图像去噪方法

图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声等的影响，在这种条件下得到的图像称为含噪图像或噪声图像。噪声是干扰图像的重要因素。一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输过程中产生，也可能在量化处理等过程中产生。

图像噪声包括以下几个方面：

1. 存在于图像数据中的不必要的或多余的干扰信息。
2. 图像中各种妨碍人们对其信息进行接收的因素。

噪声的特点如下：

1. 噪声在图像中的分布和大小不规则。
2. 噪声与图像之间具有相关性。
3. 噪声具有叠加性。

图像中去噪可采用图像增强的方法如下：

1. 空间域法：在原图像上直接进行数据运算，对像素的灰度值进行处理，具体分为以下两类。

         点运算：对图像做逐点运算。

         局部运算：在与处理像素邻域有关的空间域上进行运算。

      2.频域法：在图像的变换域上进行处理，增强感兴趣的频率分量，然后进行反变换。

均值滤波

均值滤波（MeanFilter）是由当前像素邻近的若干像素组成的模板的均值来替代原像素的值的方法，公式如下。

 新的像素值为原像素值与邻近像素值和的平均值。均值滤波的优点为算法简单，计算速度快；缺点为降低噪声的同时会使图像模糊，特别是景物的边缘和细节部分。

 

图1 原图像和均值滤波后的图像

原图像中的许多噪点被过滤掉了。在处理噪声的同时也存在一个问题：处理后一些细节变得模糊了。

高斯滤波

空间频率又称图像频率，反映了图像像素灰度在空间中变化的情况。例如，一面墙壁的图像，由于灰度值分布平坦，其低频成分就较强，高频成分就较弱；而对于国际象棋棋盘或者沟壑纵横的卫星图这类具有快速空间变化的图像来说，其高频成分相对较强，低频成分相对较弱。灰度直方图是图像最基本的统计特征，用来表达一幅图像的灰度级分布情况。

低频分量是指图像中强度（亮度/灰度）变化比较平缓的部分。高频分量是指图像中强度（亮度/灰度）变化比较剧烈的部分。例如图像中的噪点就是高频分量，通俗点讲，变化剧烈的就是高频分量，变化平缓的就是低频分量。低通滤波就是去掉高频信号，留下低频信号。相反，高通滤波就是去掉低频信号，留下高频信号。

高斯滤波（GaussFilter）是线性滤波中的一种。在OpenCV图像滤波处理中，高斯滤波用于平滑图像，或者说是进行图像模糊处理。其原理是将正态分布（又名高斯分布）用于图像处理，相当于在图像上产生“模糊”效果，“中间点”会失去细节，所以高斯滤波属于低通滤波。

图2原图像和高斯滤波后的图像

高斯滤波对被高斯噪声污染的图像具有很好的处理效果。均值滤波是基于平均权重，无法克服边缘像素信息丢失的缺陷。高斯滤波部分克服了该缺陷，但是无法完全克服，因为没有考虑像素值的不同，对边缘信息权值较低。

中值滤波

对受到噪声污染的图像可以采用线性滤波的方法来处理，但是很多线性滤波有低通性，在去噪声的同时也使得边缘信息被模糊了。中值（MedianFilter）（中位值）滤波在某些情况下可以做到既能去除噪声又能保护图像的边缘，是一种非线性的去除噪声的方法。

中值滤波的实现原理是把数字图像中某一点的值用该点所在的一个区域内的各个点的值的中值代替。

 图3原图像和中值滤波后的图像

中值滤波相较于均值滤波在去除噪声的同时更多地保留了图像的细节。中值滤波处理对滤除脉冲噪声比较有效。脉冲噪声也称椒盐噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是在亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。

双边滤波

双边滤波（BilateralFilter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。均值滤波、中值滤波和高斯滤波都属于各向同性滤波，它们对待噪声和图像的边缘信息都采取一样的态度，结果在噪声被磨平的同时，图像中具有重要地位的边缘、纹理和细节也同时被抹平了，这是我们所不希望看到的。相比较而言，双边滤波可以很好地保护边缘，即可以在去噪的同时，保护图像的边缘特性。

双边滤波的基本思想是通过将高斯滤波（空间邻近）原理中各个点到中心点的空间邻近度计算的各个权值进行优化，将其优化为空间邻近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像做卷积运算，从而达到保边去噪的效果。

 图4原图像和双边滤波后的图像

可以看出双边滤波方法在滤除噪声、平滑图像的同时，又做到了边缘保护。

参考资料：

[1]彭凌西, 彭绍湖, 唐春明. 从零开始: 数字图像处理的编程基础与应用 [M]. 北京人民邮电出版社, 2022.  P75-P83

本文转载于公众号：BFT智能机器人研究