常用的图像去噪方法

常用的图像去噪方法：

    ①高斯滤波：

高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的 加权平均灰度值 去替代模板中心像素点的值。

        1.高斯滤波是平滑线性滤波器，在对邻域内像素灰度平均时赋予了 不同位置不同的权值，越靠近邻域中心权值越 大(?)。

        2.高斯滤波技能平滑噪声，也能保留图像的整体灰度分布特征；

        3.高斯滤波公式是各向同性扩散方程，在图像边缘处沿切向和法向是同等扩散的，所以绝大多数 边缘和细节纹理特征被模糊掉，损失了大量的信息。

        4.高斯滤波 适合处理均值为零的高斯噪声，但 处理离散的点噪声时，会损失大量细节信息。

        5.一维高斯函数：

          二维高斯函数：

    ②中值滤波

中值滤波是统计排序滤波器，通过对邻域内所有像素的排序，然后取其 中值为邻域中心的像素。

        1.该方法 不适合处理高斯噪声，但处理离散的点噪声效果明显。

        2.该方法 忽略了像素点间的相关性，当目标图像细节纹理复杂时，中值滤波的结果会破坏其不分纹理。

    ③P-M方程去噪

P-M方程由热传导方程发展而来。基于热传导方程的图像去噪原理类似于高斯滤波公式，是各向异性扩散方程，在去噪的同时模糊了图像的边缘；而P-M方程将图像不同

区域的特征与扩散过程联系起来，即 沿各方向的扩散系数不为常数，而是随着图像的梯度模值而变化，所以既能去除噪声，也能保护边缘不被平滑。

        1. 去除高斯噪声效果明显。

        2.由于边缘保护,P-M方程去噪时 会保留部分梯度值比较大的鼓励噪声点。

    ④TV法去噪

以 全变分理论为基础，并结合 梯度下降法建立各向异性扩散的全变分模型。

        1.用该方法 去除高斯噪声和孤立点噪声均有明显的效果，且又能保护图像边缘和细节；