图像去模糊_图像去噪的研究现状及发展趋势

　　 [摘 要] 本文简要介绍了图像噪声的来源、分类，图像去噪的传统方法和研究现状，并对图像去噪的发展趋势进行了探讨，基于小波变换和神经网络相结合的去噪方法将成为今后主要的发展趋势之一。
　　 [关键词] 图像去噪；图像噪声；研究现状；发展趋势
　　0引言
　　我们生活在一个信息时代，科学研究表明，人类从外界获得信息约有75%[1]来自视觉系统，也就是从图像中获得的。图像具有信息量大，传输距离远，传输速度快等一系列特点，成为人类获取、利用信息的重要来源和手段。图像所包含的信息量和直观性是文字、声音所无法比拟的。然而，图像在生成和传输的过程中难免会受到噪声的污染，使得图像的质量受到损害，这不仅不符合人们的视觉效果，并且对图像的后续处理是很不利的。因此，在图像的预处理阶段中，有必要对图像进行去噪，以提高图像的信噪比。图像去噪具有很强的理论意义和应用价值[2]。
　　1图像噪声
　　1.1图像噪声的来源
　　图像噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。图像噪声的主要来源有三个方面[2]：
　　（1）敏感元器件内部产生的高斯噪声。这是由于器件中的电子随机热运动而造成的电子噪声，这类噪声很早就被人们成功的建模并研究。一般用零均值高斯白噪声来表征。
　　（2）光电转换过程中的泊松噪声。这类噪声是由光的统计本质和图像传感器中光电转换过程引起的，在弱光情况下，影响更为严重。常用只有泊松密度分布的随机变量作为这类噪声的模型(转载 于:wwW.bJyld.com 月亮岛教育网 : 图像去模糊_图像去噪的研究现状及发展趋势)。
　　（3）感光过程中产生的颗粒噪声。在显微镜下检查可发现，照片上光滑细致的影调，在微观上呈现的是随机的颗粒性质。对于多数应用，颗粒噪声用高斯过程(白噪声)作为有效模型。
　　1.2图像噪声的分类
　　在图像处理技术中常见的图像噪声可以分为5种类型[3]：
　　（1）与图像信号强度不相关的加性噪声，含噪图像 表示为
　　 。
　　（2）与图像信号相关的乘性噪声，含噪图像 表示为 。
　　（3）显示与原始图像的差异的量化噪声，采用灰度级概率密度函数选择量化级的最优量化措施。
　　（4）图像切割引起的椒盐噪声（脉冲噪声），即黑图像上的白点，白图像上的黑色噪声；或在变换域引入的误差，使图像反变换后造成的变换噪声。当一幅图像受到“椒盐噪声”的干扰时，随着噪声强度的增加，图像的观测效果将越来越差。
　　（5）高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。高斯白噪声包括热噪声和散粒噪声。
　　其中常见的噪声类型主要是椒盐噪声和高斯噪声，人们进行图像去噪也是主要对这两类噪声进行处理。
　　2图像去噪的传统方法及研究现状
　　2.1图像去噪的传统方法
　　在数字图像处理中，噪声去除好坏会直接影响图像分割、边缘检测、特征提取等后续处理的效果，因此对图像中所含噪声进行滤除是一个重要的研究方向。人们根据实际图像的特点、噪声的频谱分布的规律和统计特征，开发了多种多样的去噪方法，传统的去噪方法利用均值滤波器去除高斯噪声、利用中值滤波器去除椒盐噪声（脉冲噪声）。其中，较为有代表性的是Astola等人提出的矢量中值滤波器(VMF)。胡梦佑等提出了一种变窗长自适应算法。此外，Trahanias等人研究了利用矢量的方向信息进行彩色信息处理，提出了矢量方向滤波器(VDF)；混合方向滤波器（HDF）；模糊矢量滤波器（FVF）；加权的矢量滤波器（WVF）；开关型矢量滤波器（SVF）；基于相似度的矢量滤波器（SBVF）；小波变换阈值法；神经网络等方法[4]。
　　2.2图像去噪的研究现状
　　现实中的图像多是带噪图像，根据图像的特点、噪声的统计特征、频谱分布的规律，如上所诉已提出了多种去噪方法。随着科技信息的发展，通过人类的不懈努力，提出了一些新颖的去噪方法。文献[4]根据模糊数学理论及随机脉冲噪声本身的特点，提出了模糊指标的概念，并结合边缘信息，提出了一种自适应中值滤波算法；文献[5]采用模糊加权方法对均值滤波算法进行了改进；文献[6]提出一种先去除滤波窗口中最大最小像素值，再进行自适应滤波的算法；文献[7]提出了一种自适应加权中值滤波算法；文献[8]提出了一种混合滤波算法，该算法利用局部阈值区分受高斯噪声和脉冲噪声污染的像素，对高斯噪声采用均值滤波，对脉冲噪声采用中值滤波。
　　在实际应用中上述几种方法都能取得一定效果，但均存在不足之处：对多种噪声共同干扰的图像去噪效果不理想；去噪的同时平滑了图像的细节，使图像清晰度降低，质量下降。因此，寻求一种更好的去噪方案成为很多科技人员研究的中心。
　　3图像去噪的发展趋势
　　针对传统去噪方法中的不足：传统的滤波器将受污染的图像视为一个整体进行滤波，不能根据噪声分布的特点及图像的纹理细节进行滤波，虽然滤除了噪声，但同时对图像造成了一定程度的破坏。因此寻找一种具有局部特性并且能够保持良好的细节边缘的去噪方法尤为重要。
　　其中小波变换具有良好的时频局部特性，在图像去噪领域，小波变换能够在不同尺度下对图像进行去噪，解决了传统滤波器单一尺度去噪所带来的问题。小波变换去噪优点是：噪声几乎完全得到抑制，且反映原始的特征、尖峰点得到很好的保留。在解决了局部特性之后，为了在抑制噪声的同时能够更好的保持图像的细节边缘，应将具有自适应机制、自组织能力和自学习能力的神经网络滤波器与传统的滤波器相结合。神经网络作为模式识别领域的一个重要分支，在图像处理中得到了广泛的应用，但单一的神经网络系统不能有效的滤除噪声，同样也需要结合其他理论方法。
　　因此，近年来提出了基于小波变换和神经网络相互结合的去噪方法应运而生，这种方法也必将成为今后图像去噪的主要发展趋势之一。
　　4结论
　　图像去噪是图像处理中的主要环节，图像去噪的好坏直接影响着图像的后续处理。对图像的去噪就是选择一种较好的滤波方法，使得在抑制噪声的同时很好的保持图像的细节边缘，有利于对图像的后续的处理。传统的去噪方法都有着同样的不足之处，为得到更好的去噪效果，基于小波变换和神经网络相结合的去噪方法将成为今后主要的发展趋势之一。
　　参考文献：
　　[1]阮秋琦.数字图像处理学.第二版.北京.电子工业出版社.2007.1-2
　　[2]Donoho DL.Ideal spatial adaptation via wavelet shrinkage.Biometrika.1994.81.425455
　　[3]A Gersho, B Ramaurthi. Image coding using vector quantization in Proc.IEEE Int.Conf.Acost.speech sinal processing.1982.5.430-432
　　[4]Ni Chenmin, Ye Maodong, Chen Xiaochun.Journal of Image and Graphics,2006, 11(5):672-678.
　　[5]Arakawa K.Median filter based on fuzzy rules and its application to image restoration[J].Fuzzy Sets and Systems, 1996, 77(1):3-13.
　　[6]Li Shutao,Wang Yaonan.Journal of Image and Graphics, 2000, 5(12):999-1001.
　　[7]Wang Zhangwei,Zheng Changqiong,Wang Jingxi,etal.Journal of Sichuan University:Engineering Science Edition, 2000,32(5):92-95.
　　[8]关新平,赵立兴,唐英干．图像去噪混合滤波方法[J].中国图象图形学报,2005,10(3):332-337. ■