圖像是人類感知外部世界的重要途徑之一,與聽覺(jué)、觸覺(jué)相比,圖像的信息密度最大同時(shí)也可以包含更豐富的信息。因此人類獲取信息絕大多數(shù)來(lái)源自圖像。隨著信息科學(xué)技術(shù)的發(fā)展,計(jì)算機(jī)智能化處理信息的需求日益增多。然而圖像在傳輸和轉(zhuǎn)換的過(guò)程中卻不可避免的帶來(lái)了圖像的劣化,引入了噪聲。這對(duì)圖像的理解產(chǎn)生了極大的干擾。由此可知,圖像去噪的意義不僅僅是改善了圖像的質(zhì)量,也對(duì)其后續(xù)圖像識(shí)別、圖像理解等起到不容忽視的提升作用。所以圖像去噪一直是數(shù)字圖像處理領(lǐng)域中最重要、最基本的研究課題之一。圖像噪聲根據(jù)其數(shù)學(xué)特征分為很多種類,本文主要針對(duì)高斯噪聲和脈沖噪聲組成的混合噪聲濾波算法研究。由于兩種噪聲疊加使得混合噪聲濾波變得十分復(fù)雜,但實(shí)際中這種情況其實(shí)是普遍存在的。針對(duì)這一問(wèn)題,本文主要做了如下工作:在本文研究中,我們的目標(biāo)是去除由加性高斯白噪聲(AWGN)和隨機(jī)值脈沖噪聲(RVIN)組成的混合噪聲。首先我們分析了彩色圖像混合噪聲的特點(diǎn),通過(guò)對(duì)彩色圖像混合噪聲進(jìn)行數(shù)學(xué)建模了解其結(jié)構(gòu),并為設(shè)計(jì)去噪算法提供思路。其次,改進(jìn)了利用方向加權(quán)中值濾波算法(DWM)。為了更精確的檢測(cè)和去除脈沖噪聲,采用了一種遞歸函數(shù)調(diào)整閾值的方法。這使得算法的自適應(yīng)性得到顯著提升,應(yīng)用范圍得到了擴(kuò)大,實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法具有更強(qiáng)的去噪性能。最后,將改進(jìn)后的方向加權(quán)中值濾波算法與塊匹配三維濾波算法(BM3D)有機(jī)結(jié)合起來(lái),從而提出了一種新的彩色圖像混合噪聲濾波算法。具體而言,將混合噪聲濾波分為兩個(gè)階段。第一階段利用改進(jìn)后的方向加權(quán)中值濾波算法對(duì)被污染的圖像進(jìn)行初步處理,去除其中大部分脈沖噪聲。第二階段利用BM3D算法對(duì)被污染圖像進(jìn)行再次處理,去除剩余噪聲成分。該算法不僅適用于混合噪聲去噪,也同樣適用于單一脈沖噪聲或高斯噪聲。在有些不了解圖像噪聲類型的情況下尤其適用,實(shí)驗(yàn)結(jié)果表明其算法性能較已有算法相比有更加出色的表現(xiàn)。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TN713
【部分圖文】：

吉林大學(xué)碩士學(xué)位論文平。工業(yè)自動(dòng)化發(fā)展中，機(jī)器視覺(jué)是一個(gè)重要的發(fā)展方向，它使得智能機(jī)械不僅僅節(jié)約了企業(yè)的人力成本，也大大提高了工廠的生產(chǎn)效率。這些技術(shù)的字圖像處理技術(shù)的發(fā)展。字圖像的特點(diǎn)像的產(chǎn)生主要有兩種，一種是通過(guò)數(shù)碼相機(jī)等設(shè)備進(jìn)行直接拍攝得到的數(shù)就是通過(guò)圖像采集卡、掃描儀等設(shè)備，將模擬圖像轉(zhuǎn)換為數(shù)字圖像。如圖 一幅模擬圖像，將這幅圖像平均分成 64 個(gè)格子，用數(shù)字 0 代表黑色，255255 表示黑色和白色所占的多少，那么整個(gè)圖像可以用如圖 2.1（b）所示的，則圖 2.1（b）稱為數(shù)字圖像，而每一個(gè)格子被稱為“像素”。

第 2 章 圖像去噪基礎(chǔ)原理下面介紹一下常見的顏色空間模型。RGB 顏色空間B 顏色空間模型是指由紅色（Red）、綠色（Green）和藍(lán)色（Blue）三圖像。目前大多數(shù)的電子設(shè)備顯示器基本上都采用 RGB 顏色空間，通色的發(fā)光二極管顏色混合來(lái)達(dá)到顯示彩色圖像的目的。在彩色圖像處理空間是最常見，也是應(yīng)用最廣泛的一種顏色空間模型。 RGB 顏色空間模型表示的彩色圖像的每一個(gè)點(diǎn)均包含 R、G、B 三個(gè)空間中，任意顏色都可以用 R、G、B 三色按不同比例混合而成。RGB個(gè)分量分配 0 至 255 不同亮度等級(jí)，0 為亮度最低，255 為亮度最高。由按不同比例可表示 2553=16581375 種顏色。B 顏色空間可以用紅色（R）、綠色（G）、藍(lán)色（B）三個(gè)正交空間坐圖 2.2 所示，該立方體內(nèi)部及表面就是該空間可表示的顏色范圍。

第 2 章 圖像去噪基礎(chǔ)原理其中，期望為 b /a，方差為2 2 b /a。.2.2 脈沖噪聲脈沖噪聲，也稱為椒鹽噪聲，是指圖像中夾雜的一系列幅度很大，頻譜很寬的干息。一般而言，脈沖噪聲持續(xù)時(shí)間很短，大多數(shù)持續(xù)時(shí)間小于 1 秒但其噪聲強(qiáng)度較常其均方根值大于 10dB。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃躍進(jìn);;混合噪聲中弱視頻信號(hào)的自適應(yīng)局部最佳檢測(cè)[J];光學(xué)工程;1988年03期

2 李敏;唐春玲;;基于非局部自相似字典學(xué)習(xí)的圖像混合噪聲去除算法（英文）[J];機(jī)床與液壓;2018年12期

3 高紅霞;吳麗璇;徐寒;康慧;胡躍明;;微焦點(diǎn)X射線圖像乘性加性混合噪聲的去除[J];光學(xué)精密工程;2014年11期

4 楊農(nóng)豐;吳成茂;屈漢章;;基于變分模型的混合噪聲去噪方法[J];西安郵電大學(xué)學(xué)報(bào);2013年01期

5 屠艷菊;周小林;張惠俊;劉俊;;基于混合噪聲模型的自由空間光通信性能[J];信息與電子工程;2012年06期

6 陳華玲;馮桂;;數(shù)字圖像的混合噪聲去除[J];華僑大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

7 趙波 ,全厚德 ,黃興智 ,羅凡;圖像中的高斯和脈沖混合噪聲處理[J];微計(jì)算機(jī)信息;2005年23期

8 楊博;耿伯英;樊妃九;宋睿;;一種用于圖像匹配識(shí)別的高斯—脈沖混合噪聲去除方法[J];傳感器與微系統(tǒng);2012年06期

9 徐志江;王亢;孟利民;;SαS與高斯的混合噪聲中低密度校驗(yàn)碼的譯碼算法[J];通信學(xué)報(bào);2010年05期

10 董鴻燕;張焱;沈振康;;一種混合噪聲的模糊濾波算法[J];系統(tǒng)仿真學(xué)報(bào);2009年10期

相關(guān)博士學(xué)位論文 前5條

1 金良海;彩色圖像濾波與基于四元數(shù)的彩色圖像處理方法[D];華中科技大學(xué);2008年

2 周穎玥;變分模型和稀疏冗余表示在圖像恢復(fù)中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

3 董鴻燕;邊緣檢測(cè)的若干技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

4 譚塵青;多源地震混合采集波場(chǎng)高保真分離方法研究[D];吉林大學(xué);2013年

5 邱宇;基于雙邊濾波的圖像去噪及銳化技術(shù)研究[D];重慶大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 張強(qiáng);基于BM3D的彩色圖像混合噪聲濾波算法研究[D];吉林大學(xué);2019年

2 馮利卿;含有混合噪聲的線性系統(tǒng)的頻域辨識(shí)[D];電子科技大學(xué);2018年

3 侯旭珂;含混合噪聲的低秩矩陣的恢復(fù)及應(yīng)用[D];北京化工大學(xué);2018年

4 劉慶財(cái);α和高斯混合噪聲背景下諧波恢復(fù)方法研究[D];吉林大學(xué);2017年

5 張英;一種基于高斯與椒鹽混合噪聲去噪算法研究[D];西安科技大學(xué);2014年

6 張蜜蜜;基于小波變換的信號(hào)和圖像去噪方法研究[D];沈陽(yáng)工業(yè)大學(xué);2009年

7 李國(guó)芳;混合噪聲人臉識(shí)別研究[D];貴州大學(xué);2016年

8 謝劍河;基于學(xué)習(xí)的微聚焦X射線圖像稀疏重建方法[D];華南理工大學(xué);2016年

9 趙井坤;基于非局部相似性和稀疏表示的圖像去噪技術(shù)研究[D];西南科技大學(xué);2016年

10 吳梓靈;基于特征信息的自適應(yīng)圖像復(fù)原與學(xué)習(xí)重建方法[D];華南理工大學(xué);2017年

本文編號(hào)：2857321