目录摘 要IABSTRACTII引言II1绪论21.1数字图像基础21.1.1数字图像21.1.2数字图像灰度化31.2噪声的分类与特点31.2.1椒盐噪声41.2.2高斯噪声41.2.3其他各类噪声51.2.4图像系统噪声的特点61.3灰度图像噪声的清除71.3.1邻域平均去噪法71.3.2频域去噪方法81.3.3几种新型的滤波方法81.4图像去噪效果的评价方法91.5本章小结102中值滤波112.1标准中值滤波112.1.1中值滤波的原理112.1.2中值滤波的主要特性132.2中值滤波的改进算法142.2.1快速排序算法142.2.2极值中值滤波器152.2.3加权中值滤波器162.2.4多级中值滤波器162.3本章小结173算法及DSP仿真183.1算法183.1.1算法思想183.1.2 C代码实现193.2仿真过程213.2.1CCS2.2使用213.2.2去噪仿真结果243.2.3结论303.3本章小结30致谢31参考文献3232摘要近年来，图像处理相关技术取得了飞速的发展，并在人们生活的各个领域得到广泛应用，如摄影及印刷、卫星图像处理、医学图像处理、人脸识别、生物特征识别、显微图像处理等。数字图像处理的主要目的是通过对图像的加工，提高图像的视觉感受质量，从中获取有用的信息。然而数字图像在产生、传输、处理、储存的过程中，不可避免地受到各类噪声的干扰导致信息难以获取，这就直接影响后期处理的效果。因此在对图像进行后续操作前必须进行提前加工处理，而图像去噪就是一种重要的方法之一。 图像噪声有很多种类，本文主要研究椒盐噪声和高斯噪声。中值滤波是一种非线性数字滤波器技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。本文以灰度图像去噪为研究课题，通过使用DSP平台对图像分别加入椒盐噪声和高斯噪声，再进行中值滤波处理对比仿真结果，得出中值滤波能有效去除椒盐噪声的结论。也提出了一些中值滤波的优化改进算法思想。关键词: 图像去噪；DSP；椒盐噪声；高斯噪声；中值滤波 ABSTRACTIn recent years, image processing related technology has made rapid development, and it has been widely used in various fields in peoples lives such as photography and printing, satellite image processing, medical image processing, face recognition, biometric identification, microscopic image processing, etc. The main purpose of digital image processing is improve the perception of the quality of the image by the image processing, to obtain useful information.However, the process of digital image generation, transmission, processing, storage, inevitably affected by various types of noise interference lead to information difficult to obtain, which directly affects the post-processing effects. Therefore, in subsequent operations we must carried out in advance before the image processing, and image denoising is an important methods.There are many types of image noise, this paper studies salt and pepper noise and Gaussian noise. Median filter is a nonlinear digital filter technique, median filtering of the basic principle is the sequence of digital images or digital value is a point in a neighborhood of the point values of each point value to replace, thus eliminating isolated noise points.In this paper, gray image denoising as the research, through the useness of DSP platforms, salt and pepper noise and Gaussian noise were added to the image, and then comparing median filtering process simulation results we can obtained the conclusion that median filter can effectively remove salt and pepper noise. We also made some improvements median filtering optimization algorithm ideas.Keywords: denoising; DSP; salt and pepper noise; median filtering; Gaussian noise基于DSP的图像去噪实现引言随着多媒体技术和网络技术的快速发展，数字图像处理已经广泛应用到了人类社会生活的各个方面，如：遥感，工业检测，医学，气象，通信，侦查，智能机器人等，对国民经济的作用也越来越大。其处理的精度高，实现多种功能的、高度复杂的运算求解非常灵活方便。在其短短的历史中，它成功的应用于几乎所有与成像有关的领域，并正发挥相当重要的作用。现实中的数字图像在获取、传输、接收和处理过程中，因受到一定的外部及内部干扰，从而被噪声影响，导致图像质量的退化，这样的图像称为噪声图像。但对图像进行边缘检测、图像分割、特征识别等处理工作时，都要求图像有较高的质量，因此需要先滤除图像中的噪声以提高图像质量。减少数字图像中噪声的过程称为图像去噪。近几年来，图像去噪技术有了迅速的发展，诸多新的去噪处理方案不断涌现。目前，常用的图像噪声有椒盐噪声、高斯噪声、白噪声等，去噪方法有中值滤波、小波变换、均值滤波、同态滤波、频域滤波等等，本文也会对各类去噪方法简单介绍并提出几种中值滤波的优化算法。重点为中值滤波算法、代码实现以及其对椒盐高斯噪声的处理效果的仿真实验。1绪论1.1数字图像基础 1.1.1数字图像 在人们的视界里，图像分为彩色和黑白。对于彩色图像，按照色度学理论：任何颜色都可由红、绿、蓝三种基本颜色按不同的比例混合得到。这样，自然界的图像可以用基于位置坐标的三维函数来表示，即：利用 f 表示空间坐标点的颜色函数，fred、fgreen、fblue分别表示该点颜色的红、绿、蓝三种原色的分量值。由于平面上每一点仅包括两个坐标(x, y),所以我们可以将空间三维函数转化为二维函数。对于黑白图像，就比彩色图像简单多了，只需要用表示该点图像的灰度（强度）即可。我们所说的数字图像是相对于模拟图像而言的。是将图像按空间坐标和明暗程度的连续性分类得到的：(1)模拟图像指空间坐标和明暗程度都是连续变化的图像，计算机无法对其直接处理。即是空间的连续函数，为连续的空间，即在连续空间内，每一个点都有一个精确的值与之相对应。(2)数字图像是一种空间坐标和灰度均不连续的、用离散的数字表示的图像，这样的图像才能被计算机处理。由于计算机仅能处理二进制数据，如果要用计算机来处理图像的话，必须把连续的图像函数转化为离散的数据集。经过离散化处理，原来连续的模拟图像就变成了由许多像素依据一定规则形成的数字图像来近似表示，一般用一个矩阵表示那些离散的数据，每一个离散的矩阵元素表示一个像素的颜色值。把像素依据不同的方式组织和存储，就形成了不同的图像格式，把图像数据存成文件就会得到相应的图像文件。由于是数字图像，那么对于一幅黑白图像来说，只要把各个像素赋值为0或1即可，我们用1 表示白色，用 0 表示黑色，于是我们把一幅黑白图像称为二值图像，彩色图像或其它图像转化为黑白图像的过程叫做二值化。对于一幅彩色图像，每个像素我们都需要用3个取值范围为之间的整数值来分别表示红、绿、蓝三原色分量，且这些分量都是用整型数据表示，称之为像素颜色的R, G, B值。表示一个取值范围为的整型数据，需要占用 8bit 空间，三个 R, G, B这样的整型数据就需要用24bit 来存储，所以，我们常把一幅真彩色位图称为 24 位位图。在对数字图像进行处理的过程中，一般先把 24 位的位图转化为灰度图像，然后再进行相关的处理。所谓灰度图像，就是把图像矩阵中每个像素的值用1个 内的整型数据表示。如果彩色图像的R, G, B三个分量相等就成为灰度图像。灰度图中的每个像素只需要占有 8bit 空间，所以，灰度图像通常也被称为 8 位位图。 1.1.2数字图像灰度化 对数字图像进行灰度化处理，主要方法有以下三种： 1、最大值法：使 R、G、B 的值等于三个值中最大的一个，即： (1-1) 最大值法会使灰度图像亮度变高。 2、平均值法：使 R、G、B 的值等于三个的平均值，即： (1-2)平均值法会形成比较柔和的灰度图像。 3、加权平均值法：根据重要性或敏感度等其他指标的要求给R，G，B 设定不同的权值，并使R、G、B值加权，即： 其中，, , 分别为R, G, B的权值。, , 取不同的值，加权平均值法将形成不同的灰度图像。人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此让可以得到合理的灰度图像。实验和理论推导都表明，当, , 时，即： (1-3) 此时，R, G, B, 的取值就是该像素的亮度值，此时得到的灰度图像最合理。 1.2噪声的分类与特点 噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。噪声通常是一种随机信号，不可能预测，因此它只能用概率统计的方法来分析。使用