1.2　图像噪声处理

图像在获取及传输的过程中往往会受到噪声的污染，噪声的产生有很多原因，而且不可避免，致使纯净的图像成为包含噪声的图像。在获取图像的过程中，传感器温度随使用时间长短而变化，会使获取的图像产生大量的噪声。在图像传输过程中，传输信道受到的干扰也是产生噪声的主要来源，如通过无线网络进行传输的图像可能会由于受到大气或光照的影响而被污染。

图像中的噪声会严重影响后续的图像处理工作，如图像分割、图像编码、特征提取及目标检测等。为了提高图像的质量以满足后续更高层次图像处理工作的需要，对被噪声污染的图像进行去噪就成为图像预处理中一项不可或缺的工作。

图像去噪的目的就是在滤除噪声的同时尽可能地保留图像特征与细节，从含噪图像中恢复出原始的“干净”图像，使图像达到各种应用的要求，因此其具有十分重要的理论和实践意义。

伴随着各种图像处理学科的诞生，图像去噪成为图像处理中的一个重要方向，寻求一种行之有效的方法来去除图像中的噪声是人们一直以来努力的方向。目前，经过学者的不断努力，已经研究出各种不同原理的去噪算法，有的根据实际图像的特点来设计，有的依据噪声的统计分布规律来设计。数学上不断涌现的新理论和新方法又为图像去噪的研究注入了新的活力。时至今日，图像去噪理论和应用研究仍然是图像处理领域中一个非常活跃的研究方向。目前，图像处理已被应用到医学、通信、军事等多个重要领域，图像去噪技术也被应用到医学图像、卫星电视甚至地理信息系统和天文学等专业研究与技术领域。例如，由于存在噪声干扰，很多医学图像的生理信号可能会发生畸变甚至“面目全非”，失去医学价值，从而出现漏诊和误诊的情况。这时，图像去噪就显得尤为重要，其研究与人类生活息息相关[4]。眼睛是我们获取外界信息最重要的手段。在人类日常获取的总信息中，通过视觉获取的信息占据75%以上，而通过听觉和嗅觉等其他方式获取的信息最多不到25%。图像作为一种实体，是可以直接通过人眼产生视觉作用的。而当前广泛出现在人们日常生活中的数字图像应用的是计算机图像技术。近年来，计算机技术的飞速发展为计算机视觉（Computer Vision，CV）、人工智能（Artificial Intelligence，AI）、深度学习等众多研究领域奠定了基础。随着2020年开始5G的大规模商用，自动驾驶、虚拟现实（Virtual Reality，VR）技术等众多领域进入新的发展阶段。因此，数字图像作为21世纪视觉信息传递的重要媒介和工具，在未来会发挥越来越重要的作用。但是，在获取、存储、传播数字图像的过程中，由于某些难以避免的内部或外部因素的影响，实际获取的数字图像可能会存在各种各样的噪声。噪声的存在不仅从视觉上严重影响了图像的观察效果，还会极大地影响对图像的进一步分析和处理。而噪声去除效果会直接影响图像识别、分割、三维重建等其他图像处理的效果。因此，对含有噪声的图像进行去噪处理是数字图像进行下一步处理和应用的基础[5]。原始图像、含噪图像及去噪后的图像如图1.2所示。

图1.2　原始图像、含噪图像及去噪后的图像

实际上，造成图像产生噪声的原因不尽相同，导致获得的含噪图像也是各种各样的。因此，为了更方便地处理不同的噪声图像，需要根据不同的角度划分图像噪声的类型。清楚地了解噪声特性是图像去噪前的必做功课，即首先要对噪声进行分类。下面分别从噪声与信号的相关性、噪声来源和统计特性3方面来介绍3种不同的噪声分类方法。

1．相关性

根据图像和噪声之间的相互关系将噪声划分为加性噪声和乘性噪声两种形式。加性噪声和原始图像信号强度是不相关的，不管有没有信号，噪声都存在。乘性噪声和原始图像相关，只有在信号存在时，噪声才会出现，否则噪声无法显现。

2．噪声来源

根据不同的形成原因，噪声可以大致分为外部噪声和内部噪声两大类。外部噪声是指系统外部干扰以电磁波或经电源进入系统内部而引起的噪声。外部噪声还可以细分为人为噪声和自然噪声。内部噪声是指在图像采集、传输和处理过程中产生的各种噪声。内部噪声根据产生的位置一般又可细分为以下3种：采集图像过程中的噪声、图像传感器的光电转换过程中的噪声，以及在处理信号的电子放大器中的噪声。

3．统计特性

根据统计特性是否随时间改变，噪声可分为平稳噪声和非平稳噪声。平稳噪声是指统计特性不随时间变化的噪声，其数学期望是常数。平稳过程一般具有各态历经性，即时间平均等于统计平均。均值为零的白噪声是一种典型的平稳噪声。相反，非平稳噪声是指统计特性随时间变化的噪声。相较于平稳噪声，非平稳噪声增加了时间这一变量，也就增加了去噪的难度。由于噪声本身具有不可预测性，所以可以将其当作一种随机误差，通过概率统计的方法进行识别。常见的图像噪声根据其概率分布的情况可以分为椒盐噪声、高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声等各种形式，如图1.3所示[4]。

图1.3　标准图像添加6种不同噪声后的图像

由于上述各类噪声的存在，使得深度学习在图像领域的应用受到了制约。基于某类噪声图像样本集训练的深度学习模型对同类噪声图像的预测能力往往较强，但是当将该模型应用到含有其他类型噪声的图像上时，效果往往不能让人满意。因此，如何将图像中的噪声去除，以保证深度学习模型在各种噪声图像上的应用能力是图像处理与深度学习领域需要解决的关键问题之一。