煤矸双能X射线透射图像去噪

发表于 更新于 分类于 ， 阅读次数： 本文字数： 4.3k 阅读时长 ≈ 4 分钟

X射线成像系统噪声可分为三种类型：本底噪声、随机噪声和孤立噪声。

分别采用均值滤波、中值滤波、自适应中值滤波和高斯滤波对图像进行去噪处理。均值滤波中 常用正方形滤波模板一般有3×3、5×5和7×7，使用均值滤波会将煤矸的成像边界变得模糊，原因是邻域内所有像素点在均值中所占的权值都是1/9，采用均值滤波可有效去除图像中的高频噪声。中值滤波相对均值滤波能够保留图像的边缘细节，对某些随机噪声具有非常理想的降噪能力，并且可以有效的去处成像时的坏点。高斯滤波相对均值滤波对图像的模糊程度更小，能够保留整体细节。自适应中值滤波基于传统中值滤波改进，可去除强度较高的椒盐噪声，对如高斯噪声也有一定的抑制效果，同时保证图像边缘细节。

对图像进行去噪后，通常采用均方根误差RMSE(Root Mean Square Error)和峰值信噪比PSNR(Peak Signal to Noise Ratio)进行评价。RMSE值越小表明滤波后的图像与真实图像偏差越小，滤波效果越好。PSNR值越大，表明滤波后的图像与真实图像越相似，失真度低。其RMSE和PSNR计算公式如下：

Snipaste_2024-04-11_20-56-18.png

Snipaste_2024-04-11_20-56-31.png

式中：MAX表示图像灰度值的最大值，取255，M、N表示图像大小。

待处理的图像由两张，分别是有物料图像和无物料的背景图像：

Snipaste_2024-04-11_21-05-20.png

Snipaste_2024-04-11_21-05-07.png

处理结果如下：

Snipaste_2024-04-11_21-12-19.png

均值滤波

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
clc 
clear all;
close all;
High = imread('C:\Users\雷子\Desktop\桌面文件\图像校正复原\2020_8_20_9_23_28_703_L.bmp');
% High = imread('C:\Users\雷子\Desktop\图像校正复原\2020_8_20_11_18_41_290_H.bmp');
figure,imshow(High);
% plot(High(:,500));
%%
%均值滤波
J=High;
K1=filter2(fspecial('average',3),J);%进行3×3的均值滤波
K2=filter2(fspecial('average',5),J);%进行5×5的均值滤波
K3=filter2(fspecial('average',7),J);%进行5×5的均值滤波
figure,imshow(K1,[]);
title('3×3模板均值滤波');
figure,imshow(K2,[]);
title('5×5模板均值滤波');
figure,imshow(K3,[]);
title('7×7模板均值滤波');
K4 = double(High);
plot(K4(500,:)), hold on;
plot(K1(500,:)), hold on;
plot(K2(500,:)), hold on;
plot(K3(500,:)), hold on;
%计算评价参数均方根误差RMSE
for i= 1:1000
    for j = 1:1088
        S(i,j) =double((K1(i,j)-double(High(i,j)))^2);  %更改k1\k2\k2\k3
    end
end
RSME  =( (sum(sum(S))/(1000*1088)))^(1/2);
%峰值信噪比PSNR
PSNR = 10*log10(255^2/RSME);

均值滤波中3×3模版最好，有物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-15-13.png

无物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-18-02.png

中值滤波

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
clc 
clear all;
close all;
High = imread('C:\Users\雷子\Desktop\桌面文件\图像校正复原\2020_8_20_9_23_30_357_L.bmp');
% High = imread('C:\Users\雷子\Desktop\图像校正复原\2020_8_20_11_18_41_290_H.bmp');
figure,imshow(High);
% plot(High(:,500));
%%
%均值滤波
J=High;
%中值滤波
K5=medfilt2(J,[3 3]);%进行3×3的中值滤波
K6=medfilt2(J,[5 5]);%进行5×5的中值滤波
K7=medfilt2(J,[7 7]);%进行5×5的中值滤波
subplot(2,2,2);
imshow(K5);
title('3×3模板中值滤波');
subplot(2,2,3);
imshow(K6);
title('5×5模板中值滤波');
subplot(2,2,4);
imshow(K7);
title('7×7模板中值滤波'); 
plot(High(500,:)), hold on;
plot(K5(500,:)), hold on;
plot(K6(500,:)), hold on;
plot(K7(500,:)), hold on;
%计算评价参数均方根误差RMSE
for i= 1:1000
    for j = 1:1088
        S(i,j) =double((K5(i,j)-double(High(i,j)))^2);
    end
end
RSME  =( (sum(sum(S))/(1000*1088)))^(1/2);
%峰值信噪比PSNR
PSNR = 10*log10(255^2/RSME);

中值滤波中3×3模版最好，有物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-38-40.png

无物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-37-30.png

自适应中值滤波：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
clc 
clear all;
close all;
High = imread('C:\Users\雷子\Desktop\桌面文件\图像校正复原\2020_8_20_9_23_28_703_L.bmp');
% High = imread('C:\Users\雷子\Desktop\图像校正复原\2020_8_20_11_18_41_290_H.bmp');
figure,imshow(High);
I_noise = High;
[Im,In]=size(I_noise);
nmin = 3;
nmax = 7;
I_out = I_noise;
% 边界扩充
I_ex = [zeros((nmax-1)/2,In+(nmax-1));zeros(Im,(nmax-1)/2),I_noise,zeros(Im,(nmax-1)/2);zeros((nmax-1)/2,In+(nmax-1))];
%自适应中值滤波
for x =1:Im
    for y = 1:In
        for n = nmin:2:nmax
            Sxy = I_ex(x+(nmax-1)/2-(n-1)/2:x+(nmax-1)/2+(n-1)/2,y+(nmax-1)/2-(n-1)/2:y+(nmax-1)/2+(n-1)/2);
            Smin = min(min(Sxy));
            Smax = max(max(Sxy));
            Smed = median(median(Sxy));
            if Smed > Smin && Smed < Smax                              
                if I_out(x,y) <= Smin || I_out(x,y) >= Smax                                     
                    I_out(x,y) = Smed;                 
                end
                break             
            end
        end     
        I_out(x,y) = Smed;   
    end
end
figure,imshow(I_out);
plot(High(500,:)), hold on;
plot(I_out(500,:)), hold on;
%计算评价参数均方根误差RMSE
for i= 1:1000
    for j = 1:1088
        S(i,j) =double((I_out(i,j)-double(High(i,j)))^2);
    end
end
RSME  =( (sum(sum(S))/(1000*1088)))^(1/2);
%峰值信噪比PSNR
PSNR = 10*log10(255^2/RSME);

有物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-50-55.png

无物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-52-11.png

高斯滤波

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
clc 
clear all;
close all;
High = imread('C:\Users\雷子\Desktop\桌面文件\图像校正复原\2020_8_20_9_23_26_941_L.bmp');
% High = imread('C:\Users\雷子\Desktop\图像校正复原\2020_8_20_11_18_41_290_H.bmp');
figure,imshow(High);
% plot(High(:,500));
W = fspecial('gaussian',[3,3],0.8);            %创建高斯滤波器
K8= imfilter(High, W, 'replicate');           %对椒盐噪声进行高斯滤波
plot(High(500,:)), hold on;
plot(K8(500,:)), hold on;
subplot(121),imshow(High);
subplot(122),imshow(K8);
%计算评价参数均方根误差RMSE
for i= 1:1000
    for j = 1:1088
        S(i,j) =double((k8(i,j)-double(High(i,j)))^2);
    end
end
RSME  =( (sum(sum(S))/(1000*1088)))^(1/2);
%峰值信噪比PSNR
PSNR = 10*log10(255^2/RSME);

高斯滤波中3×3模版，标准差0.8滤波效果最好，有物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-58-12.png

无物料图像，滤波后像素数值变化如下：

Snipaste_2024-04-11_21-56-49.png

由表可知，高斯滤波的整体效果更好，当模板大小为3×3，方差为0.8时，RMSE和PSNR值均优于其他方法。

高斯滤波后的图像：

Snipaste_2024-04-11_22-00-47.png

Snipaste_2024-04-11_21-59-59.png

对原图像采用高斯滤波并不会提高图像的均匀度，也即不会对产生的条纹缺陷起到削弱作用。如何提高图像的均匀度将在下一份文档中具体介绍。