图像噪声类型识别研究
2013-04-30谭永杰王永亮
谭永杰,曹 彦,王永亮
(1.周口师范学院 计算机科学与技术学院,河南 周口466001;2.周口市商务局,河南 周口466001)
图像的获取和传输过程使得大多数数字图像都带有不同程度的噪声,影响图像质量.由于含噪图像在获取过程中受到传感器、传输渠道等各种因素的影响,所以其所含的噪声类型也不同,甚至一幅图像可能含有多种噪声类型[1-3].这样以来,一方面图像视觉效果不好;另一方面影响对图像的各种后续操作,如图像目标检测、图像特征的提取等.图像去噪算法一直是广大学者研究的一个热点.一个性能优良的图像去噪算法应当对噪声类型及噪声参数有着充分的估计,从而设计相应的滤波器模型.目前对噪声类型的估计往往是主观的且假设其类型是已知的,因为在实际应用中,如果噪声类型未知,就无法设计其数学抑噪模型.针对该问题,笔者从直方图信息角度出发,分别分析了含高斯噪声、斑点噪声和椒盐噪声的各图像直方图特性,对各噪声进行了分析,总结了各含噪图像所对应的直方图分布特征.
1 常见图像噪声类型
1.1 高斯噪声
高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声,是一种随机噪声[4].其特点是不管原图像的直方图统计分布图是怎样的,噪声发生的概率密度有多大,其噪声强度的统计分布图服从正态分布.图像中既有污染幅度较大的强噪声像素,又有污染幅度较小的弱噪声像素,
其中,z表示图像像素的度值,μ表示z的期望,σ表示z的标准差.
1.2 斑点噪声
激光雷达、合成孔径雷达、声学成像和红外医学成像等图像基本都含有斑点噪声.通常把这些颗粒状的、有着黑白点相间纹理的、或明或暗的斑点称为相干斑噪声.这种噪声既降低了图像的画面质量,又严重影响了图像的自动分割、分类、目标检测以及其他定量专题信息的提取[7].
斑点噪声在理论上被认为是一种均值为1的乘性噪声,其模型为:
其中(x,y)代表图像单元空间方位向及距离向坐标;I(x,y)代表所接收的受噪声干扰的SAR图像信息;R代表未受噪声干扰的SAR图像信息;F代尤其当高斯噪声方差增大时,被污染的强噪声像素点在图像中所占的比例也急剧增大.
如果一个噪声,它的幅度分布服从高斯分布,它的功率谱密度又是均匀分布的,则称它为高斯白噪声.高斯白噪声包括热噪声和散粒噪声[5].
这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型.高斯随机变量Z的概率密度函数由下式给出[6]:表与R相对独立的斑点噪声随机变量.
1.3 椒盐噪声
椒盐噪声实际上指的是两类噪声:盐噪声和胡椒噪声.其中盐噪声表现为白色,属于高灰度噪声.椒噪声是黑色的,属低灰度噪声.并且一般情况下这两种噪声同时出现,呈现在图像中即为黑白点.
椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声[7],这种噪声往往由图像切割引起.去除脉冲干扰及椒盐噪声最常用的算法是中值滤波.
2 仿真实验
2.1 图像直方图
图像的直方图是由一系列高度不等的纵向条纹或线段表示灰度分布情况的图像.它反映了图像中每个灰度级出现的频数,即横坐标代表灰度级,一般用r表示,其中r∈ [0,255],纵坐标代表图像中某灰度级的像素数目或者这个灰度出现的概率P(rk),用公式表示如下[8]:
在式(3)中,N为图像中像素的总数,nk为第k级灰度的像素点的个数,rk为第k个灰度级.
2.2 含噪图像及其直方图
为了研究噪声类型及含噪声图像直方图特征,首先给出加噪前的原始图像(图1).
图1 原始图像
然后分别给原始图像1加方差为0.01的高斯噪声,密度为0.1的椒盐噪声,方差为0.1的斑点噪声,结果如图2所示.
为研究含不同噪声图像的直方图特征,得到更为精准的灰度分布信息,特截取各含噪图中灰度分布均匀区域(如图2中各方框所示),得到三个灰度均匀区域对应的直方图,如图3所示.
观察图3可知及进行的其他实验结果可知,三幅含噪图像均匀区域的灰度直方图特征明显,总结如下:
含高斯噪声灰度均匀区域直方图呈现正态分布状态或呈现正态分布趋势,与灰度分布均匀区域的原始灰度值及噪声方差参数有关,如原始灰度值较小或噪声方差参数较小,则正态分布整体左移,反之,则右移.
含椒盐噪声灰度均匀区域直方图波峰分布明显,有三个.其中两个波峰因椒盐噪声对应的灰度分别为纯黑和纯白,另外一个是含噪图像均匀区域的原始灰度.含斑点噪声灰度均匀区域直方图基本呈均匀分布状态.
3 小结
本文对图像噪声类型进行了初步研究,它不用完全获取图像中的全部内容,只需要截取含噪图像中灰度相对均匀的区域,画出其直方图,分析其直方图分布特征从而得到初步结论.它简单易行,但也存在一些问题,如现实生活中得到的含噪图像可能分布较复杂,均匀区域的选取有一定的难度.如区域太小的话影响识别结果,这时也就可能需要获取多个不连续灰度分布区域的直方图,这也是下一步要做的工作.
[1]Gonzalez R C,Woods R E.Digital image processing.[M].阮秋琦,阮宇智,译.北京:电子工业出版社,2003:176-197.
[2]杜浩藩.基于 MATLAB小波去噪方法的研究[J].计算机仿真,2003,21(7):119-122.
[3]蒋立辉,赵春晖,王骐.散斑噪声抑制算法比较研究[J].激光与红外,2002,32(6):431-434.
[4]Wang Z,Zhang D.Progressive switching median filter for the removal of impulse noise from highly corrupted images[J].Analog and Digital Signal Processing,1999,46(1):78-80.
[5]石美红,毛江辉,梁颖,等.一种强高斯噪声的图像滤波方法[J].计算机应用,2007,27(7):1637-1640,1642.
[6]丁生荣,马苗.基于直方图信息灰色关联的图像噪声类型识别方法[J].陕西师范大学学报:自然科学版,2011,39(1):18-21.
[7]韩春明,郭华东,王长林.SAR图像斑点噪声抑制的本质[J].遥感学报,2002,6(6):470-474.
[8]杨治国,葛万成,吴更石,等.基于噪声类型识别的接收机设计[J].信息技术,2010,16(1):57-59.