基于DSP的圖像去噪實現(xiàn)設(shè)計說明

1、 / 35目錄目錄摘摘 要要 I IABSTRACTABSTRACTIIII引言引言 IIII1 1緒論緒論 2 21.1數(shù)字圖像基礎(chǔ) 21.1.1數(shù)字圖像 21.1.2數(shù)字圖像灰度化 31.2噪聲的分類與特點 31.2.1椒鹽噪聲 41.2.2高斯噪聲 41.2.3其他各類噪聲 51.2.4圖像系統(tǒng)噪聲的特點 61.3灰度圖像噪聲的清除 71.3.1鄰域平均去噪法 71.3.2頻域去噪方法 81.3.3幾種新型的濾波方法 81.4圖像去噪效果的評價方法 91.5本章小結(jié) 102 2中值濾波中值濾波 11112.1標準中值濾波 112.1.1中值濾波的原理 112.1.2中值濾波的主要特性 1

2、32.2中值濾波的改進算法 142.2.1快速排序算法 142.2.2極值中值濾波器 152.2.3加權(quán)中值濾波器 162.2.4多級中值濾波器 162.3本章小結(jié) 173 3算法與算法與 DSPDSP 仿真仿真 18183.1算法 183.1.1算法思想 183.1.2 C 代碼實現(xiàn) 193.2仿真過程 213.2.1CCS2.2 使用 213.2.2去噪仿真結(jié)果 243.2.3結(jié)論 303.3本章小結(jié) 30致致 3131 I / 35參考文獻參考文獻 3232 / 35摘要摘要近年來，圖像處理相關(guān)技術(shù)取得了飛速的發(fā)展，并在人們生活的各個領(lǐng)域得到廣泛應(yīng)用，如攝影與印刷、衛(wèi)星圖像處理、醫(yī)學(xué)圖像

3、處理、人臉識別、生物特征識別、顯微圖像處理等。數(shù)字圖像處理的主要目的是通過對圖像的加工，提高圖像的視覺感受質(zhì)量，從中獲取有用的信息。然而數(shù)字圖像在產(chǎn)生、傳輸、處理、儲存的過程中，不可避免地受到各類噪聲的干擾導(dǎo)致信息難以獲取，這就直接影響后期處理的效果。因此在對圖像進行后續(xù)操作前必須進行提前加工處理，而圖像去噪就是一種重要的方法之一。 圖像噪聲有很多種類，本文主要研究椒鹽噪聲和高斯噪聲。中值濾波是一種非線性數(shù)字濾波器技術(shù)，中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替，從而消除孤立的噪聲點。本文以灰度圖像去噪為研究課題，通過使用 DSP 平臺對圖像分別加入椒

4、鹽噪聲和高斯噪聲，再進行中值濾波處理對比仿真結(jié)果，得出中值濾波能有效去除椒鹽噪聲的結(jié)論。也提出了一些中值濾波的優(yōu)化改進算法思想。關(guān)鍵詞: 圖像去噪；DSP；椒鹽噪聲；高斯噪聲；中值濾波 I / 35ABSTRACTABSTRACTIn recent years, image processing related technology has made rapid development, and it has been widely used in various fields in peoples lives such as photography and printing, satelli

5、te image processing, medical image processing, face recognition, biometric identification, microscopic image processing, etc. The main purpose of digital image processing is improve the perception of the quality of the image by the image processing, to obtain useful information.However, the process

6、of digital image generation, transmission, processing, storage, inevitably affected by various types of noise interference lead to information difficult to obtain, which directly affects the post-processing effects. Therefore, in subsequent operations we must carried out in advance before the image

7、processing, and image denoising is an important methods.There are many types of image noise, this paper studies salt and pepper noise and Gaussian noise. Median filter is a nonlinear digital filter technique, median filtering of the basic principle is the sequence of digital images or digital value

8、is a point in a neighborhood of the point values of each point value to replace, thus eliminating isolated noise points.In this paper, gray image denoising as the research, through the useness of DSP platforms, salt and pepper noise and Gaussian noise were added to the image, and then comparing medi

9、an filtering process simulation results we can obtained the conclusion that median filter can effectively remove salt and pepper noise. We also made some improvements median filtering optimization algorithm ideas.Keywords: denoising; DSP; salt and pepper noise; median filtering; Gaussian noise II /

10、35 0 / 35引言引言隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，數(shù)字圖像處理已經(jīng)廣泛應(yīng)用到了人類社會生活的各個方面，如：遙感，工業(yè)檢測，醫(yī)學(xué)，氣象，通信，偵查，智能機器人等，對國民經(jīng)濟的作用也越來越大。其處理的精度高，實現(xiàn)多種功能的、高度復(fù)雜的運算求解非常靈活方便。在其短短的歷史中，它成功的應(yīng)用于幾乎所有與成像有關(guān)的領(lǐng)域，并正發(fā)揮相當重要的作用。現(xiàn)實中的數(shù)字圖像在獲取、傳輸、接收和處理過程中，因受到一定的外部與部干擾，從而被噪聲影響，導(dǎo)致圖像質(zhì)量的退化，這樣的圖像稱為噪聲圖像。但對圖像進行邊緣檢測、圖像分割、特征識別等處理工作時，都要求圖像有較高的質(zhì)量，因此需要先濾除圖像中的噪聲以提高圖像質(zhì)量。

11、減少數(shù)字圖像中噪聲的過程稱為圖像去噪。近幾年來，圖像去噪技術(shù)有了迅速的發(fā)展，諸多新的去噪處理方案不斷涌現(xiàn)。目前，常用的圖像噪聲有椒鹽噪聲、高斯噪聲、白噪聲等，去噪方法有中值濾波、小波變換、均值濾波、同態(tài)濾波、頻域濾波等等，本文也會對各類去噪方法簡單介紹并提出幾種中值濾波的優(yōu)化算法。重點為中值濾波算法、代碼實現(xiàn)以與其對椒鹽高斯噪聲的處理效果的仿真實驗。 1 / 351 1 緒論緒論1.11.1數(shù)字圖像基礎(chǔ)數(shù)字圖像基礎(chǔ)1.1.11.1.1數(shù)字圖像數(shù)字圖像在人們的視界里，圖像分為彩色和黑白。對于彩色圖像，按照色度學(xué)理論：任何顏色都可由紅、綠、藍三種基本顏色按不同的比例混合得到。這樣，自然界的圖像可以

12、用基于位置坐標的三維函數(shù)來表示，即：利用 f 表示空間坐標點的顏色函數(shù)，fred、fgreen、fblue 分別表示該點顏色的紅、綠、藍三種原色的分量值。由于平面上每一點僅包括兩個坐標(x, y),所以我們可以將空間三維函數(shù)轉(zhuǎn)化為二維函數(shù)。對于黑白圖像，就比彩色圖像簡單多了，只需要用表示該點圖像的灰度（強度）即可。我們所說的數(shù)字圖像是相對于模擬圖像而言的。是將圖像按空間坐標和明暗程度的連續(xù)性分類得到的：(1)模擬圖像指空間坐標和明暗程度都是連續(xù)變化的圖像，計算機無法對其直接處理。即是空間的連續(xù)函數(shù)，為連續(xù)的空間，即在連續(xù)空間，每一個點都有一個精確的值與之相對應(yīng)。(2)數(shù)字圖像是一種空間坐標和灰

13、度均不連續(xù)的、用離散的數(shù)字表示的圖像，這樣的圖像才能被計算機處理。由于計算機僅能處理二進制數(shù)據(jù)，如果要用計算機來處理圖像的話，必須把連續(xù)的圖像函數(shù)轉(zhuǎn)化為離散的數(shù)據(jù)集。經(jīng)過離散化處理，原來連續(xù)的模擬圖像就變成了由許多像素依據(jù)一定規(guī)則形成的數(shù)字圖像來近似表示，一般用一個矩陣表示那些離散的數(shù)據(jù)，每一個離散的矩陣元素表示一個像素的顏色值。把像素依據(jù)不同的方式組織和存儲，就形成了不同的圖像格式，把圖像數(shù)據(jù)存成文件就會得到相應(yīng)的圖像文件。由于是數(shù)字圖像，那么對于一幅黑白圖像來說，只要把各個像素賦值為 0 或 1即可，我們用 1 表示白色，用 0 表示黑色，于是我們把一幅黑白圖像稱為二值圖像，彩色圖像或其它

14、圖像轉(zhuǎn)化為黑白圖像的過程叫做二值化。對于一幅彩色圖像，每個像素我們都需要用 3 個取值圍為之間的整數(shù)值來分別表示紅、綠、藍三原色分量，且這些分量都是用整型數(shù)據(jù)表示，稱之為像素顏色的 R,G, B 值。表示一個取值圍為的整型數(shù)據(jù)，需要占用 8bit 空間，三個 R, G, B 這樣的整型數(shù)據(jù)就需要用24bit 來存儲，所以，我們常把一幅真彩色位圖稱為 24 位位圖。 2 / 35在對數(shù)字圖像進行處理的過程中，一般先把 24 位的位圖轉(zhuǎn)化為灰度圖像，然后再進行相關(guān)的處理。所謂灰度圖像，就是把圖像矩陣中每個像素的值用 1 個 的整型數(shù)據(jù)表示。如果彩色圖像的 R, G, B 三個分量相等就成為灰度圖像

15、?；叶葓D中的每個像素只需要占有 8bit 空間，所以，灰度圖像通常也被稱為 8 位位圖。 1.1.21.1.2數(shù)字圖像灰度化數(shù)字圖像灰度化對數(shù)字圖像進行灰度化處理，主要方法有以下三種： 1、最大值法：使 R、G、B 的值等于三個值中最大的一個，即： (1-1) 最大值法會使灰度圖像亮度變高。 2、平均值法：使 R、G、B 的值等于三個的平均值，即： (1-2)平均值法會形成比較柔和的灰度圖像。 3、加權(quán)平均值法：根據(jù)重要性或敏感度等其他指標的要求給 R，G，B 設(shè)定不同的權(quán)值，并使 R、G、B 值加權(quán)，即： 其中，, ,分別為 R, G, B 的權(quán)值。, ,取不同的值，加權(quán)平均值法將形成不同的

16、灰度圖像。人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍色的敏感度最低，因此讓可以得到合理的灰度圖像。實驗和理論推導(dǎo)都表明，當, ,時，即： (1-3)此時，R, G, B, 的取值就是該像素的亮度值，此時得到的灰度圖像最合理。 1.21.2噪聲的分類與特點噪聲的分類與特點噪聲可以理解為“妨礙人們感覺器官對所接收的信源信息理解的因素” 。噪聲通常是一種隨機信號，不可能預(yù)測，因此它只能用概率統(tǒng)計的方法來分析。使用某種方法從被攝體或信息源把信息傳遞給受看者時，如果通過視覺接收平面二維亮度分布，那么對這種接收起干擾作用的亮度分布就叫圖像噪聲。噪聲存在于圖像的獲取、傳輸和處理的各個環(huán)節(jié)。因此，去噪己

17、經(jīng)成為圖像處理中極其必要的步驟之一，同時也是圖像處理領(lǐng)域中一個重點研究的課題。本節(jié)先對噪聲的來源和性質(zhì)進行簡要的介紹。 黑白圖滿足二維亮度分布函數(shù)，則噪聲就是對亮度的干擾，用來表示。因為噪聲具有隨機性，所以我們需要用隨機過程來描述，也就是說要求知道噪聲的分布函 3 / 35數(shù)和密度函數(shù)。然而，在許多情況下，這些函數(shù)難以確定和描述，甚至根本無法得到，所以我們只能用統(tǒng)計方法來描述噪聲，例如均值、方差、自相關(guān)函數(shù)等。 描述噪聲的總功率： (1-4)噪聲的交流功率利用方差描述： (1-5)噪聲的直流功率利用均值的平方表示： (1-6)一般在圖像處理技術(shù)中常見的噪聲有如下幾種：白噪聲、椒鹽噪聲、脈沖噪聲

18、、量化噪聲等，我們重點介紹高斯噪聲和椒鹽噪聲。 1.2.11.2.1椒鹽噪聲椒鹽噪聲椒鹽噪聲（Pepper Noise） ：是一種脈沖噪聲，它在圖像中產(chǎn)生黑色點和白色點。這種噪聲在圖像中表現(xiàn)非常明顯，對圖像具有嚴重的破壞作用，極妨礙了圖像分割、邊緣檢測、特征提取等后續(xù)處理。它的噪聲概率密度函數(shù)可表示為： (1-7)因為脈沖信號的強度通常比圖像信號強度要大的多，因此脈沖噪聲可以用灰度極限值（黑或白）來量化。我們一般假設(shè) a 和 b 作為所取圖像允許的最大灰度和最小灰度值，即“飽和”值。如果, 灰度 b 在圖像中表示為白點，而灰度 a 在圖像中表示為黑點。如果或等于 0，這時脈沖噪聲被稱之為單極性

19、噪聲。如果和都不等于 0，但兩者大小接近，這時脈沖噪聲就像椒鹽隨機灑在圖像上一樣，因此，我們把雙極性的脈沖噪聲也叫做椒鹽噪聲。 1.2.21.2.2高斯噪聲高斯噪聲所謂高斯噪聲是指它的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。高斯分布，也稱正態(tài)分布，又稱常態(tài)分布，記為，其中 , 為分布的參數(shù)，分別為高斯分布的期望和方差。當有確定值時，p(x)也就確定了，特別當 =0，=1 時，X的分布為標準正態(tài)分布。高斯隨機變量 z 的 PDF 如下式： (1-8)其中 z 表示灰度值， 表示 z 的平均值或期望值，表示 z 的標準差。標準差的平方稱為 z 的方差。當 z 服從式（1-8）的分布時候，

20、其值有 70落在，且有 95落在圍。 4 / 351.2.31.2.3其他各類噪聲其他各類噪聲1. 均勻噪聲分布均勻噪聲的概率密度在較寬的頻率圍有固定的頻譜分布，均勻噪聲分布的概率密度，由下式給出：(1-9)概率密度函數(shù)的期望值和方差可由下式給出：(1-10)2. 瑞利噪聲瑞利噪聲是指頻譜服從瑞利分布的噪聲，瑞利分布（Rayleigh Distribution）是指一個均值為(0.5*2)(0.5)，方差為(2-0.5*)*2 的平穩(wěn)窄帶高斯過程，其包絡(luò)的一維分布是瑞利分布。當一個隨機二維向量的兩個分量呈獨立的、有著一樣的方差的正態(tài)分布時，這個向量的模呈瑞利分布。兩個正交高斯噪聲信號之和的包絡(luò)

21、服從瑞利分布。它的概率密度函數(shù)由下式給出：(1-11)概率密度的均值和方差由下式給出：(1-12)3. 伽馬(愛爾蘭)噪聲伽馬噪聲的 PDF 如下式：(1-13)其中，a0，b 為正整數(shù)且“!”表示階乘。其密度的均值和方差由下式給出：(1-14)4.指數(shù)分布噪聲指數(shù)噪聲的 PDF 可由下式給出： (1-15)其中 a0。概率密度函數(shù)的期望值和方差是： (1-16) 5 / 351.2.41.2.4圖像系統(tǒng)噪聲的特點圖像系統(tǒng)噪聲的特點1噪聲的掃描變換 在對圖像處理時，首先先把二維圖像信號掃描變換成一維的電信號，然后再進行處理，處理完成后，還要將一維電信號還原成二維圖像信號。在進行這種圖像轉(zhuǎn)換的同

22、時，噪聲也同樣會參與一樣的變換。 2噪聲的迭加性 在串聯(lián)類型的圖像傳輸系統(tǒng)中，如果各子系統(tǒng)竄入的噪聲是同種噪聲，就會進行功率相加，導(dǎo)致信噪比不斷下降。如果不是同種形式噪聲時就應(yīng)區(qū)別對待，此外還要考慮視覺檢出性征對視覺效果的影響。但是因為視覺檢出性征中的許多問題還沒有被人類研究透徹，所以我們也就只能進行一些主觀的評價體驗。例如空間頻率性征不同的噪聲迭加時我們要考慮到視覺空間頻譜帶通的特性。如果是時間性征不同的噪聲迭加，則要考慮到視覺滯留、閃爍的性征等。 3噪聲與圖像的相關(guān)性 如果使用的是光導(dǎo)攝象管的攝象機，可以認為，噪聲幅度和信號幅度無關(guān)。但如果使用的是超正析攝象機，噪聲幅度與信號幅度關(guān)聯(lián)。此外

23、在數(shù)字圖像處理技術(shù)中，量化噪聲一定存在，并且和圖像相位有關(guān)聯(lián)。 1.31.3灰度圖像噪聲的清除灰度圖像噪聲的清除圖像去噪通常是根據(jù)不同圖像的特性和不同目標而采用不同的方法進行處理。對某一種圖像很理想的去噪處理方法對另一種圖像則不一定可行，也可以說某種去噪方法在處理某一類型圖像效果理想，但處理其他類型的圖像時卻收不到好的效果。這是因為任何一種處理方法都要在滿足其限定條件的前提下進行才會收到好的效果，在沒有滿足其限定條件時，效果就就會極降低。這也說明，由于圖像本身具有的隨機性與特殊性，我們在圖像去噪的方法選擇上要靈活應(yīng)變。圖像噪聲在圖像上往往表現(xiàn)為灰度值是離散的，并且它們在圖像上的分布是隨機的。我

24、們可以采用多種方法去除噪聲，主要有空域處理、頻域濾波和統(tǒng)計濾波，但它們各有長處。雖然頻域濾波與統(tǒng)計濾波精度相對較高，但是運算量巨大，并且過程繁雜；空域處理方法雖然精度相對比較低，但它運算簡單方便。鄰域平均法、中值濾波和空域低通濾波法就是比較常用的相對簡單的去除噪聲方法。 6 / 351.3.11.3.1鄰域平均去噪法鄰域平均去噪法對于給出的 NN 大小的圖像，定義一個鄰域 S,選擇一個點，取它的領(lǐng)域 S 的所有像素點的平均灰度值作為該點的灰度值，以此類推，對整幅圖像中每個像素點做類似的處理，就得到新的圖像。其過程可表示為： (1-17)式中，s 表示所取像素鄰域 S 中像素的坐標圍，M 為鄰域

25、 S 中容納像素的個數(shù)。鄰域平均去噪法特點是：去噪效果效果明顯，容易實現(xiàn)；缺點是會導(dǎo)致邊緣模糊。所取鄰域 S 越大，去噪效果越顯著，但邊緣越模糊。為此，我們可以在進行鄰域平均時需要設(shè)定一個閾值，以此來減輕邊緣模糊，即： (1-18)T 為一個預(yù)先設(shè)定的閾值，并且非負。當某點灰度值與其鄰域灰度均值之差小于預(yù)定的閾值 T 時，就保留該點原有的灰度值，這種方法在一定程度上可以減小邊緣的模糊程度。 1.3.21.3.2頻域去噪方法頻域去噪方法頻域去噪技術(shù)的數(shù)學(xué)基礎(chǔ)是卷積理論。假設(shè)線性不變算子與函數(shù)進行卷積后的結(jié)果是) (1-19) 據(jù)卷積定理在頻域有： (1-20)其中 G(u,v)、H(u,v)、F

26、(u,v)分別是 g(x,y)、h(x,y)、f(x,y)的 X 類型變換(Fourier 變換等)。在對特定的圖像信號進行處理應(yīng)用中，f(x,y)是給定的，我們主要確定 H(u,v)，于是由具有所需特性的 g(x,y)我們就可以算出 G(u,v)，然后再通過 X 反變換得到 g(x,y)，如下式 (1-21)在頻域中進行圖像去噪，可以分成以下三個主要步驟： 對需要去噪的圖像進行 X 變換計算； 變換后的結(jié)果與一個函數(shù)(根據(jù)需要設(shè)計)相乘； 7 / 35將結(jié)果進行反 X 變換操作就可以得到圖像的去噪結(jié)果。 1.3.31.3.3幾種新型的濾波方法幾種新型的濾波方法近些年來，隨著數(shù)學(xué)各分支在理論和

27、應(yīng)用上的逐步深入，使得很多數(shù)學(xué)理論在圖像去噪技術(shù)應(yīng)用中取得了很大的進展，產(chǎn)生了不少的新算法。新的濾波方法主要有： (1)數(shù)學(xué)形態(tài)濾波方法 自從 J.Serra 的專著Image Analysis and Mathematical Morphology出版，提出數(shù)學(xué)形態(tài)學(xué)以來，已經(jīng)引起了世界各國學(xué)者的興趣。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語言是集合論。使用數(shù)學(xué)形態(tài)學(xué)可以簡化圖像數(shù)據(jù)，保持它們基本的形狀特征，并且可以除去不相干的結(jié)構(gòu)。 數(shù)學(xué)形態(tài)學(xué)的算法由于具有天然的并行實現(xiàn)的結(jié)構(gòu)，因此實現(xiàn)了形態(tài)學(xué)分析和處理算法的并行,極大提高了圖像分析和處理的速度。 數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算子組成的，它的基本

28、運算有 4 個：膨脹（或擴） 、腐蝕（或侵蝕） 、開啟和閉合，它們在二值圖像和灰度圖像中各有特點。在這些基本運算的基礎(chǔ)上，還可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法，使用它們可以進行圖像分析與處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。目前，有關(guān)數(shù)學(xué)形態(tài)學(xué)的技術(shù)和應(yīng)用正在不斷地研究深入。 (2)小波濾波方法 小波變換是傅里葉變換的發(fā)展，是從 20 世紀 80 年代中期逐漸發(fā)展起來的一個重要的數(shù)學(xué)分支。作為一個非常重要的數(shù)學(xué)分析工

29、具，在數(shù)字圖像去噪領(lǐng)域獲得廣泛的使用。由于小波去噪方法具有以下四個特點，所以可以取得很好的效果：一是低熵性；二是多分辨率性質(zhì)，三是去相關(guān)性，四是選基靈活性。 小波方法目前可以分為三類： 第一種是由 Mallat 提出的基于小波變換模極大值原理的去噪方法。二是基于小波變換域相鄰尺度間系數(shù)相關(guān)性的去噪方法。三是小波閾值去噪方法，由 Donoho 等人提出。其中小波閾值去噪法算法簡單、效果好，因此使用廣泛。 (3)基于模糊數(shù)學(xué)的濾波方法 近年來，隨著圖像處理數(shù)據(jù)的持續(xù)不斷增加，同時對實時性要求的日益提高，但伴隨著模糊理論的發(fā)展與人們對事物模糊性認識的深入，模糊理論在圖像去噪方面的應(yīng)用日益增多。在圖像

30、去噪過程中采用模糊手段，可以在減少信息的輸入量、 8 / 35處理量和存儲量的同時能實時且令人滿意地去除噪聲。總體上而言，通過對圖像信息模糊性的理解，利用模糊集來更為精確的描述圖像信息，這時就需要將傳統(tǒng)的經(jīng)典集處理方法推廣到模糊集，也就是要通過隸屬度函數(shù)來進行分集，從而形成了一類模糊圖像處理算法。 (4)基于神經(jīng)網(wǎng)絡(luò)的濾波方法 由于神經(jīng)網(wǎng)絡(luò)濾波器本身具備并行運算的性質(zhì)，再加上它獨特具備的自組織和自學(xué)習(xí)能力，從而使其在圖像處理領(lǐng)域中的應(yīng)用越來越廣泛。目前，神經(jīng)網(wǎng)絡(luò)在圖像去噪中的應(yīng)用研究主要集中在針對圖像的特點系統(tǒng)地研究學(xué)習(xí)算法和訓(xùn)練方法上，特別是在訓(xùn)練方法方面還需要作出更加深入研究，再者就是如何

31、簡化神經(jīng)網(wǎng)絡(luò)濾波算法的運算速度和如何硬件實現(xiàn)并且進行優(yōu)化和簡化的問題。 1.41.4圖像去噪效果的評價方法圖像去噪效果的評價方法如何評價圖像去噪效果是圖像信息學(xué)科的基礎(chǔ)研究之一。對于圖像處理和圖像通信系統(tǒng)而言，圖像就作為信息的載體，圖像的質(zhì)量就是衡量這個圖像信息系統(tǒng)的重要指標。圖像去噪的直觀目的就是為了提高圖像的視覺顯示效果。在對一個去噪模型作具體評估時，需要考慮以下幾個因素： (1)圖像經(jīng)去噪后應(yīng)盡量平滑，盡可能的降低噪聲遺留痕跡； (2)去噪不應(yīng)該過度損失圖像的細節(jié)； (3)不能因為去噪而產(chǎn)生過度的的的噪聲； (4)采用去噪方法，如果必然產(chǎn)生新的噪聲，那么它應(yīng)盡量地接近隨機噪聲； (5)信

32、噪比要高。使去噪后的圖像盡量接近原始圖像。 這就都要求設(shè)計一個合理的圖像去噪評估方法。現(xiàn)有的評價方法分為主觀和客觀兩種，本文我們將只對結(jié)果進行主觀評價，下面簡單介紹下主觀評價方法。 主觀評價一般分兩種：一種是觀察者的主觀評價，由觀察者對圖像直接用肉眼進行觀察，由本人對所觀察的圖像的質(zhì)量給出相應(yīng)的評價，綜合眾多觀測者的意見給出一個綜合結(jié)論。這種方法沒有定量，非常容易受觀察者主觀因素的影響，因此評價的結(jié)果存在一定的不確定性。第二種是采用模糊綜合評判方法，它實現(xiàn)了對圖像質(zhì)量近似定量的評估，目的為了盡量減少主觀因素的影響，但主觀不確定性并沒有完全消除，而且需要專家利用經(jīng)驗來確定定量計算公式中的參數(shù)。本

33、文使用肉眼觀察的直觀方法來對中值濾波的去噪效果進行探究。 9 / 351.51.5本章小結(jié)本章小結(jié)本章首先闡述了如何把圖像離散化和數(shù)字化，然后簡要介紹了幾種常用的灰度圖像去噪處理方法，并闡明了各種去噪的原理與其所具有的優(yōu)缺點。由于圖像特征的隨機性和多樣性以與使用者的不同使用目的，采用不同增強處理方法針對不同噪聲的處理效果是不同的，因此需要分別用各類處理方法對各種常見噪聲圖像進行處理并分析結(jié)果2 2中值濾波中值濾波中值濾波(Median Fi1ter)以排序統(tǒng)計理論作為其理論基礎(chǔ)，作為一種非線性平滑濾波算法，可以有效抑制噪聲，由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以比較方便使用。 2.

34、12.1標準中值濾波標準中值濾波2.1.12.1.1中值濾波的原理中值濾波的原理中值濾波是由圖基（Turky）在 1971 年提出的，中值濾波的基本原理是把數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近真實值，從而消除孤立的噪聲點。具體來講就是先以某個像素為中心，定義它的一個鄰域（通常是方形鄰域） 。對鄰域所有像素按灰度值的大小排序，取其中間值作為中心像素新的灰度值。這個鄰域一般我們稱之為稱為窗口。然后把圖像中不同的像素依次作類似的處理。對于奇數(shù)個元素，中值是指按大小排序后中間的數(shù)值；對于偶數(shù)個元素，中值是指排序后中間兩個元素灰度值的平均值。序列的中值 y 為：(2-

35、1)公式中，若把一個點的特定長度或形狀的鄰域作為窗口，在一維情況下，中值濾波器是一個含有奇數(shù)個像素的滑動窗口。窗口中中間那個像素的值用窗口各像素值的中值來代替，設(shè)輸入序列為，為自然數(shù)集合或子集，窗口長度為 n，且令 u=(n-1)/2，則濾波器的輸出為: 10 / 35 (2-2) -+=iii uii uyMed xMed xxx上式表明 i 點的中值僅與窗口前后各點的中值有關(guān)，為序列的中值。把中值濾波的概念推廣到二維并利用某種形式的二維窗口。則可對二維中值濾波做如下定義：設(shè)表示數(shù)字圖像各點的灰度值，濾波窗口為 A，則:(2-3) 2+*+=,i,j,Iijijj rj sAyMed xMe

36、d xr sA上式窗口是 A 的點的中值表達式，二維中值濾波的窗口通常選為 3*3，5*5 區(qū)域，可以 5*5 窗口為例，常見的圖形如圖(2-1)的(a)方形 (b)菱形 (c)十字形 所示： 圖(2-1) (a)方形 (b)菱形 (c)十字形用兩個例子來詳細分析：例 1：如圖(2-2)所示，1*5 的一維模版，噪聲點為 m，灰度值為 2，先進行數(shù)值排序，找到中值并用中值取代原噪聲點，形成新的 1*5 一維模版：圖(2-2)一維中值濾波過程例 2：3*3 的模板，對 9 個數(shù)排序，取第 5 個數(shù)替代原來的像素值。以某一個像素點為中心，選取一個 3*3 的窗口為模版，如圖 11.3：模版中的灰度

37、值依次為2,1,4,2,2,3,7,6,8 ，排序后新的灰度值為1,2,2,2,3,4,6,7,8,第五個數(shù) 3為排序后的中值，用 3 取代原來的中心值 2，完成中值濾波過程。 11 / 35圖(2-3)二維中值濾波過程采用中值濾波算法能對圖像進行平滑處理。經(jīng)過中值濾波處理，輸出圖像任一像素的灰度值是由該像素鄰域所有像素灰度值的中間值決定的，因此中值濾波可以較好地消除孤立的噪聲點，從而可以使圖像經(jīng)過處理后不會變的很模糊。但是由于中值濾波在去噪時，同時也會破壞圖像的細節(jié)，當噪聲相當嚴重時，效果就會變的非常差。為了解決這些矛盾，近年來出現(xiàn)了很多改進的算法，如加權(quán)中值濾波算法、開關(guān)中值濾波、minm

38、ax 算法。 2.1.22.1.2中值濾波的主要特性中值濾波的主要特性中值濾波的主要特性有: l.非線性運算：對于隨機噪聲，數(shù)學(xué)分析過程將會異常復(fù)雜。如果噪聲輸入符合零均值正態(tài)分布規(guī)律，中值濾波輸出就會與噪聲輸入的分布密度有關(guān)，即輸出噪聲方差和輸入噪聲密度函數(shù)之間成平方成反比關(guān)系。結(jié)尾結(jié)論：雖然中值濾波比均值濾波對隨機噪聲的去噪能力要差些，但對于脈沖干擾來講，中值濾波是很有效的。特別是對于脈沖寬度小于濾波窗口長度的一半且距離較遠的窄脈沖，效果會更好。 2. 信號的不變性：中值濾波在處理某些特定的輸入信號時，輸出信號會保持與輸入信號一樣，所以與一般的線性濾波器相比，圖像細節(jié)能更好地得到保護。 3

39、. 頻譜特性:由于中值濾波輸出與輸入在頻率上不是一一對應(yīng)的，因此不能使用普通線性濾波器頻率特性分析方法。一般我們采用總體實驗觀察法，通過大量實驗來驗證中值濾波器的頻率響應(yīng)與輸入信號的頻譜之間是有關(guān)系的，呈現(xiàn)一種不規(guī)則但波動幅度不大的曲線，它的頻譜特性起伏不大，因此認為信號經(jīng)過中值濾波后，頻譜基本上保持不變。 12 / 35在設(shè)計中值濾波器算法時，窗口像素灰度值與周圍象素灰度值相差較大的點經(jīng)過處理后要求能與附近的像素灰度值接近，這樣就可以減小隨機噪聲。為了減小處理后的產(chǎn)生模糊的程度，要求在處理時不能簡單的取平均值，即可以使中值濾波既能有效消除噪聲，同時還能保護圖像中的細節(jié)部分。 2.22.2中值

40、濾波的改進算法中值濾波的改進算法標準的中值濾波能夠明顯去除圖像中的脈沖噪聲，但它在去除噪聲的同時，也會使圖像中得重要細節(jié)衰減。為了解決這種情況，研究人員相繼提出了許多的改進型的中值濾波算法。 2.2.12.2.1快速排序算法快速排序算法中值濾波的算法很多，但通常數(shù)據(jù)排序量較大。需要消耗大量時間，不利于圖像處理的實時性。為節(jié)省圖像處理的時間，我們試圖選擇更快速的排序方法。窗口大小為 3*3 的快速排序算法：將 3*3 窗口的各個像素分別定義為M11，M12，M13，M21，M22，M23，M31，M32，M33。首先分別對窗口中的每一行計算最大值、中值、最小值，這樣一共可以得到 9 個數(shù)值，分別

41、包括 3 個最大值、3 個中值、3 個最小值：第一行的最大值：Max1=maxM11，M12，M13；第一行的中值：Med1=medM11，M12，M13;第一行的最小值：Min1=minM11，M12，M13；依此類推：Max2=maxM21，M22，M23；Med2=medM21，M22，M23；Min2=minM21，M22，M23.Max3=maxM31，M32，M33;Med3=medM31，M32，M33；Min3=minM31，M32，M33.( max 表示取最大值，med 表示取中值，min 表示取最小值。)由此可得：9 個數(shù)值中 3 個最大值中的最大值和 3 個最小值中的最

42、小值一定是 9 個像素 1中的最大值和最小值； 13 / 353 個中值中的最大值至少大于 5 個像素：即本行中的最小值、其他 2 行的中值 2與最小值；而 3 個中值中的最小值至少小于 5 個像素：即本行中的最大值、其他 2行的中值與最小值。所以，只要比較 3 個最大值中的最小值 Min_of_Max，3 個中值中的中值Med_of_Med，3 個最小值中的最大值 Max_of_Min得到的中間值即為濾波的最后結(jié)果 Med_of_nine。具體過程表示如下：Min_of_Max=minMax1，Max2,Max3；Med_of_Med=medMed1，Med2，Med3；Max_of_Min

43、=maxMin1，Min2，Min3.則最后濾波結(jié)果：Med_of_nine=medMin_of_Max,Med_of_Med，Max_of_Min；利用這種排序法的中值濾波運算僅需 17 次比較，與傳統(tǒng)算法相比。比較次數(shù)減少了近 2 倍，大大提高了濾波的速度。2.2.22.2.2極值中值濾波器極值中值濾波器在標準的中值濾波算法中，對窗口所有的像素點都采用同樣的處理形式。這樣不僅去除了噪聲，同時也改變了真正信號點的灰度值，使得圖像模糊，喪失細節(jié)。但如果我們能夠知道哪些信號點是干凈點，哪些信號點已被噪聲污染，這樣我們就可以只處理噪聲污染點，不但減少了運算量，而且降低了圖像的失真度。 根據(jù)經(jīng)驗可知

44、，對于自然圖像，鄰近點之間存在著比較大的相關(guān)性。圖像中某一點的灰度值與其附近點的灰度值是很接近的。根據(jù)這個結(jié)論我們可以做出以下判斷：在一幅圖像中如果一個像素點的灰度值與其鄰域的相關(guān)性很小，那么，該信號點很可有能已經(jīng)被噪聲污染了。由此，如果該點的灰度值與其鄰點的相關(guān)性接近，就應(yīng)該是一個干凈的信號點。設(shè)隨機選擇原始圖像某一像素點 xij，用 wi，j表示對點 xij 所作一個窗口操作運算，如果點 xij 的灰度值等于其窗口所有像素點灰度值的最大或最小值，那么該點就是噪聲點。如果不是，則為信號點。即如式所示: (2-4)極值中值濾波算法有一個判斷點是否被噪聲污染的過程， 我們介紹的極值中值濾波算法在

45、處理幅度差值比較大的脈沖噪聲時，去噪效果相當明顯。但是圖像中如 14 / 35果有一些細線等窄的邊緣情況，它與它們周圍的像素相比，灰度值相差也會很大，極值中值濾波算法就會把這樣的像素點誤判斷為噪聲點，因此會破壞原始圖像的信號。 2.2.32.2.3加權(quán)中值濾波器加權(quán)中值濾波器采用加權(quán)的方法，可以增加窗口的中心像素的灰度值的比重，對于輸入(，)，其加權(quán)中值濾波的輸出如下式所示:(2-5)這里中值運算用 Med()表示，*表示加權(quán)。窗口的權(quán)用來表示，我們把W=(1,1,1)時的窗口稱為標準窗口。如下式所示：(2-6)(2-7)如果 W 是整數(shù)時，加權(quán)后的中的共有： (2-8)在加權(quán)中值濾波中，對加

46、權(quán)后中的 N個數(shù)從小到大進行排列，把其中第 T 個數(shù)作為窗口的中值輸出。通過一個簡單的例子來看采用加權(quán)中值濾波與采用常規(guī)中值濾波的區(qū)別。例如，采用普通的中值濾波有 y= Med(1 ,1 , 1,5 , 5 , 1 , 5 , 5 , 1 )=1 ,而采用加權(quán)后的中值濾波后，則變?yōu)?y=Med(1,1,1,1,1,5 ,5 , 5, 1 , 5 , 5 , 5)=5,此時發(fā)現(xiàn)加權(quán)中值濾波的輸出值和常規(guī)中值濾波的輸出值并不一樣。 總結(jié)：如果在圖像去噪時，我們希望突出中間點或最近的幾個點的作用，這時可采用加權(quán)中值濾波。原理是調(diào)整窗口中變量的數(shù)量，可以使多個變量等于同一點的值，然后對經(jīng)過擴以后的數(shù)字

47、集合再去求中值。這種方法比使用簡單中值濾波能更好地從噪聲圖像中還原出階躍邊緣和其他細節(jié)。 2.2.42.2.4多級中值濾波器多級中值濾波器多級中值濾波器的工作原理是：沿豎直、水平、45、135各取一維窗口，把它們的最大值、濾波點、極小值排序后，取中值輸出。 設(shè)數(shù)字圖像序列為 X(.,.)表示，W 表示中心在，且大小為（2N+1) （2N+1）的正方形濾波窗口。濾波窗口 W 的四個子集可以定義為: (2-9)假定相應(yīng)的中值為即 15 / 35(2-10)并且 (2-11)于是多級中值濾波器輸出可以定義為(2-12)多級中值濾波器可以很好的保存圖像的細節(jié)，但它控制噪聲的能力比較差。 2.32.3本

48、章小結(jié)本章小結(jié)本章主要介紹了經(jīng)典的中值濾波的理論、中值濾波算法的特點與對中值濾波改進的算法：快速中值濾波算法、極值中值濾波算法、加權(quán)中值濾波算法、多級中值濾波算法。3 3算法算法與與 DSPDSP 仿真仿真3.13.1算法算法3.1.13.1.1算法思想算法思想理論上我們已經(jīng)得出中值濾波對脈沖噪聲的抑制效果比較明顯，上一章也對中值濾波的算法做了具體分析，現(xiàn)在就進行基礎(chǔ)中值濾波算法實現(xiàn)，并通過 DSP 試驗箱對添加不同噪聲的圖像進行中值濾波處理，對比圖像仿真效果，驗證中值濾波去噪特性。算法的具體實現(xiàn)過程如下： 16 / 35(1).選擇一個(2n+1)(2n+1)的窗口(本次采用 33)，并用該

49、窗口沿圖像數(shù)據(jù)進行行或列方向的移位滑動；(2).每次移動后，對窗的諸像素灰度值進行排序；(3).用排序所得中值替代窗口中心位置的原始像素灰度值。開始選擇窗口尺寸大小(2n+1)*(2n+1)j=1i=1對程序內(nèi)所有像素灰度值排序用排序得到的中值代替窗口中心像素值i=i+1j=j+1結(jié)束2iNn2jMnYNN 圖(3-1)中值濾波算法流程圖3.1.23.1.2 C C 代碼實現(xiàn)代碼實現(xiàn)中值濾波算法對應(yīng)的 DSP 程序如下：void MedianFilter /中值濾波子程序( unsigned char *sourceImg, /原始圖像 unsigned char *newImg, /輸出：中

50、值濾波后圖像 int cols, int rows )/圖像的寬度與高度 /定義局部變量 17 / 35 int i,j,k,m,r,range=32; int pixels; unsigned char *pp=sourceImg, *newpp=newImg; int medianWin9=0; int temp; /圖像四周的像素不進行處理，等于原值 for (i=0; i cols -1; i+) /處理第一行的像素 *newpp+ = *pp+; /處理最后一行的像素 pp = sourceImg + (rows-1)* cols; /指針指向最后一行 newpp = newImg+

51、 (rows-1)* cols; for (i=0; i cols -1; i+) *newpp+ = *pp+; /處理最左邊一列的像素 newpp = newImg; /指針指向第一行第一個像素 pp = sourceImg; for (i=0; i rows -1; i+) *newpp = *pp; newpp+=cols; pp+=cols; /指針偏移到下一行像素的位置 /處理最右邊一列的像素 newpp = newImg+cols-1; /指針指向第一行最后一個像素 pp = sourceImg+cols-1; for (i=0; i rows -1; i+) 18 / 35 *

52、newpp = *pp; newpp+=cols; pp+=cols; /指針移到下一行像素的位置 pixels=(cols-2)*(rows-2); /圖像四周的像素不處理 pp=sourceImg+cols+1; /指針指向第一個像素 newpp=newImg+cols+1; /中值濾波 for(i=0;ipixels;i+) /3*3 的中值濾波數(shù)組賦值 medianWin0=*(Newpp - cols-1); medianWin1=*( Newpp -cols); medianWin2=*( Newpp - cols+1); medianWin3=*( Newpp-1); media

53、nWin4=* Newpp; medianWin5=*( Newpp+1); medianWin6=*( Newpp + cols-1); medianWin7=*( Newpp + cols); medianWin8=*( Newpp + cols+1); /賦值后的中值濾波數(shù)組進行冒泡排序 r=9; for(k=0;kr;k+,r-) for(m=0;mmedianWinm+1) temp=medianWinm; medianWinm=medianWinm+1; medianWinm+1=temp; /取排序好的數(shù)組的中值賦給當前像素 *newpp=medianWin4; newpp+;

54、3.23.2仿真過程仿真過程3.2.13.2.1CCS2.2CCS2.2 使用使用以軟件仿真(Simulator)環(huán)境下進行，試驗步驟如下：1. 設(shè)置 CCS 工作在軟件仿真環(huán)境。（1）雙擊桌面上 Setup CCS studio 圖標運行 CCS Setup，進入 CCS 設(shè)置窗口；（2）按照下面所示，進行 CCS 設(shè)置； 20 / 35圖(3-2)CCS 設(shè)置界面截圖（3）在彈出的窗口中點擊“是”按鍵保存設(shè)置，退出 CCS Setup，進入 CCS 開發(fā)環(huán)境。圖(3-3)CCS 設(shè)置界面截圖2. 啟動 CCS。雙擊桌面上 CCS 2 (C6000)圖標運行 CCS。3. 打開工程，編譯并運行程序。運行中值濾波程序，打開timyprojectsLab-Median-Guass(SaltPepper)image