利用图像滤波算法实习对高椒盐噪声的去噪处理——杨建春
一种有效去除椒盐噪声的滤波算法
⼀种有效去除椒盐噪声的滤波算法
⼀种有效去除椒盐噪声的滤波算法
武英
【期刊名称】《南京晓庄学院学报》
【年(卷),期】2008(000)006
【摘要】⽂章在已有极值中值滤波算法的基础上,提出⼀种改进的滤波算法.该算法对于不同密度的椒盐噪声采⽤了不同的滤波⽅法.在噪声密度较低时,采⽤有效信号的均值滤波;在噪声密度较⼤时,采⽤递归⽅式进⾏滤波.经过⼤量实验证明,该算法在滤除椒盐噪声能⼒和细节保护能⼒⽅⾯均有较⼤提⾼.
【总页数】4页(62-65)
【关键词】椒盐噪声;极值检测;均值滤波;递归
【作者】武英
【作者单位】南京晓庄学院物理与电⼦⼯程学院,江苏南京,210017
【正⽂语种】中⽂
【中图分类】O422
【相关⽂献】
1.⼀种有效的去除图像混合噪声的滤波算法 [J], 杨幸芳; 黄⽟美; 李艳; 卢健
2.⼀种有效去除图像中脉冲噪声的滤波算法 [J], 谭筠梅; 王履程; 鲁怀伟
3.⼀种有效的混合噪声滤波算法 [J], 王建勇; 周晓光; 廖启征
4.⼀种有效的脉冲噪声滤波算法 [J], 周锐锐; 毕笃彦; ⽑柏鑫
5.有效去除图像中脉冲噪声的新型滤波算法 [J], 曲延锋; 徐健; 李卫军; 王守觉以上内容为⽂献基本信息，获取⽂献全⽂请下载。
一种去除高密度椒盐噪声的非线性滤波算法
作者简介 ： 沈德海 （ ９ ８一） 男 ， １７ ， 硕士 ， 讲师 ， 研究方向为计算机教学 ， 汁算机网络 ， 图像处理
第 ４期
能力 ， 但对 所 有 像素采 用统 一 的处 理方 法 ， 造成 图像模 糊 。文献 首 先 提 出 了开 关 中值 滤 波 算 法 ， 法 会 算
将 图像 像 素根 据一 定 条件 划分 为 噪声点 和信 号点 ， 噪 声点 进 行 滤 除 ， 号 点 不变 ， 对 信 算法 不 仅 有 效 地 滤 除 了噪 声 ， 较 好地保 护 了图像 细节 ， 此 基 础 上 相 继 提 出 了许 多改 进 的开 关 滤 波 算 法 …， ｍ ｘ—ｒｎ 也 在 如 ａ ａ ｉ 算法 ， 值 中值 滤波 算法 ］严 重椒 盐 噪 声 污染 图像 的 滤 波算 法 ｊ 自适 应 开 关 滤 波算 法 ， 级 中值 极 ， ， 多 滤 波算法 等 ， 这些 算 法在 滤波 性 能 、 节保 护等 方 面较 传统 的 中值 滤 波 算 法有 了较 大 的改 善 ， 仍 然 存 细 但 在不 同的问题 ， 比如 高密 度噪 声 污染情 况性 能差 、 法 复杂 、 算 速度慢 等 ， 能满 足一 些实 时 图像处 理 和滤 除 不 较 严重 噪 声 污染 图像 处理 等要 求 。
Ｗ５
Ｗ６
∞
Ｓｉ ． １ Ｓ一 ｉ Ｓ 一 ．１ 一 ｊ ｉ１ ｌ１＋ １－ Ｉ
＝ ＝ ＝素 ＝ 算法 借 鉴 了多级 中值 滤 波算法 的思 想 ， 分利 用 了 中心 点邻 域 像 的 ＝ 充
本文 算法 采用 式 （ ） １ 的判 别 方法 建 立 噪声 矩 阵 ， 如果 Ｓ的值 在 ０～ 范 围 内 ， 在 ２ ５—６～ ５ 或 ５ ２５范 围 内 ， 为 准噪 声点 。 由于 图像边 缘等 像素 点 的值也 很 可 能在 ０～６或 ２５—６～２５范 围 内 ， ｓ舰 ５ ５ 因此 在 ２２ ． 中有 必要 将矩 阵元 素 Ⅳ 为 １的准噪 声点 做进 一步 划 分 。其 中 ６为 检 测 阈值 ， 根据 多 次 实验 ６范 围为 １～ １ ０比较 理想 ， 可根 据 图像 实际情 况做 适 当调 整 。／ ０时 ， 为信号 点 。 、 ｒ ｓ视
毕业论文-基于中值滤波的图像椒盐噪声滤除算法的研究与应用
本科生毕业论文（设计）题目：基于中值滤波的图像椒盐噪声滤除算法的研究与应用院系：信息科学与技术学院专业：计算机科学与技术学生姓名：**学号：********指导教师：罗笑南(教授)（职称）二〇年月基于中值滤波的图像椒盐噪声滤除算法的研究与应用摘要摘要在现实生活中，将实际获得的图像进行数字化，并在其传输和处理过程中，不可避免的存在着一定的外部干扰和内部干扰，使用户所获得的数字图像被噪声污染，而这些噪声中椒盐噪声的表现更为明显。
为此有大量学者针对椒盐噪声进行研究分析。
中值滤波算法以其非线性的特点，在处理椒盐噪声上有显著的效果，因此许多学者针对中值滤波算法进行改进。
典型的如加权中值滤波器、开关中值滤波器、自适应中值滤波器等。
然而这些滤波器或在保护图像细节上能力不足，或去除噪声效果不佳，或对于高密度噪声无法处理，或过于复杂不便于硬件实现，存在着一定的缺陷。
本文研究了几种典型的改进后的中值滤波算法，通过理论分析与实验仿真，比较其在去噪及保护图像细节各方面的优缺点。
在此基础上，本文给出了一种基于噪声检测的模糊自适应中值滤波算法。
在该算法中，通过设计窗口自适应的噪声检测机制，有效的区分了噪声与非噪声像素点，从而高效的保护了图像细节信息，并大量减少需要处理的像素点，降低算法运行时间。
同时对于检测出的噪声点，则采用改进了的自适性中值滤除算法进行噪声滤除，在该滤波算法中加入了窗口自适应控制，对于高密度噪声也能有效的进行去噪处理。
通过详细的理论分析后，本文基于matlab进行大量仿真实验，验证了这些新方法在噪声去除与细节保留上的有效性。
关键词：图像去噪、椒盐噪声、噪声检测、自适应中值滤波、开关阈值滤波AbstractThe acquisition, recording and transmission of digital images through sensors or communication channels are often interfered by different types of noises, which may change the image. Impulse noise is one most common and important kind of noise. Impulse noise removal in image processing is an important pre-processing so that many researchers work on the restoration of images corrupted by impulse noise. Being the most popular nonlinear filter, the median filter is often used to remove impulse noise because of its good denoising power. In that case, many image-denoising filters are proposed based on the median filter, such as the weighted median filter, soft switching filter, adaptive median filter, etc.In this paper, a new image-denoising filter that is based on several advanced median filter is proposed. There is a two-phase scheme in this new algorithm. In the first phase, an impulse noise detection is used to identify pixels which are likely to be noise candidates. The noise detection has variable window size for removal of impulses, so that we can keep most of the signal content of the uncorrupted pixels, and time used for filtering can be reduced by a wide margin. In the second phase, the noise candidates will be filtered by the new filter. Based on the adaptive median filter, the proposed filter is superior to some other filters mentioned in this paper not only for smooth pictures but also images that are complicated and have many sharp edges. Being incorporated with variable windows size, our method is also very useful for images with high noise level.Key Words:image denoising, salt-and-pepper noise, adaptive median filter,impulse noise detector, switching-based median filter目录第一章引言 (1)1.1课题背景及其意义 (1)图像滤波技术概述 (1)中值滤波研究现状 (2)本论文的主要工作 (3)1.3论文章节安排 (4)第二章图像去噪算法综述 (5)2.1图像去噪方法概述 (5)2.2图像噪声模型 (6)2.3图像去噪质量的评估方法 (7)2.4中值滤波 (8)2.5维纳滤波 (9)2.6均值滤波 (11)2.7其他滤波技术 (12)2.8小结 (13)第三章几种中值滤波去噪方法分析 (14)3.1标准中值滤波方法(STANDARD MEDIAN FILTER,SM) (14)3.2带权值的中值滤波方法(WEIGHTED MEDIAN FILTER) (15)3.3三态中值滤波方法(TRI-STATE MEDIAN FILTER) (17)3.4自适应软开关滤波方法 (18)3.5自适应中值滤波方法 (20)3.6实验结果分析 (21)3.7小结 (26)第四章基于噪声检测的自适应中值滤波 (27)4.1噪声检测机制 (27)4.2椒盐噪声滤除方法 (33)4.2.1 噪声滤除策略 (34)4.2.2 动态窗口策略 (35)4.2.3 VAM滤波方法 (37)4.3小结 (37)第五章仿真结果分析比较 (39)5.1噪声检测机制性能分析 (39)5.2V AM滤波器去噪效果分析 (41)5.3小结 (45)第六章结语 (46)6.1论文主要工作总结 (46)6.2展望 (46)参考文献 (48)致谢 (50)第一章引言1.1 课题背景及其意义冈萨雷斯曾在其著作中提到，视觉是人类感觉中最高级的，而图像又在人类的感知中起着重要的作用[1]。
一种含椒盐噪声图像去噪的新方法
文章编号:1001-4098(2008)10-0123-04一种含椒盐噪声图像去噪的新方法唐斌兵,王正明,汪雄良(国防科技大学信息系统与管理学院,湖南长沙 410073)摘 要:经典基追踪模型不适用于非高斯噪声环境下的图像去噪问题。
基于不同的拟合误差项形式,提出一类新的基追踪扩展模型,并用于图像去噪。
实验结果表明,本文方法在椒盐噪声环境下具有显著的去噪效果。
关键词:图像去噪;椒盐噪声;基追踪;扩展模型中图分类号:T P391 文献标识码:A1 引言图像去噪是图像处理中的一个经典问题,也是一个典型的反问题,它要求从含噪的观测图像出发,得到原始的不含噪图像的估计。
常见的图像去噪都可表示为最小化某一类目标函数。
这些方法通过附加有关先验信息,将图像去噪问题归结为求解一种优化问题,从而得到反问题的解。
椒盐噪声是图像处理中十分常见的一种噪声,它可能产生于图像捕捉设备传感器上的坏点或者强噪声信道条件下的图像传输过程。
对于被椒盐噪声污染的图像,噪声点只取图像动态范围内(如0～255)的最大值或最小值,即在图像中出现一些灰度值很小(接近黑色)或灰度值很大(接近白色)的污染点,在图像上呈现一个个暗点和亮点,类似于胡椒末和盐粉的微粒,因此称为椒盐噪声。
基追踪方法[1-3]是信号稀疏表示领域的一种新方法,它寻求从完备的(过完备)函数(基)集合中得到信号的最稀疏的表示,即用尽可能少的函数基精确地表示原信号,从而获得信号内在本质特性。
基追踪方法正日益成为信号处理领域中一个非常重要的工具,在信号和图像去噪方面具有很好的应用前景[3]。
在去噪处理中,经典基追踪去噪模型所考虑的大多是加性的高斯白噪声,而实际上不同的应用环境中噪声的特性是不同的。
本文基于不同的拟合误差项形式,提出了一类新的基追踪扩展模型(P1-1);给出了其求解算法;通过含椒盐噪给出了其求解算法;通过含椒盐噪声图像的去噪实验,验证了该模型具有显著的去噪效果。
2 椒盐噪声的稀疏特性椒盐噪声图像的特点是噪声点均匀分布于整幅图像[4],分布于图像中的噪声个数占象素总数的百分比称为噪声密度。
一种快速去除高密度椒盐噪声的滤波算法
一种快速去除高密度椒盐噪声的滤波算法
阳建华;郑莹娜
【期刊名称】《电视技术》
【年(卷),期】2014(38)13
【摘要】为了更好地恢复被高密度椒盐噪声污染的图像,在传统的自适应中值滤波算法的基础上提出了一种改进的自适应滤波算法.该算法将3×3矩形滤波窗口内极值点视为可疑噪声点,对可疑噪声点自适应调节滤波窗口大小进一步判断是否为噪声点;将噪声点区分为低密度噪声区噪声点和高密度噪声区噪声点,并分别用改进后的中值滤波算法、自适应修正后均值滤波算法处理,信号点保持不变.仿真结果表明,该算法处理速度快并且能够有效恢复被椒盐噪声(密度达80％)污染的图像,在去噪的同时能够很好地保护图像的细节.
【总页数】4页(P14-16,20)
【作者】阳建华;郑莹娜
【作者单位】广东工业大学信息工程学院,广东广州510006;广东工业大学信息工程学院,广东广州510006
【正文语种】中文
【中图分类】TP713
【相关文献】
1.一种自适应的高密度椒盐噪声滤波算法 [J], 陈吕强;伏明兰
2.快速高效去除图像椒盐噪声的均值滤波算法 [J], 何海明;齐冬莲;张国月;张建良
3.快速去除椒盐噪声的蛇形扫描滤波算法 [J], 付芸;白银浩;李展;万楚琦
4.一种去除高密度椒盐噪声的非线性滤波算法 [J], 沈德海
5.去除高密度椒盐噪声的自适应加权均值滤波算法 [J], 查兵;江巨浪;刘国明;韩少刚;黄忠
因版权原因，仅展示原文概要，查看原文内容请购买。
一种用于去除图像椒盐噪声的滤波算法
ｒ ］Ｒａａ ｌ ｎ ａｅ ， ｃ ａ ｄＥ ｏ ｄ ， ｔｖ ｎＬ ｄｎ ． ４ ｆｅ Ｇｏ ｚ ｌｚ Ｒｉｈ ｒ Ｗ ｏ ｓ Ｓ ｅ ｅ Ｅｄ ｉｓ Ｃ
数 字 图像 处 理 （ Ａ Ａ 版 ） Ｍ ］ 北 京 ： 子 工 业 出 Ｍ ＴＬ Ｂ Ｅ ． 电
图像 ， 以 图像 去 噪 是 图像 预 处 理 中一 项 重 要 任 务 ． 所 图像 中所 含 的 噪 声 有 很 多种 ， 盐 噪 声 是 其 中最 常 见 的 一 椒
种． 针对 图像 中所含 的椒 盐噪声 ， 出了一种 改进 的滤波去噪算法． 提 实验 结果表 明， 与其他常见滤波方法相 比，
法有 ： 均值 滤波 、 中值 滤波 和维 纳滤 波Ⅲ ．
１ １ 均 值 滤 波 ．
收 稿 日期 ： ０ １ ４—１ ２ １ —０ ５
该 滤波 方法 的效 果 比均值 滤波 好 ， 保 留 图像 对
基 金 项 目 ： 口师 范 学 院 青 年 科 研 基 金 资 助 项 目（ ． ＫＮＵＱＮ２ １３ Ａ） 周 Ｎｏ Ｚ ００８ 作 者 简 介 ： 金 帅 （９ ２ ） 女 ， 南周 口人 ， 教 ， 士 ， 究方 向 ： 能 算 法 与 图像 处理 赵 １８一 ， 河 助 硕 研 智
赵金 帅 丁新慧 李 雪霞 ， ，
（ ． 口师 范学 院 计 算机 科 学 系， 南 周 口 ４ ６ ０ ； １周 河 ６ ０ １
２ 邢 台职业技 术 学 院 电气 工程 系， 北 邢 台 ０ ４ ３ ） ． 河 ５ ０ ５
摘 要 ： 于 图像 在 获 取 、 输 等 过 程 中会 受 到 各 种 噪 声 的 影 响 ， 由 传 而在 大 多数 应 用 中 ， 需要 清晰 的 、 质 量 的 又 高
利用图像滤波算法实习对高椒盐噪声的去噪处理——杨建春
编号：____________审定成绩：____________毕业设计（论文）设计（论文）题目:_利用图像滤波算法实现对高椒盐噪声的去噪处理单位（系别）：通信与信息工程系______学生姓名：_______杨建春_________专业：__电子信息工程________班级：____06111203__________学号：__10__________指导教师：_____靳艳红___________答辩组负责人：______________________填表时间： 2016年5月重庆邮电大学移通学院教务处制重庆邮电大学移通学院毕业设计(论文)任务书设计(论文)题目利用图像滤波算法实现对高椒盐噪声的去噪处理学生姓名杨建春系别通信与信息工程系专业电子信息工程班级 06111203指导教师靳艳红职称讲师联系电话教师单位重庆邮电大学移通学院下任务日期2016年__1__月_ 4__日摘要图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。
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。
数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用非常广泛，在医学、军事、艺术、农业等方面都有广泛且成熟的应用[1]。
本文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：均值滤波器、中值滤波器和自适应滤波器以及对应的去噪算法。
对常用的几种阈值去噪方法进行了分析比较和仿真实现。
最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。
为实际的图像处理中，去噪算法的选择和改进提供了数据参考和依据。
高椒盐噪声图像滤波算法
很 好 的 去 除 噪 声 的 问题 。 了 改 善 这 些 问 ｙ 为受 污 染 的 图像 的 各灰 度 值 ， （ ｙ 是 图 为 ） ｓ ｘ， ） 题 ， 有 人 提 出 了 基 于 直 方 图 的 模 糊 加 权 像 未 污 染 时 原 始 的灰 度 值 ， 声率 ｐ 义 为 又 噪 定 平 均滤 波 器 ， 方 法利 用 了直 方 图的 性 质 ， 图像 中受 污 染 的 象 素 的数 目占 图像 总 象 素 该 在 高 噪 声 情 况 下 确 实 起 到 一 定 作 用 ， 是 数 目的 比例 ， 但 １ ｔ＋ｑ 。 ３＝ｃ ． ， 这 些方法仍然存在处理 不彻底等问题 。 椒 盐 噪 声 图 像 的 特 点 是 噪 声 点 均 匀 分 本 文 在 研 究 了原 始 图像 及 其 噪 声 图像 布 于 整 幅 图 像 。 么 ， 那 由式 （） 以 得 出 ， １可 椒 的 直 方 图和 直 方 图 的 梯 度 的 基 础 上 ， 出 提 盐 噪 声 图 像 直 方 图 和 原 始 图像 直 方 图 相 了根 据 直 方 图梯 度 界 定 噪 声 ， 后 根 据 直 比 ， 了靠 近０ １ ５ 区 域 的灰 度值 外 ， 然 除 ￣２５ 曲线 方 图 得 到 的 近 似 噪 声 密 度 ， 结 合 图像 的 上 各 点 的 高 度 基 本 上 是 等 概 率 下 降 。 并 局 部 特 征 ， 用 加 权 平 均 的 方 法 对 噪 声 点 采 另一 方 面 ， 自然 图 像 相 邻 象 素 的 灰 度 进 行 去 除 的 方 法 。 方 法 对 于 高噪 声 图像 ， 相 关性 很 大 （ 为 ０ ９ ， 该 约 ． ） 因此 对 应 直 方 图相 可 以在 几 次 迭 代 后 得 到 很 好 的 处 理 效 果 。 邻 灰 阶 相 差 不 会 太 大 。 于 未 受 噪 声 污 染 对 的 原 始 图像 的 直 方 图梯 度 曲 线 变 化 很 小 ， 而 受噪 声污 染 图像 的 直 方 图梯 度 曲线 则 会 ２提出的算法 出 现 了幅 度 很 大 的 脉 冲 尖 刺 ， 些 尖 刺 便 这 ２ １噪声 的检 测 ． 是 由于 引入 椒 盐 噪 声 引起 的 。 因此 ， 以 根 可 椒 盐 噪 声 的 理 论 模 型 为 据 这 两 个 尖 刺 的 位 置 和 数 值 ， 似 来 估 计 近 ０ ， 概率ｑ 噪声及噪声率。 当噪 声强 度 很 大 ， 波 算 法 滤 ２５ ５ ， 概率ｑ （） １ ｆ ｘ ） （， ＝ 本 身 无 法 将 污 染 象 素 彻 底 清 除 时 ， 波 后 滤 ｓｘ ，概率 （ ） （， ） 卜Ｐ 将 仍 然 存 在 噪 声 ， 噪 声 会 分 布 在 一 个 区 且 此 可 其 中假 定 输 入 图像 灰 度级 为 ２ ６ ｆｘ ５ ，（ 域 内 ， 时 ， 以 再 利 用直 方 图梯 度 来 判 断
一种高效去除椒盐噪声机械零件图像算法
2020年第10期38一种高效去除椒盐噪声机械零件图像算法郭晓惠* GUO Xiao-hui摘 要 本文提出一种高效去除椒盐噪声机械零件图像算法。
由于引导滤波是目前较快的保边滤波算法，且相较于中值、均值和高斯等滤波而言，其在低密度椒盐噪声下滤波效果最好。
但由于机械零件图像在采集和传输等过程都会受到噪声不同程度的影响，因此将引导滤波和一种高效消除高密度椒盐噪声的算法进行结合，以在去除高密度椒盐噪声的同时能较好地保持图像边缘。
关键词 椒盐噪声；引导滤波；保边doi：10.3969/j.issn.1672-9528.2020.10.012* 重庆商务职业学院出版传媒系 重庆 401331[基金项目] 基于引导滤波算法的机械零件图像去噪，编号：2019XJKTYB190 引言为了实现智能制造，机器视觉检测系统被广泛应用于机械零件自动质量检测过程中，而在此过程中，机械零件图像会受到不同噪声和不同程度的影响。
若在图像采集阶段后不对受污染图像进行滤波处理，则会对后续的处理带来很大的影响，而椒盐噪声属于常见噪声，因此对于高密度椒盐噪声的滤波处理是一个非常有意义的研究问题。
针对椒盐噪声图像滤波，很多算法被提出，其中，中值滤波[1](Median Filter，MF)将窗口内所有像素灰度值进行排序，然后将中间值作为该窗口中间像素值，从而可以去除噪声孤立点，该方法具有一定的保边效果，但对于高密度椒盐噪声滤除效果差。
文献[2-3]中，He 提出的引导滤波（Guided Image Filtering）是目前较快的保边滤波算法，且可以增强边缘，但在处理高密度噪声污染图像时效果不佳。
文献[4]中，噪声自适应模糊开关中值(Noise Adap-tive Fuzzy Switching Median，简称NAFSM)滤波提出了一种利用噪声图像的直方图来识别椒盐噪声的有效算法。
该方法定义了椒盐噪声的灰度值为0或255。
在噪声密度较高的情况下，该算法能够得到较好的结果，但是该算法需要人工来设置阈值参数，且计算时间较长。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
编号：____________审定成绩：____________毕业设计（论文）设计（论文）题目:_利用图像滤波算法实现对高椒盐噪声的去噪处理单位（系别）：通信与信息工程系______学生姓名：_______杨建春_________专业：__电子信息工程________班级：____06111203__________学号：__10__________指导教师：_____靳艳红___________答辩组负责人：______________________填表时间： 2016年5月重庆邮电大学移通学院教务处制重庆邮电大学移通学院毕业设计(论文)任务书设计(论文)题目利用图像滤波算法实现对高椒盐噪声的去噪处理学生姓名杨建春系别通信与信息工程系专业电子信息工程班级 06111203指导教师靳艳红职称讲师联系电话教师单位重庆邮电大学移通学院下任务日期2016年__1__月_ 4__日摘要图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。
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。
数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用非常广泛，在医学、军事、艺术、农业等方面都有广泛且成熟的应用[1]。
本文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：均值滤波器、中值滤波器和自适应滤波器以及对应的去噪算法。
对常用的几种阈值去噪方法进行了分析比较和仿真实现。
最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。
为实际的图像处理中，去噪算法的选择和改进提供了数据参考和依据。
【关键词】自适应滤波器均值滤波器直方图梯度椒盐噪声加权中值滤波高斯降噪ABSTRACTImage is an important source of information by image processing can help people understand the connotation of information. And obtaining an image signal in the transmission process, inevitably contaminated all kinds of noise, resulting in degradation of image quality, image subsequent processing, such as edge detection, image segmentation, feature extraction and pattern recognition have a serious impact, thus denoising is a very important part of image preprocessing. It relates to the field of digital image noise removing optical systems, microelectronics, computer science, mathematical analysis, is a highly comprehensive interdisciplinary science, now has its theoretical system is perfect, and the practice is widely used in medical, military respect, art, agriculture and others have a wide range of sophisticated applications.This paper introduces the research background and significance, image filtering algorithm development situation and method for image denoising; then introduces the classification and mathematical model of image noise, and highlights the traditional image denoising algorithm: mean filter, median filter and adaptive filter and the corresponding de-noising algorithm. Several commonly used thresholding method were analyzed and compared and Simulation. Finally, the theoretical analysis and experimental results, a complete discussion of the various factors affecting denoising denoising performance. The actual image processing, de-noising algorithm selection and improve the delivery of reference data and evidence.【Key words】Adaptive filter Mean filter Salt and pepper noise gradient histogram Weighted median filtering Gaussian noise目录前言 (1)第一章图像去噪算法综述 (2)第一节图像去噪方法概述 (2)第二节图像噪声模型 (3)第三节图像去噪质量的评估方法 (4)第四节中值滤波 (6)第五节维纳滤波 (6)第六节均值滤波 (7)第七节本章小结 (9)第二章几种中值滤波去噪方法分析 (10)第一节标准中值滤波方法 (10)第二节带权值的中值滤波方法 (11)第三节三态中值滤波方法 (12)第四节自适应中值滤波方法 (13)第五节本章小结 (15)第三章基于噪声检测的自适应中值滤波 (16)第一节噪声检测机制 (16)第二节椒盐噪声滤除方法 (21)一、噪声滤除策略 (22)二、动态窗口策略 (23)第三节本章小结 (24)第四章仿真结果 (25)第一节均值滤波仿真 (25)第二节中值滤波仿真 (28)第三节维纳滤波仿真 (29)第四节本章小结 (29)结论 (30)致谢 (31)参考文献 (32)附录 (34)一英文原文 (34)二英文翻译 (38)前言我们对图像去噪的目的是提高给定的图像质量，解决实际图像因为该图像质量劣化的噪声。
通过去噪技术可以提高图像质量，增加信噪比，更大程度地反映原图象的信息，作为一个非常重要的预处理装置，人们已经对去噪算法进行了非常广泛的研究。
现在所有的去噪算法，在低维信号和图像处理方面取得了良好的的效果，但不能用于高维图像信号处理;或者也许有很好的去噪效果，但的图像的边缘信息的一部分，或在检测图像的边缘信息上面保持不了图像细节。
如何找到在抵抗噪声的良好平衡和保留细节找到平衡点，成为在近几年研究的焦点。
图像数据的共模噪声有两种，一种是高斯噪声，另一个是椒盐噪声。
高斯噪声对原始图像造成的影响比较小，椒盐噪声相比原图像造成的影响比较大，因为它是由图像的极值组成，所以会产生一个严重的图像扰动[2]。
在椒盐噪声这方面，人们已经提出了各种非线性滤波方法。
其中基于这样的思想而出现的滤波方法有：中值滤波的滤波算法；标准的中值滤波算法；加权中值滤波算法。
因为它们非常简单，而且易于实现，并具有保留图像细节部分的能力，所以它们一直是人们关注的焦点。
但是，由于这些算法的最大缺点是所有的像素都是统一的处理方法，因此，在过滤掉噪声的同时，也影响了远图像中非噪声像素的灰度值，从而导致了模糊的图像。
在最近几年，很多人提出了多种基于先定位、后滤波的思想的滤波算法。
虽然相对于传统的中值滤波方法都有了很大的提高，但对图像的更严重的污染，会出现一个大型过滤窗口过滤图像模糊，小型过滤器窗口不能很好去除噪声问题。
如何找到一个很好的平衡，抗噪，并保留细节，成为近年来研究的焦点【关键词】滤波算法椒盐噪声模拟仿真中值滤波第一章图像去噪算法综述去噪图像复原是指分析有噪声的图像，然后设计滤除噪声的方法，从而提高了给定图像的效果。
常见的图像噪声滤波方法有均值滤波、中值滤波、维纳滤波。
我们实际生活中由于各种不确定的因素干扰图像，出现噪声的原因很多。
导致图像噪声去除的时候很复杂。
因此，当对图象噪声进行滤波的时候，需要有效地去除包含在图像上尽可能多的噪声并尽最大可能保留原始图像原貌和细节，改进图像质量。
第一节图像去噪方法概述在实践中，人们需要对有噪声图像进行滤波处理并移除负面效果，并且将被污染的图像噪点遮蔽并改变整个主体感官，和信噪比污染的影响，从而提高了图像质量的结果图 1.1图像退化-复原过程的模型人们在实验模拟中，为了控制该图像噪声密度，以及更准确地计算图像滤波前和过滤后峰值信噪比，和无噪声图象退化而得到噪声图像，然后通过含过滤噪声的映像进行恢复。
假设需要输入图像(,)g x y，原始图像可被设置为一f x y和降解图像过程，得到退化图像(,)个降解功能，并添加附加噪声(,)n x y。
对于发生线性变化和位置不变性的退化过程，冈萨雷斯在《数字图像处理》这一本书中给出了在空间域中的如下退化模型[2]：()()()()y x n y x f y x h y x ,,*,,g +=式中()y x h , 就是退化函数的空间描述。
通过退化函数与原始图像的空间卷积操作以得到空间退化图像，并且在退化完成后再加上一个加性噪声项就完成了退化的这个过程。
分析退化模型，制定相反的过程进行处理就是图像的复原过程，从而复原出原图像()y x f ,'。
图像退化到复原的这整个过程模型如图所示：第二节 图像噪声模型数字图像的噪声一般都是来自于将图像数字化过程和传输的过程。
在这两个过程中由于受到环境条件的影响和设备的性能质量原因以及不可控因素的影响，使得图像必不可免的产生噪声。