三種圖像去噪方法的比較研究

齊艷麗

【摘 要】圖像噪聲會嚴重影響其視覺效果，采用適當的方法進行圖像去噪是一項必不可少的預處理操作。本文對幾種常用的圖像去噪方法進行了分析，通過仿真高斯噪聲和椒鹽噪聲，著重對基于均值濾波、中值濾波以及卷積神經網絡的實際去噪效果進行了比較。實驗結果表明三種方法的去噪效果各有優劣，均能實現一定程度上的圖像去噪。

【關鍵詞】圖像噪聲，均值濾波，中值濾波，卷積神經網絡

中圖分類號： TP391.41文獻標識碼： A文章編號： 2095-2457（2019）26-0024-002

DOI：10.19694/j.cnki.issn2095-2457.2019.26.010

【Abstract】Image noise affects its visual effects seriously.Appropriate method for image denoising is an essential pre-processing operation.Several common methods for? image denoising are analyzed in this paper.Comparing the actual denoising effects based on mean filtering，median filtering and convolutional neural network with simulating Gaussian noise and salt and pepper noise.The experimental results show that the denoising effects of the three methods have their own advantages and disadvantages， and can achieve a certain degree of image denoising.

【Key words】Image noise;On mean filtering;Median filtering;Convolutional neural network

0 引言

由于實際應用中圖像不可避免地被噪聲污染，這類噪聲對于從圖像中提取有效信息產生嚴重干擾[1]。因此，去除噪聲是一項必不可少的圖像預處理操作，而有效的去噪算法一直是圖像處理領域的研究熱點。

本文選取常見的三種圖像去噪方法，即均值濾波、中值濾波以及卷積神經網絡，進行研究。通過仿真高斯噪聲和椒鹽噪聲，對這三種去噪方法的實際效果進行比較和分析。

1 去噪方法原理

中值濾波和均值濾波是經典的圖像去噪方法，而基于卷積神經網絡的圖像去噪是一種隨著人工智能以及機器學習發展而興起的去噪方法[2]。

中值濾波是基于排序統計理論的一種能有效抑制噪聲的非線性信號處理技術[3]。其基本原理是以當前像素點（x，y，z）的鄰域中各點灰度值的中值代替當前像素點的灰度值，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點，即：

不同于上述兩種算法，基于卷積神經網絡的圖像去噪是隨著深度學習特別是卷積神經網絡（CNN）在圖像識別等領域的研究和應用而被提出的[5]。通過對大量圖像集的學習和訓練，導出訓練好并經驗證的卷積神經網絡來實現圖像去噪。本文直接基于MATLAB所提供DnCNN進行去噪效果的分析和比較。

2 仿真結果分析

為了分析和比較三種去噪算法的效果，對原始圖像分別加入噪聲濃度為0.05的高斯噪聲和椒鹽噪聲，如圖1-3所示。可以看出，加入噪聲后的圖像對提取圖像中的有效信息造成了嚴重的干擾，因此去噪顯得尤為重要。

圖4和圖5為分別經過中值濾波和均值濾波處理后的含有噪聲的圖像。從圖4中可以看出，使用中值濾波對高斯噪聲圖像進行去噪后圖像顏色嚴重失真。另一方面，中值濾波對椒鹽圖像的去噪效果較好，基本還原了原圖像。從圖5可以看出，均值濾波可以實現對高斯噪聲圖像和椒鹽噪聲圖像的較好的去噪效果。總體上來看，均值濾波好中值濾波對高斯噪聲和椒鹽噪聲的去噪效果相當。

圖6的結果中可以看出，本文所使用的DnCNN對于高斯白噪聲圖像的去噪效果較好，但是對于添加了椒鹽噪聲后的圖像去噪效果一般。其主要原因可能是所使用的卷積神經網絡主要針對高斯噪聲圖像進行的訓練，所以并不完全適用于椒鹽噪聲圖像的處理。因此，使用卷積神經網絡進行圖像去噪時需要進行有針對性的訓練。

3 總結

本文對三種常用的圖像去噪算法進行了比較和分析，結果表明，在三種方法中，基于卷積神經網絡的圖像去噪方法能夠實現最好的高斯噪聲去噪處理，而中值濾波和均值濾波可以對高斯噪聲圖像和椒鹽噪聲圖像都能實現比較穩定均衡的去噪效果。值得注意的是，由于所使用的卷積神經網絡主要針對高斯噪聲訓練，因此其對椒鹽噪聲圖像的去噪效果在三種方法中表現最差，需要在下一步的工作中對椒鹽噪聲圖像的處理進行有針對性的卷積神經網絡訓練。

【參考文獻】

[1]劉祝華.圖像去噪方法的研究[D].江西師范大學，2005.

[2]朱習軍，隋思漣，張賓，劉尊年.MATLAB在信號與圖像處理中的應用[M].電子工業出版社，2009.

[3]趙高長，張磊，武風波.改進的中值濾波算法在圖像去噪中的應用[J].應用光學，2011，32（4）：678-682.

[4]張麗果.快速非局部均值濾波圖像去噪[J].信號處理， 2013，29（8）：1043-1049.

[5]呂永標，趙建偉，曹飛龍.基于復合卷積神經網絡的圖像去噪算法[J].模式識別與人工智能，2017，30（2）：97-105.