摘 要

对于图像噪声进行识别主要是对于降噪方案进行确定以及图像噪声参数得确定，这是为了能够对于图像检测和图像识别奠定良好得基础。因此本文使用图像噪声的直方图特点对于7种噪声类型识别系统进行设计。首先需要对于含噪声的图像进行模型的构建，通过matlab得到不同类型噪声的矩阵，进而能够把这些矩阵转入到图像灰度化种，其次是对于图像中的灰度进行采集数据，绘制出灰度直方图，通过这些灰度直方图以及图形进行含噪图像的类型识别。在常见的噪声类型基础上添加了指数噪声、伽马噪声等，同时对于图像灰度直方图的绘制方法进行改进，增大了灰度直方图的采样范围。对相同的含噪图像进行采样时，能在一定程度上提升含噪图像的识别率。利用matlab设计编写GUI图形用户界面，将图像噪声识别与GUI图形用户界面相结合。使用户可以直观的了解图像噪声类型。

关键词：灰度直方图；含噪图像；灰度;GUI

Design of Interactive Image Noise Type Recognition System

Abstract

the recognition of image noise is mainly to determine the noise reduction scheme and the parameters of image noise, which is to lay a good foundation for image detection and image recognition. Therefore, this paper uses the histogram characteristics of image noise to design seven kinds of noise type recognition systems. First of all, it is necessary to construct the model of the image with noise, and then the matrices of different types of noise can be obtained by matlab, and then these matrices can be transferred to the grayscale species of the image. Secondly, the grayscale data in the image can be collected. The gray histogram is drawn, and the noise is carried out through these gray histogram and graphics. Type recognition of images. Exponential noise, gamma noise and so on are added to the common noise types. At the same time, the drawing method of image gray histogram is improved to increase the sampling range of gray histogram. When sampling the same noisy image, the recognition rate of noisy image can be improved to a certain extent.GUI graphical user interface is designed and written by matlab, which combines image noise recognition with GUI graphical user interface. Users can intuitively understand the type of image noise.

Keywords: grayscale histogram; noisy image; grayscale;GUI

目录

目录

目录 I

1 引言 - 1 -

1.1研究背景及意义 - 1 -

1.2图像噪声类型识别的国内外研究现状 - 1 -

1.2.1图像噪声类型识别国内研究现状 - 1 -

1.2.2图像噪声识别国外研究现状 - 3 -

1.3交互式GUI的国内外研究现状 - 4 -

1.3.1交互式GUI国内研究现状 - 4 -

1.3.2交互式GUI国外研究现状 - 6 -

1.4本文的主要内容 - 7 -

2 相关技术介绍 - 8 -

2.1噪声类型及建模 - 8 -

2.1.1高斯噪声 - 10 -

2.1.2均匀噪声 - 10 -

2.1.3椒盐噪声 - 10 -

2.1.4瑞利噪声 - 11 -

2.1.5指数噪声 - 11 -

2.1.6伽马噪声 - 11 -

2.1.7斑点噪声 - 11 -

2.2灰度直方图算法 - 12 -

2.3 图像噪声的小波分析 - 13 -

2.4 GUI简介 - 14 -

3 系统分析 - 16 -

3.1需求分析 - 16 -

3.1.1系统需求 - 16 -

3.1.2运行环境需求 - 16 -

3.1.3功能需求 - 16 -

3.1.4操作需求 - 17 -

3.2可行性分析 - 17 -

3.2.1技术可行性 - 17 -

3.2.2经济可行性 - 17 -

3.2.3运行可行性 - 17 -

4 系统设计概况 - 19 -

4.1系统结构设计 - 19 -

4.2功能模块设计 - 20 -

4.3.1用户登录界面 - 20 -

4.3.2噪声识别客户端界面 - 21 -

4.3.3图像预处理模块 - 21 -

4.3.4噪声类型添加模块 - 22 -

4.3.5噪声类型识别模块 - 23 -

4.3.6图像复原模块 - 23 -

4.3.7回退功能模块 - 25 -

4.3.8退出系统模块 - 25 -

5 系统的具体实现 - 26 -

5.1系统模块的具体实现 - 26 -

5.1.1用户登录界面 - 26 -

5.1.2系统客户端界面 - 26 -

5.1.3图像预处理功能 - 27 -

5.1.4图像噪声添加功能 - 29 -

5.1.5图像噪声识别功能 - 32 -

5.1.6图像复原功能 - 35 -

6 系统测试 - 38 -

6.1 系统测试的目的及内容 - 38 -

6.2 系统测试的结果 - 38 -

结 论 - 39 -

致 谢 - 40 -

参考文献 - 41 -

1 引言

1.1研究背景及意义

图像是人类获取外界信息的主要来源，也是最直接的来源之一。在近代科学研究、军事技术、工农业生产、医学、气象以及天文领域中，图像作为信息的重要载体，用以识别和判断事物，解决实际问题。人们可以从卫星拍摄的图像分析出地球上的资源与污染情况；在医学中，医生根据x光来判断病人体内的具体情况，才可以对症下药；在生活中，交警也是利用文字图像识别技术来确定违章车辆的拍照，对此进行监管监督，由此可见图像的重要性。

图像在传输的过程中或多或少的都会受到噪声的影响从而影响图像质量。因此，对含噪图像的处理，特别是在图像复原技术中，噪声类型和大小的识别与判断，直接决定着图像复原的效果。而图像噪声类别多样，且其大小又随着模型参数的变化而不同，如何准确识别噪声类型和大小并实现过程的可视化操作，成为业界的重要需求。进一步地，如果能借助软件对图像噪声的类型和大小实现图形界面的交互式识别，则可更加直观、清晰地分辨出噪声，以提高后续图像复原的准确性。同时，GUI的交互性更可提升用户体验，使操作更加方便。

1.2图像噪声类型识别的国内外研究现状

1.2.1图像噪声类型识别国内研究现状

目前，国内对于图像的噪声类型研究方式多种多样，各行各业都对图像噪声的识别有所研究学习。

文献[1]提出了一种基于小波域分解图像噪声的类型识别方法。该方法利用噪声图像的小波高频子带系数能量分布，对图像中最常出现的两类噪声：高斯噪声和椒盐噪声进行识别，并在此基础上对高斯噪声的方差和椒盐噪声的密度进行了估计。这种方法算法简单易于实现，但是对于其他的噪声无法进行准确的判断，并且无法根据噪声类型和大小自动选择不同的去噪方法以及确定相应的算法参数。文献[2]研究分析了图像中三种常见噪声的直方图特性及成噪原理，最后从含噪图像直方图角度分析，观察其结果，得到三种噪声类型初步识别方法。它不用完全获取图像中的全部内容，只需要截取含噪图像中灰度相对均匀的区域，画出其直方图，分析其直方图分布特征从而得到初步结论。简单易行，但也存在一些问题：如现实生活中得到的含噪图像可能分布较复杂，均匀区域的选取有一定的难度。如区域太小的话影响识别结果，这时也就可能需要获取多个不连续灰度分布区域的直方图。文献[3]提出了一种基于直方图信息灰色关联的噪声类型识别方法。该方法分析椒盐噪声、高斯噪声和斑点噪声这三种噪声的直方图统计信息，提出了一种基于直方图信息灰色关联的噪声类型识别方法，它不需要了解图像的全部内容，而只是利用图像中部分灰度相对均匀的区域。因此，具有简单、易行、通用的特点。文献[4]提出了一种基于小波分析的CT图像噪声类型识别方法。它不关注CT图像的内容，结合了小波分析的思想，只要通过分析小波分解高频系数直方图信噪比和相应曲线拟合图沿X轴的积分就可以有效地识别出CT图像噪声类型，然后根据具体的噪声类型选择针对性的去噪算法，有效地提高CT图像预处理效果。但是对于复合型噪声却无法识别，而且当噪声的量到达无限小区域时，因为噪声的影响可以忽略不计，所以不同噪声的直方图信噪比和拟合图面积都会是相等的，此时，这篇文章的方法是不适用的。文献[5]提出一种基于噪声类型识别的选择接收机，可以在不同的噪声环境下进行滤波预处理。该接收机在不同的环境下都能有较好的性能，但是比起该环境下性能最优的处理机仍有差距。文献[6]针对准确获取 IC 图像噪声特征的要求，对噪声图像进行能量熵的推导和计算，并在此基础上形成能量熵分布特征平面，引入二维 Zernike矩以对常见噪声类型进行特征值的量化及提取。建立 BP 网络对噪声样本特征值进行反复训练与调试，最终达到快速准确识别 IC 图像噪声类型的目的。相对于其他典型识别算法，其对于IC 图像更具针对性。文献[7]对噪声分布统计特性进行了研究，建立了数学模型。对含噪图像灰度分布均匀的多个不连续区域进行采样，并运用改进的方法绘制采样区域直方图。运用本文献的绘制直方图方法，可以拓宽灰度均匀区域选取范围，只要灰度等级相对一致即可。即使采样区域的像素点值较大或较小，都可以呈现图像的完整形状，而且对灰度分布均匀的多个不连续区域进行采样，可使判定噪声类型准确性加大。最后基于直方图形状来初步识别单一图像噪声类型。但是对具有复杂背景的图像进行噪声类型识别，以及对非单一类型噪声的识别却没做到。文献[8]本文献根据小波变换能够对噪声类型进行识别的特点，以及P-M模型和ENI模型各自对高斯与椒盐噪声去噪的优点和不足，提出一种基于噪声类型识别的PDE去噪模型，该模型能够自动判断遥感图像所含噪声的类型而自适应的进行去噪，在有效去除图像噪声的同时能够很好的保持了图像的边缘和纹理信息。文献[9]针对目前IC芯片检测图像处理中无法确定点扩展函数而进行后续图像恢复操作的难点和弊端，对芯片噪声图像进行三维空间信息能量优化造型，对噪声点造型曲面的数学特征进行建立与计算，采用BP神经网络对噪声点图像空间曲面特征进行模式识别与类型划分，达到对于图像噪声类型进行准确反求的目的。文献[10]对常见噪声分布类型模型分析并识别，包括增加噪声的类别及对识别方法的改进。通过分离对角小波中噪声系数和含有的原始图像信息系数，利用得到的较纯粹噪声系数的局部方差分布的众数来估计图像噪声参数大小。最后以小波域中的几种典型去噪方法为例，分析了图像噪声类型和参数大小的估计如何在去噪方法中应用；并分析几个常见的需要阈值设置的去噪算法，在这些算法中都要提前进行噪声标准差的估计。