基于滤波图像降噪算法的研究
基于小波递归滤波的X射线图像实时降噪技术
（ 中北大学 仪器科学与 动态测试教育部重 点实验室 ， 山西太原 ００５ ） ３０ １
摘要 ： 通常射线 图像降 噪常常利用 空间域滤 波或 时 间域滤 波 ， 这两 种方 法都 只考虑 了各 自域 的像 素之 间的相关性 ， 将空 间滤 波方法与 时间滤波方法结合起来 ， 可以达到 比它们单独使 用更好 的效果 。帧 内与帧间结合 的数字视频 降噪方法 ， 是将递归滤 波和小 波算 法相 结合 的复合 算法 。试 验证 明该方 法可
基金项 目： 山西 省 青年科 技 研究基 金 项 目资助 （０９２０９ ２ 。 ２００１１ — ）
作者简介： 陈志强（９６ ）男， １８ 一 ， 山西省太原市人， 硕 土研究生， 研究方向为： 信号与信息处理 、 图像处理。
计算 小波 系数与信号处理 中滤波器相结合 ， 构 造 了一 个 计 算 小 波 系 数 的塔 式 分 解 算 法 ．
第３ １卷
２１ 年 ０１
第 ７期
７月
核 电子 学 与探 测技 术
Ｎ ｃ ｅ ｒＥ ｅ ｔｏ ｉｓ＆ Ｄｅ ｅ ｔ ｎ Ｔ ｃ ｎ ｌ ｇ ｕ ｌａ ｌ ｃｒ ｎ ｃ ｔ ｃ ｉ ｅ ｈ ｏｏ ｙ ｏ
Ｖ １ ３ Ｎｏ ７ ｏ． ｌ ．
Ｊ ｌ． ２ １ ｕｙ ０ １
基 于小 波 递 归 滤 波 的 Ｘ射 线 图像 实 时 降噪 技 术
线检 测过 程 中 ， 成像 系统 的散 焦 ， 像设 备 与物 成 体 的相 对 运 动 ， 像 器 材 的 固 有 缺 陷 以及 外 部 成
滤波后 图像 ， ： Ｆ 一是当前帧的前一帧滤波后 图 像 ， 是 递 归 滤波 因子 ０＜Ｋ＜１ 。 递 归 滤波 的实 现过 程 即把 当 帧的 图像 与上
MRI核磁共振成像信号降噪方法研究
MRI核磁共振成像信号降噪方法研究MRI核磁共振成像是一种常用于医学影像诊断的非侵入性检查方法。
在进行MRI成像时，由于组织的信号强度较弱且易受到噪声影响，因此对信号进行降噪处理是非常重要的。
本文将对MRI核磁共振成像信号降噪方法进行研究和分析，介绍几种常用的降噪方法及其特点。
首先，最常用的降噪方法之一是高斯滤波方法。
该方法基于高斯滤波器来平滑图像，从而降低其中的噪声。
高斯滤波方法适用于信号中的高频噪声，能够有效地平滑图像，但会损失一定的图像细节。
因此，在实际应用中，我们需要根据不同的需求来选择合适的滤波器参数，以平衡降噪效果和图像细节保留之间的关系。
除了高斯滤波方法，另一种常见的降噪方法是小波变换降噪法。
小波变换是一种基于多尺度分析的信号分析方法，通过将信号分解成不同频率的子信号，然后根据其能量和相对平滑度进行降噪处理。
小波变换降噪法在去除噪声的同时，相对较好地保留了图像的细节信息。
根据小波变换的特性，我们可以选择合适的小波函数和阈值来进行降噪，同时避免了信号频谱混叠等问题。
此外，还有一种常用的降噪方法是总变差（TV）降噪法。
总变差降噪法是一种基于信号变化率的降噪方法，它利用空间域中相邻像素之间的差异来降低噪声。
总变差降噪法在一定程度上能够保留图像的边缘和纹理特征，对于噪声较多的图像有着较好的降噪效果。
然而，总变差降噪法也存在一些问题，例如容易出现伪影和图像平滑不均的情况，需要结合其他方法进行改进。
除了上述常用的降噪方法外，还有一些新的降噪方法在近年来取得了较好的效果。
例如，基于稀疏表示的降噪方法能够将信号表示为稀疏的线性组合，通过稀疏表示的方式来降低噪声的影响，有效地提高降噪效果。
此外，卷积神经网络（CNN）等深度学习方法也在MRI信号降噪领域取得了一些突破性进展。
这些方法通过学习大量的数据样本来建立复杂的映射关系，能够更好地保留图像的细节信息。
总之，MRI核磁共振成像信号降噪是一项重要的研究课题，对于提高图像质量、准确诊断疾病具有重要意义。
使用图像处理技术实现图像降噪的方法
使用图像处理技术实现图像降噪的方法图像降噪是图像处理中的重要任务之一，它的目标是减少图像中的噪声，使得图像更加清晰、细腻。
随着计算机技术的不断发展，图像降噪的方法也越来越多样化。
本文将介绍几种常用的使用图像处理技术实现图像降噪的方法。
第一种方法是基于滤波器的降噪方法。
滤波器是一种数学运算工具，可以通过将图像中的噪声和信号进行分离来实现降噪。
常见的滤波器包括均值滤波器、中值滤波器、高斯滤波器等。
均值滤波器通过计算像素周围邻域的平均灰度值来减少噪声，适用于平滑噪声较小的图像；中值滤波器通过选择邻域中的中值来减少噪声，适用于处理椒盐噪声等较大噪声；高斯滤波器通过计算像素周围邻域的加权平均值来减少噪声，适用于处理高斯噪声等。
第二种方法是基于小波变换的降噪方法。
小波变换是一种多尺度分析方法，可以将信号分解为不同尺度和频率的小波系数，通过对小波系数进行处理来实现降噪。
常见的小波变换降噪方法包括基于软阈值和硬阈值的小波阈值去噪算法。
软阈值去噪算法通过对小于阈值的小波系数进行缩小，对大于阈值的小波系数保持不变，从而减少噪声；硬阈值去噪算法通过将小于阈值的小波系数置零，对大于阈值的小波系数保持不变，从而减少噪声。
第三种方法是基于深度学习的降噪方法。
深度学习是一种机器学习技术，可以通过构建深层神经网络来实现图像降噪。
常见的深度学习降噪方法包括自动编码器、生成对抗网络等。
自动编码器是一种无监督学习的神经网络模型，通过最小化输入和输出之间的误差来学习图像的表征，从而实现降噪；生成对抗网络是一种通过生成器和判别器相互博弈的神经网络模型，通过最大化判别器对真实图像和降噪图像的判断差异来学习降噪。
除了上述方法，还有许多其他的图像降噪方法，如基于稀疏表示的降噪方法、基于总变差的降噪方法等。
这些方法各有优劣，适用于不同类型的噪声和图像。
在实际应用中，我们可以根据具体的需求选择合适的降噪方法。
综上所述，图像降噪是图像处理中的重要任务，可以通过滤波器、小波变换、深度学习等多种方法来实现。
一种改进的小波域维纳滤波的图像降噪算法研究
（ ３ ）
（ ＿ ｑ ｉ ａ ， － － － ｏ）
ｑｉ ， Ｊ
（ ９ ）
也 就 足 说运 算 结 果 仅 由 输 入 值 决 定 ， 与 位 置（ 时间１ 是 无
ａ ＝Ｅ Ｅ ｘ ２ ］ ／ Ｅ ［ ｙ ２ ］ ， Ｘ ａ ｙ （ ４ ）
的效果较好 。 随着小波理论的发展 ， 其越来越多地被用于图像
处理， 取 得 了 一 定效 果 。
２ ． 图像 的退 化 模 型
图像 降质过程的模型如图 １ 所示， 其表达式为¨ ３ ＿ ：
ｇ （ ｘ ， ｙ ） ｈ（ Ｘ ， ｙ ） ｆ （ ｘ ， ｙ ） ＋ ｎ （ ｘ ｙ ） （ １ ）
线性： Ｈ［ ｋ ｌ ｆ ｌ （ ｘ ， ｙ ） ＋ ｋ ２ ｆ ２ （ ｘ ， ｙ ） ］ ＝ ｋ Ｈ［ ｆ ｌ （ Ｘ ， ｙ ） 】 ＋ｋ ２ Ｈ ［ ｆ ２ （ Ｘ ， ｙ ） ］ （ ２ ） 空 间移不变 ： 如果 ｇ （ ｘ ， ｙ ） ＝ Ｈ［ ｆ （ ｘ ， ｙ ） ］ ， 那 么 存 在 任 意 一个 函数 ｆ （ ｘ ， ｙ ） ￣ ｌ ｌ 常数 ａ 和ｂ ， 使得：
其中 Ｅ 【 ］ 表 示 变 量 的数 学 期 望 ， 为 Ｘ的 最优 线性 估 计 。 考 虑 到 ｈ和 Ｘ互 不相 关 ， 因此 有 ：
Ｅ ［ ｘ ］ ：Ｅ 【 ｙ ２ ］ 一ｏ （ ５ ）
可以逐个求得 Ｅ 【 ， 对 于位 于坐标（ ｉ ， Ｊ ） 处的 Ｅ ［ ｙ ２ ］ ， 可 利 用 及 其邻 值 估 计 得 到 。 为 了不 失 去 ’ ‘ 般性 的特 征 ， 利 用 个
若待处理 图像表示为 ： Ｙ ＝ Ｘ＋ Ｈ， 其 中： ｘ表示未加 噪声的
图像 或 者 未被 污 染 的图 像 ； Ｈ表 示 高 斯 噪 声 ， 其均值为 ０ ， 方 芹 为ｏ 。 小波 变 换 可 得 ： ｙ ＝ ｘ ＋ ｈ， 其 中， ｙ ＝ ｗＹ， ｘ ＝ｗｘ， ｈ ＝Ｗ Ｈ， ｗ 为小 波 变 换 的 变 换矩 阵 。通 过 小 波 变 换 的正 交 性 我 们 可 以 知道 ， ｈ是 均 值 等 于 ０ 、 方差是 ｏ 的高斯 噪声， 同 时 与 Ｘ是 丝 不 相 关 。 因此 维 纳 滤 波 可 写 成［ ４ １ ：
毕业设计(论文)-基于小波图像去噪的方法研究[管理资料]
![毕业设计(论文)-基于小波图像去噪的方法研究[管理资料]](https://img.taocdn.com/s3/m/d66abed458fb770bf68a5511.png)
毕业论文基于小波变换的图像去噪方法的研究学生姓名： 学号：学系 专 指导教师：2011年 5 月基于小波变换的图像去噪方法的研究摘要图像是人类传递信息的主要媒介。
然而,图像在生成和传输的过程中会受到各种噪声的干扰,对信息的处理、传输和存储造成极大的影响。
寻求一种既能有效地减小噪声,又能很好地保留图像边缘信息的方法,是人们一直追求的目标。
小波分析是局部化时频分析,它用时域和频域联合表示信号的特征,是分析非平稳信号的有力工具。
它通过伸缩、平移等运算功能对信号进行多尺度细化分析,能有效地从信号中提取信息。
随着小波变换理论的完善,小波在图像去噪中得到了广泛的应用,与传统的去噪方法相比小波分析有着很大的优势,它能在去噪的同时保留图像细节,得到原图像的最佳恢复。
本文对基于小波变换的图像去噪方法进行了深入的研究分析,首先详细介绍了几种经典的小波变换去噪方法。
对于小波变换模极大值去噪法,详细介绍了其去噪原理和算法,分析了去噪过程中参数的选取问题,并给出了一些选取依据;详细介绍了小波系数相关性去噪方法的原理和算法;对小波变换阈值去噪方法的原理和几个关键问题进行了详细讨论。
最后对这些方法进行了分析比较,讨论了它们各自的优缺点和适用条件,并给出了仿真实验结果。
在众多基于小波变换的图像去噪方法中,运用最多的是小波阈值萎缩去噪法。
传统的硬阈值函数和软阈值函数去噪方法在实际中得到了广泛的应用,而且取得了较好的效果。
但是硬阈值函数的不连续性导致重构信号容易出现伪吉布斯现象;而软阈值函数虽然整体连续性好,但估计值与实际值之间总存在恒定的偏差,具有一定的局限性。
鉴于此,本文提出了一种基于小波多分辨率分析和最小均方误差准则的自适应阈值去噪算法。
该方法利用小波阈值去噪基本原理,在基于最小均方误差算法LMS和Stein无偏估计的前提下,引出了一个具有多阶连续导数的阈值函数,利用其对阈值进行迭代运算,得到最优阈值,从而得到更好的图像去噪效果。
基于神经网络的自适应滤波算法研究
基于神经网络的自适应滤波算法研究自适应滤波算法是一种根据输入信号动态调整滤波器参数的方法，可以根据信号的特点更好地去除噪声，提高信号的质量。
神经网络是一种能够通过样本学习和自我调整的计算模型，可以用于模式识别、分类和回归等问题。
将神经网络应用于自适应滤波算法中，可以通过学习输入信号的特征来实现更加准确的滤波效果。
神经网络自适应滤波算法主要包括以下几个关键步骤：输入数据的预处理、神经网络模型的建立、参数的训练与更新以及滤波输出的计算。
首先，需要对输入数据进行预处理，包括信号的采样和量化等操作，以便于神经网络对输入数据进行处理。
同时，还可以对信号进行平滑处理，以降低噪声对神经网络学习的影响。
接下来，需要建立适合信号特征提取和处理的神经网络模型。
常用的神经网络模型包括前馈神经网络、循环神经网络和卷积神经网络等。
根据具体的问题和信号特点选择合适的神经网络结构，并设置适当的神经元和连接权重。
然后，使用一组已知的信号样本对神经网络模型进行训练和参数调整。
这可以通过反向传播算法来实现，即将样本信号的输出与期望输出进行比较，计算误差并反向传播更新神经网络的权重值。
经过多轮的训练和参数调整，神经网络模型能够逐渐学习到信号的特征，并根据输入信号调整滤波器的参数，从而实现自适应的滤波效果。
最后，利用训练好的神经网络模型和调整后的滤波器参数对输入信号进行滤波处理，得到滤波后的输出信号。
这样可以去除信号中的噪声和干扰，提高信号的质量。
基于神经网络的自适应滤波算法在信号处理领域有着广泛的应用。
例如，在语音信号处理中，可以使用神经网络自适应滤波算法去除语音信号中的噪声，提升语音识别的准确度。
在图像处理中，可以利用神经网络自适应滤波算法对图像进行降噪处理，增强图像的细节和清晰度。
此外，在通信领域、生物医学领域和金融领域等都可以应用神经网络自适应滤波算法。
总之，基于神经网络的自适应滤波算法通过学习输入信号的特征，可以实现更加准确和适应性强的滤波效果。
图像降噪的原理及应用实例
图像降噪的原理及应用实例1. 引言图像降噪是图像处理中重要的一项任务，该技术可以有效减少图像中的噪声，并提高图像的质量。
本文将介绍图像降噪的原理以及一些应用实例。
2. 图像降噪的原理图像降噪的原理是通过滤波算法对图像进行处理，抑制图像中的噪声成分。
常见的图像降噪算法包括线性滤波算法和非线性滤波算法。
2.1 线性滤波算法线性滤波算法是最常用的图像降噪算法之一，其原理是通过卷积操作将图像与特定的卷积核进行滤波。
常见的线性滤波算法有平均滤波、中值滤波和高斯滤波。
•平均滤波：将图像中的每个像素点与其周围像素点的平均值进行替换，可以有效降低图像中的高频噪声。
•中值滤波：将图像中的每个像素点的值替换为其周围像素点的中值，适用于降噪和去除图像中的椒盐噪声。
•高斯滤波：采用高斯函数作为卷积核对图像进行滤波，可以有效减少图像中的高频噪声。
2.2 非线性滤波算法非线性滤波算法是根据图像中像素点的灰度值进行一系列的运算，对图像进行降噪处理。
其中常见的非线性滤波算法有双边滤波和小波变换。
•双边滤波：通过结合空间域和灰度域的统计信息，对图像进行滤波处理，并保持图像边缘的清晰度。
适用于同时降噪和保持图像细节的需求。
•小波变换：通过将图像进行小波变换，分解为不同频率的子带，然后对子带进行降噪处理。
小波变换可以同时处理图像的时域和频域信息，具有较好的降噪效果。
3. 应用实例3.1 图像降噪在医学影像中的应用图像降噪在医学影像处理中具有广泛的应用。
医学影像通常由于诊断需求，对图像质量要求较高。
图像降噪可以提高医学影像的质量，减少图像中的噪声干扰，有助于医生正确判断患者病情。
例如，针对核磁共振图像中的噪声进行降噪处理，可以使图像更加清晰，便于医生发现和诊断病变。
3.2 图像降噪在安防监控中的应用图像降噪在安防监控领域也有着重要的应用。
安防摄像头拍摄到的图像通常受到环境光线、天气等因素的影响，容易产生噪声。
通过图像降噪处理，可以提高安防摄像头图像的清晰度，减少误报和漏报的情况，提高监控系统的效果。
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 、
- 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2013.9——2013.11课程论文提交时间：2013 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、具有微米级的分辨率、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),(y x f ，那么对其接收起干扰作用的亮度分布),(y x R 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。
一个高斯随机变量z的表达式可表示为22()()exp[]2z u P z σ-=-其中z 代表灰度，u 是z 的均值，σ是z 的标准差。
高斯噪声影响图像处理的输入、采集、处理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 几种常见噪声仿真图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(,)/!k k P k e k λλ-=其中k 表示单位时间内随机事件的个数，λ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2σμ=。
因此，泊松分布的信噪比定义为//SNR μσμ===，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（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。
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()y x f ,为一定义在矩形区域x x L x L ≤≤-，y y L y L ≤≤-的连续图像，其降质图像为()y x f ,^，它们之间的逼真度可用归一化的互相关函数K 来表示： ()()()⎰⎰⎰⎰----=xx y y x x y y L L L L L L L L dxdyy x f dxdyy x f y x f K ,,,2^ (3-1) 对于数字图像场合设()k j f ,为原参考图像，()y x f ,^为其降质图像，逼真度可定义为归一化的均方误差值NMSE ：()[]()()[]{}∑∑∑∑-=-=-=-=⎭⎬⎫⎩⎨⎧⎥⎦⎤⎢⎣⎡-=1010210102^,,,N j M k N j M k k j f Q k j f Q k j f Q NMSE （3-2） 其中，运算符[]∙Q 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。