图像噪声与滤波

1、定义
图像噪声：指存在于图像数据中的不必要的或多余的干扰信息。 图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。
2、噪声来源：
图像获取过程中：
图像传感器CCD和CMOS采集图像过程中受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声。
图像信号传输过程中：
传输介质和记录设备等的不完善，数字图像在其传输记录过程中往往会受到多种噪声的污染。

3、分类：
基于产生原因：内部噪声，外部噪声。
内部噪声：
(1) 光、电性质引起的噪声。粒子运动的随机性形成的散粒噪声，热运动引起的热噪声

基于噪声与信号的关系：

加性嗓声和图像信号强度是不相关的，这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和：
乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，载送每一个象素信息的载体的变化而产生的噪声受信息本身调制。在某些情况下，如信号变化很小，噪声也不大。为了分析处理方便，常常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统计独立。
量化噪声：图像中的量化噪声是图像在量化过程中图像从模拟到数字所产生的差异，是图像量化过程中的误差。

按照基于统计后的概率密度函数：是比较重要的，主要因为引入数学模型，这就有助于运用数学手段去除噪声。在不同场景下噪声的施加方式都不同，由于在外界的某种条件下，噪声下图像-原图像（没有噪声时）的概率密度函数（统计结果）服从某种分布函数，那么就把它归类为相应的噪声。下面将具体说明基于统计后的概率密度函数的噪声分类及其消除方式。
图像中的噪声根据其概率分布的情况可以分为**高斯噪声（Gaussian noise）、脉冲噪声(Impulsive noise)、瑞利噪声(Rayleigh noise)、伽马噪声(Gamma noise)、指数噪声(Exponential noise)和均匀噪声(Uniform noise)**等各种形式。

常见的图像噪声：高斯噪声、泊松噪声、乘性噪声、椒盐噪声

椒盐噪声(脉冲噪声)（salt & pepper noise）是数字图像的一个常见噪声，椒盐噪声就是在图像上随机出现黑色白色的像素。那么传入两个参数，分别为黑白像素在图像上所占比例，就可以对图像进行修改

随机噪声：热噪声、散粒噪声、电流噪声、读出噪声
图像噪声主要是由于传感器的工艺特性，材料选取和自身的客观条件产生的

4、滤波：
图像滤波可以更改或者增强图像。通过滤波，可以强调一些特征或者去除图像中一些不需要的部分。滤波是一个邻域操作算子，利用给定像素周围的像素的值决定此像素的最终的输出值。

空间域滤波（时域）
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。

变换域滤波（频域）
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。

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。

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。-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。