论文部分内容阅读
图像信号在产生、传输过程中,经常会受到各种噪声的干扰,一般来说,现实中的图像通常都是带有噪声的。因此图像处理工作中,在进行图像分割、模式识别等高层次的处理前,选用适当方法尽可能的去除噪声的干扰是一个非常重要的预处理步骤。常用的图像去噪方法有:均值滤波和中值滤波以及由它们衍生出的各种改进型去噪算法。但是这些方法通常都是对图像的每一个像素点进行平滑,常将应保留的图像边缘及细节作了修改,从而造成图像信息的改变。近年来,小波分析得到了快速发展,在图像处理方面,小波图像去噪受到了国内外学者的重视,是当今热门的研究课题,因此陆续出现了一系列方法,如自适应软(硬)阈值去噪方法,模极大值去噪方法,最优模糊阈值去噪方法等算法在图像去噪处理中都取得了一定的效果。但应用小波去噪时,选取有效合理的小波基或小波基的参数比较困难,而且还存在争议。因此,如何有效的去除噪声且保持图像清晰度是本文研究的重点。本论文首先简要介绍了图像去噪处理的意义、研究现状,然后对传统的图像去噪方法进行了介绍,接着分析了贝叶斯决策的基本理论及常用的贝叶斯决策方法,在此基础上,通过观察加噪图像及其直方图的变化,了解到去噪的前提是准确地检测噪声,而无论何种去噪方法都不可能完全准确的检测出每一个噪声点,基于此提出了检测噪声时使出错率尽可能小,且仅对检测出的噪声点进行平滑的算法。本文应用最小错误率贝叶斯决策来检测噪声,并提出针对检测出的噪声采用不同的滤波方法,滤波时只应用判定为非噪声点的像素点对噪声点进行平滑。研究工作主要集中在以下几个方面:1、引入最小错误率贝叶斯决策,用于检测噪声点,使检测噪声时的出错率尽可能小。针对应用最小错误率贝叶斯决策时原图像的类条件概率密度难以计算的情况,引入类条件概率密度的离散化计算,避免了常用的对类条件概率密度的估计假设,使其更符合类别的分布情况。2、引入Otsu法并对其进行了简化和改进,应用简化和改进后的Otsu法进行噪声及目标的自动最优阈值选取。从而避免了将噪声灰度绝对化的可能及需要多次实验获取阈值的复杂过程。另外对椒盐噪声图中的黑白噪声阈值采用双向同时计算来获取两个阈值。3、根据噪声种类的不同,对应用最小错误率贝叶斯决策检测出的噪声采用不同的平滑滤波方法,在滤波时预先对要参与滤波的像素点进行检测,仅利用检测为非噪声点的像素点对当前判定为噪声的像素点进行平滑,从而排除了采用噪声像素点进行滤波而带来二次污染的可能性。4、对处理后图像质量进行了分析,提出以信噪比为评价条件对图像进行循环检测滤波,使多次处理后的图像信噪比最高,从而使处理后的图像质量尽可能的优化。实验结果表明,该算法的去噪效果大大优于其他一些方法,尤其对噪声密度较大的图像取得的效果更佳。为了验证算法的有效性,本文采用VC++6.0编程环境分别对不同噪声类别、噪声强度的带噪图像进行滤波检测,并与传统去噪方法进行了效果比较。结果表明,本文提出的算法能有效去除噪声并在一定程度上保留了图像细节。