共计 1650 个字符，预计需要花费 5 分钟才能阅读完成。
呈现噪声的起因深究的话就波及从感光元器件收集到光子，始终到生成数字图像的过程。本文不探讨具体起因 只阐明几种常见的噪声还有一些去噪办法的总结和剖析
1. 噪声的由来 + 分类
噪声是在成像设施成像时，受到本身设施和外部环境的影响产生
常见的几类噪声 包含
（1）高斯噪声
高斯噪声，幅度散布遵从高斯分布，概率谱散布遵从均匀分布。高斯分布也称正态分布，有均值和方差两个参数，均值反馈了对称轴的方位，方差示意了正态分布曲线的胖瘦。高斯分布是最一般的噪声散布。在 MATLAB 中 有用于创立噪声的函数，调用格局为 J =imnoise(I,type)，
默认方差是 0.01 咱们调整方差 方差越大 噪声越显著：
（2）泊松噪声
图像会呈现泊松噪声呢？因为光具备量子特效，达到光电检测器外表的量子数目存在统计涨落，因而，图像监测具备颗粒性，这种颗粒性造成了图像对比度的变小以及对图像细节信息的遮蔽，咱们对这种因为光量子而造成的测量不确定性成为图像的泊松噪声。
泊松噪声个别在 亮度很小或者高倍电子放大线路 中呈现。
（3）椒盐噪声
椒盐噪声又称脉冲噪声，它 随机 扭转一些像素值，是由图像传感器，传输信道，解码解决等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。
（4）斑点 / 乘性噪声
咱们给图像别离退出 这四类噪声
2. 去噪办法
明天先讲 空间域部分滤波的四个办法
（1）线性滤波：
原图
给原图加了四类噪声当前
①均值滤波
次要原理：用像素邻域的灰度均值代替该像素的值
opencv 外面有 api 间接用 api
size 用的是 7
对这四张图用均值滤波（高低是一一对应的）
size 是 10 的时候
尺寸越大 成果越好 然而越来越含糊
②高斯滤波
高斯滤波是一种线性平滑滤波，实用于打消高斯噪声，广泛应用于图像处理的减噪过程。艰深的讲，高斯滤波就是对整幅图像进行加权均匀的过程，每一个像素点的值，都由其自身和邻域内的其余像素值通过加权均匀后失去。
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均匀灰度值去代替模板核心像素点的值。
对应均值滤波和方框滤波来说，其邻域内每个像素的权重是相等的。而在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。
这里简略说说本人写高斯滤波器 就三个步骤
首先依据二维高斯分布确定核外面每个地位的权重
而后归一化
最初裁减边界 遍历像素进行卷积即可
咱们先设置 size 是 7
size 是 15
均值滤波去除椒盐噪声比 高斯滤波强
泊松噪声俩个办法都还能够 毕竟泊松噪声看起来扭转不是很大
这俩办法都比拟依赖尺寸大小 越大成果越好然而越含糊
毕竟是简略的滤波办法 要求不能太高
（2）非线性滤波
①中值滤波
跟均值滤波一样 实现起来很简略
size=7
这个椒盐噪声去除的还挺好
size=15
②双边滤波
一种非线性的保边滤波算法 是一种联合图像的空间邻近度与像素值类似度的解决方法 在滤波时，该滤波办法同时思考空间邻近信息与色彩类似信息，在滤除噪声、平滑图像的同时，又做到边缘保留。
几何空间间隔 + 像素差值 这两个因素
简略来说 就是计算权值时不只思考 空间邻近度（间隔）还思考了像素类似度（像素差值）
对高斯噪声 进行解决：
opencv 自带的 解决成果 感觉不咋滴：
（3）总结
①对于均值滤波来说 尺寸越大 成果越好 然而越含糊
均值滤波会把噪声分化 / 弱化到四周像素上，而后噪声幅度变小，然而噪声面积变大
②高斯滤波是利用基于邻域的加权平均值代替中心点像素值 然而权重仅思考间隔 没有思考图像自身的内容
③中值滤波对椒盐去除成果较好 然而因为选取的是中值 如果存在一些点 线之类的让像素产生渐变的邻域 那么中值滤波可能就会把这些不是噪声的点 线去掉 从而失落图像信息
④双边滤波 加了像素类似度计算权值 长处在于能够保留边缘 然而它只能保留整体形态 比拟适宜美颜磨皮之类的。
学习自：
http://t.csdn.cn/BZhqr
简书：https://www.jianshu.com/p/67f…
知乎：https://zhuanlan.zhihu.com/p/…
