课题研究的思路与创新点

图像去噪是图像处理领域中的一个重要课题。传统的去噪模型在滤除噪声的同时不能很好地保留原有图像的细微结构，如边缘和纹理等特征。P-M 模型在图这主要是因为均值滤波原理中某像素点邻域内像素点均值作为该点像素值，导致幅值近似相等且随机分布在不同位置上，这样可以平滑图像，速度较快，算法简单。但没法完全滤掉噪声，只能微弱的减弱它。中值滤波可被用作滤波方法（非线性），也可用作图像准备要处理的过程。但是如何选取最优的参数目前还没有形成一个有效的方法，主要靠经验估计。文献[2]提出了利用正则参数 σ 估计扩散时间尺度的方法；文献[3]建议取 k 为扩散时间尺度的减函数来减小模型对扩散时间尺度的敏感性。文献[4]则假设噪声与信号是不相关的，噪声与信号的相关系数达到最小值的时刻作为停止时间尺度。但无论哪种方法都需要事先知道噪声方差才能进行有效的估计，而实际应用中往往对噪声特征知之甚少。另外，这些方法都没有考虑图像本身的结构特征,对于不同的图像自适应性比较差，从而使得这类方法的有效性大大降低。本课题的优点是在考虑了图像特征如梯度、亮度、对比度和结构信息等的基础上，选取最优的扩散系数进行分析，该方法计算简单且能自适应于图像。同时实验结果表明该方法稳定有效。

图像去噪技术可以提高图像的视觉效果，并在模式识别和机器视觉领域的研究起到了非常重要的基础性作用。除此之外还有一种常用的方法是对一幅清晰图像直接进行去噪，这个时候，我们认为一幅清晰的图像本身也含有一定的噪声。在此次仿真实验中，我们选用第一种方法进行图像仿真实验。

（1）对人物Lenal图像进行仿真实验。在原图像上加入均值为0，方差为20的高斯白噪声，然后分别采用选取不同扩散系数的P-M模型进行降噪处理，得到如下的实验结果，对比实验结果可以看出，选取扩散系数为c(s)=1/(l+(s/k))的P-M模型能够取得了较好的降噪效果。

（2）对人物lenal图像进行仿真实验。在原始图像上加入均值为0，方差为0.1的椒盐噪声，然后分别采用选取不同扩散系数的P-M模型进行降噪处理，从实验结果中可以得出，选取扩散系数为c(s)=1/(1+(s/k))的P-M模型能够取得较好的降噪效果。