基于BM3D的彩色图像混合噪声滤波算法研究

发布时间：2020-10-26 17:56

　　 图像是人类感知外部世界的重要途径之一,与听觉、触觉相比,图像的信息密度最大同时也可以包含更丰富的信息。因此人类获取信息绝大多数来源自图像。随着信息科学技术的发展,计算机智能化处理信息的需求日益增多。然而图像在传输和转换的过程中却不可避免的带来了图像的劣化,引入了噪声。这对图像的理解产生了极大的干扰。由此可知,图像去噪的意义不仅仅是改善了图像的质量,也对其后续图像识别、图像理解等起到不容忽视的提升作用。所以图像去噪一直是数字图像处理领域中最重要、最基本的研究课题之一。图像噪声根据其数学特征分为很多种类,本文主要针对高斯噪声和脉冲噪声组成的混合噪声滤波算法研究。由于两种噪声叠加使得混合噪声滤波变得十分复杂,但实际中这种情况其实是普遍存在的。针对这一问题,本文主要做了如下工作:在本文研究中,我们的目标是去除由加性高斯白噪声(AWGN)和随机值脉冲噪声(RVIN)组成的混合噪声。首先我们分析了彩色图像混合噪声的特点,通过对彩色图像混合噪声进行数学建模了解其结构,并为设计去噪算法提供思路。其次,改进了利用方向加权中值滤波算法(DWM)。为了更精确的检测和去除脉冲噪声,采用了一种递归函数调整阈值的方法。这使得算法的自适应性得到显著提升,应用范围得到了扩大,实验结果表明改进后的算法具有更强的去噪性能。最后,将改进后的方向加权中值滤波算法与块匹配三维滤波算法(BM3D)有机结合起来,从而提出了一种新的彩色图像混合噪声滤波算法。具体而言,将混合噪声滤波分为两个阶段。第一阶段利用改进后的方向加权中值滤波算法对被污染的图像进行初步处理,去除其中大部分脉冲噪声。第二阶段利用BM3D算法对被污染图像进行再次处理,去除剩余噪声成分。该算法不仅适用于混合噪声去噪,也同样适用于单一脉冲噪声或高斯噪声。在有些不了解图像噪声类型的情况下尤其适用,实验结果表明其算法性能较已有算法相比有更加出色的表现。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TN713
【部分图文】：

吉林大学硕士学位论文平。工业自动化发展中，机器视觉是一个重要的发展方向，它使得智能机械不仅仅节约了企业的人力成本，也大大提高了工厂的生产效率。这些技术的字图像处理技术的发展。字图像的特点像的产生主要有两种，一种是通过数码相机等设备进行直接拍摄得到的数就是通过图像采集卡、扫描仪等设备，将模拟图像转换为数字图像。如图 一幅模拟图像，将这幅图像平均分成 64 个格子，用数字 0 代表黑色，255255 表示黑色和白色所占的多少，那么整个图像可以用如图 2.1（b）所示的，则图 2.1（b）称为数字图像，而每一个格子被称为“像素”。

第 2 章 图像去噪基础原理下面介绍一下常见的颜色空间模型。RGB 颜色空间B 颜色空间模型是指由红色（Red）、绿色（Green）和蓝色（Blue）三图像。目前大多数的电子设备显示器基本上都采用 RGB 颜色空间，通色的发光二极管颜色混合来达到显示彩色图像的目的。在彩色图像处理空间是最常见，也是应用最广泛的一种颜色空间模型。 RGB 颜色空间模型表示的彩色图像的每一个点均包含 R、G、B 三个空间中，任意颜色都可以用 R、G、B 三色按不同比例混合而成。RGB个分量分配 0 至 255 不同亮度等级，0 为亮度最低，255 为亮度最高。由按不同比例可表示 2553=16581375 种颜色。B 颜色空间可以用红色（R）、绿色（G）、蓝色（B）三个正交空间坐图 2.2 所示，该立方体内部及表面就是该空间可表示的颜色范围。

第 2 章 图像去噪基础原理其中，期望为 b /a，方差为2 2 b /a。.2.2 脉冲噪声脉冲噪声，也称为椒盐噪声，是指图像中夹杂的一系列幅度很大，频谱很宽的干息。一般而言，脉冲噪声持续时间很短，大多数持续时间小于 1 秒但其噪声强度较常其均方根值大于 10dB。
【相似文献】

相关期刊论文 前10条

1 黄跃进;;混合噪声中弱视频信号的自适应局部最佳检测[J];光学工程;1988年03期

2 李敏;唐春玲;;基于非局部自相似字典学习的图像混合噪声去除算法（英文）[J];机床与液压;2018年12期

3 高红霞;吴丽璇;徐寒;康慧;胡跃明;;微焦点X射线图像乘性加性混合噪声的去除[J];光学精密工程;2014年11期

4 杨农丰;吴成茂;屈汉章;;基于变分模型的混合噪声去噪方法[J];西安邮电大学学报;2013年01期

5 屠艳菊;周小林;张惠俊;刘俊;;基于混合噪声模型的自由空间光通信性能[J];信息与电子工程;2012年06期

6 陈华玲;冯桂;;数字图像的混合噪声去除[J];华侨大学学报(自然科学版);2011年02期

7 赵波 ,全厚德 ,黄兴智 ,罗凡;图像中的高斯和脉冲混合噪声处理[J];微计算机信息;2005年23期

8 杨博;耿伯英;樊妃九;宋睿;;一种用于图像匹配识别的高斯—脉冲混合噪声去除方法[J];传感器与微系统;2012年06期

9 徐志江;王亢;孟利民;;SαS与高斯的混合噪声中低密度校验码的译码算法[J];通信学报;2010年05期

10 董鸿燕;张焱;沈振康;;一种混合噪声的模糊滤波算法[J];系统仿真学报;2009年10期

相关博士学位论文 前5条

1 金良海;彩色图像滤波与基于四元数的彩色图像处理方法[D];华中科技大学;2008年

2 周颖玥;变分模型和稀疏冗余表示在图像恢复中的应用研究[D];中国科学技术大学;2013年

3 董鸿燕;边缘检测的若干技术研究[D];国防科学技术大学;2008年

4 谭尘青;多源地震混合采集波场高保真分离方法研究[D];吉林大学;2013年

5 邱宇;基于双边滤波的图像去噪及锐化技术研究[D];重庆大学;2011年

相关硕士学位论文 前10条

1 张强;基于BM3D的彩色图像混合噪声滤波算法研究[D];吉林大学;2019年

2 冯利卿;含有混合噪声的线性系统的频域辨识[D];电子科技大学;2018年

3 侯旭珂;含混合噪声的低秩矩阵的恢复及应用[D];北京化工大学;2018年

4 刘庆财;α和高斯混合噪声背景下谐波恢复方法研究[D];吉林大学;2017年

5 张英;一种基于高斯与椒盐混合噪声去噪算法研究[D];西安科技大学;2014年

6 张蜜蜜;基于小波变换的信号和图像去噪方法研究[D];沈阳工业大学;2009年

7 李国芳;混合噪声人脸识别研究[D];贵州大学;2016年

8 谢剑河;基于学习的微聚焦X射线图像稀疏重建方法[D];华南理工大学;2016年

9 赵井坤;基于非局部相似性和稀疏表示的图像去噪技术研究[D];西南科技大学;2016年

10 吴梓灵;基于特征信息的自适应图像复原与学习重建方法[D];华南理工大学;2017年

本文编号：2857321