低信噪比图像处理.pptVIP

低信噪比图像处理 主要内容 研究的意义 图像降质的原因 噪声对图像质量的影响 低信噪比图像的去噪处理 图像质量评价准则 低信噪比图像的边缘检测 研究意义 图像在成像、传输、存储过程中，会引入不同类型的噪声（如高斯、椒盐噪声等），并且其引入方式也不同（加性或乘性噪声），这都会直接影响到图像的分辨率。 如果银行偷盗、抢劫杀人等案件高清晰度电视中罪犯得逞后逃走，银行营业厅虽然有监控录像，但室内光线等因素的影响，使得图像模糊，给破案带来难度。 城市里汽车数量日益增多，违章驾驶及交通事故经常发生，但道路监控视频常受到天气、光线、角度等条件的影响而不能清晰的记录违章车辆等等。 用于公共安全的视频监控系统由于前端采集设备的自身质量、视频传输距离、传输介质噪声、信号干扰，视频压缩等因素而导致了视频中有重要意义的细节部分由于空间分辨率过低或者噪声影响而难以辨认。即使有了现场视频记录也不能从中提取有效信息，从而无法最大限度地发挥视频监控系统的效益。 图像降质的主要原因-Gaussian noise Salt-and-Peppers noise 椒盐噪声是一种由摄像系统的物理缺陷或传输中的解码错误而生成的黑白相间的点噪声, 其噪声特征是噪声点亮度与其邻域的亮度明显不同。图像中椒盐噪声的概率密度函数可由下式给出： Bluring 噪声对图像的影响-Gaussian noise 从人类视觉上： Gaussian noise 对图像的边缘和纹理细节影响较小，人眼一般不能分辨出来；对图像平滑区域，影响较大，主要是因为人眼视觉效果的相对性。 Salt-and-Peppers noise 从视觉上：椒盐噪声对图像平滑区影响较小，但是对图像边缘及纹理影响较大。打断边缘和纹理。 低信噪比图像的去噪处理 去除椒盐噪声 去除高斯噪声 图像去噪目的 Images that most people regard as “clean” possess two common characteristics: (1) Edges, thin lines, and small features are sharp and clear. (2) Areas between these features are smoothly varying. 去除椒盐噪声－中值滤波 去除椒盐噪声－自适应中值滤波 窗口尺寸与去噪效果 窗口尺寸与噪声浓度之间的关系 建立滤波器窗口的最小尺寸与噪声浓度之间的函数： 最大窗口尺寸与最小窗口之间的差值与噪声浓度之间的关系： 椒盐噪声浓度估计 椒盐噪声在图像中产生的一些灰度值很小（接近黑色）或灰度值很大（接近白色）的污染点，本文根据椒盐噪声这一特点，仅仅从含噪图像中估计出图像中含椒盐噪声的浓度。首先逐个像素点扫描计算出噪声图像中最大最小像素值，利用最大最小值判断各个像素点是否受到椒盐噪声影响： 自适应中值滤波的优缺点 优点：减少脉冲噪声对图像的影响同时保留了图像边缘和纹理等细节信息。 缺点：边缘易产生移位，应采用保边函数 保边函数 基于保边函数的去噪 1）对低信噪比图像首先运用自适应中值滤波器减少脉冲噪声对图像的影响同时保留了图像边缘和纹理等细节信息 (2) 设计保边和保纹理映射函数， (3)利用优化算法求出目标函数的最值进而实现了低信噪比图像的复原，抑制脉冲噪声以提高图像的灰度分辨率； 像素点保边去噪 基于全局保边去噪 DONG Yiqiu将所有可能的噪声点形成向量，且使用GBB算法解决最小化问题（AM-IEPR），从而极大的改进了AM-EPR方法的计算效率，但是该方法并没有考虑到图像像素邻域之间的相关性，从图像整体上而言，去噪效果较好，但是损失图像的一些局部信息，对信息主要分布在高频的图像去噪效果不理想。 传统保边函数的不足 像素点的保边去噪：以像素点为建立保边对象；但是图像边缘和纹理是由图像的局部信息表现出来。同时计算量较大。 基于全局的保边去噪：以图像所有的残余噪声像素点为建立保边对象；但是图像边缘和纹理是由图像的局部信息表现出来。 基于邻域保边去噪 利用优化算法求出目标函数的最值进而实现了低信噪比图像的复原，抑制脉冲噪声以提高图像的灰度分辨率。 Gaussian Noise Smooth－liner filter 线性滤波 1)the larger filter will preserve rough feature and remove fine feature. 2）linear filtering only smoothes the noise but does not remove noise. (a) 噪声幅度减小； (b) 噪声点的个数增加。 灰度图像