图像噪声

原文链接： 边缘检测与图像分割 作者： HUSTLX 1图像分割原理 图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分割算法。Pal把图像分割算法分成了6类：阈值分割，像素分割、深度图像分割、彩色图像分割，边缘检测和基于模糊集的方法。但是，该方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分为以下六类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术。而在较近的一篇综述中，更有学者将图像分割简单的分割数据驱动的分割和模型驱动的分割两类。下面将图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于数学形态的分割方法以及基于特定理论的分割方法等，对其中主要的分别进行简要介绍。 1.1灰度阈值分割法 是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=l，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。如果阈值选取过高，则过多的目标区域将被划分为背景，相反如果阈值选取过低，则过多的背景将被划分到目标区 [7] 。阈值确定后

Smooth/Blur 是图像处理中最简单和常用的操作之一，使用该操作的原因之一就为了给图像预处理时候减低噪声 使用Smooth/Blur操作其背后是数学的卷积计算，通常这些卷积算子计算都是线性操作，所以又叫线性滤波 来源： https://www.cnblogs.com/osbreak/p/11453781.html

图像去噪是数字图像处理中最为关键的环节，去噪效果的好坏也会影响到图像的后续处理，比如图像分割、特征提取、目标识别等。数字图像在产生和传输过程中都可能会受到噪声的破坏，一般有高斯噪声、脉冲噪声、泊松噪声等。在进行数字图像去噪实验时，我们经常使用MATLAB工具去实现，本文主要讲解的是如何使用MATLAB对上述噪声进行模拟仿真。 1、高斯噪声 高斯噪声，从字面含义上可以看出，其概率密度函数服从高斯高分。如果某噪声，其幅度分布服从高斯分布，而它的功率谱密度服从均匀分布，那么称此噪声为高斯白噪声。在数字图像中，高斯噪声产生的原因主要有图像传感器在拍摄时市场不够明亮、亮度不均匀，电路各元器件自身噪声或者图像传感器长期工作而造成温度过高等造成的。 在MATLAB中，我们可以通过下述程序对其进行模拟仿真。 sigma = 30; % noise variance InputImg = double(imread('Lena.gif')); randn('seed', 0) NoiseImg = InputImg + sigma*randn(size(InputImg)); figure(1); subplot(121); imshow(InputImg,[]); title('Clear Image') subplot(122), imshow(NoiseImg,[]); title(

img=imread('D:/pattern.jpg'); imshow(img); 添加高斯噪声 >> img_gaussian=imnoise(img, 'gaussian' , 0, 0.02 ); >> imshow(img_gaussian); 添加泊松噪声 >> img_poisson=imnoise(img, 'poisson' ); >> imshow(img_poisson); 添加椒盐噪声 >> img_salt=imnoise(img, 'salt & pepper' , 0.02 ); >> imshow(img_salt); 总结： 在噪声密度方面，高斯噪声在图像上的表现和泊松噪声密度分布相似，属于密集分布型，噪点之间呈一定程度的混叠，而椒盐噪声分布较稀疏，噪点各自独立。 在噪声强度方面，由其对应的残差图白色像素亮度可知，椒盐噪声噪点最亮，强度最高，高斯噪声次之，早点较模糊，泊松噪声强度较低，纹理图中白色像素几乎不可见。 来源： https://blog.csdn.net/JennyBi/article/details/100118628

文章目录 空间滤波 中值滤波（Median Filter） 自适应中值滤波器（Adaptive Median Filter） 均值滤波 算术均值滤波器（Arithmetic Mean Filter） 盒状滤波器 加权的均值滤波器 非线性均值滤波器 几何均值滤波器（Geometric Mean Filter） 谐波均值滤波器（Harmonic Mean Filter） 逆谐波均值滤波器（Contra-Harmonic Mean Filter） 参考资料 空间滤波 一个滤波器就是在选定的领域像素上执行预定义好的操作产生新的像素，并用新的像素替换掉原来像素形成新的图像。 一个空间滤波器包括两个部分： 一个领域，滤波器进行操作的像素集合，通常是一个矩形区域 对领域中像素进行的操作 通常可以将滤波器称之为核（kernel）、模板（template）或者窗口（window）。 根据预定义的操作，可以将滤波器分为： 线性滤波器 非线性滤波器 根据滤波器最终对图像造成的影响，可以将滤波器分为： 平滑滤波器，通常用于模糊图像或者去除图像中的噪声。 锐化滤波器，突出图像中的边缘细节部分。 中值滤波（Median Filter） 分类 非线性滤波器 原理 选择待处理像素的一个领域中的各像素值的中值来代替待处理的像素。 功能 消除孤立噪声点（像素的灰度值与周围像素比较接近），特别是椒盐噪声。 优点