滤波图像降噪算法研究报告
图像处理中的图像去噪算法综述
图像处理中的图像去噪算法综述随着现代科技的发展，图像处理在各个领域得到了广泛应用。
然而，由于图像采集过程中受到的噪声干扰，导致图像质量下降，降低了后续处理和分析的准确性和可靠性。
因此，图像去噪算法的研究和应用成为图像处理的重要方向之一。
图像去噪算法的目标是从包含噪声的图像中恢复原始图像，以降低噪声对图像质量的影响。
在实际应用中，图像噪声的类型和分布往往是复杂多样的，因此需要选择适合不同场景的去噪算法。
以下将对几种常见的图像去噪算法进行综述。
1. 统计学方法统计学方法通过建立噪声的统计模型来进行图像去噪。
常用的统计学方法包括高斯滤波、中值滤波和均值滤波。
高斯滤波是一种线性滤波器，通过对图像进行平滑处理来减少噪声。
中值滤波则是通过取窗口内像素的中值来代替当前像素值，从而降低噪声的影响。
均值滤波是将像素周围邻域内像素的平均值作为当前像素的新值。
2. 基于小波变换的方法小波变换是一种将信号分解成多个频带的方法，可以对图像进行多尺度分析。
基于小波变换的图像去噪方法通过去除高频小波系数中的噪声信息来恢复原始图像。
常用的小波去噪算法有基于硬阈值法和软阈值法。
硬阈值法通过对小波系数进行阈值处理，将小于阈值的系数设为0，大于阈值的系数保留。
而软阈值法在硬阈值法的基础上引入了一个平滑因子，将小于阈值的系数降低到一个较小的值。
3. 基于局部统计的方法基于局部统计的方法利用图像局部区域的统计特性来去除噪声。
其中，非局部均值算法（NL-means）是一种广泛应用的图像去噪算法。
NL-means 算法通过从图像中寻找与当前像素相似的局部区域，然后根据这些相似区域的信息对当前像素进行去噪。
该算法的优点是对各种类型的噪声都有较好的去除效果，并且能够保持图像的细节信息。
4. 基于深度学习的方法近年来，深度学习在各个领域得到了广泛应用，包括图像去噪领域。
基于深度学习的图像去噪方法通过训练一个适应性的神经网络来学习图像噪声和图像的复杂关系，从而实现去噪效果。
空间滤波应用调研报告
空间滤波应用调研报告空间滤波是一种常用的图像处理技术，用于强化或减弱图像中某些空间频率成分，从而改善图像质量或去除图像中的噪声。
本文对空间滤波在图像处理中的应用进行调研，并总结了几个常见的应用领域。
一、图像去噪图像在获取、传输和存储过程中容易受到各种噪声的干扰，导致图像质量的下降。
空间滤波可以通过抑制噪声成分来减少图像的噪声。
常用的图像去噪算法包括均值滤波、中值滤波和高斯滤波等。
这些算法分别通过取邻域像素的平均值、中值或加权平均值来抑制噪声，从而提高图像的质量。
二、图像增强图像增强是指通过对图像亮度、对比度以及细节进行调整，使图像在视觉上更加清晰、鲜明。
空间滤波可以通过增加图像的高频成分来提高图像的对比度和清晰度。
常用的图像增强算法包括锐化滤波、梯度滤波和边缘增强滤波等。
这些算法通过增强图像中的边缘信息，使图像更加清晰。
三、图像分割图像分割是指将图像划分为具有相同特性或相似特性的区域或对象。
空间滤波可以通过增强图像中的边缘信息来实现图像分割。
常用的图像分割算法包括基于边缘检测的分割算法、基于区域生长的分割算法和基于阈值分割的算法等。
这些算法通过利用滤波算子对图像进行边缘检测或区域生长，实现对图像的分割。
四、图像匹配图像匹配是指在两幅或多幅图像中找到相同的或相似的图像区域。
空间滤波可以通过增强图像中的特定频率成分来实现图像匹配。
常用的图像匹配算法包括相关滤波算法、模板匹配算法和光流算法等。
这些算法通过计算图像之间的相关性或相似性来实现图像的匹配。
五、图像恢复图像恢复是指通过利用图像中的辅助信息来重建损坏或模糊的图像。
空间滤波可以通过对图像进行去模糊或修复来实现图像的恢复。
常用的图像恢复算法包括退化模型逆滤波算法、盲去卷积算法和非局部均值滤波算法等。
这些算法通过利用图像的统计特性或模型来恢复损坏或模糊的图像。
总之，空间滤波在图像处理中有广泛的应用。
无论是去噪、增强、分割、匹配还是恢复，都可以通过选择合适的滤波算子和调节滤波参数来实现对图像的处理。
数字图像处理中常见的滤波算法研究
数字图像处理中常见的滤波算法研究在数字图像处理中，滤波是一种常用的技术，用于改善或修复图像的质量。
滤波算法可以通过降噪、增强边缘、图像平滑等方式来提高图像的视觉效果。
本文将介绍几种常见的滤波算法及其应用。
1. 均值滤波均值滤波是最简单的滤波算法之一。
它通过计算像素周围邻域的平均值来替换该像素的灰度值。
均值滤波可以有效地降低图像中的噪声，但也会导致图像失去细节信息。
因此，适用于对噪声敏感但对图像细节要求不高的应用场景。
2. 中值滤波与均值滤波相比，中值滤波可以更好地去除图像中的噪声同时保留更多的图像细节。
中值滤波算法使用像素邻域的中值来替换该像素的灰度值。
中值滤波对于椒盐噪声的去除效果尤为明显，因此常用于医学图像、科学图像等领域。
3. 高斯滤波高斯滤波是一种常用的线性平滑滤波算法，通过计算像素周围邻域的加权平均值来替换该像素的灰度值。
高斯滤波算法在滤波过程中，使用了一个以该像素为中心的二维高斯函数作为权重，使得距离该像素越近的邻域像素具有更大的权重。
高斯滤波可以有效平滑图像，同时保留边缘信息。
4. Roberts算子Roberts算子是一种边缘检测算法，可以用于提取图像中的边缘信息。
Roberts 算子分为水平和垂直两个方向，通过计算像素与其对角线相邻像素之间的差值来确定边缘的存在。
Roberts算子简单、快速，并且对噪声具有一定的鲁棒性。
5. Sobel算子Sobel算子是一种著名的梯度算子，用于边缘检测和图像增强。
Sobel算子不仅可以检测边缘，还可以确定边缘的方向。
Sobel算子通过计算像素和其周围邻域像素的加权差值来确定边缘的强度，进而提取图像中的边缘信息。
6. Laplacian算子Laplacian算子是一种常见的二阶微分算子，用于图像锐化和边缘检测。
Laplacian算子通过计算像素周围邻域像素的二阶导数来检测边缘。
Laplacian算子可以增强图像中的细节信息，但也容易受到噪声的影响。
维纳滤波与图像去噪
维纳滤波与图像去噪摘要首先选取对图像降噪比较有代表性的维纳滤波，在加有高斯噪声、椒盐噪声和乘性噪声的图像上进行处理，再将维纳滤波与中值滤波和均值滤波抑制噪声的效果进行比较，通过实验仿真及其处理效果，详细分析维纳滤波在图像去噪中的特点及各自作用的利弊。
关键词维纳滤波；中值滤波；均值滤波；图像去噪Wiener filtering and image denoisingLIMeng,ZHAOQi（Xi’an University of Posts and Telecommunications, School of communication and information engineering，Xi’an710000, China）Abstract：Select the first is a representative of wiener filtering for image noise reduction with gauss noise and salt and pepper noise and multiplicative noise of image processing, then wiener filtering and median filtering and mean filtering noise effect comparison, through the experimental simulation and the treatment effect, detailed analysis of wiener filtering in image denoising, the characteristics and the pros and cons of each role.Keywords：Wiener filtering,Median filtering,Mean filtering,Image denoising0 引言图像在成像、传输、转换或存储的过程中会受到各种随机干扰信号即噪声的影响，从而会使画面变得粗糙、质量下降、特征淹没。
图像噪声及去噪
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。由于这个原因，双极脉冲噪声也称为椒盐噪声。同时，它们有时也称为散粒和尖峰噪声。
随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息[1]。所以，去噪处理一直是图像处理和计算机视觉研究的热点。
1
广义而言，噪声是指通过感觉器官理解来自各种信息源的信息时，妨碍其理解的因素。因此，图像噪声是指使用某种方法从被摄体或信息源把信息传递给受看者时，如果通过视觉接收平面二维亮度分布，那么对这种接收起干扰作用的亮度分布就叫图像噪声。图像噪声通常用信噪比来量化或描述。
噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。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[2]。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，因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。但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。而实际应用往往也不必要。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。
基于平稳小波的维纳滤波射线图像去噪算法研究
处理后 图像
线 图像 去噪过 程 中 ，能够取 得很 好 的去噪效果 。
维 纳 滤 波最早 由 Ｗｉ ｅ 提 出 ，并应 用 于一 维信 ｅ ｒ ｎ
原始 图像 ｆ 小波 正变换 Ｈ
维纳 滤波 一 小波逆变换 Ｈ
图 １ 维 纳 滤 波 的 去 噪 过 程
维纳 滤波是 一种 自适 应最 小均 方误差 滤波器 。维 纳 滤波的 方法是一 种统计 方 法 ，它用 的最 优准则 是基 于 图像和 噪声各 自的相关 矩 阵 ，它 能根据 图像 的局部
基 于平 稳 小 波 的维纳 滤 波射 线 图像 信 工 程 学 院 ， 山 西 太 原 中 ００５） ３０ １
摘 要 ： 维 纳 滤 波 的 原 理 应 用 到基 于平 稳 小 波 的 Ｘ 射线 图像 去 噪 过 程 ， 究 了一 种基 于 平 稳 小 波 的 ｘ 射 线 图 将 研
维纳 滤波是 求解 最佳线 性过 滤器 的一种方法 。当 信 号与噪 声 同时作用 于系统 时 ，希 望设计 的滤 波器性 能使 滤波 器输 出端 以均 方误差 最小 准则尽 量复现输 入 信号 ，从 而使输 出噪声得 到最 大 的抑制 ，称这种 滤波 器为最 佳线 性过 滤器 。维 纳滤 波是根 据信 号的 自相关 函数 （ 或信号 的功 率谱 ） 输 出的观 测值 ，在 均方误 差 及 最小 的意义下 ，解 出最佳 滤波器 的单位 抽样 响应 ，以 此 对输 入信号作 出最 优估计 。 假定 被加性 噪声 污染 的图像某 细节 尺度上 的小波
方 差 调 整 滤 波 器 的 输 出 ，局 部 方 差 越 大 ，滤 波 器 的 平
与 （ ， 互 不相 关 、 值 为 ０ 方差 为 盯 的高 斯 自噪 － ） ， ｔ 均 、
数字图像处理实验二_图像的噪声抑制及锐化处理
数字图像处理实验报告（二）班级：测控1002姓名：刘宇学号：06102043实验二图像的噪声抑制及锐化处理1. 实验任务（1）了解并掌握图像的噪声抑制及锐化处理的基本原理；（2）编写程序使用均值滤波、中值滤波方法进行图像噪声抑制，根据实验结果分析效果；（3）编写程序使用一阶微分锐化、二阶微分锐化方法进行图像的锐化处理，根据实验结果分析效果；（4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。
2. 实验环境及开发工具Windws2000/XPMATLAB 7.x实验原理线性平滑滤波器线性低通平滑滤波器也称为均值滤波器，这种滤波器的所有系数都是正数，对3×3的模板来说，最简单的是取所有系数为1，为了保持输出图像任然在原来图像的灰度值范围内，模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板，并提供filter2 函数用指定的滤波器模板对图像进行运算。
函数fspecial 的语法格式为：h=fspecial(type);h=fspecial(type,parameters);其中参数type 指定滤波器的种类，parameters 是与滤波器种类有关的具体参数。
MATLAB 提供了一个函数imnoise 来给图像增添噪声，其语法格式为：J=imnoise(I,type);J=imnoise(I,type,parameters);非线性平滑滤波器中值滤波器是一种常用的非线性平滑滤波器，其滤波原理与均值滤波器方法类似，但计算的非加权求和，而是把领域中的图像的象素按灰度级进行排序，然后选择改组的中间值作为输出象素值。
MATLAB 提供了medfilt2 函数来实现中值滤波，其语法格式为：B=medfilt2(A,[m n]);B=medfilt2(A);其中，A 是原图象，B 是中值滤波后输出的图像。
[m n]指定滤波模板的大小，默认模板为3×3。
基于卡尔曼滤波的图像降噪方法研究
基于卡尔曼滤波的图像降噪方法研究赛地瓦尔地·买买提;阿布都加怕尔·如苏力;米娜瓦尔·吾买尔【摘要】In order to improve the quality of noise image, a de-noising algorithm based on Kalman filtering is proposed. By adopting recursive algorithm,it could be applicable to the stationary process and non-sta-tionary process, thus solving the problem of limiting factors from other estimation methods. The character-istics of the noise image are analyzed, and then based on the first-order Gaussian color noise the equiva-lent observation of noise image is redefined. Meanwhile, NSHP ( Non-Symmetric Half Plane) is applied to forming the process equation of image, thus considerably reducing the calculation complexity of updated Kalman filtering. Simulation results show that Kalman filtering could obviously reduce the noise of original image and effectively solve the fuzzy details resulted from image filtering. Compared with other traditional de-noising algorithms, the proposed method could better retain the image details, including lines, dots and margins and demonstrate its superiority of self-adaption.%为了改善噪声图像的质量，提出了一种基于KALMAN滤波的降噪方法，该算法采用递推性算法，因此，可以适用平稳与非平稳过程，这就解决了其他估计方法的限制性困难。
- 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)。
研究生课程论文基于滤波的图像降噪算法的研究课程名称专业文献阅读与综述姓名张志化学号1200214006专业模式识别与智能系统任课教师钟必能开课时间2018.9——2018.11教师评阅意见：论文成绩评阅日期课程论文提交时间：2018 年11月11日基于滤波的图像降噪算法的研究摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。
目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。
边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。
关键词：滤波；图像噪声；图像降噪算法；评价方法；1 引言数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。
数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。
数字图像处理技术的优点主要有：<1)再现性好。
数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。
只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。
<2)处理精度高。
按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。
现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。
(3>适用面宽。
图像可以来自多种信息源。
从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。
这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。
(4>灵活性高。
由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。
(5＞信息压缩的潜力大。
数字图像中各个像素是不独立的，其相关性大。
在图像画面上，经常有很多像素有相同或接近的灰度。
就电视画面而言，同一行中相邻两个像素或相邻两行问的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性和帧内相关性相比，一般来说相邻两帧之间的相关性还要大些。
因此，图像处理中信息压缩的潜力很大。
在连续图像转换为数字图像的取样量化过程中，不可避免地会产生量化噪声，此外，图像传感器物理器件自身的灵敏度质量、图像传输和获取过程中的外在环境影响，都会存在一定程度的噪声干扰，降低了数字图像的质量。
图像去噪的研究意义主要表现在：(1＞噪声的存在影响着主观视觉效果。
人眼对图像噪声尤其是图像平坦区的噪声非常敏感。
严重的噪声将会使图像产生变形，失去其本质数据特征。
(2＞噪声会降低图像数据的质量和精度，将会影响后续图像边缘检测及图像识别的准确率。
因此，去除图像噪声的影响是图像预处理的一个关键步骤，对后续的图像分割、特征提取、图像识别等更高层次的处理具有直接的影响。
2图像滤波降噪的研究现状图像处理中，输入的是质量低的图像，输出的是改善质量后的图像。
常用的图像处理方法有图像增强、复原、编码、压缩等。
光学相干层析成像是近些年来发展较快的一种层析成像技术。
因为其对生物组织无辐射损伤、具有微M 级的分辨率、高探测灵敏度和越来越快的扫描速率等优点，在医学诊断病变组织方面，尤其是对生物组织活体检测具有诱人的应用前景。
由于噪声干扰的存在，这些生理信号可能失真。
甚至面目全非，这给图像信息带来了难度。
因此，就必须对含噪图像进行处理，改善图像质量。
最大程度上显现信号本身的特点[2]。
在所处理的图像中，相邻像素的灰度之间大多具有很高的相关性，也就是说，一幅图像中大多数像素的灰度差别不大。
因为这种灰度相关性的存在，一般图像的能量主要集中在低频区域中，只有图像的细节部分的能量才处于高频区域中。
因为在图像的数字化和传输中常有噪声出现，而这部分干扰信息主要集中在高频区域内，所以消去噪声的一般方法是衰减高频分量或称低通滤波，但与之同时带来的负面影响是图像的细节也有一定的衰减，从视觉效果上来看图像比处理前模糊。
一个较好的去噪方法应该是既能消去噪声对图像的影响又不使图像细节变模糊。
为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。
根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。
经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。
与之相适应的出现了许多应用方法：如均值滤波器、中值滤波器、低通滤波器、维纳滤波器、最小失真法等。
这些方法广泛应用，促进数字信号处理的极大发展。
3数字图像的噪声分析3.1图像噪声的概念噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。
例如一幅黑白图片，其平面亮度分布假定为，那么对其接收起干扰作用的亮度分布即可称为图像噪声。
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，因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。
但在很多情况下，这样的描述方法是很复杂的，甚至是不可能的。
而实际应用往往也不必要。
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。
目前大多数数字图像系统中，输入图像都是采用先冻结再扫描方式将多维图像变成一维电信号，再对其进行处理、存储、传输等加工变换。
最后往往还要在组成多维图像信号，而图像噪声也将同样受到这样的分解和合成。
在这些过程中电气系统和外界影响将使得图像噪声的精确分析变得十分复杂。
另一方面图像只是传输视觉信息的媒介，对图像信息的认识理解是由人的视觉系统所决定的。
不同的图像噪声，人的感觉程度是不同的，这就是所谓人的噪声视觉特性课题。
图像噪声在数字图像处理技术中的重要性越来越明显，如高放大倍数航片的判读，X 射线图像系统中的噪声去除等已经成为不可缺少的技术步骤。
3.2图像噪声的分类图像噪声按其产生的原因可以分为：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。
如电气设备，天体放电现象等引起的噪声。
内部噪声：一般又可分为以下四种：<1）由光和电的基本性质所引起的噪声。
如电流的产生是由电子或空穴粒子的集合，定向运动所形成。
因这些粒子运动的随机性而形成的散粒噪声；导体中自由电子的无规则热运动所形成的热噪声；根据光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化所形成的光量子噪声等。
<2）电器的机械运动产生的噪声。
如各种接头因抖动引起电流变化所产生的 噪声；磁头、磁带等抖动或一起的抖动等。
<3）器材材料本身引起的噪声。
如正片和负片的表面颗粒性和磁带磁盘表面 缺陷所产生的噪声。
随着材料科学的发展，这些噪声有望不断减少，但在目前来 讲，还是不可避免的。
<4）系统内部设备电路所引起的噪声。
如电源引入的交流噪声；偏转系统和 钳位电路所引起的噪声等。
图像噪声从统计理论观点可以分为平稳和非平稳噪声两种。
在实际应用中， 不去追究严格的数学定义，这两种噪声可以理解为其统计特性不随时间变化的噪 声称其为平稳噪声。
其统计特性随时间变化而变化的称其为非平稳噪声。
3.3 常见噪声我们常见的噪声有高斯噪声，泊松噪声，椒盐噪声，这几种噪声的仿真图如 图 1 。
高斯噪声是指它的概率密度函数服从高斯分布 <即正态分布）的一类噪声。
原始图像 加高斯噪声图像加泊松噪声图像 加椒盐噪声图像图 1 几种常见噪声仿真一个高斯随机变量的表达式可表示为其中代表灰度，是的均值，是的标准差。
高斯噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊且会出现细小的斑点，使图像变得不清楚。
泊松噪声是指它的概率密度函数服从泊松分布的一类噪声。
在随机过程的一个周期内，泊松分布的统计模型是其中k 表示单位时间内随机事件的个数，既是随机事件的均值，也是其方差。
所以泊松过程有其方差等于均值的性质，即。
因此，泊松分布的信噪比定义为，也就是说，在由泊松噪声构成的图像中，其信噪比跟泊松噪声自身均方根成正比。
椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声，往往由图像切割引起。
它是指两种噪声，一种是盐噪声<salt noise ），另一种是胡椒噪声<peppernoise ）。
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。
4图像质量的评价如何评价一个图像经过去噪处理后所还原图像的质量，对于我们判断去噪方法的优劣有很重要的意义。
现有的评价方法一般分为主观和客观两种。
4.1主观评价主观评价通常有两种：一种是作为观察者的主观评价，这是由选定的一组人对图像直接用肉眼进行观察，然后分别给出其对所观察的图像的质量作好或坏的评价，再综合全组人的意见给出一个综合结论。
它只是一种定性的方法，没有定量的标准，而且受到观察者的主观因素的影响，评价结果有一定的不确定性。
另一种是随着模糊数学的发展，可以用模糊综合评判方法来尽量减少主观因素的影响，实现对图像质量近似定量的评价，不过它仍然没有完全消除主观不确定性的影响，其定量计算公式中的参数往往要依赖专家经验确定。
4.2 客观评价图像质量的客观评价由于着眼点不同而有多种方法，这里介绍的是一种经常 使用的所谓的逼真度测量。
对于彩色图像逼真度的定量表示是一个十分复杂的问 题[5]。
目前应用得较多的是对黑白图像逼真度的定量表示。
合理的测量方法应和 主观实验结果一致，而且要求简单易行对于 连续 图 像场 合， 设 为 一定 义在 矩 形区 域的连续图像，其降质图像为的互相关函数 K 来表示：(3-1>可定义为归一化的均方误差值 NMSE ：<3-2)其中，运算符 表示在计算逼真度前，为使测量值与主观评价的结果一致 而进行的某种预处理。
如对数处理、幂处理等，常用的 为, 、 、 、b 均为常数。
(3-3>另外一种常用的峰值均方误差 PMSE ： (3-4>式中， A 为 的最大值。
实用中还常采用简单的形式 。
此时，对于 8比特精度的图像， A=255，M 、N 为图像尺寸。
峰值均方误差 PMSE 也被表示成等效的峰值信噪 PSNR ： <3-5) 主观评价和客观评价这两种图像质量评价标准有各自的优缺点。