在圖像處理方面,圖像中的噪聲和“霧”,成為影響圖像質(zhì)量的重要因素。噪聲的出現(xiàn)會導(dǎo)致圖像中重要信息丟失,出現(xiàn)模糊,影響畫質(zhì)。此外,如今霧霾等天氣狀況頻頻出現(xiàn),導(dǎo)致拍攝的圖像中存在霧,這些霧降低大氣的能見度,使拍攝的景物圖像發(fā)生降質(zhì)退化,這將會嚴(yán)重影響戶外圖像的采集的質(zhì)量。因此,為了圖像更好的分析使用拍攝的圖像數(shù)據(jù),深入研究去噪去霧算法有著非常重要的現(xiàn)實意義。傳統(tǒng)的空間域圖像處理算法中使用的鄰域多為正方形,而現(xiàn)實圖像中像素點的鄰域存在各種各樣的形狀,傳統(tǒng)算法不能很好的適應(yīng)鄰域多樣化的特點。本文首先提出了基于鄰域聚類的圖像去噪算法。該算法重點在于生成一個動態(tài)的鄰域,然后集成鄰域中像素的信息并完成去噪。該算法取得了良好的去噪效果,相對于傳統(tǒng)的空間域去噪算法,峰值性噪比顯著提高。但考慮到基于鄰域聚類的圖像去噪算法所生成的鄰域不具有的整體性和一致性,每個像素的鄰域受到像素本身的影響很大,本文又提出了分塊聚類圖像去噪算法。該算法在基于鄰域算法的基礎(chǔ)上進(jìn)行改進(jìn),相鄰的像素點鄰域不再由單個像素點決定而是由圖像分塊決定。這樣可以避免當(dāng)像素點是一個噪點,其動態(tài)鄰域的形成會減弱去噪效果的現(xiàn)象。在圖像去霧方面,... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

霧霾天圖片

枰?的信息成分，或者沒有攜帶必需的信息成分。這樣得到的圖像信息會有多余或者缺失，表現(xiàn)為我們看到的圖像信息與原圖像信息有差距，影響使用和觀看。噪聲的產(chǎn)生大體上是由于在圖像拍攝采集和存儲過程中受到外部電波和設(shè)備內(nèi)部影響造成的。例如，我們在日常生活中拍攝圖片時，受到拍攝設(shè)備本身以及圖片傳輸時傳輸通道中含有的噪聲影響，產(chǎn)生了含有噪聲的圖像，這與原始圖像相差甚遠(yuǎn)。如圖2.1所示，其中我們的原始圖像受到噪聲K和噪聲Z的干擾，在兩種噪聲的混合干擾下，我們拍攝傳輸?shù)膱D像與原始圖像存在差異影響觀看。圖2-1圖像干擾模型一般來說，圖像噪聲具備如下特點：（1）圖像中的噪點無法確定位置大小，因此圖像中的噪聲具備一定的隨機(jī)性這一特點。我們無法預(yù)期噪點的位置，根據(jù)位置做出提前的工作。(2)噪聲的另一個特點是與圖像具有相關(guān)性，噪聲的產(chǎn)生與圖像生成過程相關(guān)，因此圖像中噪聲的產(chǎn)生也與圖像有關(guān)，例如在拍攝照片中的圖像中可能產(chǎn)生的噪聲與攝像機(jī)的信號相關(guān)，相對來說，黑暗部分噪聲偏大。

天津工業(yè)大學(xué)碩士學(xué)位論文8（a）高斯噪聲高斯噪聲是噪聲的概率密度呈現(xiàn)出高斯分布的一類噪聲[18]。高斯噪聲的產(chǎn)生原因有：（1）拍攝亮度不均勻，傳感器在采集圖像時接收到的亮度不夠或不均勻；（2）傳感器自身原因，比如傳感器溫度過高；（3）各電器元件自身噪聲相互影響。高斯噪聲的公式如下：22()/(2)1()2zpze=（2-5）以上公式中，表示標(biāo)準(zhǔn)差，表示均值。當(dāng)一個函數(shù)滿足均值為方差為2的高斯分布可以用(,2)表示。例如下圖就是一個典型的正態(tài)分布的樣子：圖2-2高斯分布圖2-3高斯噪聲一般情況下高斯噪聲在作用于數(shù)字信號時，以極值的形式表現(xiàn)出來，如圖2-5所示。高斯噪聲是加性噪聲的一種，所以高斯噪聲的這些極值直接作用于圖像灰度圖上，造成圖像中某個像素點極大或者極小，使圖像受過亮或者過暗的噪點干擾，影響圖像觀看質(zhì)量也影響后續(xù)分析使用。下圖為被高斯噪聲干擾的圖像。

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)小波閾值函數(shù)的圖像去噪方法研究[J]. 周峽,徐善頂.  南京工程學(xué)院學(xué)報(自然科學(xué)版). 2019(04)
[2]霧霾圖像清晰化處理算法的研究[J]. 張娜,韓美林,楊琳.  計算機(jī)與數(shù)字工程. 2019(06)
[3]基于改進(jìn)高斯濾波算法的葉片圖像去噪方法[J]. 李健,丁小奇,陳光,孫旸,姜楠.  南方農(nóng)業(yè)學(xué)報. 2019(06)
[4]一種基于Contourlet變換的總變分圖像去噪算法[J]. 張洪為,張俊英.  通化師范學(xué)院學(xué)報. 2019(04)
[5]數(shù)字圖像去噪算法原理及應(yīng)用[J]. 江唯奕.  電子制作. 2019(06)
[6]惡劣霧霾天氣車牌圖像增強(qiáng)算法仿真[J]. 趙偉,張南楠.  計算機(jī)仿真. 2019(03)
[7]巧用傅里葉變換優(yōu)化攝影圖像[J]. 郭士龍.  電腦與信息技術(shù). 2018(04)
[8]基于霧濃度檢測和簡化大氣散射模型的圖像去霧算法[J]. 吳玉蓮.  國外電子測量技術(shù). 2018(07)
[9]基于暗通道及多尺度Retinex的霧霾天氣圖像增強(qiáng)算法[J]. 趙春麗,董靜薇.  激光雜志. 2018(01)
[10]基于改進(jìn)的小波閾值圖像去噪算法研究[J]. 殷青松,戴曙光.  軟件導(dǎo)刊. 2018(01)

碩士論文
[1]霧天圖像的去霧增強(qiáng)算法研究[D]. 孫偉.安慶師范大學(xué) 2019
[2]霧天退化圖像的去霧算法研究[D]. 黃楙森.西安電子科技大學(xué) 2019
[3]基于低秩稀疏理論的圖像去噪算法研究[D]. 李歡.南京郵電大學(xué) 2018
[4]基于生成對抗網(wǎng)絡(luò)的彩色圖像去噪方法[D]. 張元祺.大連理工大學(xué) 2018
[5]基于暗通道先驗和Retinex理論的圖像去霧研究[D]. 周杰.蘭州交通大學(xué) 2018
[6]基于暗通道先驗的霧天降質(zhì)圖像復(fù)原方法[D]. 王懷.西安電子科技大學(xué) 2017
[7]聯(lián)合空域和頻域的圖像去噪算法及其應(yīng)用研究[D]. 崔艷萌.河南師范大學(xué) 2016
[8]基于暗通道先驗的霧天圖像清晰化方法研究[D]. 彭惠珍.中國海洋大學(xué) 2015
[9]基于濾波的暗原色先驗圖像云霧算法[D]. 陳露.西南交通大學(xué) 2015
[10]自適應(yīng)方向提升小波圖像去噪及其實現(xiàn)[D]. 矯恒浩.西安電子科技大學(xué) 2009



本文編號：3052007