学校：宜春市第一中学，学校地址 ：江西省宜春市，邮编 ：336000
摘要：目前，数字图像已经成为我们获取信息的一个重要渠道，已被运用到生活中的方方面
面，成为我们生活中不可或缺的一部分，如游戏的高质量画面、交通中的车牌识别，手机中的美图美颜功能等等。毫无疑问，高质量的图像能给人们带来更多有用的信息。本文简单介绍了去噪技术的概念、作用和几种常见的类型，重点介绍了均值去噪、中值去噪和高斯去噪的实现原理以及应用场景，最后将均值去噪、中值去噪和高斯去噪进行对比，更加直观的阐明了这三种去噪方式的优缺点。
关键词：去噪概念；高斯去噪；均值去噪；中值去噪；原理；对比
1.去噪技术概念概述
一般来说，我们常见的噪声指的是物体做无规则运动时发出的声音，也就是影响人们日常生活的“不必要的声音”；而图像的噪声则指的是一张图片中由于各种因素所产生像素点的亮度以及颜色的不规则变化，它们在图像上以引起强烈视觉差的像素点的形式出现。数字图像的噪声不出现在原始的图像上，而是出现于经过电路以及传感器所得到的处理后的数字图像中。正如同我们所熟知的噪声，图像的噪声所携带的信息也是无用且错误的。而且当噪点严重时图像噪声会极大的影响到原图像有效信息的获取和基于原图像后续的数字图像处理工作，因此，对于数字图像来说，去噪就显得尤为重要了[1]。
2.常见的噪声类型
在图像中，常见的噪声有很多的种类。但是在图像中出现最多的是高斯噪声和椒盐噪声。
2.1 高斯噪声
高斯噪声指的是图像中噪点的概率密度函数服从正态分布（解析式见2-1）的一类常见的噪声类型。高斯噪声分布十分广泛，几乎整张图片上都可能分布，其噪点的灰度值在0-255之间。如果一个高斯噪声的功率谱密度保持不变，即在整个频域内为一个常数，那么这样的高斯噪声便被称为高斯白噪声。与高斯白噪声相对应的是高斯色噪声，高斯色噪声同样符合正态分布，但是它的功率谱密度不是常数，对高斯信号按照某种规律进行采样。高斯噪声主要是由于摄像机在低亮度下长时间曝光或者传感器温度过高而引起的。
2.2 椒盐噪声
椒盐噪声由两部分组成，一部分为盐噪声，另一部分为胡椒噪声。盐和胡椒十分形象的表示出了椒盐噪声的特点：由白色和黑色的像素点所组成。故椒盐噪声其噪点的灰度值只能为0（黑色），255（白色），所以椒盐噪声即为图像上随机出现的黑白像素点。椒盐噪声是一类十分常见的噪声类型，它主要由传感器上的坏点、图像切割、强噪声信号下的图像传输所引起[2]。
3.常见的三种去噪技术
3.1去噪技术的常用方法
3.1.1线性滤波
线性滤波中图像的原始数据只需要通过对图像像素值的加减乘除便可获得它的滤波结果，所以说线性滤波拥有固定的模板。原始数据与滤波结果之间有拟定的函数关系，因此在线性滤波过程中，它们的关系是确定且唯一的。
3.1.2非线性滤波
与线性滤波相对应的为非线性滤波。非线性滤波中图像的原始数据与滤波结果之间没有固定的模板，取而代之的为逻辑关系。即运用逻辑运算而不是对数据的简单加权来实现对图像的处理，如取最大值、中值、最小值等。
3.2均值去噪
3.2.1均值去噪的实现原理
均值去噪属于线性滤波，顾名思义，它通过将掩膜内所有像素点的灰度值求平均值，再将该值赋予中心点来实现图像去噪[3]。在均值去噪中，掩膜内所有像素点灰度值前的系数一致均为1，即只需要直接将所有像素点灰度值进行求和取平均值，这使得均值去噪的算法十分简单。但与此同时，均值去噪的缺点也随之而来，由于均值去噪将掩膜内所有像素点的灰度值都赋予了相同的权值，这将使得远离中心点的像素能够和与离中心点较近的像素对中心点起到一样的作用。而在一张图片中，往往是越靠近中心点像素点的灰度值越接近原始中心点的像素值。所以，虽然用均值去噪处理图片非常快速，但是处理之后的图片会变得模糊，无法保护好图像的细节。
图（1） 图（2）
3.2.2计算机中实现均值去噪的过程
假设上图（1）为一张图片中的局部像素的灰度值，例如数组[0][0]对应的数值为8，[1][0]对应的数值为7。若均值去噪中掩膜的大小为3×3，那么以[1][1]为中心点（蓝色加粗），则
如上述两幅图像红色框线变换，再将该掩膜平行移动一单位，对下一组数据进行相同的操作。掩膜在一行内平移完成之后，向下移动一格，再从头至尾计算、平移，以此类推。最终，整幅画面的数据全部处理完，得到的图像即为经过均值去噪之后的图像了。
3.3中值去噪
3.3.1中值去噪的实现原理
中值去噪是一种十分常见的非线性滤波去噪方法，其实现的原理是把数字图像中某一点的灰度值用该点某邻域的中值代替[3]。中值去噪可以使得与周围灰度值相差较大的噪声点变换为一个与周围像素值接近的值，这样一来，中值去噪不仅处理速度很快，而且可以十分高效的去除图像中孤立的像素点，它同时也能有效的保护图像边缘。
3.3.2计算机中实现中值去噪的过程
如图（1）中，红色框线为一3×3大小的掩膜，其中[1][1]为中心点。中值去噪就是先将
掩膜内像素点灰度值按照从大到小或从小到大的顺序进行排列，再取出排列过后最中间的那一个值，作为中心点灰度值的替换值。以图（1）为例，先将灰度值排序（这里按从小到大）有：0,3,3,5,6,6,7,8,8 再取排在最中间的值——6作为[1][1]的替换值，即[1][1]的3被替换为了6。
正如均值去噪一样，该掩膜内实现完了中值去噪，那么就将掩膜移动至下一区域实行去噪。当整幅画面都被处理完，得到的图像即为经过中值去噪之后的图像了。
3.4高斯去噪
3.4.1高斯去噪的实现原理
顾名思义，高斯去噪能够很好的去除图像中出现的高斯噪声。高斯去噪属于线性滤波，它取掩膜中像素灰度值的均值作为高斯去噪的输出。与均值去噪不同的是，在高斯去噪中，各个像素灰度值的权值都不一致。掩膜中像素权值的大小与该点距中心点的距离是反相关的。故越接近中心像素点的像素权值越大，而离中心越远的像素点，它们前面的权值相对更小。这样一来，当用掩膜内所有像素点的灰度值通过高斯去噪加权求和之后所得的值来替换中心点原有的值时，所得到的图像的失真度会较小。而这一特性，使得高斯去噪比均值去噪所得到的结果更加趋近于图像的原始数据。因为掩膜的边缘数据不能够体现出中心点即中心点附近的数据特征，如果边缘数据的权与靠近中心点的权一致，则边缘点也会在去噪中起到很大的作用。这样一来，处理过后的图像就有可能大幅度失真。
3.4.2计算机中实现高斯去噪的过程
为了体现出该掩膜内各点与中心点距离的关系，将[1][1]作为平面直角坐标系中的原点则有
（3-4）
4.三种去噪方法的比较
（1） 均值去噪是以上三种去噪方式中实现起来最简单的，因为只需要进行权相等的求取平均值，所以利用均值去噪处理图像会变得非常快速。它能够降低图像的噪点，但是由于掩膜内所有像素点的权都为1，它的缺点也十分明显：不能够很好的保护图像细节以及边缘部分。
（2）与均值去噪不同的是，中值去噪能够较好地保护图像的边缘，由于取掩膜内的中值作为替换值，故能够有效去除图像中孤立的像素点。而椒盐噪声正是由孤立的像素点组成，所以用中值去噪能够有效的处理椒盐噪声，而且不会让画面变得模糊，从而获得令人满意的修复结果。但是它对高斯噪声的抑制不是很好，当图像中充满着细节，如点、线较多的图像，中值去噪就不适用了。
（3）高斯去噪，能够去除高斯噪声所带来的图像模糊。相比于均值去噪，因为每个像素点灰度值前的权值随着距离而发生改变，因此更能够保护图像的细节，使图像不那么模糊。但是当图像的噪声不符合正态分布时，高斯去噪的效果就会差强人意，因此高斯噪声的适用范围并不广泛。
参考文献
[1]Thomas S. Huang (1986). Advances in Computer Vision and Image Processing. JAI Press. ISBN 0-89232-460-0.
[2]吕宗伟, 唐治德, 周林,等. 一种高效快速的高密度椒盐噪声消除算法[J]. 电子学报, 2011, 39(8):1903-1906.
[3]胡蕾, 张伟, 覃庆炎. 几种图像去噪算法的应用分析[J]. 信息技术, 2007, 31(7):81-83.
[4]王海菊,谭常玉,王坤林,杜凤娟,吴智军,高仕龙.自适应高斯滤波图像去噪算法[J].福建电 脑,2017,33(11):5-6.
论文作者:陈芳远
论文发表刊物:《科技新时代》2018年10期
论文发表时间:2018/12/5
标签：噪声论文; 图像论文; 中值论文; 高斯论文; 像素论文; 灰度论文; 中心点论文; 《科技新时代》2018年10期论文;