雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际计算机与通信工程创新研究杂志

菜单

在线刊号(2320-9801)印刷刊号(2320-9798)

所有提交的EM系统将被重定向到网上投稿系统。作者被要求将文章直接提交给网上投稿系统各自的日志。

图像复原中去噪技术综述

阿卡纳1, Sheenam2， Amit chhabra3.
  1. 印度Panchkula，斯瓦米德维达雅尔工程技术学院，计算机科学与工程系硕士生
  2. 印度Panchkula的Swami Devi Dayal工程技术学院计算机科学与工程系助理教授
  3. Swami Devi Dayal工程技术学院计算机科学与工程系系主任，印度Panchkula, barwala
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际计算机与通信工程创新研究杂志

国际计算机与通信工程创新研究杂志

摘要

数字图像在互联网上的扩散带来了更系统和有效的图像恢复方法。图像恢复是指从已损坏的噪声图像中获得无噪声的原始图像。这一图像恢复过程在许多需要修复退化图像的领域，如卫星成像、天文图像和医学成像中都是至关重要的。本文综述了图像复原中的各种去噪技术





关键字
去噪技术，图像恢复，图像滤波，高斯噪声，椒盐噪声，散斑噪声

介绍
在信息时代，也被称为计算机时代或数字时代，视觉知识和材料往往以数字图像的形式传播。数字图像可以描述为二维图像作为一个有限的离散值的集合，称为图像元素或像素。像素理想通常代表灰度、颜色、高度、不透明度等。图像处理是使用不同的技术对图片进行分析，这些技术可以识别人眼无法感知的关系、阴影和颜色。图像处理是将图像转换为数字形式并对其进行一些操作，以获得质量提高的图像或从中获得一些有用信息的一种方法。噪声是在图像中添加的不需要的组件，会降低图像的视觉质量。在开始检索原始图像的过程之前，需要删除这个不希望看到的成分。在某些情况下，当图像由发送方发送时，图像在传输后会因不需要的噪声和不需要的元素而损坏。在某些情况下，噪声会在采集时侵入图像。因此，接收机在许多情况下接收到的图像质量下降。 Therefore images received requires processing before they can be used in various applications. Image restoration or denoising is required, to make a visually high quality image which include the process of changing, correcting, or moving of the image data to produce noise free image. The several reasons due to which an image can reduce its quality or get corrupted are -motion between camera and object, improper opening of the shutter, atmospheric disturbances, misfocusing etc. In this paper restoring of images which contain noise is defined by studying the actions of different filters such as mean filter, median filter and adaptive filter. In this paper section II describes Types Of Noises, section III describes Denoising technique, section IV describes Nearest neighbor Algorithm, section V describes Contrast and Saturation.

相关工作
根据[13]在信号和图像成像中的模糊图像分辨工作，它是在利用热方程解对模糊群进行分组的基础上工作的。这段设置相交于每个轨道。图像模糊图像带来相同的模糊水平使用适当的矩阵是不变的模糊水平选择进行比较
在一定的限制条件下，算法才能有效地清除模糊。提出了一种基于PCA盲反褶积的图像复原方法，提高了PCA复原算法的性能。对噪声的鲁棒性和高频分量的增强是未来的工作方向。这个过程是耗时的，也不是很有效的恢复。本文根据[15]模糊图像的稀疏化和蓝核同时处理的特点，提出了一种双离散小波变换用于模糊处理，DDWT的未来应用是去除物体速度引起的模糊和离焦模糊，这对深入研究物体很有帮助。该算法对高速运动物体进行了模糊修复，但颜色恢复效果不明显。根据[18]，通过比较不同的著名方法，选择合适的方法来调节对比度。此外，通过实验验证了对比度调整在恢复退化CT图像时的效果。这种边修边调整对比度的方法不是100%可靠的，也不能适用于所有情况。根据[17]的说法，图像去除是指试图减少模糊图像中的模糊量，并赋予降级图像整体锐化外观以获得更清晰的图像的过程。 This paper presents an altered version of Landweber, and Poisson Map algorithms by replacing the ( H* ) or ( HT ) by (H) to reduce the execution time. According to [16], A method for digital image restoration, based on the algorithm of Lagrange multipliers, has many practical applications. We apply the method to remove blur in an image caused by uniform linear motion. The field of image restoration is concerned with the reconstruction or estimation of the uncorrupted image from a blurred one.

数字图像中的噪声类型
图像噪声是由扫描仪或数码相机的传感器和电路产生的图像中亮度或颜色信息的随机变化。图像噪声被认为是图像捕获的不良副产品。噪音的种类如下:
1.高斯噪声(放大器噪声)-高斯噪声的标准模型是附属的。高斯噪声在每个像素点上是独立的，并且与信号强度无关。
2.椒盐噪声-含有椒盐噪声的图像在明亮区域包含暗像素，在黑暗区域包含亮像素。[6]
3.散斑噪声-散斑噪声是一种固有的颗粒噪声。散斑噪声是SAR图像处理中一个重要的干扰因素。合成孔径雷达(SAR)是对来自多个分布目标的分散信号进行统一处理的结果

去噪技术
所有可用的图像恢复滤波器在一定程度上是精确的噪声，这是随机变化的数据。滤波后的图像分析是一项简单的工作。在信号处理领域工作的工程师对滤波器这个术语有不同的理解，它需要某些操作来告诉我们图像中感兴趣的区域。图像过滤器可用于突出显示边缘，即图像中对象的部分或对象之间的边界。滤镜提供了更好的图像视觉解释，也可以用作进一步的数字处理的前身，如分割。图像去噪是在已知退化因子的值时，从退化图像中得到原始图像的过程，如图3所示。它在不影响图像视觉信息的情况下，在保留图像边缘和其他主要细节的同时，消除了损坏图像中的噪声。
在恢复过程中，退化是由方程给出的线性函数。
G (x, y)= h(x, y) * f(x, y) +n (x, y)[6]其中，如果G (x, y)无噪声，则可以使用h(u, v)的逆传递函数作为恢复滤波器，(x, y)为噪声。
下面讨论两种类型的滤波技术-线性和非线性滤波技术:线性滤波器:该方法输出值是原始图像中像素的线性函数。线性方法比非线性滤波器更容易在数学上分析。非线性滤波器:这些滤波器具有准确的结果，因为它们能够在不模糊边缘的情况下降低噪声水平
下面讨论了一些过滤技术:
1) Mean filter: Mean filter是一种平均线性滤波器。在这里，滤波器计算一个预定义区域内带有噪声的图像的平均值，然后中心像素强度值由附近像素的平均值改变。对整个图像中的所有像素值重复此过程。
中值滤波器(Median Filter)中值滤波器是一种最佳阶静态非线性滤波器，其响应基于像素值在滤波区域下所包含的秩的定位。中值滤波对椒盐噪声有较好的抑制效果。这些滤波器基本上是平滑的图像处理，以及在信号处理。中值滤波器相对于线性滤波器的好处是，中值滤波器可以去除输入噪声值的巨大幅度的影响。
3)自适应滤波器:这些滤波器根据图像区域的统计特征改变像素，封闭在感兴趣的区域内。与平均滤波器相比，自适应滤波器可以提高图像质量。均值滤波器和自适应滤波器在逻辑上的区别在于，自适应滤波器的每一次迭代后，它们的权重矩阵的行为都是不同的，而均值滤波器的所有迭代都是相同的。[6]自适应滤波器能够过滤非平稳图像，即具有强度突变的图像。这种滤波器以其自动跟踪未知情况的能力而闻名，或者当信号变化时，关于要处理的信号的预先已知信号很少。通常，自适应滤波器在扫描图像期间迭代地调整其参数以匹配图像生成机制。

图像恢复的最近邻方法
像素的最近邻居被认为是进行图像恢复。在二维图元网格中，每个元素与其最近的元素都有一定的相关性。使用此属性，可以编写用所有最近邻居的平均值替换噪声像素的算法。[12]给出了一种算法，该算法通过迭代过程来寻找平均强度并替换噪声像素。考虑一个输入图像Im。定义输入图像中(i,j)位置的像素。计算Im(i,j)的每个邻居出现的概率。如果我们考虑一个3x3的窗口，那么对于N=1 (N是最近邻居的位置;N=1表示紧挨着Im(i,j))的像素，对于该窗口中共有8个邻居，其平均值由下面的表达式得到
图像
M的值给出了一个特定像素的所有相邻点的平均值(称为“好像素值”)。中心有缺陷的像素被这个良好的像素值所取代。分别对棋盘距离和城市街区距离进行变换的过程:在棋盘距离变换中，像素的所有八个邻点都用于计算平均值，而在城市街区中，只使用四个邻点。因此，棋盘距离比城市街区距离产生更好的结果。然而，在测试图像中边缘的恢复有一个困难。使用上述方法恢复边缘像素是不可能的。

对比度和饱和度
对比度:增加对比度将导致像素值的变化，这样每个像素将获得其颜色的清晰增强值，这将有助于计算之前的颜色像素值
饱和度:图像中的饱和度增加了颜色值，以便根据附近像素的最大值分割图像的部分。这也有助于在附近像素的帮助下准确地确定缺失像素的值。
上述对比度和饱和度一起将帮助我们确定图像中像素的真实值。这些像素值与最近邻法将计算出缺失像素的值。

仿真结果
在此方法中，我们将最近邻算法结合对比度和饱和度技术应用于具有白点和裂纹的原始图像。并与SIHF(Scale In-Variance And high fidelity)技术进行了比较。仿真结果表明，该算法的性能优于最近邻算法。通过调整图像的对比度和饱和度，我们的算法增强了畸形的检测。

结论
在目前的工作中，我们讨论了不同的噪声，如椒盐噪声、高斯噪声、散斑噪声和布朗噪声以及不同的去噪滤波器，以及这些滤波器的优缺点。根据图像中存在的噪声选择特定的算法。最后得出结论，滤波器是通过去除图像中的噪声来产生高质量图像的一个重要步骤，这些噪声由于不同的原因降低了图像的质量，这些原因可以是可管理的，也可以是不可管理的。对图像中出现的各种噪声，采用滤波的方法对改进的结果库进行滤波。对于盐和胡椒噪声，中值滤波器与均值滤波器和自适应滤波器相比是最好的。自适应滤波器的性能优于均值滤波器，但较复杂。中值滤波器没有噪声，接近于无噪声的高质量图像。

数字一览
图1 图2 图3 图4
图1 图2 图3 图4
图1 图2 图3
图5 图6 图7

参考文献


















传记
Archana是库鲁克谢特拉大学Barwala Swami Devi Dyal工程技术学院计算机科学系的一名技术硕士。她于2012年获得了PTU, Jalandhar的学士学位。她的兴趣领域是图像处理。
Sheenam是位于巴瓦拉的Swami Devi Dyal工程技术学院的助理教授。她的兴趣领域是图像处理。
Amit Chabara是巴瓦拉Swami Devi Dyal工程技术学院计算机科学系的负责人。他感兴趣的领域是计算机网络。
全球科技峰会