论文部分内容阅读
图像在产生和传输过程中常常会受到各种噪音的污染,致使图像的质量下降。在应用中,有两种噪音模型可以充分代表大部分图像中的噪音,即高斯噪音和脉冲噪音,这两种噪音的混合噪音在实际中也是难以避免的,对这种混合噪音的去除是图像处理中重要而又富有挑战性的课题。近年来,在混合噪音的去除方面不断有新的工作出现,例如,关新平等人在2005年提出的图像去噪混合噪音滤波算法;华盛顿大学的R.Garnett等人在2005年提出的Tr?ilateral Filter;Liu Quansheng和李兵等人在2008年提出的混合噪音非局部滤波算法(MNF)等。本文在上述工作的基础上针对高斯噪音和一致脉冲噪音之混合噪音的滤除,主要研究了两类算法:一是在Trilateral Filter的基础上,用“线性”的权重因子代替“非线性”的权重因子,提出一种新的混合噪音线性滤波算法,简称LMF,该算法的运算速度比TrilateralFilter提高15%左右,而且视觉效果和峰值信噪比均有不同程度的提高。然后在LMF的基础上,又进行了两方面的探索:用ROLD统计量代替ROAD统计量检测脉冲噪音,提出了一种基于ROLD统计量的混合噪音线性滤波算法(ROLD-LMF),简称RLMF,该算法在一定程度上提高了去除一致脉冲噪音的能力,同时也提高了去除混合噪音的效果。另外,应用梯度能增强图像细节和边界的特性,在权重函数里用邻域像素梯度的相似性代替灰度值的相似性,提出了一种基于像素结构信息相似性的混合噪音线性滤波算法(Gradient-LMF),简称GLMF,在一定程度上有效地保护了图像细节和边界。二是在MNF的基础上,探讨了MNF加速算法的问题,提出了两种算法:一是利用两相似窗口均值的比和方差的比作为阈值,提出了基于像素相似性的MNF加速算法(Fast - MNF),简称FMNF,该算法的运算速度比MNF提高了10%左右,而且去噪效果也不低于MNF。二是利用图像纹理细节具有方向性的特点,提出了基于纹理细节方向性的MNF加速算法(Direct-MNF),简称DMNF。该算法在保证去噪效果也不低于MNF的情况下运算速度提高了25%以上。本文的主要内容共分六章。第一章主要介绍数字图像处理的应用及图像去噪的意义、图像去噪的研究现状;第二章主要介绍数字图像及噪音、图像去噪的理论基础;第三章介绍近十年来与本文有关的几种算法;第四章提出了一类新的混合噪音线性滤波算法;第五章提出了两种提高MNF滤波速度的方法:FMNF和DMNF;第六章对本文的工作进行总结以及提出今后研究工作的方向。