什么是低信噪比图像及处理方法

信号处理领域的信噪比即SNR--Singal to Noise Ration，又称讯噪比，即放大器的输出信号的电压与同时输出的噪声电压的比，常常用分贝数表示。

设备的信噪比越高表明它产生的杂音越少。一般来说，信噪比越大，说明混在信号里的噪声越小，声音回放的音质量越高，否则相反。

图像的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图像信噪比，即信号与噪声的方差之比。首先计算图像所有象素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值，再转成dB数，最后用经验公式修正。

峰值信噪比经常用作图像压缩等领域中信号重建质量的测量方法，它常简单地通过均方差（MSE）进行定义。两个m×n单色图像I和K，如果一个为另外一个的噪声近似，那么它们的的均方差定义为：

峰值信噪比定义为：

其中，MAX_I是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。更为通用的表示是，如果每个采样点用 B 位线性脉冲编码调制表示，那么 MAX_I 就是

对于每点有RGB三个值的彩色图像来说峰值信噪比的定义类似，只是均方差是所有方差之和除以图像尺寸再除以 3。

图像压缩中典型的峰值信噪比值在 30 到 40dB 之间，愈高愈好。

%%%%%%%%%%%%%%%%%

程序：（I 是原图像，K是滤波后的图像，默认原图无噪声，测试那种滤波效果好）

video=mmreader('che2.AVI');
I1=read(video,590);
I1=rgb2gray(I1);
[m,n]=size(I1);
J=imnoise(I1,'gaussian',0,0.002); %加入高斯噪声
%进行均值滤波
h=fspecial('average',3);    %fspecial函数用于产生预定义滤波器
I2=uint8(round(filter2(h,I1)));   %filter2函数用于图像滤波,此处h是滤波参数（均值），I1是要处理的图像
%进行中值滤波
I3=medfilt2(J,[3,3]);   %medfilt2函数用于图像的中值滤波
%进行维纳滤波
I4=wiener2(J,[3,3]);%进行一次维纳滤波
I5=wiener2(I4,[3,3]);%进行二次维纳滤波
subplot(2,3,1),imshow(I1),title('原图象')
subplot(2,3,2),imshow(J),title('加噪声图象')
subplot(2,3,3),imshow(I2),title('均值滤波后图象')
subplot(2,3,4),imshow(I3),title('中值滤波后图象')
subplot(2,3,5),imshow(I4),title('维纳滤波后图象')
I1=double(I1);
I2=double(I2);
I3=double(I3);
I4=double(I4);
I5=double(I5);
s2=0;
s2=double(s2);
s3=0;
s3=double(s3);
s4=0;
s4=double(s4);
s5=0;
s5=double(s5);
for i=1:m
    for j=1:n

s2=s2+(I1(i,j)-I2(i,j))^2;
   s3=s3+(I1(i,j)-I3(i,j))^2;
   s4=s4+(I1(i,j)-I4(i,j))^2;
   s5=s5+(I1(i,j)-I5(i,j))^2;
    end
end
MSE2=s2/(m*n)
MSE3=s3/(m*n)
MSE4=s4/(m*n)
MSE5=s5/(m*n)
PSNR2=10*log10(double(255^2/MSE2))
PSNR3=10*log10(double(255^2/MSE3))
   PSNR4=10*log10(double(255^2/MSE4))
    PSNR5=10*log10(double(255^2/MSE5))

PSNR2 =

33.6596

PSNR3 =

32.6051

PSNR4 =

33.8043

PSNR5 =

34.3825

一般情况，信噪比越大越好。

什么是低信噪比图像及处理方法相关推荐

Single Image Haze Removal Using Dark Channel Prior 基于暗原色先验的单一图像去雾方法【翻译】
Single Image Haze Removal Using Dark Channel Prior Kaiming He, Jian Sun, Xiaoou Tang The Chinese Uni ...
导向滤波算法 java_一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法与流程...
本发明属于计算机图像处理的领域,用于图像或者视频去雾等相关领域:具体涉及一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法. 背景技术: 图像采集过程中,由于雾天的影响,使得景物的能见度大幅降低,再加 ...
3D物体分类---ModelNet .OFF格式生成多视角图像（Blender方法之第二步）
3D物体分类---ModelNet .OFF格式生成多视角图像(Blender方法之第二步) 强烈建议使用Blender方法!!! 说明 2 python调用Blender生成多视角图像 2.1 Bl ...
CVPR 2021 | 基于跨任务场景结构知识迁移的单张深度图像超分辨率方法
©PaperWeekly 原创 · 作者|孙宝利学校|大连理工大学硕士研究方向|计算机视觉项目主页: http://faculty.dlut.edu.cn/yexinchen/zh_CN/zdy ...
matlab不规则碎片拼接,一种不规则破碎单面图像快速拼接方法
一种不规则破碎单面图像快速拼接方法 [专利摘要]本发明的一种不规则破碎单面图像快速拼接方法,是首先将不规则破碎的单面图像碎片扫描成数字图像,然后获取每个图像碎片边缘的逆时针像素灰度值序列,通过计算各个 ...
一种基于深度学习的目标检测提取视频图像关键帧的方法
摘要:针对传统的关键帧提取方法误差率高.实时性差等问题,提出了一种基于深度学习的目标检测提取视频图像关键帧的方法,分类提取列车头部.尾部及车身所在关键帧.在关键帧提取过程中,重点研究了基于SIFT特征 ...
图像迁移风格保存模型_一种图像风格迁移方法与流程
本发明涉及图像处理技术领域,更为具体地,涉及一种图像风格迁移方法. 背景技术: 近年来,由深度学习所引领的人工智能技术浪潮,开始越来越广泛地应用到社会各个领域,尤其是在在计算机视觉领域,图像风格迁移作 ...
OpenCV实践：低对比度图像检测圆形轮廓
文章目录前言 1. 问题描述 2. OpenCV 实现步骤 3. 源码实现 4. 结果展示总结前言最近在51Halcon答疑区有找到一个检测实例:在低对比度图像中检测圆形轮廓,这里分享给大家. ...
图像处理中几何畸变校正,图像纠正的方法有哪些
如何通过人工神经网络实现图像识别 . 人工神经网络(ArtificialNeuralNetworks)(简称ANN)系统从20世纪40年代末诞生至今仅短短半个多世纪,但由于他具有信息的分布存储.并行处 ...

什么是低信噪比图像及处理方法

什么是低信噪比图像及处理方法相关推荐

最新文章

热门文章