图像去噪算法综述

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
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(,)f x y 和降解图像过程，得到退化图像(,)g x y ，原始图像可被设置为一个降解功能，并添加附加噪声(,)n x y 。

对于发生复原图像 f’( x , y )
原图像
f(x,y) 噪声n(x,y)
退化函数 h ( x , y ) 添加噪
声 复原滤波 退化 复原
图 1.1图像退化-复原过程的模型
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 += (1.1)
式1.1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 1.1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。

文献[1]中给出了如下几种比较常见的比较重要的几种噪声：
① 均匀分布噪声
均匀分布噪声是指图像中每一个像素点等概率产生的噪声。

均匀噪声的概率密度如式 1.2 所示，其期望值和方差如式 1.3 所示
()10
a z
b p z b a ⎧≤≤⎪=-⎨⎪⎩ （1.2） ()22;212
b a a b μσ-+== （1.3） ② 高斯噪声
高斯噪声也被称为正态噪声，它的噪声的概率密度如式1.4所示：
(
)()222z p z μσ--= （1.4） 式1.4中，z 代表图像的灰度值，代表z 的期望值，代表z 的标准差。

高
斯噪声在实际图像中比较常见，而且在数学上处理也比较容易，使得高斯噪声的模型应用也比较广泛。

③ 椒盐噪声
椒盐噪声是指持续时间小于等于0.5秒，大于1秒间隔时间的噪声。

椒盐噪声作为一种平常容易遇到的图像噪声，决定性的对图像质量起着效果。

其噪声概率密度如式1.5所示：
()0a z b p z a p z p z b =⎧⎪==⎨⎪⎩ （1.5）
式1.5中，假定b>a ，则图像中灰度值b 将以的概率在图像中显示为一个亮点（盐粉微粒）；灰度值a 则将以的概率显示为一个暗点（胡椒微粒）。

④ 瑞利噪声
瑞利噪声是指服从瑞利分布的噪声。

它的概率密度函数如式1.6所示：
()()22()0z a b z a e
z a p z b z a
-⎧⎪-≥=⎨⎪<⎩ （1.6） ⑤ 伽马噪声
伽马噪声又被叫做爱尔兰噪声，它的概率密度函数如式1.7所示：
()()01!00b b z
az a z e z b p z z --⎧≥⎪-=⎨⎪<⎩
（1.7）
该式中，a>0，b 为正整数。

⑥ 指数分布噪声
指数分布噪声的概率密度函数如式1.8所示：
()00
0az ae z p z z -⎧≥=⎨<⎩ （1.8） 该式中a>0。

需要注意的是，伽马噪声在b=1时，它的概率密度函数和指数分布概率密度函数是一样的；即指数分布噪声是伽马噪声的一个非常特殊的特例。