论文部分内容阅读
数字图像处理是信息技术的一个重要领域,该技术的进步也是日新月异。然而，受多方面因素的影响，人们在使用各种方法对图像进行处理的过程中，常常会受到随机噪声的干扰。噪声的存在，降低了图像质量。同时，噪声也不利于特征提取，给随后的图像分析工作带来很大影响。因此，图像去噪作为图像处理领域中极为关键的预处理环节，具有非常重要的地位和应用价值。本文对多种去噪算法进行了研究，重点研究了非局部均值算法（Nonlocal Means，NLM），分析了算法的优缺点，并对其进行了改进。其次，本文也对传统中值滤波进行了改进。在基于空间域的图像去噪算法中，中值滤波算法是一种得到了广泛使用的非线性滤波算法。然而，在噪声密度过高时，其加工效果较差，不能较好的恢复原图像。因此，本文研究了传统中值滤波算法及改进,在本文第三章中提出了一种基于噪声迭代检测的中值滤波改进算法，首先该算法对噪声图像进行迭代的噪声检测，提高噪声点检测的准确率，其次根据检测到的噪声点逐步改变滤波窗口的大小，对噪声图像进行渐进中值滤波，最后，如果图像中存在较大的噪声块，则噪声用邻域中的非噪声点的灰度均值来代替。该算法的迭代噪声检测机制和渐进滤波策略既能够准确的检测出噪声又较好地保留了图像的细节点。非局部均值（Nonlocal Means，NLM）图像去噪算法的提出为图像去噪领域引入了一种新的视角，也是本文重点研究的对象。在图像去噪上应用的非局部均值算法的改进有两个方面：（1）本文对NLM的第一种改进是在相似块的匹配方面，将SSIM模型应用到非局部均值的相似块之间的比较中，提出了一种基于SSIM的非局部均值图像去噪算法（NLM-SSIM）。该方法利用SSIM综合了图像的表面特征与结构信息的特点，基于此模型提高了相似集合的准确性和泛化能力，从而改善了非局部均值算法的去噪效果；（2）NLM在空间域中算是比较好的去噪方法，但是该方法对图像细节的保留做的不够好。由于小波变换能够将图像的平坦部分和细节信息分开，因此想到将小波变换与NLM结合抑制噪声，同时，数学形态学能够识别和去除孤立点，可以用它去除高频部分的噪声。于是综合这些思想提出了一种基于WTM和NLM-SSIM的图像去噪方法。首先将图像进行小波变换，然后，对小波变换后的低频部分，使用本文改进的NLM去除噪声；对高频部分，使用数学形态学的方法处理小波系数，除去支持力小的小波系数，从而抑制高频噪声。最后，保留更多图像细节的降噪图像由小波逆变换获得。