圖像圖片如何測量噪音

① 如何判斷圖像中的雜訊類型

利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同一波段、同一地物在不同波段都具有不同的波譜特徵，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特徵，後來發展為結合光譜特徵、紋理特徵、形狀特徵、空間關系特徵等綜合因素的計算機信息提取。

常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特徵之間的對應關系並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類一般是基於地物光譜特徵、地物形狀特徵、空間關系特徵等方面特徵，目前大多數研究還是基於地物光譜特徵。

在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特徵或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。

利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特徵的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標志是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標志尚未充分利用。

計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標准，然後計算機將按同樣的標准對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法;非監督分類是一種無先驗(已知)類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標准，而是利用圖像數據本身能在特徵測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。

與監督分類相比，非監督分類具有下列優點:不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。

細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壠、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特徵識別地物。紋理反映的是亮度(灰度)的空間變化情況，有三個主要標志:某種局部的序列性在比該序列更大的區域內不斷重復;序列由基本部分非隨機排列組成;各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理(如人工紋理)，後者呈隨機性紋理(或自然紋理)。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特徵來表徵。

相應的眾多紋理特徵提取演算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常採用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般採用統計法紋理分析。目前用得比較多的方法包括:共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特徵。

圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。

圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特徵測量有重要的影響;另一方面，因為圖像分割及其基於分割的目標表達、特徵抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。

圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。

圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。

閾值是在分割時作為區分物體與背景象素的門限，大於或等於閾值的象素屬於物體，而其它屬於背景。這種方法對於在物體與背景之間存在明顯差別(對比)的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

當物體與背景有明顯對比度時，物體的邊界處於圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到雜訊的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再採用邊界搜索跟蹤演算法來實現。

為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge,
LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除雜訊點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。

對於圖像中某些符合參數模型的主導特徵，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特徵。

區域增長方法是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域(如小鄰域或甚至於每個象素)開始，將相鄰的具有同樣性質的象素或其它區域歸並到目前的區域中從而逐步增長區域，直至沒有可以歸並的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。

區域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是一種迭代的方法，空間和時間開銷都比較大。

基於像素級別的信息提取以單個像素為單位,過於著眼於局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重製約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統計特徵、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。面向對象的遙感影像分析技術進行影像的分類和信息提取的方法如下:

首先對圖像數據進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再是單個的像素，而是一個個對象，後續的影像分析和處理也都基於對象進行。

然後採用決策支持的模糊分類演算法，並不簡單地將每個對象簡單地分到某一類，而是給出每個對象隸屬於某一類的概率，便於用戶根據實際情況進行調整，同時，也可以按照最大概率產生確定分類結果。在建立專家決策支持系統時，建立不同尺度的分類層次，在每一層次上分別定義對象的光譜特徵、形狀特徵、紋理特徵和相鄰關系特徵。其中，光譜特徵包括均值、方差、灰度比值;形狀特徵包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱性，位置，對於線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等，對於面狀地物包括面積、周長、緊湊度、多邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度;紋理特徵包括對象方差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特徵並指定不同權重，建立分類標准，然後對影像分類。分類時先在大尺度上分出"父類"，再根據實際需要對感興趣的地物在小尺度上定義特徵，分出"子類"。

② 圖片所謂的噪音指的是什麼

數碼相機的相片才有「雜訊」，全稱是「熱雜訊」。
是一些由紅、綠、藍三色組成的不規則且無規律的細小斑點，是一種感光元件在感光後緊接著的採集信息時因工作溫度高而產生的「誤碼」。

③ 如何用MATLAB確定圖像上的雜訊種類

使用imnoise函數 X=imread('D:\matlab7.1\toolbox\images\imdemos\greens.jpg'); Y=imnoise(X,'gaussian');%%默認均值為0，方差為0.01 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% A double-class image must have values between zero and one，這個問題是你的圖像是double型，但是你的圖像的數值不是0-1之間，給他除以255即可！

④ 圖像雜訊的關於雜訊

顯示系統的電子雜訊會引起顯示點亮度與位置兩方面的變化。
（1）幅值雜訊
亮度通道的隨機雜訊會產生一種「胡椒加鹽」效果(即黑白雜訊點)，在平坦區域中尤其明顯可見。前面提到的經驗法則指出有效量化級粗略地等於 RMS雜訊幅值。如果雜訊是周期性的並且有足夠的強度，它會在被顯示圖像上產生一個疊加的魚骨形圖案。
如果雜訊是周期性的並且與水平或垂直偏轉信號同步，它會產生條狀圖案。如果所有雜訊（包括隨機的和周期性的）幅值都低於一個灰度級，那麼總的顯示效果還是可以的。不過在許多系統中，情況比這要差得多。
（2）點位置雜訊
一種嚴重的影響來自偏轉電路，即點顯示間距的不均勻。除非極其嚴重，顯示位置雜訊不會給圖像帶來可察覺的幾何畸變。然而，點相互影響與位置雜訊的組合會產生相當大的幅值變化。因為點相互影響效應放大了位置雜訊，要得到好的顯示必須精確控制像素的位置。
亮點重疊對區域平坦性的影響
上圖中點間距的變化會使平坦區域中像素中心點及對角線中點的亮度發生相當大的變化。作為一個例子 ，設想一個1000*1000像素的顯示器具有兩倍於點半徑的點間距。從圖2-3-1可看出，當點間距從1.9R變到2.1R時，對角線中點的亮度約從0.87增加到1.16，即發生29%的變化。然而，0.2 R 點間距變化僅是全程偏移的 0.01% 。因此偏移電路中一個0.01%峰一峰值雜訊會使對角線中點的幅值產生29%的變化。像素中心和像素中點的幅值也會受到影響，只是程度較輕。當點間距小於2R時，位置雜訊的影響將更明顯。
（3）感光片顆粒雜訊
感光片的感光乳劑由懸浮在膠體中的鹵化銀顆粒組成、曝光是一個二值過程，每個顆粒要麼完全曝光，要麼完全不曝光。在顯影時，曝光顆粒還原成的不透明純銀顆粒被保留，而未曝光的顆粒則被沖洗掉、這樣，底片的密度變化就由銀顆粒的密集程度變化所決定 、在顯微鏡下 檢查可發現，照片上光滑細致的影調在微觀上其實呈現一個隨機的顆粒性質。此外顆粒本身大小的不同以及每一顆粒曝光所需光子數目的不同，都會引入隨機性。這些因素的外觀表現稱為顆粒性。
對於多數應用，顆粒雜訊可用高斯過程（白雜訊）作為有效模型。與光電雜訊類似，其內在分布為泊松分布。由於製造商會公布其生產的各種膠卷的平均顆粒直徑，因此只需確定顆粒雜訊的標准差（作為顆粒大小和局部圖像密度的函數）。

⑤ 圖像感測器sensor的雜訊分析

圖像感測器的「雜訊」可以被定義為所有使圖像信號惡化的波動，換言之，雜訊會使成像質量惡化。

雜訊主要可以分成兩類：固態雜訊和隨機雜訊(也稱為暫態雜訊)。固定雜訊簡單理解為圖像中空間上固定位置的雜訊，隨機雜訊為圖像空間上會隨時間變化而隨機變化的雜訊。

固態雜訊的主要來源是暗電流的均勻性。暗電流是在圖像感測器無光照的情況下觀測到的電流，是一種非理想因素，最終暗電流會導致像素內的電荷積累，而不均勻的暗電流形成的電荷積累不一致。下圖為暗電流產生的原理。

CMOS圖像感測器的固態雜訊還和放大器的不一致性相關，這種不一致也是非理想因素。

隨機雜訊(暫態雜訊)是信號隨時間變化的隨機起伏。主要有熱雜訊、散粒雜訊、閃爍雜訊。

熱雜訊 由於電阻中電子的熱(隨機)運動，造成了電荷電勢的起伏，柵極電壓波動，從而形成熱雜訊。熱雜訊也稱為「白雜訊」。

散粒雜訊 在電流流過勢壘(PN結)時產生，在CCD和CMOS圖像感測器中，散粒雜訊與入射光子和暗電流有關，其服從泊松分布。

閃爍雜訊(1/f雜訊) ，也是低頻雜訊或電流雜訊，其大小與頻率成一定比例。提高工作頻率可以減小低頻雜訊，但由於輸出圖像幀頻限制，元器件的工作頻率不可能很高，因此低頻雜訊是不可避免的。

隨機雜訊還包括圖像感測器的數據讀出雜訊，也稱為本底雜訊。區別於上述雜訊，讀出雜訊是指讀出電路產生的雜訊，不包括探測器產生的雜訊。

⑥ 噪音擾民如何測量鑒定

一、噪音擾民如何測量鑒定
1、噪音擾民測量鑒定方法如下：
（1）必須超過國家規定的環境喚聲排放標准，若沒有超過該標准則不構成「環境雜訊污染」，公民權利即使受到這樣的環境雜訊侵害也不受該法保障；
（2）對干擾他人的正常生活、工作和學習，若超過國家規定的環境雜訊排放標准，但沒有影響他人的正常生活、工作和學習的，也不屬於「環境雜訊污染」。
2、法律依據：《環境雜訊污染防治法》第二條第二款
本法所稱環境雜訊污染，是指所產生的環境雜訊超過國家規定的環境雜訊排放標准，並干擾他人正常生活、工作和學習的現象。
二、噪音擾民處罰標準是什麼
1、違反關於社會生活雜訊污染防治的法律規定，製造雜訊干擾他人正常生活的，處警告；警告後不改正的，處二百元以上五百元以下罰款；
2、療養區、高級別墅區、高級賓館區，晝間50分貝、夜間40分貝。2、以居住、文教機關為主的區域，晝間55分貝、夜間45分貝；
3、居住、商業、工業混雜區，晝間60分貝、夜間50分貝；
4、工業區，晝間65分貝、夜間55分貝；
5、城市中的道路交通干線道路、內河航道、鐵路主、次干線兩側區域，晝間70分貝、夜間55分貝，（夜間指22點到次日晨6點）。

⑦ 圖像處理中雜訊點是指什麼

• 圖像雜訊是圖像在攝取或傳輸時所受的隨機信號干擾，是圖像中各種妨礙人們對其信息接受的因素。很多時候將圖像雜訊看成是多維隨機過程，因而描述雜訊的方法完全可以借用隨過程的描述，即用其概率分布函數和概率密度分布函數。

• 按概率密度函數（PDF）圖像雜訊的分類 ：

1. 高斯雜訊：在空間域和頻域中，由於高斯雜訊(也稱為正態雜訊)在數學上的易處理性，這種雜訊模型經常被用於實踐中。

2. 瑞利雜訊：瑞利密度對於近似偏移的直方圖十分適用。

3. 伽馬(愛爾蘭)雜訊。

4. 指數分布雜訊 。

5. 均勻分布雜訊。

6. 脈沖雜訊(椒鹽雜訊)：雙極脈沖雜訊也稱為椒鹽雜訊，有時也稱為散粒和尖峰雜訊。