基于聚类算法的图像去噪与去雾
发布时间：2021-02-26 03:40
在图像处理方面,图像中的噪声和“雾”,成为影响图像质量的重要因素。噪声的出现会导致图像中重要信息丢失,出现模糊,影响画质。此外,如今雾霾等天气状况频频出现,导致拍摄的图像中存在雾,这些雾降低大气的能见度,使拍摄的景物图像发生降质退化,这将会严重影响户外图像的采集的质量。因此,为了图像更好的分析使用拍摄的图像数据,深入研究去噪去雾算法有着非常重要的现实意义。传统的空间域图像处理算法中使用的邻域多为正方形,而现实图像中像素点的邻域存在各种各样的形状,传统算法不能很好的适应邻域多样化的特点。本文首先提出了基于邻域聚类的图像去噪算法。该算法重点在于生成一个动态的邻域,然后集成邻域中像素的信息并完成去噪。该算法取得了良好的去噪效果,相对于传统的空间域去噪算法,峰值性噪比显著提高。但考虑到基于邻域聚类的图像去噪算法所生成的邻域不具有的整体性和一致性,每个像素的邻域受到像素本身的影响很大,本文又提出了分块聚类图像去噪算法。该算法在基于邻域算法的基础上进行改进,相邻的像素点邻域不再由单个像素点决定而是由图像分块决定。这样可以避免当像素点是一个噪点,其动态邻域的形成会减弱去噪效果的现象。在图像去雾方面,...
【文章来源】：天津工业大学天津市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
雾霾天图片
枰?的信息成分，或者没有携带必需的信息成分。这样得到的图像信息会有多余或者缺失，表现为我们看到的图像信息与原图像信息有差距，影响使用和观看。噪声的产生大体上是由于在图像拍摄采集和存储过程中受到外部电波和设备内部影响造成的。例如，我们在日常生活中拍摄图片时，受到拍摄设备本身以及图片传输时传输通道中含有的噪声影响，产生了含有噪声的图像，这与原始图像相差甚远。如图2.1所示，其中我们的原始图像受到噪声K和噪声Z的干扰，在两种噪声的混合干扰下，我们拍摄传输的图像与原始图像存在差异影响观看。图2-1图像干扰模型一般来说，图像噪声具备如下特点：（1）图像中的噪点无法确定位置大小，因此图像中的噪声具备一定的随机性这一特点。我们无法预期噪点的位置，根据位置做出提前的工作。(2)噪声的另一个特点是与图像具有相关性，噪声的产生与图像生成过程相关，因此图像中噪声的产生也与图像有关，例如在拍摄照片中的图像中可能产生的噪声与摄像机的信号相关，相对来说，黑暗部分噪声偏大。
天津工业大学硕士学位论文8（a）高斯噪声高斯噪声是噪声的概率密度呈现出高斯分布的一类噪声[18]。高斯噪声的产生原因有：（1）拍摄亮度不均匀，传感器在采集图像时接收到的亮度不够或不均匀；（2）传感器自身原因，比如传感器温度过高；（3）各电器元件自身噪声相互影响。高斯噪声的公式如下：22()/(2)1()2zpze=（2-5）以上公式中，表示标准差，表示均值。当一个函数满足均值为方差为2的高斯分布可以用(,2)表示。例如下图就是一个典型的正态分布的样子：图2-2高斯分布图2-3高斯噪声一般情况下高斯噪声在作用于数字信号时，以极值的形式表现出来，如图2-5所示。高斯噪声是加性噪声的一种，所以高斯噪声的这些极值直接作用于图像灰度图上，造成图像中某个像素点极大或者极小，使图像受过亮或者过暗的噪点干扰，影响图像观看质量也影响后续分析使用。下图为被高斯噪声干扰的图像。
【参考文献】：
期刊论文
[1]一种改进小波阈值函数的图像去噪方法研究[J]. 周峡,徐善顶. 南京工程学院学报(自然科学版). 2019(04)
[2]雾霾图像清晰化处理算法的研究[J]. 张娜,韩美林,杨琳. 计算机与数字工程. 2019(06)
[3]基于改进高斯滤波算法的叶片图像去噪方法[J]. 李健,丁小奇,陈光,孙旸,姜楠. 南方农业学报. 2019(06)
[4]一种基于Contourlet变换的总变分图像去噪算法[J]. 张洪为,张俊英. 通化师范学院学报. 2019(04)
[5]数字图像去噪算法原理及应用[J]. 江唯奕. 电子制作. 2019(06)
[6]恶劣雾霾天气车牌图像增强算法仿真[J]. 赵伟,张南楠. 计算机仿真. 2019(03)
[7]巧用傅里叶变换优化摄影图像[J]. 郭士龙. 电脑与信息技术. 2018(04)
[8]基于雾浓度检测和简化大气散射模型的图像去雾算法[J]. 吴玉莲. 国外电子测量技术. 2018(07)
[9]基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J]. 赵春丽,董静薇. 激光杂志. 2018(01)
[10]基于改进的小波阈值图像去噪算法研究[J]. 殷青松,戴曙光. 软件导刊. 2018(01)
硕士论文
[1]雾天图像的去雾增强算法研究[D]. 孙伟.安庆师范大学 2019
[2]雾天退化图像的去雾算法研究[D]. 黄楙森.西安电子科技大学 2019
[3]基于低秩稀疏理论的图像去噪算法研究[D]. 李欢.南京邮电大学 2018
[4]基于生成对抗网络的彩色图像去噪方法[D]. 张元祺.大连理工大学 2018
[5]基于暗通道先验和Retinex理论的图像去雾研究[D]. 周杰.兰州交通大学 2018
[6]基于暗通道先验的雾天降质图像复原方法[D]. 王怀.西安电子科技大学 2017
[7]联合空域和频域的图像去噪算法及其应用研究[D]. 崔艳萌.河南师范大学 2016
[8]基于暗通道先验的雾天图像清晰化方法研究[D]. 彭惠珍.中国海洋大学 2015
[9]基于滤波的暗原色先验图像云雾算法[D]. 陈露.西南交通大学 2015
[10]自适应方向提升小波图像去噪及其实现[D]. 矫恒浩.西安电子科技大学 2009
本文编号：3052007
【文章来源】：天津工业大学天津市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
雾霾天图片
枰?的信息成分，或者没有携带必需的信息成分。这样得到的图像信息会有多余或者缺失，表现为我们看到的图像信息与原图像信息有差距，影响使用和观看。噪声的产生大体上是由于在图像拍摄采集和存储过程中受到外部电波和设备内部影响造成的。例如，我们在日常生活中拍摄图片时，受到拍摄设备本身以及图片传输时传输通道中含有的噪声影响，产生了含有噪声的图像，这与原始图像相差甚远。如图2.1所示，其中我们的原始图像受到噪声K和噪声Z的干扰，在两种噪声的混合干扰下，我们拍摄传输的图像与原始图像存在差异影响观看。图2-1图像干扰模型一般来说，图像噪声具备如下特点：（1）图像中的噪点无法确定位置大小，因此图像中的噪声具备一定的随机性这一特点。我们无法预期噪点的位置，根据位置做出提前的工作。(2)噪声的另一个特点是与图像具有相关性，噪声的产生与图像生成过程相关，因此图像中噪声的产生也与图像有关，例如在拍摄照片中的图像中可能产生的噪声与摄像机的信号相关，相对来说，黑暗部分噪声偏大。
天津工业大学硕士学位论文8（a）高斯噪声高斯噪声是噪声的概率密度呈现出高斯分布的一类噪声[18]。高斯噪声的产生原因有：（1）拍摄亮度不均匀，传感器在采集图像时接收到的亮度不够或不均匀；（2）传感器自身原因，比如传感器温度过高；（3）各电器元件自身噪声相互影响。高斯噪声的公式如下：22()/(2)1()2zpze=（2-5）以上公式中，表示标准差，表示均值。当一个函数满足均值为方差为2的高斯分布可以用(,2)表示。例如下图就是一个典型的正态分布的样子：图2-2高斯分布图2-3高斯噪声一般情况下高斯噪声在作用于数字信号时，以极值的形式表现出来，如图2-5所示。高斯噪声是加性噪声的一种，所以高斯噪声的这些极值直接作用于图像灰度图上，造成图像中某个像素点极大或者极小，使图像受过亮或者过暗的噪点干扰，影响图像观看质量也影响后续分析使用。下图为被高斯噪声干扰的图像。
【参考文献】：
期刊论文
[1]一种改进小波阈值函数的图像去噪方法研究[J]. 周峡,徐善顶. 南京工程学院学报(自然科学版). 2019(04)
[2]雾霾图像清晰化处理算法的研究[J]. 张娜,韩美林,杨琳. 计算机与数字工程. 2019(06)
[3]基于改进高斯滤波算法的叶片图像去噪方法[J]. 李健,丁小奇,陈光,孙旸,姜楠. 南方农业学报. 2019(06)
[4]一种基于Contourlet变换的总变分图像去噪算法[J]. 张洪为,张俊英. 通化师范学院学报. 2019(04)
[5]数字图像去噪算法原理及应用[J]. 江唯奕. 电子制作. 2019(06)
[6]恶劣雾霾天气车牌图像增强算法仿真[J]. 赵伟,张南楠. 计算机仿真. 2019(03)
[7]巧用傅里叶变换优化摄影图像[J]. 郭士龙. 电脑与信息技术. 2018(04)
[8]基于雾浓度检测和简化大气散射模型的图像去雾算法[J]. 吴玉莲. 国外电子测量技术. 2018(07)
[9]基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J]. 赵春丽,董静薇. 激光杂志. 2018(01)
[10]基于改进的小波阈值图像去噪算法研究[J]. 殷青松,戴曙光. 软件导刊. 2018(01)
硕士论文
[1]雾天图像的去雾增强算法研究[D]. 孙伟.安庆师范大学 2019
[2]雾天退化图像的去雾算法研究[D]. 黄楙森.西安电子科技大学 2019
[3]基于低秩稀疏理论的图像去噪算法研究[D]. 李欢.南京邮电大学 2018
[4]基于生成对抗网络的彩色图像去噪方法[D]. 张元祺.大连理工大学 2018
[5]基于暗通道先验和Retinex理论的图像去雾研究[D]. 周杰.兰州交通大学 2018
[6]基于暗通道先验的雾天降质图像复原方法[D]. 王怀.西安电子科技大学 2017
[7]联合空域和频域的图像去噪算法及其应用研究[D]. 崔艳萌.河南师范大学 2016
[8]基于暗通道先验的雾天图像清晰化方法研究[D]. 彭惠珍.中国海洋大学 2015
[9]基于滤波的暗原色先验图像云雾算法[D]. 陈露.西南交通大学 2015
[10]自适应方向提升小波图像去噪及其实现[D]. 矫恒浩.西安电子科技大学 2009
本文编号：3052007
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3052007.html
最近更新
教材专著
