數(shù)字視頻圖像處理

數(shù)字視頻圖像處理第1頁，課件共29頁，創(chuàng)作于2023年2月內(nèi)容1.圖像噪聲的概念和圖像去噪的意義2.圖像噪聲的種類3.圖像噪聲的模型4.圖像去噪算法第2頁，課件共29頁，創(chuàng)作于2023年2月一圖像噪聲的概念和圖像去噪的意義1什么是圖像噪聲？在圖像的獲取、傳輸和存貯過程中常常會受到各種噪聲的干擾和影響而使圖像降質(zhì)。噪聲可以理解為“妨礙人們感覺器官對所接收的信源信息理解的因素”。噪聲在理論上可以定義為“不可預(yù)測，只能用概率統(tǒng)計方法來認識的隨機誤差”。

第3頁，課件共29頁，創(chuàng)作于2023年2月一圖像噪聲的概念和圖像去噪的意義2圖像去噪的意義是什么？（ImageDenoising)為了獲取高質(zhì)量數(shù)字圖像，很有必要對圖像進行降噪處理，盡可能地在保持原始信息完整性（即主要特征）的同時，又能夠去除信號中無用的信息。作為一種重要的預(yù)處理手段，圖像去噪是數(shù)字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響到后續(xù)的圖像處理工作如圖像分割、邊緣檢測、圖像特征提取等等。

降噪處理一直是圖像處理和計算機視覺研究的熱點。

第4頁，課件共29頁，創(chuàng)作于2023年2月一圖像噪聲的概念和圖像去噪的意義3圖像降噪的目的圖像視頻去噪的最終目的是改善給定的圖像，解決實際圖像由于噪聲干擾而導(dǎo)致圖像質(zhì)量下降的問題。通過去噪技術(shù)可以有效地提高圖像質(zhì)量，增大信噪比，更好的體現(xiàn)原來圖像所攜帶的信息。第5頁，課件共29頁，創(chuàng)作于2023年2月二圖像噪聲的種類按照噪聲的成因分為常見的四類：加性噪聲、乘性噪聲、量化噪聲、椒鹽噪聲（1）加性噪聲加性嗓聲和圖像信號強度是不相關(guān)的。如圖像在傳輸過程中引進的“信道噪聲”電視攝像機掃描圖像的噪聲。這類帶有噪聲的圖像g可看成為理想無噪聲圖像f與噪聲n之和，即：第6頁，課件共29頁，創(chuàng)作于2023年2月二圖像噪聲的種類2乘性噪聲乘性嗓聲和圖像信號是相關(guān)的，往往隨圖像信號的變化而變化。如飛點掃描圖像中的嗓聲、電視掃描光柵、膠片顆粒造成的圖像結(jié)果等。這類噪聲和圖像的關(guān)系是：為了分析方便，往往將乘性噪聲假定為加性噪聲，并假定信號和噪聲是相互獨立的。第7頁，課件共29頁，創(chuàng)作于2023年2月二圖像噪聲的種類3量化噪聲量化嗓聲是數(shù)字圖像的主要噪聲源，其大小顯示出數(shù)字圖像和原始圖像的差異。4椒鹽噪聲此類嗓聲如圖像切割引起的即黑圖像上的白點，白圖像上的黑點噪聲。在變換域引入的誤差，使圖像反變換后造成的變換噪聲等。

第8頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型1噪聲信號是隨機過程噪聲在理論上可以定義為“不可預(yù)測，只能用概率統(tǒng)計方法來認識的隨機誤差”。因此將圖像噪聲看成是多維隨機過程是合適的，因而描述噪聲的方法完全可以借用隨機過程的描述，即用其概率分布函數(shù)和概率密度分布函數(shù)。但在很多情況下，這樣的描述方法是很復(fù)雜的，甚至是不可能的。而實際應(yīng)用往往也不必要。通常是用其數(shù)字特征，即均值方差，相關(guān)函數(shù)等。因為這些數(shù)字特征都可以從某些方面反映出噪聲的特征。2分類從噪聲的概率分情況來看，可分為高斯噪聲、瑞利噪聲、伽瑪噪聲、指數(shù)噪聲和均勻噪聲。第9頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（1）高斯噪聲在空間域和頻域中，高斯噪聲在數(shù)學(xué)上的易處理性。這種噪聲(也稱為正態(tài)噪聲)模型經(jīng)常被用在實踐中。高斯隨機變量Z的PDF由下式給出：第10頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（2）脈沖噪聲(椒鹽噪聲）（雙極）脈沖噪聲的PDF可由下式給出：如果b>a，則灰度值b在圖像中將顯示為一個亮點，反之則a的值將顯示為一個暗點。若Pa或Pb為零，則脈沖稱為單極脈沖。如果Pa和Pb均不可能為零，尤其是它們近似相等時，則脈沖噪聲值將類似于隨機分布在圖像上的胡椒和鹽粉微粒。由于這個原因，雙極脈沖噪聲也稱為椒鹽噪聲。第11頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型椒鹽噪聲是指兩種噪聲，一種是鹽噪聲（saltnoise），另一種是胡椒噪聲（peppernoise）。鹽=白色，椒=黑色。前者是高灰度噪聲，后者屬于低灰度噪聲。一般兩種噪聲同時出現(xiàn)，呈現(xiàn)在圖像上就是黑白雜點。

椒鹽噪聲是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點噪聲。椒鹽噪聲往往由圖像切割引起。去除脈沖干擾及椒鹽噪聲最常用的算法是中值濾波。第12頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型第13頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（3）瑞利噪聲

其均值和方差分別為：第14頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（4）伽馬噪聲其密度的均值和方差為：第15頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（5）指數(shù)分布噪聲其中a>0，概率密度函數(shù)的期望值和方差是：第16頁，課件共29頁，創(chuàng)作于2023年2月三圖像噪聲的模型（6）均勻噪聲其均值和方差分別為：第17頁，課件共29頁，創(chuàng)作于2023年2月四圖像去噪算法1空間域濾波空域濾波是在原圖像上直接進行數(shù)據(jù)運算，對像素的灰度值進行處理。常見的空間域圖像去噪算法有鄰域平均法(均值濾波）、中值濾波、低通濾波等。

2變換域濾波圖像變換域去噪方法是對圖像進行某種變換，將圖像從空間域轉(zhuǎn)換到變換域，再對變換域中的變換系數(shù)進行處理，再進行反變換將圖像從變換域轉(zhuǎn)換到空間域來達到去除圖像嗓聲的目的。傅立葉變換和小波變換則是常見的用于圖像去噪的變換方法。第18頁，課件共29頁，創(chuàng)作于2023年2月四圖像去噪算法（3）偏微分方程偏微分方程是近年來興起的一種圖像處理方法，主要針對低層圖像處理，并取得了很好的效果。偏微分方程具有各向異性的特點，應(yīng)用在圖像去噪中，可以在去除噪聲的同時，很好地保持邊緣。偏微分方程在低噪聲密度的圖像處理中取得了較好的效果，但是在處理高噪聲密度圖像時去噪效果不好，而且處理時間明顯高出許多。（4）變分法另一種利用數(shù)學(xué)進行圖像去噪的方法是基于變分法的思想，確定圖像的能量函數(shù)，通過對能量函數(shù)的最小化工作，使得圖像達到平滑狀態(tài)?，F(xiàn)在得到廣泛應(yīng)用的全變分TV模型就是這一類。這類方法的關(guān)鍵是找到合適的能量方程，保證演化的穩(wěn)定性，獲得理想的結(jié)果。（5）形態(tài)學(xué)噪聲濾除器將開與閉結(jié)合可用來濾除噪聲，首先對有噪聲圖像進行開運算，可選擇結(jié)構(gòu)要素矩陣比噪聲尺寸大，因而開運算的結(jié)果是將背景噪聲去除；再對前一步得到的圖像進行閉運算，將圖像上的噪聲去掉。此方法適用的圖像類型是圖像中的對象尺寸都比較大，且沒有微小細節(jié)，對這類圖像除噪效果會較好。第19頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法1均值濾波均值濾波算法，也稱線性濾波，主要思想為鄰域平均法，即用幾個像素灰度的平均值來代替每個像素的灰度。有效抑制加性噪聲，但容易引起圖像模糊，可以對其進行改進，改進的主要目的是避免對景物邊緣的平滑處理。圖像中加入均值為0，方差為0.005的高斯噪聲。不同鄰域大小。觀察結(jié)果：使用均值濾波去噪（高斯噪聲）效果選用的鄰域半徑越大效果越好，當然其代價也會更大，另外確切的去噪效果的好壞還需要用SNR等數(shù)據(jù)來度量。

代價：邊緣平滑第20頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法1均值濾波標準均值濾波算法的平均效果會引起圖像模糊。模糊程度和濾波窗口大小成正比。選擇較小的濾波窗口能保護圖像細節(jié)部分，但是去噪能力較弱；選擇較大的濾波窗口雖然能得到較強的去噪能力，但是圖像會變得模糊。

第21頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法2中值濾波基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性平滑濾波信號處理技術(shù)。中值濾波的特點即是首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，也可以為圓形、十字形等等，然后將鄰域中各像素的灰度值排序，取其中間值作為中心像素灰度的新值，這里領(lǐng)域被稱為窗口。當窗口移動時，利用中值濾波可以對圖像進行平滑處理。特點：其算法簡單，時間復(fù)雜度低，但其對點、線和尖頂多的圖像不宜采用中值濾波。很容易自適應(yīng)化。

設(shè)f(x，y)表示數(shù)字圖像像素點(x，y)的灰度值，濾波窗口為A的中值濾波器可以定義為：當n為奇數(shù)時，n個數(shù)x1，x2，…xn的中值就是按數(shù)值大小順序處于中間的數(shù)；當n為偶數(shù)時，我們定義兩個中間數(shù)平均值為中值。第22頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法2中值濾波

文：一種基于四階累積量的自適應(yīng)的均值濾波算法電子技術(shù)應(yīng)用2007年5月8日第23頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法3維納濾波Wiener維納濾波：使原始圖像和其恢復(fù)圖像之間的均方誤差最小的復(fù)原方法，是一種自適應(yīng)濾波器，根據(jù)局部方差來調(diào)整濾波器效果。對于去除高斯噪聲效果明顯。

圖像中加入均值為0，方差為0.005的高斯噪聲。不同鄰域大小。維納濾波，不同窗口大小3×3，5×5，7×7，9×9第24頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法比較中值濾波對于去除椒鹽噪聲效果最好，而維納濾波去除效果則較差。中值濾波對于去除椒鹽噪聲效果明顯，是因為椒鹽噪聲只在畫面上的部分點隨機出現(xiàn)，而中值濾波根據(jù)數(shù)據(jù)排序，將未被污染的點代替噪聲點的值的概率較大，所以抑制效果好。對點、線和尖頂較多的圖像不宜采用中值濾波，因為一些細節(jié)點可能被當成噪聲點維納濾波適用于對高斯噪聲進行降噪處理；均值濾波實現(xiàn)簡單，適用于加性高斯噪聲，但容易造成圖像模糊；均值濾波窗口大小的選擇應(yīng)何時，避免過度平滑圖像邊緣。第25頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法自適應(yīng)濾波效果最佳

自適應(yīng)濾波根據(jù)圖像局部特征確定濾波算法，降噪效果最佳，但是運算量也最大。文：一種基于四階累積量的自適應(yīng)的均值濾波算法電子技術(shù)應(yīng)用2007年5月8日第26頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法3小波閾值去噪小波萎縮法是目前研究最為廣泛的方法，小波萎縮法又分成如下兩類（1）閾值萎縮。主要基于如下事實，即比較大的小波系數(shù)一般都是以實際信號為主，而比較小的系數(shù)則很大程度是噪聲。因此可通過設(shè)定合適的閾值，首先將小于閩值的系數(shù)置零，而保留大于閾值的小波系數(shù)。通過閾值函數(shù)映射得到估計系數(shù)，然后對估計系數(shù)進行逆變換，就可以實現(xiàn)去噪和重建。(2)比例萎縮。通過判斷系數(shù)被噪聲污染的程度，并引入不同的參數(shù)(例如概率和隸屬度等)來度量方法系數(shù)被噪聲污染的程度，進而確定萎縮的比例。閾值萎縮方法中的兩個基本要素是閾值和閾值函數(shù)。第27頁，課件共29頁，創(chuàng)作于2023年2月五常用圖像去噪方法閾值的選擇：閾值的確定在閾值萎縮中是最關(guān)鍵的。目前使用的閾值可以分成全局閾值和局部適應(yīng)閾值兩類。全局閾值對各層所有的小波系數(shù)或同一層內(nèi)的小波系數(shù)都是統(tǒng)一的；局部適應(yīng)閾值是根據(jù)當前系數(shù)周圍的局部情況來確定閾值。全局閾值的主要計算方法：（1）Donoho和Johastone