动目标识别过程中的二值图像噪声消除

1 前言

在动目标识别工程项目中，要进行背景重构、前景提取、图像消噪、投影求取四个阶段的工作。在获取原始视频后，首先便是图像预处理阶段，如果这阶段处理不好，后面的工作根本无法展开。在实际应用时，系统获取的原始图像，由于噪声、光照等原因，图像的质量不高，所以需要进行预处理。图像的预处理包括图像增强、平滑滤波、锐化等内容。图像的预处理既可以在空间域实现，也可以在频域内实现，本文主要介绍腐蚀膨胀法对二值图像噪声的消除，它们是一种既简单又重要的图像处理技术。

2 噪声的产生及分类

噪声是图像干扰的重要原因。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中产生, 也可能在量化处理中产生。根据噪声和信号的关系可将其分为三种形式:( f(x,y)表示给定原始图像, g(x,y)表示图像信号, n(x,y)表示噪声。)

2．1 加性噪声

此类噪声与输入图像信号无关, 含噪图像可表示为f(x,y)=g(x,y)+n(x,y), 信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;

2.2 乘性噪声

此类噪声与图像信号有关, 含噪图像可表示为f(x,y)=g(x,y)+n(x,y)g(x,y), 飞点扫描器扫描图像时的噪声, 电视图像中的相干噪声, 胶片中的颗粒噪声就属于此类噪声。

2.3 量化噪声

此类噪声与输入图像信号无关, 是量化过程存在量化误差, 然后反映到接收端而产生。

3 去除图像噪声的方法简介

图像处理发展至今，经典的图像处理方法不胜枚举，以下从分析了近年来图像消噪处理领域比较有代表性的滤波器和目前比较前沿的处理方法，使读者对目前消噪领域的发展历史有所了解。

3.1 均值滤波器

它是用一个有奇数点的滑动窗口在图像上滑动，将窗口中心点对应的图像像素点的灰度值用窗口内的各个点的灰度值的平均值代替，如果滑动窗口规定了在取均值过程中窗口各个像素点所占的权重，也就是各个像素点的系数，这时候就称为加权均值滤波。

3.2 自适应维纳滤波器

它能根据图像的局部方差来调整滤波器的输出, 局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^ (x,y)与原始图像f(x,y)的均方误差e2=E[( f(x,y)- f^ (x,y)) 2]最小。该方法的滤波效果比均值滤波器效果要好, 对保留图像的边缘和其他高频部分很有用, 不过计算量较大。维纳滤波器对具有白噪声的图像滤波效果最佳。

3.3 中值滤波器

它是一种常用的非线性平滑滤波器, 其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换。其主要功能消除孤立的噪声点, 所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘, 从而获得较满意的复原效果, 而且, 在实际运算过程中不需要图像的统计特性, 这也带来不少方便, 但对一些细节多, 特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。

3.4 数学形态学噪声滤除器

将开启和闭合结合起来可用来滤除噪声, 首先对有噪声图像进行开启操作, 可选择结构要素模型比噪声的尺寸大, 因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图像进行闭合操作, 将图像上的物体还原。