东北石油大学本科生毕业设计（论文）摘 要在信息化的社会里，图像在信息传播中所起的作用越来越大，而数字图像在获取与传播中，可能会受到脉冲噪声的污染。所以，消除产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。本文主要针对数字图像的脉冲噪声污染问题，采用一种窗口自适应开关中值滤波方法消除噪声。利用BP神经网络将图像中的每个像素点分类为信号点或噪声点，再采用改进的中值滤波器对检测后的图像进行滤波处理，根据噪声检测结果，滤波器自适应调整窗口大小并选择性取样，逐点滤波消除图像中的噪声。该方法在抑制脉冲噪声、保护图像细节方面均优于以往基于中值滤波的方法，即使在图像遭受噪声密度70%噪声污染的极端情况下，仍能得到很好恢复。关键词：图像去噪；脉冲噪声检测；自适应开关中值滤波AbstractIn the information society, the image in the information transmission is used more and more widely. During the digital images transmission, they could be affected by the impulsive noise pollution. Therefore, ensuring the minimum of the noise and pollution in the process of image collection and transmission became an important part of the field.In order to denoise impulse noises in images, an adaptive window switching median filtering method is adopted in this paper. First, each pixel is classified as signal or noisy point by the BP-net. Next, the image is filtered by an improved median filter. According to the result of noise detection, the filter can adjust adaptively w indows width and sample choicely, each noisy point in image is denoised by filtering In terms of suppressing impulse noise and preserving image details, the adopted method is better than that based on median filter even in the extreme case of 70% noise corruption, noisy images can be effectively recovered.Key words: image denoising; impulse noise detection; adaptive switching median filters目 录第1章 概述11.1 图像去噪技术研究的意义11.2 噪声检测的方法21.3 滤波的方法21.4 噪声种类与图像质量评价标准21.5本文的主要工作4第2章 BP神经网络简介52.1 人工神经网络简介52.2 BP神经网络92.3 多层前馈网络的主要能力112.4 BP学习算法112.5 本章小结17第3章 基于BP神经网络的脉冲噪声检测183.1 脉冲噪声图像的数学模型183.2 噪声检测弱分类器的设计193.3 噪声检测强分类器的设计203.4 本章小结25第4章 窗口自适应开关中值滤波264.1 中值滤波的基本理论264.2 开关中值滤波器284.3 窗口自适应开关中值滤波294.4 本章小结31第5章 实验结果与讨论325.1 性能评价指标定义325.2 视觉效果对比325.3 噪声检测性能对比325.4 去噪性能对比345.5 实验结果讨论35结论36参考文献37致 谢38II第1章 概述1.1 图像去噪技术研究的意义 图像作为人们感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。研究表明，人类获取的视觉图像信息在人类接受的信息中的比重达到四分之三。在各类图像系统中，由于图像的传送和转换，如成像、复制、扫描、传输、显示等，总要造成图像的降质，典型的表现为图像模糊、失真、有噪声等。而在众多的应用领域中，又需要清晰的、高质量的图像，因此，为了抑制噪声，改善图像质量，复原图像具有非常重要的意义。在数字图像处理领域图像噪声的滤除一直是最重要、最基本的研究课题之一。得益于应用数学理论的发展和计算机技术的进步，现代图像去噪滤波技术己取得丰富成果。 图像主要是反映客观事物或某些过程与空间、时间有相互关联的特征量的信息列阵。它具有两个基本要素：像素值层次分辨和图像空间分辨。像素值可反映图像的层次细节，是构成图像必不可少的基本要素之一。另一个基本要素是图像空间分辨率，可由像素值在可分辨条件下的像元总数来表示。可分辨的像元总数越多，则反映自然界中客观事物的细节就越清楚。一般地，图像在空间和亮度上都是连续取值的，称为连续图像或模拟图像如果连续图像在空间和亮度上进行离散化，就成为数字图像，这是唯一能够用计算机进行处理的图像形式。数字图像可表示为如公式1-1的一个矩阵： (1-1)其中，。数字图像处理，就是把数字图像经过一些特定数理模式的加工处理，以达到有利于人眼视觉或某种接收系统所需要的图像的过程。如对被噪声污染的图像除去噪声，对信息微弱的图像进行增强处理，对失真的图像进行几何校正等。随着计算机软硬件技术的突飞猛进，以及数字处理技术的不断发展，数字图像处理在科学研究、工业生产、国防以及现代管理决策等各行各业都得到越来越多的应用。在数字图像处理领域，有很多传统的图像去噪方法它们可能已经被提出以至被应用很久了。在这样的学术背景下依然研究图像去噪的意义在于：（1）在图像去噪领域，传统方法呈百花齐放之态，但是这些方法并非十全十美，主要表现在去噪的同时对图像细节的丢失。因此进一步研究新的去噪方法或者完善己有的算法意义依然重大。（2）不同算法都有着不同的数学理论基础，对图像去噪的效果也表现不同。探求它们的内部机理，寻求相应的关系，研究不同算法之间如何取长补短，以达到更好的去噪效果，也是很有意义的。（3）研究图像去噪对数字图像其他处理环节性能的提升也有着促进意义。1.2 噪声检测的方法传统的噪声检测方法有多种，如将窗口中所有像素点灰度值的中值与中心点灰度值的差值大于阈值的视为噪声点1，该方法在图像受噪声污染较大时无法把某些真正的噪声点检测出来；另一种检测方法是根据图像中的某点灰度值与其邻域内像素点灰度值及极小值的关系进行检测2；还有些方法是根据图像中某点灰度值与其邻域内像素点灰度值的均值的关系进行噪声检测3。这些方法的弊端在于会将非噪声点误判为噪声点，这种矛盾在图像中噪声干扰较大时表现的尤为明显4。1.3 滤波的方法为消除脉冲噪声，人们提出了各种滤波方法。由于线性滤波器会引起图像的严重模糊，而非线性滤波器更有利于保护图像细节，因此，非线性滤波方法被广泛采用5。其中，标准中值滤波器SM已成为最通用的非线性滤波器之一，它对滤波窗口内的像素进行排序，再用中间值替代窗口中心像素值，具有算法实现简单运行效率高等优点。之后，人们在标准中值滤波器的基础上，又提出了各种改进方法，如加权中值滤波器WM、中心加权滤波器CWM等。这些传统的中值滤波方法无条件地对每个像素点进行中值滤波处理、而对应完整保留的信号点滤波，必然会造成回复后图像质量严重退，为了避免对信号点进行滤波，滤波前的噪声监测机制必不可少，因此，一些开关中值滤波方法被广泛采用，这些方法在特定条件下，都有各自的优势，当图像噪声密度低于50%时都能表现出较好的去噪性能，而对于噪声密度高于50%的高密度噪声图像，往往由于其噪声检测精度的下降，而严重影响去噪性能。1.4 噪声种类与图像质量评价标准在不同应用中，存在着不同类型的噪声影响，如:各种白噪声、白高斯噪声、正向脉冲和负向脉冲噪声、椒盐噪声、乘性噪声、与信号有关的噪声及它们的混合噪声等。任何滤波器都有一定的优点和缺点，因此对于特定应用场合很难说出哪种滤波器最合适。滤波器设计就是考虑如何滤除某种类型噪声。实际上，滤波器性能完全取决于应用场合。常用的一些滤波器性能测量项目有:对不同类型噪声的滤波特性；边缘保护；细节信息保护；无偏性；计算复杂度。滤波器的计算复杂性包括输出所需的代数运算次数如乘法、比较以及加法等。在并行运算情况下，用所需硬件和时延来测量。在串行运算情况下，利用运算速度测量，还与算法程序以及计算机性能有关。可见滤波器计算复杂度由许多因素决定。噪声滤波特性通常通过输出方差或连续滤除脉冲噪声的比率来测得。另外一些性能测量如归一化均方误差和灰度峰值信噪比等。这些测量的主要缺点是它们与人主观判定准则相对来说差得较远。主要原因是人的视觉相对复杂得多，它的特性无法用一个性能表达函数来描述。边缘保护是滤波器一个重要性质，其量度是保护边缘的能力。细节信息保护的特性主要是保护图像上各类线段、尖角和其他图像细节的能力。滤波器通常只能增强某一方向的图像或者增强某种照度特征的图像区域。所有性能测量都是定性测量，他们不能用某种严格的定量标准描述，因此，上述测量都带有相对主观性。在对几种滤波器进行性能比较时，通常都针对某一给定噪声图像进行滤波，然后用某种测量结果进行比较。本文主要考虑脉冲噪声的滤波处理。之所以考察这种噪声是因为它的存在范围较广，具有典型的代表性。对滤波效果从主观视觉评价和客观参数标准(PSNR峰值信噪比)两个角度进行度量。在具体衡量过程中，图像的主观评价即目测法是评价去噪效果好坏的最直接方法。要想让一种去噪模型得到肯定，首先应该通过眼睛这一关的许可。通过人的眼睛来观察图像，对图像的优劣做出主观评定。这时评价出的图像质量与观察者的特性及观察条件等因素有关，测试条件应尽可能与使用条件相匹配。但是一些研究场合，由于试验条件的限制，希望对图像质量有一个定量的客观描述。图像质量客观评价由于着眼点不同而有多种想法，常采用峰值信噪比（PSNR）、噪声点被检测为信号点的像素数量（MD）以及信号点被检测为噪声点的像素数量（FA），其计算公式为： PSNR, (1-2) MSE. (1-3)其中，和分别表示图像行数与列数，和分别表示原始图像和滤波图像的像素值。在具体的仿真实验中常常要人为的加入某种特定的人工噪声，以测试去噪方法对特定噪声模型的去噪效果。在具体评价去噪模型时，我们需要考虑的几个因素总结如下：去噪后图像应尽量的平滑，不存在或有较少的噪声痕迹；去噪结果不能使图像过渡的失去结构细节变得模糊；没有由