圖像去噪方法的實(shí)驗(yàn)仿真與分析案例報(bào)告目錄TOC\o"1-3"\h\u18401圖像去噪方法的實(shí)驗(yàn)仿真與分析案例報(bào)告 1263431.1參數(shù)設(shè)置 1314751.2結(jié)果與分析 3實(shí)驗(yàn)過(guò)程中分別利用高斯噪聲和椒鹽噪聲來(lái)模擬實(shí)際生活中的噪聲，選取不同大小的噪聲值，用到的數(shù)字圖像為基準(zhǔn)圖中的Lena圖像,Barbra圖像,peppers圖像，每幅圖像的大小均為256×256像素。設(shè)置實(shí)驗(yàn)相關(guān)參數(shù)值，進(jìn)行仿真運(yùn)算并展示運(yùn)行結(jié)果。將DCT字典和KSVD算法對(duì)圖像去噪效果的優(yōu)劣進(jìn)行比較，通過(guò)定量分析，利用客觀評(píng)價(jià)發(fā)中的峰值信噪比和結(jié)構(gòu)相似度作為評(píng)價(jià)標(biāo)準(zhǔn)。實(shí)驗(yàn)中使用的軟件為MATLAB2017b，選用window10操作系統(tǒng)，2.5GHz,3G內(nèi)存的計(jì)算機(jī)平臺(tái)。1.1參數(shù)設(shè)置Lena圖BarbaraLena圖Barbara圖peppers圖圖1.1Lena圖Barbara圖和peppers圖實(shí)驗(yàn)中初始字典選取的是DCT字典，大小為64×256，像素圖像塊大小為8，冗余因子為4，噪聲選取了高斯噪聲和椒鹽噪聲兩種類(lèi)型，高斯噪聲的標(biāo)準(zhǔn)差設(shè)置為10，25,45，椒鹽噪聲設(shè)置為0.01。由于實(shí)驗(yàn)中用到三幅圖像，并且每張圖根據(jù)要求設(shè)置要測(cè)試四次，結(jié)果圖像會(huì)很多，無(wú)法全部展示在論文中，會(huì)選取peppers為例展示結(jié)果圖像。下面展示Lena圖像，Barbara圖像和peppers圖像為例在10,25,45的高斯噪聲和0.01的椒鹽噪聲情況下的圖像情況：標(biāo)準(zhǔn)差為25的Lena標(biāo)準(zhǔn)差為45的Lena標(biāo)準(zhǔn)差為25的Lena標(biāo)準(zhǔn)差為45的Lena標(biāo)準(zhǔn)差為10的Lena標(biāo)準(zhǔn)差為10的Barbara標(biāo)準(zhǔn)差為25的Barbara標(biāo)準(zhǔn)差為45的Barbara標(biāo)準(zhǔn)差為10的peppers標(biāo)準(zhǔn)差為25的peppers標(biāo)準(zhǔn)差為45的peppers從圖1.2中可以看出將原始的不含有噪聲的基準(zhǔn)圖中，加入10的高斯噪聲時(shí)圖像變得有些模糊，但是細(xì)節(jié)信息還比較清楚；加入25的高斯噪聲時(shí)，圖像模糊不清，喪失部分細(xì)節(jié)信息；加入45的高斯噪聲時(shí)，圖像已經(jīng)失真，妨礙到信息的獲取。圖1.3中可以看出含有0.01的椒鹽噪聲的三幅基準(zhǔn)圖，顯示出隨機(jī)分布的一些白色光點(diǎn)或者黑色暗點(diǎn)，像是在圖片之上隨意地潑灑的墨汁，圖像內(nèi)容變得模糊不清。0.01椒鹽Lena圖0.01椒鹽Lena圖0.01椒鹽Barbara圖0.01椒鹽peppers圖圖1.3含椒鹽噪聲的基準(zhǔn)圖像1.2結(jié)果與分析標(biāo)準(zhǔn)差10高斯圖像標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差10高斯圖像標(biāo)準(zhǔn)差25高斯圖像標(biāo)準(zhǔn)差45高斯圖像標(biāo)準(zhǔn)差10DCT圖像標(biāo)準(zhǔn)差25DCT圖像標(biāo)準(zhǔn)差45DCT圖像圖1.4DCT算法peppers圖像去噪在圖1.4中隨著高斯噪聲的標(biāo)準(zhǔn)差從10增大到25再到45，數(shù)字圖像變得越來(lái)越模糊，圖像中含有的細(xì)節(jié)信息也隨之降低。利用DCT算法對(duì)含有噪聲的圖像進(jìn)行去噪處理，可以發(fā)現(xiàn)去噪后的圖像恢復(fù)了一定的清晰度，圖片中含有的信息量也增加了，但是因?yàn)樵肼曉蕉喔蓴_越強(qiáng)，并不能完全恢復(fù)原始圖像。同時(shí)在對(duì)Lena圖像和Barbara圖像進(jìn)行DCT字典圖像去噪的過(guò)程中，Lena圖像含有的細(xì)節(jié)信息較少，相對(duì)去噪顯示結(jié)果最為清晰，而B(niǎo)arbara圖像含有的細(xì)節(jié)信息較多，發(fā)現(xiàn)DCT字典算法對(duì)含有豐富的細(xì)節(jié)紋理的Barbara圖像的去噪效果要比標(biāo)準(zhǔn)差10標(biāo)準(zhǔn)差10高斯圖像標(biāo)準(zhǔn)差25高斯圖像標(biāo)準(zhǔn)差45高斯圖像標(biāo)準(zhǔn)差10KSVD圖像標(biāo)準(zhǔn)差25KSVD圖像標(biāo)準(zhǔn)差45KSVD圖像圖1.5KSVD算法peppers圖像去噪在進(jìn)行KSVD算法的圖像去噪時(shí)，為了保證實(shí)驗(yàn)的公平性，實(shí)驗(yàn)中KSVD算法用到初始字典為DCT字典，稀疏分解時(shí)同樣是使用的OMP算法求解稀疏系數(shù),這樣可以保證使用的稀疏系數(shù)相同。由于字典更新需要進(jìn)行多次運(yùn)算，在運(yùn)算的過(guò)程中會(huì)耗時(shí)較長(zhǎng)，實(shí)驗(yàn)中設(shè)置的迭代次數(shù)為10次，運(yùn)行標(biāo)準(zhǔn)差分別為10/25/45時(shí)，KSVD算法耗時(shí)339.34秒、52.45秒、21.95秒。在圖1.5中，隨著高斯噪聲的增大，KSVD字典圖像去噪效果要更好，在細(xì)節(jié)紋理信息方面要比DCT更好，圖像的邊緣信息保持等情況得到提高，人眼觀察觀察到的圖像也更清楚些，但是耗時(shí)要比DCT算法高上許多。利用客觀評(píng)價(jià)法，對(duì)去噪后的圖像進(jìn)行了質(zhì)量評(píng)估，通過(guò)峰值信噪比和結(jié)構(gòu)相似度計(jì)算，最后可以得到如下表格；表1.1高斯噪聲的DCT字典去噪的三張測(cè)試圖圖片名稱(chēng)σ=10σ=25σ=45LenaPSNR31.2629.1526.11SSIM0.670.350.19BabbersPSNR33.8628.9225,67SSIM0.680.340.18PeppersPSNR33.0627.6821.80SSIM0.760.440.24表1.2高斯噪聲的KSVD字典去噪的三張測(cè)試圖圖片名稱(chēng)σ=10σ=25σ=45LenaPSNR35.9830.2227.28SSIM0.670.350.19BabbersPSNR31.0329.2826.31SSIM0.680.340.18PeppersPSNR31.7128.9525.00SSIM0.760.440.24再對(duì)含有不同大小的椒鹽噪聲進(jìn)行同樣