微光图像噪声抑制算法研究+文献综述(3)
2.3.2 变换域处理法
与空域处理不同，变换域处理需要先将图像通过一系列的变换，例如傅里叶变换、离散余弦变换、小波变换等，将图像从空域变换到对应域中，在变换域中对图像进行处理，完成后再返回空域。这种方法可以实现很多在空域中无法实现的处理。
3 图像噪声抑制的常用方法
如图3.1所示是一幅含有噪声的图像，在第一部分中已经介绍了微光图像噪声的大致分类，在本部分中将按照概率密度函数将噪声分为高斯噪声、瑞利噪声、伽
玛噪声、指数分布噪声、均匀分布噪声和脉冲噪声。其中高斯噪声存在于空域和频域中，呈正态分布；双极脉冲噪声也称为椒盐噪声，在图像中表现为麻点。这两种噪声在图像中十分常见，本文就以这两种噪声作为主要模型来比较以下几种滤波方法的差别。
图3.1 含有噪声的图像
3．1 均值滤波
均值滤波又被称作线性滤波，主要方法为邻域平均法，基本原理是用邻域像素灰度值的平均值取代原图像中的各个像素值。具体方法为：对待处理像素点（x，y），选择一个滤波模板作为窗口，求模板中像素灰度的均值，将其赋予当前像素点（x，y），作为该点灰度值f（x，y）。即：
（3-1）
其中s为滤波模板，m为该模板中包含当前像素在内的像素点总个数。
设图像像素矩阵如图（3.2）中（a），则均值滤波窗口矩阵为图（3.2）中（b）。
图3.2 均值滤波窗口矩阵
基于邻域平均法的均值滤波器在去除扫描过程中形成的图像中的颗粒噪声时显示出了很好的效果。但是由于求均值的计算过程中，图像中边缘处的像素点也参与了均值处理，突变细节信息被平滑，从而使得整体图像画面变得模糊，清晰度降低。为克服均值滤波的这些缺点， 许多学者提出了许多改进均值滤波算法，如对称邻域均值滤波器，加权均值滤波器等等。通过采用改进算法避开了对边界的平滑处理，从而大大降低了滤波对图像带来的模糊影响。
3．2 中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声并提高图像信噪比的非线性滤波技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点
灰度值的中值，让周围的像素值接近的真实值，从而消除孤立的噪声点。通常利用3*3或5*5区域的二文模板在图像中游动，将模板内各像素按照像素灰度值的大小进行排序，生成单调上升（或下降）数据序列，取其中值赋予当前像素作为输出。即：
（3-2）
其中, 为原始图像， 为处理后图像。W为二文模板。
设图像中某像素矩阵如图（3.3）中（a），则中值滤波窗口矩阵为图（3.3）中（b）。
图3.3 中值滤波窗口矩阵
相应的中值滤波器（MF）是一种非线性滤波器，优点是运算简单而且速度较快，可以在有效滤除脉冲噪声和随机噪声的同时，很好地保留图像边缘细节，因此在滤除孤立的点、线噪声方面有极好的性能。但是由于中值滤波方法是对图像中所有像素进行滤波，所以不可避免的会将未被噪声污染的像素进行滤除，从而造成图像边缘细节的过度平滑。为了弥补其缺陷，众多学者也提出了很多改进算法。如权重中值滤波,是通过给窗口内的不同像素分配不同的滤波比例来调整噪声抑制和细节保留之间的矛盾，从而获得比传统中值滤波更为有效的细节保持能力；基于排序阈值的开关中值滤波器, 即对噪声点和空间区域进行中值滤波，而对边缘细节区不做处理，解决了保持边缘信息和去噪的矛盾；自适应中值滤波器, 在滤波时, 滤波窗口可以随窗口周围滤波环境改变窗口大小，其优点是在平滑非冲激噪声时可以保存细节, 还能减少诸如物体边界细化或粗化等失真。