图像降噪综述 _图像降噪

文章目录
1. 概述
图像系统中的噪声来自多方面，有电子元器件，如电阻引起的热噪声；真空器件引起的散粒噪声和闪烁噪声；面结型晶体管产生的颗粒噪声和噪声；场效应管的沟道热噪声；光电管的光量子噪声和电子起伏噪声；摄像管引起的各种噪声等等。由这些元器件组成各种电子线路以及构成的设备又将使这些噪声产生不同的变换而形成局部线路和设备的噪声。另外还有就是光学现象所产生的图像噪声（如医学图像中X射线的量子噪声）。
由于噪声的存在，我们在理解图像中的重要信息时会受到干扰。通常情况下，图像噪声被视为一种多维随机过程，因此可以选择概率分布函数和概率密度函数来对图像噪声进行描述。
2. 噪声模型
图像降噪模型可以建模为：
其中， y是观察到的噪声图像， x是图像真值， n是图像噪声，图像降噪过程就是通过y获取x 。
对噪声建模主要有一下几种类型：
（1）高斯噪声
高斯噪声是最常见也是最重要的的一种噪声，众多的图像降噪算法都是以降低高斯噪声为目标设计的，其概率密度函数如下所示：
（2）瑞利噪声
瑞丽噪声的概率密度函数如下所示：
概率密度的均值和方法分别为：
瑞利噪声对于图像直方图近似倾斜的图像中的噪声建模较为有效。
(3）伽马噪声
伽马噪声的概率密度函数如下所示：
其中均值和方差分别为：
伽马噪声相对瑞利噪声分布会更加倾斜
(4）指数噪声
指数噪声的概率密度函数如下所示：
其概率密度函数的均值和方差分别为：
(5）量化噪声
量化噪声又称均匀噪声，此类噪声是由于将模拟数据转换为数字数据而引起的，因此是幅度量化过程中固有的，其概率密度函数如下：
（6）椒盐噪声
椒盐噪声又称脉冲噪声、尖峰噪声，在图像上表现为随机分布的黑白点，其概率密度函数如下图所示：
椒盐噪声可以通过中值滤波器进行消除。
（7）泊松噪声
泊松噪声又称散粒噪声，我们知道，光源每秒发射的光子到达CMOS的越多，则该像素的灰度值越大。但是因为光源发射和CMOS接收之间都有可能存在一些因素导致某个光子并没有被CMOS接收到或者某个像素一时间段内发射的光子特别多，所以这就导致了灰度值的波动，也就产生了泊松噪声，方程描述为：
这个公式说明的是某个像素在间隔时间τ 内接收到k 光子的概率为多少。
（8）斑点噪声
在相干成像系统（如雷达，激光和声学等）中可以看到斑点噪声的出现，其概率密度函数如下：
斑点噪声在光学成像系统中很少出现，因此这里不作赘述。
(9）周期性噪声
周期性噪声无法用概率密度函数进行描述，也无法在空间域中进行消除，通常的方法是通过频域中的带阻滤波器进行消除。
3. 图像降噪
根据噪声水平是否已知，图像去噪可以分为盲去噪和非盲去噪。对于非盲去噪，噪声水平被视为一个已知的参数；对于盲去噪算法来说，噪声水平是未知的。因此对于去噪算法来说，噪声水平是一个很重要的参数。
（1）均值滤波
（2）中值滤波
（3）高斯滤波
高斯滤波（）是将图像邻域中每个输入像素的像素值与高斯核进行卷积，最后输出卷积后的像素值，即邻域像素的加权平均。它的平滑程度取决于高斯滤波的标准差，而非简单平滑过程。