图像噪声及去噪.docx
- 文档编号:9974814
- 上传时间:2023-02-07
- 格式:DOCX
- 页数:16
- 大小:56.76KB
图像噪声及去噪.docx
《图像噪声及去噪.docx》由会员分享,可在线阅读,更多相关《图像噪声及去噪.docx(16页珍藏版)》请在冰豆网上搜索。
图像噪声及去噪
图像噪声及去噪的研究
摘要:
图像信号在产生、传输和记录过程中,经常会受到各种噪声的干扰,由于其严重地影响了图像的视觉效果,因此,采用适当的方法减少噪声,是一项非常重要的预处理步骤。
本文主要以图像除噪为研究对象,分别对一些常用的图像去噪方法—均值滤波、中值滤波、小波变换滤波、维纳滤波以及形态学滤波进行了概括和介绍,阐述了这些方法的概念和针对性应用环境,分析了它们的一些优缺点。
关键词:
图像噪声噪声模型去噪均值滤波中值滤波
Imagenoiseanddenoisingresearch
Abstract:
Imagesignalinproduction,transmissionandrecordsofprocess,oftentherewillbevariousnoiseinterference,becauseitsseriouslyinfluencedimagevisualeffect,therefore,adoptappropriatemethodstoreducenoise,isaveryimportantpreprocessingstep.Thispapermainlyimagedenoisingastheresearchobject,exceptforsomecommonlyusedrespectivelyimagedenoisingmethod--averagefilteringandmedianfiltering,wavelettransformfilteringandsummarizesandmorphologicalfiltering,theauthorintroducestheconceptofthesemethodsandpertinenceapplicationenvironment,analysessomeoftheiradvantagesanddisadvantages.
Keywords:
Imagenoisenoisemodeldenoisingaveragefilteringmedianfiltering
0前言
实际图像在形成、传输的过程中,由于各种干扰因素的存在会受到噪声的污染。
图像去噪是图像处理领域中一个重要的分支,它是图像分割、特征提取与目标识别等图像处理过程的前提。
去除图像的噪声也是图像处理过程中的一个重要环节,其结果直接影响到图像质量和特征提取的精确性。
现实中由于获取图像的环境、设备及传输过程存在不确定因素,使得图像受到噪声污染是不可避免的。
因此,如何减少甚至消除噪声一直是图像处理研究领域的课题之一。
图像分析和理解的第一步往往就是首先要考虑对噪声的处理。
随着各种数字仪器和数码产品的普及,图像和视频已成为人类活动中最常用的信息载体,它们包含着物体的大量信息,成为人们获取外界原始信息的主要途径。
然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质,并且图像预处理算法的好坏又直接关系到后续图像处理的效果,如图像分割、目标识别、边缘提取等,所以为了获取高质量数字图像,很有必要对图像进行降噪处理,尽可能的保持原始信息完整性(即主要特征)的同时,又能够去除信号中无用的信息[1]。
所以,去噪处理一直是图像处理和计算机视觉研究的热点。
图像视频去噪的最终目的是改善给定的图像,解决实际图像由于噪声干扰而导致图像质量下降的问题。
通过去噪技术可以有效地提高图像质量,增大信噪比,更好的体现原来图像所携带的信息,作为一种重要的预处理手段,人们对图像去噪算法进行了广泛的研究。
在现有的去噪算法中,有的去噪算法在低维信号图像处理中取得较好的效果,却不适用于高维信号图像处理;或者去噪效果较好,却丢失部分图像边缘信息,或者致力于研究检测图像边缘信息,保留图像细节。
如何在抵制噪音和保留细节上找到一个较好的平衡点,成为近年来研究的重点。
1图像噪声
广义而言,噪声是指通过感觉器官理解来自各种信息源的信息时,妨碍其理解的因素。
因此,图像噪声是指使用某种方法从被摄体或信息源把信息传递给受看者时,如果通过视觉接收平面二维亮度分布,那么对这种接收起干扰作用的亮度分布就叫图像噪声。
图像噪声通常用信噪比来量化或描述。
噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。
例如,一幅黑白图片,其平面亮度分布假定为f(x,y),那么对其接收起干扰作用的亮度分布R(x,y),即可称为图像噪声[2]。
但是,噪声在理论上可以定义为“不可预测,只能用概率统计方法来认识的随机误差”。
因此将图像噪声看成是多维随机过程是合适的,因而描述噪声的方法完全可以借用随机过程的描述,即用其概率分布函数和概率密度分布函数。
但在很多情况下,这样的描述方法是很复杂的,甚至是不可能的。
而实际应用往往也不必要。
通常是用其数字特征,即均值方差,相关函数等。
因为这些数字特征都可以从某些方面反映出噪声的特征。
1.1图像噪声的特点
图像噪声使得图像模糊,甚至淹没图像特征,给分析带来困难。
图像噪声一般具有以下特点:
(1)噪声在图像中的分布和大小不规则,即具有随机性。
(2)噪声与图像之间一般具有相关性。
例如,摄像机的信号和噪声相关,黑暗部分噪声大,明亮部分噪声小。
又如,数字图像中的量化噪声与图像相位相关,图像内容接近平坦时,量化噪声呈现伪轮廓,但图像中的随机噪声会因为颤噪效应反而使量化噪声变得不很明显。
使用光导摄象管的摄像机,信号幅度和噪声幅度无关。
而使用超正析摄像机的信号和噪声相关,黑暗部分噪声大,明亮部分噪声小,在数字图像处理技术中量化噪声是肯定存在的,它和图像相位有关,如图像内容接近平坦时,量化噪声呈现伪轮廓,但在此时图像信号中的随机噪声就会因为颤噪效应反而使量化噪声变得不那么明显。
(3)噪声具有叠加性。
在串联图像传输系统中,各部分窜入噪声若是同类噪声可以进行功率相加,依次信噪比要下降。
若不是同类噪声应区别对待,而且要考虑视觉检出特性的影响。
但是因为视觉检出特性中的许多问题还没有研究清楚,所以也只能进行一些主观的评价试验。
[3]
1.2几种常见的图像噪声
1.2.1加性噪声和乘性噪声
按噪声和信号之间的关系,图像噪声可分为加性噪声和乘性噪声。
为了分析处理方便,往往将乘性噪声近似认为是加性噪声,而且总是假定信号和噪声是互相独立的。
假定信号为S(t),噪声为n(t),如果混合叠加波形是S(t)+n(t)的形式,则称其为加性噪声。
加性嗓声和图像信号强度是不相关的,如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声等。
如果叠加波形为S(t)[1+n(t)]的形式,则称其为乘性噪声。
乘性噪声则与信号强度有关,往往随图像信号的变化而变化,如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等。
1.2.2外部噪声和内部噪声
按照产生原因,图像噪声可分为外部噪声和内部噪声。
外部噪声,即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。
如外部电气设备产生的电磁波干扰、天体放电产生的脉冲干扰等。
由系统电气设备内部引起的噪声为内部噪声,如内部电路的相互干扰。
内部噪声一般又可分为以下四种:
(1)由光和电的基本性质所引起的噪声。
(2)电器的机械运动产生的噪声。
(3)器材材料本身引起的噪声。
(4)系统内部设备电路所引起的噪声。
1.2.3平稳噪声非平稳噪声
按照统计特性,图像噪声可分为平稳噪声和非平稳噪声。
统计特性不随时间变化的噪声称为平稳噪声。
统计特性随时间变化的噪声称为非平稳噪声。
[4]
1.2.4其它几类噪声
量化嗓声是数字图像的主要噪声源,其大小显示出数字图像和原始图像的差异,减少这种嗓声的最好办法就是采用按灰度级概率密度函数选择化级的最优化措施。
“椒盐”噪声:
此类嗓声如图像切割引起的即黑图像上的白点,白图像上的黑点噪声,在变换域引入的误差,使图像反变换后造成的变换噪声等。
按噪声幅度随时间分布形状来定义,如其幅度分布是按高斯分布的就称其为高斯噪声,而按雷利分布的就称其为雷利噪声。
按噪声频谱形状来命,如频谱均匀分布的噪声称为白噪声;频谱与频率成反比的称为1/f噪声;而与频率平方成正比的称为三角噪声等等。
根据经常影响图像质量的噪声源又可分电子噪声和光电子噪声。
电子噪声:
在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的。
光电子噪声:
光电子噪声是由光的统计本质和图像传感器中光电转换过程引起的。
1.3图像噪声模型
实际获得的图像含有的噪声,根据不同分类可将噪声进行不同的分类。
从噪声的概率分布情况来看,可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声。
1.3.1高斯噪声
由于高斯噪声在空间和频域中数学上的易处理性,这种噪声(也称为正态噪声)模型经常被用于实践中。
事实上,这种易处理性非常方便,使高斯模型经常用于临界情况下。
高斯随机变量z的PDF由下式给出:
(1.1)
其中z表示灰度值,μ表示z的平均值或期望值,σ表示z的标准差。
标准差的平方σ2称为z的方差。
当z服从式(1.3.1)的分布时候,其值有70%落在[(μ-σ),(μ+σ)]内,且有95%落在[(μ-2σ),(μ+2σ)]范围内。
1.3.2瑞利噪声
瑞利噪声的概率密度函数由下式给出:
(1.2)
概率密度的均值和方差由下式给出:
(1.3)
1.3.3伽马(爱尔兰)噪声
伽马噪声的PDF由下式给出:
(1.4)
其中,a>0,b为正整数且“!
”表示阶乘。
其密度的均值和方差由下式给出:
(1.5)
尽管式(1.4)经常被用来表示伽马密度,严格地说,只有当分母为伽马函数Г(b)时才是正确的。
当分母如表达式所示时,该密度近似称为爱尔兰密度。
1.3.4指数分布噪声
指数噪声的PDF可由下式给出:
(1.6)
其中a>0。
概率密度函数的期望值和方差是:
(1.7)
1.3.5均匀噪声分布
均匀噪声分布的概率密度,由下式给出:
(1.8)
概率密度函数的期望值和方差可由下式给出:
(1.9)
1.3.6脉冲噪声(椒盐噪声)
(双极)脉冲噪声的PDF可由下式给出:
(1.10)
如果b>a,灰度值b在图像中将显示为一个亮点,相反,a的值将显示为一个暗点。
若Pa或Pb为零,则脉冲噪声称为单极脉冲。
如果Pa和Pb均不可能为零,尤其是它们近似相等时,脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。
由于这个原因,双极脉冲噪声也称为椒盐噪声。
同时,它们有时也称为散粒和尖峰噪声。
噪声脉冲可以是正的,也可以是负的。
标定通常是图像数字化过程的一部分。
因为脉冲干扰通常与图像信号的强度相比较大,因此,在一幅图像中,脉冲噪声总是数字化为最大值(纯黑或纯白)。
这样,通常假设a,b是饱和值,从某种意义上看,在数字化图像中,它们等于所允许的最大值和最小值。
由于这一结果,负脉冲以一个黑点(胡椒点)出现在图像中。
由于相同的原因,正脉冲以白点(盐点)出现在图像中。
对于一个8位图像,这意味着a=0(黑)。
b=255(白)。
2图像去噪
图像噪声在数字图像处理技术中的重要性越来越明显,如高放大倍数航片的判读,X射线图像系统中的噪声去除等已经成为不可缺少的技术步骤。
图像去噪算法可以分为以下几类:
(1)空间域滤波
空域滤波是在原图像上直接进行数据运算,对像素的灰度值进行处理。
常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。
(2)变换域滤波
图像变换域去噪方法是对图像进行某种变换,将图像从空间域转换到变换域,再对变换域中的变换系数进行处理,再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。
将图像从空间域转换到变换域的变换方法很多,如傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。
而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。
(3)偏微分方程
偏微分方程是近年来兴起的一种图像处理方法,主要针对低层图像处理并取得了很好的效果。
偏微分方程具有各向异性的特点,应用在图像去噪中,可以在去除噪声的同时,很好的保持边缘。
偏微分方程的应用主要的一类是一种是基本的迭代格式,通过随时间变化的更新,使得图像向所要得到的效果逐渐逼近,以及对其改进后的后续工作。
该方法在确定扩散系数时有很大的选择空间,在前向扩散的同时具有后向扩散的功能,所以,具有平滑图像和将边缘尖锐化的能力[5]。
偏微分方程在低噪声密度的图像处理中取得了较好的效果,但是在处理高噪声密度图像时去噪效果不好,而且处理时间明显高出许多。
(4)变分法
另一种利用数学进行图像去噪方法是基于变分法的思想,确定图像的能量函数,通过对能量函数的最小化工作,使得图像达到平滑状态,现在得到广泛应用的全变分TV模型就是这一类。
这类方法的关键是找到合适的能量方程,保证演化的稳定性,获得理想的结果。
(5)形态学噪声滤除器
将开与闭结合可用来滤除噪声,首先对有噪声图像进行开运算,可选择结构要素矩阵比噪声尺寸大,因而开运算的结果是将背景噪声去除;再对前一步得到的图像进行闭运算,将图像上的噪声去掉。
据此可知,此方法适用的图像类型是图像中的对象尺寸都比较大,且没有微小细节,对这类图像除噪效果会较好。
其中常用的图像去噪的方法一般有以下几种,现详细分析如下:
2.1均值滤波
均值滤波器是一种消除图像噪声的线性处理方法。
这种方法的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。
2.1.1概述
均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围8个象素,构成一个滤波模板,即去掉目标象素本身)。
再用模板中的全体像素的平均值来代替原来像素值。
均值滤波采用的主要方法为领域平均法。
线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度个g(x,y),即g(x,y)=1/m∑f(x,y),m为该模板中包含当前像素在内的像素总个数。
2.1.2主要应用及针对性
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图象中的颗粒噪声。
领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图象细节。
谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。
它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。
2.1.3均值滤波器优缺点
均值滤波器是一种典型的线性去噪方法,因为其运算简单快速,同时又能够较为有效地去除高斯噪声。
因而适用面较广,至今仍是一种常用的去噪方法,许多滤除噪声方法都是在此基础上发展而来。
其缺点是严重破坏了图像的边缘,模糊了图像。
2.2中值滤波
中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术。
它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘。
2.2.1中值滤波标准算法
标准中值滤波算法是将窗口内所有像素值比较其大小后,依次排列,然后取其中值置换窗口中心像素值。
以邻域为3*3的中值滤波为例,g(x,y)与9个像素点的灰度值有关,即f(x-1,y-1),f(x-1,y),f(x-1,y+1),f(x,y-1),f(x,y),f(x,y+1),
f(x+1,y-1),f(x+1,y),f(x+1,y+1)。
g(x,y)取这9个数中大小排第5位的那个值。
假设这9个值分别为(10,20,20,20,15,20,20,25,100),经过排序后为(10,15,20,20,20,20,20,25,100)所以结果为排行第5的那个数20,就把这个数赋给g(x,y)。
2.2.2中值滤波的主要特性
1、滤除噪声的性能:
中值滤波是非线性运算,因此对随机性质的噪声输入,数学分析是相当复杂的。
对于零均值正态分布的噪声输入,中值滤波输出与输入噪声的分布密度有关,输出噪声方差与输入噪声密度函数的平方成反比。
对随机噪声的抑制能力,中值滤波比均值滤波要差些。
但对于脉冲干扰来讲,特别是脉冲宽度小于滤波窗口长度之半,相距较远的窄脉冲,中值滤波是很有效的。
2、对某些信号的不变性:
对于某些特定的输入信号,中值滤波输出信号保持与输入信号相同,所以相对于一般的线性滤波器比如均值滤波,中值滤波能更好的保护图像细节。
3、中值滤波的频谱特性:
由于中值滤波是非线性运算,在输入与输出之间的频率上不存在一一对应的关系,故不能用一般线性滤波器频率特性分析方法。
采用总体实验观察法,经大量实验表明,中值滤波器的频率响应与输入信号的频谱有关,呈现不规则波动不大的曲线,中值滤波频谱特性起伏不大,可以认为信号经中值滤波后,频谱基本不变。
2.2.3中值滤波优缺点
中值滤波去除脉冲噪声的效果很好,然而抑制噪声和保持图像中的细节往往是一对矛盾,也是图像处理中尚未很好解决的问题。
所以保护细节的中值滤波的研究成为非线性滤波器研究的一个重要方面。
中值滤波器在算法设计上使与周围像素灰度值相差较大的点处理后能与周围的像素灰度值比较接近,因此可以衰减随机噪声,尤其是脉冲噪声等,并且在处理时不是简单的取均值,产生的模糊要少的多,即中值滤波既能消除噪声,还能保持图像中的细节部分,防止边缘模糊。
但是,中值滤波中的模板形状单一,只能处理受到噪声污染的特征简单的图像。
而对于包含点、线、尖角比较多的复杂图像来说,中值滤波的效果就比较差,更重要的一点是中值滤波会改变未受噪声污染的像素的灰度值,在一定程度上破坏了图像细节。
中值滤波法对消除椒盐噪音非常有效,在光学测量条纹图象的相位分析处理方法中有特殊作用,但在条纹中心分析方法中作用不大。
中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。
中值滤波的输出与输入噪声的密度分布有关。
对随机噪声的抑制能力,中值滤波比平均滤波要差一些,但对脉冲的干扰,特别是脉冲宽度小于m/2,相距较远的窄脉冲的干扰,中值滤波的效果要好。
2.3小波变换滤波
随着对小波理论研究的不断深入,小波变换理论开始应用于图像处理领域,由于多分辨分析和特殊的时频特性,使得我们可以从不同的尺度上对研究对象进行分析、描述,成为对数字图像进行去噪的一种理想工具。
小波去噪方法的成功主要得益于小波变换具有如下特点:
(1)低熵性。
小波系数的稀疏分布,使得图象变换后的熵降低。
(2)多分辨率。
由于采用了多分辨率的方法,所以可以非常好地刻画信号的非平稳特征,如边缘、尖峰、断点等。
(3)去相关性。
因为小波变换可以对信号进行去相关,且噪声在变换后有白化趋势,所以小波域比时域更利于去噪。
(4)选基灵活性。
由于小波变换可以灵活选择变换基,从而对不同应用场合,对不同的研究对象,可以选用不同的小波母函数,以获得最佳的效果。
[6]
2.3.1小波去噪原理
利用小波变换滤去噪声,利用信号与噪声的李普西兹指数在局部奇异处呈现不同的表现形式来实现。
一般地,白噪声的李氏指数<0且其对应模极大值随尺度j的增大而减小;而信号的突变点的李氏指数≥0,对应的小波变换模极大值随尺度j的增加逐渐增大。
可见,通过逐渐增大尺度因子j,噪声的幅值显著减小,剩余的极大值主要属于信号。
即使在信号有奇异处,即李氏指数≥0处有噪声,若在此位置上信号的奇异幅值比噪声大,那么随着尺度j的增加也能将二者很好地区别开来。
[7]以此规律,采用多分辩率理论,由粗即精地跟踪各尺度j下的小波变换极大值滤去噪声。
2.3.2小波去噪算法
有噪图像S(i,j)=f(i,j)+σn(i,j),i、j=0,1,⋯⋯,N-1,其去噪得图像f(i,j)的步骤:
(1)进行二维图像信号的小波变换;
(2)提取小波分解中第一层的低频图像,跟踪该尺度下的小波变换极值点;
(3)令j=1,对第一层低频图像进行小波变换,提取第二层低频图像信号,同时,以步骤②中的小波变换极值点为参考,找出幅值减小的极值点,并除去,保留幅值增加的极值点;
(4)令j=2,3,⋯⋯,重复步骤(3);
(5)重建去噪后的二维图像信息。
2.3.3小波去噪优缺点
在数字图像处理技术中,图像去噪的研究越来越重要。
由于小波变换对突变信号和非平稳信号处理具有优异性能,能较好地模拟视觉模型,使得它在数字图像处理、计算机视觉等方面引起了广泛的关注。
但是,由于小波变换缺乏方向性,仅具有水平、垂直、对角方向的信息,不能很好地捕获二维图像中的线和面奇异,不能最优地表示含线或面奇异的二维图像,从而使得传统小波变换在处理二维图像时表现出一定的局限性[8]。
2.4维纳滤波
维纳滤波器(Wienerfilter)是一种以最小平方为最优准则的线性滤波器。
在一定的约束条件下,其输出与一给定函数(通常称为期望输出)的差的平方达到最小,通过数学运算最终可变为一个托布利兹方程的求解问题。
维纳滤波器又被称为最小二乘滤波器或最小平方滤波器,目前是基本的滤波方法之一。
维纳滤波是利用平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波的方法,1942年美国科学家N.维纳为解决对空射击的控制问题所建立,是40年代在线性滤波理论方面所取得的最重要的成果。
2.4.1去噪原理及效果
设维纳滤波器的输入为含噪声的随机信号。
期望输出与实际输出之间的差值为误差,对该误差求均方,即为均方误差。
因此均方误差越小,噪声滤除效果就越好。
为使均方误差最小,关键在于求冲激响应。
如果能够满足维纳-霍夫方程,就可使维纳滤波器达到最佳。
根据维纳-霍夫方程,最佳维纳滤波器的冲激响应,完全由输入自相关函数以及输入与期望输出的互相关函数所决定。
维纳滤波器根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。
它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。
该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。
维纳滤波器对具有白噪声的图象滤波效果最佳。
2.4.2维纳滤波器优缺点
维纳滤波器的优点是适应面较广,无论平稳随机过程是连续的还是离散的,是标量的还是向量的,都可应用。
对某些问题,还可求出滤波器传递函数的显式解,并进而采用由简单的物理元件组成的网络构成维纳滤波器。
维纳滤波器的缺点是,要求得到半无限时间区间内的全部观察数据的条件很难满足,同时它也不能用于噪声为非平稳的随机过程的情况,对于向量情况应用也不方便。
因此,维纳滤波在实际问题中应用不多。
2.5形态学滤波
数学形态学是一门新兴的图象分析学科。
其基本思想是用具有一定形态结构的结构元素(structuringelement)去探测一个图象中的形态,以解决图象的理解分析问题。
数学形态学的四个运算是扩张(dilation)、腐蚀(erosion)、开(opening)和闭(closing)。
所有的形态学处理都基于填放结构元素的概念。
计算机图象在获取和传输过程中,会受到各种噪声的污染。
恢复噪声污染图象是计算机图象处理的研究课题之一。
在被噪声污染的二值图象中,因为噪声碎片与图象形态
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 图像 噪声