[数字图像处理]常见噪声的分类与Matlab实现

1.研究噪声特性的必要性

本文的内容主要介绍了常见噪声的分类与其特性。

将噪声建模，然后用模型去实现各式各样的噪声。

实际生活中的各种照片的老化，都能够归结为下面老化模型。

这个模型非常easy，也能够直接用下面公式来表达。

在频域内，用下面公式区表示。

依据以上式子，能够看出，老旧照片的复原。主要分为两个任务，一个是去噪；还有一个是去卷积，或者称为逆滤波，也就是将老化滤波器做反处理。

本文首先由噪声类型与其建模。随后的博文。会介绍几种基础的去噪方法和基础的逆滤波方法。

2.噪声的实现

2.1 评价用图像与其直方图

2.2 高斯噪声

高斯噪声，也称为正态噪声，其统计特性服从正态分布。

一种较为泛用的噪声模型。

Matlab的实现较为简单，Matlab已经有一个randn(M,N)的函数，用其能够产生出均值为0、方差为1、尺寸为M X N像素的高斯噪声图像。

用下面程序就能够产生随意均值和方差的高斯噪声。

a = 0;

b = 0.08;

n_gaussian = a + b .* randn(M,N);

2.3 瑞利噪声

瑞利噪声相比高斯噪声而言，其形状向右歪斜。这对于拟合某些歪斜直方图噪声非常实用。

瑞利噪声的实现能够借由平均噪声来实现。

例如以下所看到的。

这里的表示均值为0。方差为1的均匀分布的噪声。Matlab里，使用函数rand(M,N)就能够产生一个均值为0，方差为1的均匀噪声。

a = -0.2;

b = 0.03;

n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;

2.4 伽马噪声

伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现。须要使用b个服从指数分布的噪声叠加而来。

指数分布的噪声。能够使用均匀分布来实现。

使用若干个(这里用b表示)均匀分布叠加，就能够得到伽马噪声。

当然，当b=1的时候。就能够得到指数噪声了。

a = 25;

b = 3;

n_Erlang = zeros(M,N); 

for j=1:b

    n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));

end

2.5 均匀噪声

如同前面所看到的，均匀噪声能够由函数rand(M,N)直接产生。

a = 0;

b = 0.3;

n_Uniform = a + (b-a)*rand(M,N);

2.6 椒盐噪声

椒盐噪声也成为双脉冲噪声。在早期的印刷电影胶片上，因为胶片化学性质的不稳定和播放时候的损伤，会使得胶片表面的感光材料和胶片的基底欠落，在播放时候，产生一些或白或黑的损伤。其实，这也能够归结为特殊的椒盐噪声。

椒盐噪声的实现。须要一些逻辑推断。

这里我们的思路是，产生均匀噪声，然后将超过阈值的点设置为黑点。或白点。

当然，假设须要拟合电影胶片的损伤的话，能够选用别的类型噪声去拟合。

a = 0.05;

b = 0.05;

x = rand(M,N);

g_sp = zeros(M,N);

g_sp = f;

g_sp(find(x<=a)) = 0;

g_sp(find(x > a & x<(a+b))) = 1;

3.总结

本文，实现的几类较为主要的噪声。并给出了事实上现的方法。代码在以下。下一篇博文。会进行几个经常使用去噪滤波器的比較。

原文发于博客：http://blog.csdn.net/thnh169/

=============更新日志===================

2016 - 5 - 21 修正英文单词的拼写错误。