圖像去噪演算法

A. 圖像處理當中圖像去噪和圖像增強的區別

圖像去噪是降低圖像中沒有用或干擾有用信息的操作。比如降低隨著圖像捕捉進來的CCD噪音，傳輸時帶入的電子干擾噪音。所以做好降噪操作就必須了解噪音來源，噪音特徵。
圖像增強是突出圖像中有用信息的操作。比如電視圖像的細節，比如醫用圖像中目標輪廓和質地。圖像增強往往不是一定有好壞之分，因為不同人群對目標圖像應該呈現的樣子喜好不一樣。功力深的圖像增強會對目標人群進行區分，了解他們的視覺背景敏感喜好，光照敏感，色彩敏感，和清晰度/對比度敏感區間。

B. 圖像處理當中圖像去噪和圖像增強的區別

去噪也是增強，像里的隨即白點黑點很可能是雜訊，通過一定演算法去掉這些壞點，即改變它亮度值，這就是去噪。
增強更easy，邊緣增強，ndvi等等，突出想看見的信息就是增強。
不知道他們有什麼好區別的。

C. 請問有關數字圖像去噪演算法關於空域和頻域有哪些演算法

請問有關數字圖像去噪音法，天空工程和頻域。

D. 圖像處理中腐蝕演算法是為了消除雜訊的嗎

算是吧

E. 圖像去噪的國內外研究現狀

當前國內、外的研究動態
從對圖像進行濾波的過程中所採用的濾波方法來分，可分為空間域濾波、變換域濾波；從濾波類型來分，又可以分為線性濾波和非線性濾波。
2002年Do.M.N和VetterliM.提出了一種「真正」的二維圖像稀疏表達方法——Contourlet變換[7,8]，這種變換能夠很好的表徵圖像的各向異性特徵。由於Contourlet變換能更好的捕獲圖像的邊緣信息，因此選擇合適的閾值進行去噪就能獲得比小波變換更好的效果。Starck等人將Curvelet變換應用於圖像的去噪過程中並取得了良好的效果[9]，該方法雖然能有效的去除雜訊，但往往會「過扼殺」Curvelet系數，導致在消除雜訊的同時丟失圖像細節。在過去的二十年裡，自適應濾波器在通信和信號處理領域引起了人們的極大關注。TerenceWang等人針對二維自適應FIR濾波器提出了一種二維最優塊隨機梯度演算法(TDOBSG)[10]。這種演算法對濾波器的所有系數使用了空間可變的收縮因子。基於使後驗估計方差矢量的二范數最小的最小方差准則，在塊迭代的過程中選出最優的收斂因子。
線性濾波器的最大優點是演算法比較簡單且速度比較快，缺點是容易造成細節和邊緣模糊。在目前對非線性濾波器的研究中，中值濾波器有較明顯的優勢，很多科學工作者對中值濾波器作了改進或者提出了一些新型的中值濾波器。Loupas等人提出的自適應的加權中值濾波方法(AWMF)，但他利用的Speckle雜訊模型不夠精確，圖像細節損失較大[11]。針對中值濾波器在處理矢量信號存在的缺點，Jakko等人提出兩種矢量中值濾波器[12]。
近年來，小波分析是當前應用數學中一個迅速發展的新領域，它憑借其卓越的優越性，越來越多的被應用於圖像去噪等領域，基於小波分析的圖像去噪技術也隨著小波理論的不斷完善取得了較好的效果。上個世紀八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，並首先把小波理論運用於信號和圖像的分解與重構，利用小波變換模極大值原理進行信號的奇異性檢測，提出了交替投影演算法用於信號重構，為小波變換用於圖像處理奠定了基礎[13]。後來，人們根據信號與雜訊在小波變換下模極大值在各尺度上的不同傳播特性，提出了基於模極大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了「小波收縮」，它較傳統的去噪方法效率更高。「小波收縮」被Donoho和Johnstone證明是在極小化極大風險中最優的去噪方法，但在這種方法中最重要的就是確定閾值。1995年，Stanford大學的學者D.L.Donoho和I.M.Johnstone提出了通過對小波系數進行非線性閾值處理來降低信號中的雜訊[15，16，17]。從這之後的小波去噪方法也就轉移到從閾值函數的選擇或最優小波基的選擇出發來提高去噪的效果。影響比較大的方法有以下這么幾種：EeroP.Semoncelli和EdwardH.Adelson提出的基於最大後驗概率的貝葉斯估計准則確定小波閾值的方法[18]；ElwoodT.Olsen等在處理斷層圖像時提出了三種基於小波相位的去噪方法：邊緣跟蹤法、局部相位方差閾值法以及尺度相位變動閾值法[19]；學者Kozaitis結合小波變換和高階統計量的特點提出了基於高階統計量的小波閾值去噪方法[20]；G.P.Nason等利用原圖像和小波變換域中圖像的相關性用GCV(generalcross-validation)法對圖像進行去噪[21]；Hang.X和Woolsey等人提出結合維納濾波器和小波閾值的方法對信號進行去噪處理[22]，VasilyStrela等人將一類新的特性良好的小波(約束對)應用於圖像去噪的方法[23]；同時，在19世紀60年代發展的隱馬爾科夫模型(HiddenMarkov Model)[24]，是通過對小波系數建立模型以得到不同的系數處理方法；後又有人提出了雙變數模型方法[25,26]，它是利用觀察相鄰尺度間父系數與子系數的統計聯合分布來選擇一種與之匹配的二維概率密度函數。這些方法均取得了較好的效果，對小波去噪的理論和應用奠定了一定的基礎。
另外，盡管小波去噪方法現在已經成為去噪和圖像恢復的重要分支和主要研究方向，但目前在另類雜訊分布（非高斯分布）下的去噪研究還不夠。目前國際上開始將注意力投向這一領域，其中非高斯雜訊的分布模型、高斯假設下的小波去噪方法在非高斯雜訊下如何進行相應的拓展，是主要的研究方向。未來這一領域的成果將大大豐富小波去噪的內容。
總之，由於小波具有低墒性、多解析度、去相關性、選基靈活性等特點[27]，小波理論在去噪領域受到了許多學者的重視，並獲得了良好的效果。但如何採取一定的技術消除圖像雜訊的同時保留圖像細節仍是圖像預處理中的重要課題。目前，基於小波分析的圖像去噪技術已成為圖像去噪的一個重要方法。

F. 在對圖像處理時，圖像降噪的方法有哪些，請具體些

最終目的是要數字提取的話，去噪只是為更好的進行提取，建議用中值濾波，這樣可以去除尖銳的雜訊點，使得圖像平滑，接下來可以使用水平投影、垂直投影確定出目標的上下左右邊界，就可以提取了。以前做過電表數字識別其中提取就是這樣做的，不知道對你有沒有幫助。

G. 為什麼使用小波變換的方法為圖像去噪

圖像去噪的主要目的是去除影響圖像主要信息的雜訊部分，同時又希望不破壞圖像本身真實信息的邊緣和細節部分，小波變換是將圖像經過小波變換後，圖像的真實信息和雜訊信息所產生的小波系數表現出不同的特點，利用不同方法多這些系數處理區分，最後用處理過的小波系數重構就能得到去噪後的圖像信息。小波變換的圖像去噪相比其他方法的去噪在保護圖像邊緣和細節方面由於其他方法。同時小波變換和其他方法結合也相對較容易。

H. 圖像去噪自適應中值濾波演算法中，如何實現對雜訊點的標記

另外開2個新的向量組，一個初始對所有點標記，一個初始空向量，像打點一樣，合適的點就放到空向量里去。

I. matlab經典圖像去噪方法有哪些

線性濾波去噪、中值濾波去噪、均值濾波去噪、維納濾波去噪等