上可以定义为“不可预测，只能用概率统 计方法来认识的随机误差”。 因此，将图像噪声看成是多维随机过程是合适的，而描述噪 声的方法完全可以借用随机过程的描述，即用其概率分布函 数和概率密度分布函数。在很多情况下，这样的描述方法是 很复杂的，甚至是不可能的； 实际应用通常是用其数字特征，即均值方差，相关函数等。 因为这些数字特征都可以从某些方面反映出噪声的特征。
第26/48页
典型图像去噪方法分析
（4）维纳滤波 ：
维纳滤波器（Wiener filter）是一种以最小平方为最优准则 的线性滤波器 ，是40年代在线性滤波理论方面所取得的最重 要的成果。 维纳滤波器又被称为最小二乘滤波器或最小平方滤波器，目 前是基本的滤波方法之一。
该方法的滤波效果比均值滤波器效果要好，对保留图像的边 缘和其他高频部分很有用，不过计算量较大。 维纳滤波器对具有白噪声的图象滤波效果最佳。
（6）“椒盐噪声”（脉冲噪声） ：
椒盐噪声是一种因为信号脉冲强度引起的噪声； 椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另 一种是胡椒噪声（pepper noise）。 盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪 声。
一般两种噪声同时出现，呈现在图像上就是黑白杂点。
9.3 椒盐噪声
9.4 高斯噪声 9.5 试验结果与分析 9.6 分析与总结
第12/48页
本章要解决的问题：
1、什么是图像的噪声？ 2、图像的噪声可分成哪几种类型？ 3、常用的图像去噪方法有哪些？
第13/48页
图像噪声举例：
第14/48页
本章学习目标
了解图像噪声的概念及特点； 了解图像噪声的类型； 了解常用的图像去噪方法；
为什么要研究图像的噪声及处理方法？ 简单而言，图像噪声使得图像模糊，甚至淹没图像 特征，给图像分析带来困难。
第17/48页
1、图像噪声特点：
(1) 噪声在图像中的分布和大小不规则，即具有随机性。
(2) 噪声与图像之间一般具有相关性。例如，摄像机的信号和噪 声相关，黑暗部分噪声大，明亮部分噪声小。又如，数字图 像中的量化噪声与图像相位相关，图像内容接近平坦时，量 化噪声呈现伪轮廓，但图像中的随机噪声会因为颤噪效应反 而使量化噪声变得不很明显。
这样，通常假设a，b是饱和值,从某种意义上看，在 数字化图像中，它们等于所允许的最大值和最小值。
由于这一结果，负脉冲以一个黑点(胡椒点)出现在图 像中。由于相同的原因，正脉冲以白点(盐点)出现在 图像中。
对于一个8位图像，这意味着a=0(黑)。b=255(白)。
第30/48页
9.3.2 算法步骤与流程图
现有相同的，则返回重新做实验，重新提交实验
报告；（也不能用与PPT相同的图像数据）
第9/48页
课外实验1：彩色图像灰度化DSP实验 一个关键问题：
怎样生成试验图像数据文件
?
第10/48页
生成试验图像数据文件：
第11/48页
目 录 第9章 图像噪声产生及处理
9.1 引言
9.2 图像去噪
掌握图像高斯噪声的生成模型及方法；
掌握图像椒盐噪声的生成模型及方法。
知识要点：
高斯、椒盐噪声的生成原理与方法；
相应的DSP编程方法。
第15/48页
9.1 引 言
所谓噪声是电路或系统中不含信息量的电压或电流，如：
在工业与自然界中，存在着各种干扰源（噪声源），如大功 率电力电子器件的接入、大功率用电设备的开启与断开、雷 击闪电等都会使空间电场和磁场产生有序或无序的变化，这 些都是干扰源（或噪声源）。