文档介绍：摘要:图像复原的主要目的是改善图像质量。本文主要阐述了噪声图像的复原方法。首先介绍了图像中噪声的产生及与图像信号相关的噪声的分类,然后分别讨论了用于图像复原的均值滤波、中值滤波、自适应维纳滤波、形态学滤波和小的工作原理和适用性。
关键词:噪声;复原方法;融合技术
一、图像中噪声的产生及分类
一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。噪声产生的原因决定了它的分布特性及它和图像信号的关系。根据噪声和信号的关系可将其分为两种形式:(1)加性噪声,此类噪声与输入图像信号无关,含噪图像可表示为f(x,y)=g(x,y)+n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;(2)乘性噪声,此类噪声与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+n(x,y)g(x,y),飞点扫描器扫描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。
二、噪声图像的复原方法
1、均值滤波器
对一些图像进行线性滤波可以去除图像中某些类型的噪声,如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。对于给定的图像f(x,y)中的每个像点(x,y),取其邻域Sxy,设Sxy含有M个像素,取其平均值作为处理后所得图像像点(x,y)处的灰度。用一像素邻域内各像素灰度平均值来代替该像素原来的灰度,即是领域平均技术。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。为了尽可能地减少模糊失真,也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下:
   Σf(x,y)/M
         f(x,y)   ┃f(x,y)- Σf(x,y)/M┃<T, T即为规定的阈值。
上述方法也可称为算术均值滤波器,除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图像细节。谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。
对一幅标准测试图像加入高斯噪声,然后利用MATLAB工具箱的Conv2函数完成去噪,如图1所示。
图1 均值滤波去噪还原
2、自适应维纳滤波器  
它能根据图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)- f^(x,y))2]最小。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像滤波效果最佳。
3、中值滤波器
它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换。设f(x,y)表示数字图像像素点的灰度值,滤波窗口为A的中值滤波器可以定义为
f^(x,y)=MED{f(x,y)} (x,y)∈A
其主要功能