图像噪声：造成图像失真、质量下降的图像信号，图像上引起较强视觉效果的孤立像元点块
- 空间域处理：借助像元与其邻近像元之间的关系来判断并去除噪声
- 均值滤波
- 中值滤波
- 边缘保持平滑滤波
- 变换域处理：在图像的某个变换域内去除或者压缩噪声的变换域系数
- 傅里叶变换
- 小波变换
- 主成分变换
常见噪声类型
噪声具可被认为是由概率密度函数表示的随机变量，通常采用噪声分量灰度值的统计特性进行描述，根据统计特征分为周期噪声和随机噪声，根据图像噪声关系分为加性噪声和乘性噪声
- 混入加性噪声的图像
- 混入乘性噪声的图像
g(x,y)为含噪图像，f(x,y)为原始图像，n(x,y)为噪声
- 高斯噪声
- 瑞利噪声
- 伽玛噪声
- 指数分布噪声
- 均匀分布噪声
- 脉冲噪声
随机噪声类型识别
选取图像中一小块信噪比高的单色区域，查看直方图形状判断噪声类型
周期噪声识别
周期噪声是一种依赖空间位置的噪声，由成像系统产生，用正余弦函数来表示
A是振幅，u0、v0是关于x与y轴的正弦频率，Bx、By是关于原点的相移，离散傅里叶变换为
周期噪声趋向于产生频率尖峰即高亮点，在频谱图中心原点对称的位置上存在成对冲击
空间域去噪声
噪声像元灰度值与周边不协调，可利用局部窗口的灰度值统计特性（如均值、中值）去除噪声
- 均值滤波：取每个像元邻域内像元平均值代替邻域中心的像元值
- 中值滤波：取每个像元邻域内像元中值代替邻域中心的像元值
- 边缘保持平滑滤波：先判断像元是否为边缘，不是则进行平滑处理，使用K近邻均中值滤波，找出K个接近邻域中心灰度值的像元，取平均值
- 数学形态学去噪声：开运算抑制峰值噪声，闭运算抑制低谷噪声，通常使用开闭运算的组合
傅里叶变换去噪声
把图像从空间域变换到频率域，在频率域对噪声成分进行掩膜滤波，把图像反变换到空间域
滤波器
- 低通滤波器：滤除高频
- 带阻滤波器：只滤除设定范围之内的频率，而通过范围之外的频率
- 陷波滤波器：滤除低频
低通滤波器：理想低通滤波器
低通滤波器：巴特沃斯低通滤波器
低通滤波器：高斯低通滤波器
带阻滤波器
陷波滤波器
小波变换去噪声
利用小波变换把含噪信号分解到多尺度中，在每一尺度下抑制或去除属于噪声的小波系数，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号
- 高频系数置零：将每一层的高频系数（HH、HL、LH）都置零，然后利用小波系数重构图像
- 小波阈值法：设置阈值将信号能量与噪声能量在小波域区分开，分为硬软阈值方法
通用阈值：σ为噪声的标准差，N为信号长度
主成分变换去噪声
用于多波段数据，噪声主要集中在后面几个分量，选择前面噪声较少的分量进行反向变换
空间域图像去椒盐噪声
傅里叶变换去周期噪声
空间域与频率与去噪声对比
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
