微光与红外成像技术邸旭微光与红外成像技术2课件教学.pptVIP

（3）混合去噪法 图像去噪要求既能去除图像以外的噪声，同时又要保持图像的细节。而均值滤波和中值滤波对不同的噪声有不同的去噪能力，中值滤波对椒盐噪声有较好的去嗓能力，而均值滤波对高斯噪声有较好的去噪能力。但是在实际的图像处理过程中，图像往往会同时受到两种噪声的干扰，单独的中值滤波或均值滤波均不能达到最好的去噪效果。因此将这两种方法结合起来，提出了一种改进的均值滤波算法（MTM），虽然该算法相对于传统的均值滤波或中值滤波已有很大改善，但却受制于阈值，阈值的选择直接影响了滤波效果。基于此，可以采用一种新的自适应混合噪声滤波算法，相对于传统的滤波算法，去除噪声效果较为理想。 设含有噪声的图像为g，大小为P×Q，滤波输出为f。对含噪图像进行从左到右从上到下的滤波。 ① 检测噪声类型以噪声图像g中像素(i,j)为中心选取像素为3×3窗口Spq，求出滤波窗内像素的方差 （7.4） 其中， 令阈值为T。当 T时，则认 为该滤波窗内受到椒盐噪声的污染，当 T时，则认为该滤波窗内受到高斯噪声的污染。 ② 滤波算法 根据上述判断方法，若滤波窗口内像素受椒盐噪声污染，则求出滤波窗内灰度最大值max和最小值min。把滤波窗内每个像素g(i,j) i,j∈S与最大值和最小值进行比较，除去那些等于最大值或最小值的像素点，如果滤波窗内剩余像素N不为零，则求出剩余像素的平均值M，并计算平均像素g(i,j)，灰度值与滤波窗中点像素灰度值的差的绝对值 此绝对值与设定的阈值T比较，若绝对 值d大于阈值T，则输出剩余像素均值M。若绝对值d小于阈值T，则输出滤波窗中点像素灰度值。其中阈值T的选择，与图像的局部性质相联系。根据韦伯定理，人的视觉在亮区域对噪声的敏感程度比暗区时小，因此在亮区域可以适当减弱去噪，而保存细节，在暗区域，则尽量抑制噪声。由此知，阈值的设置域是滤波窗平均灰度值的一次函数。即T= -k×m+b，k和b的值由多次试验决定。本文试验中k=0.15，b=80。若滤波窗口内剩余像素n为零，则扩大滤波窗口尺寸为5×5，并重复以上算法。如果剩余像素仍为零则图像输出为 （7.5） 若判断滤波窗内未被椒盐噪声污染，则先计算出滤波窗内像素的梯度绝对值 （7.6） 如果梯度值大于某一给定的阀值T，T= -k×m+b，其中k=0.3，b=160，则直接输出原像素。否则，则输出滤波窗像素灰度值均值。 重复上述算法直至完成所有像素点的滤波处理，最后得到除噪后的图像将本算法和传统滤波算法中值滤波和均值滤波进行对比，采用归一化均方误差和峰值信噪比作为客观评价标准，其中 （7.7） （7.8） 实验表明，在滤除混合噪声时，采用混合算法滤波后图像的PSNR要比由传统算法滤波后的PSNR要大，而NMSE要比由传统算法滤波后的NMSE要小。混合算法不仅能很好的滤除噪声，而且能较好的保护图像的细节，说明混合算法的滤波效果明显优于传统的滤波算法。 7.3.2 微光与红外图像配准技术 对同一场景使用相同或不同的传感器或成像设备，在不同条件下如天气，照度，摄像位置和角度等不同获取的两幅或多幅图像一般会有所不同。同一场景的多幅图像的差别可以表现在不同分辨率，不同的灰度属性，不同的位置平移和旋转，不同比例尺，不同非线性变形等等。若要对这些来自不同传感器的多幅源图像进行像素级图像融合，则首先必须对多幅源图像进行精确的配准，配准精度要求达到像素级。 （1）图像配准定义 给定两幅待配准的图像 和 ，我们称其中之一如 为参考图像，另一个 和 为观察图像。在许多的图像配准文献中，图像的配准被定义为两个图像之间在坐标位置和灰度级上的双重映射变换，可表示为 （7.9） 在这里，f是一个二维空间的坐标变换，而g是一个一维的灰度变换。配准问题就是要寻找最优的变换f和g，在此变换下将两幅图像最大程度地对齐，从而可以进一步处理图像。通常情况下灰度变换关系的校正并不是必要的，所以寻找最佳的空间或几何变换参数是匹配问题的关键所在。它常常被表示为两个参数变量的单值函数fx，fy ： （7.10） （2）常用的图像配准方法 目前对于不同类型的图像和数据存在很多种图像配准的方法，也相应地形成了很多种对方法进行分类的准则。常见的分类准则将图像配准方法分为两类：基于图像灰度的方法和基于图像特征的方法。 一、基于图像灰度的配准方法 基于图像灰度的配准方法，通常直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某