图像图片如何测量噪音

① 如何判断图像中的噪声类型

利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。

常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。

在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。

利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。

计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本，外推未知区域类别的方法;非监督分类是一种无先验(已知)类别标准的分类方法。对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。

与监督分类相比，非监督分类具有下列优点:不需要对被研究的地区有事先的了解，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。

细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑、格、垅、栅。在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。纹理反映的是亮度(灰度)的空间变化情况，有三个主要标志:某种局部的序列性在比该序列更大的区域内不断重复;序列由基本部分非随机排列组成;各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理(如人工纹理)，后者呈随机性纹理(或自然纹理)。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。

相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的Fourier频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。目前用得比较多的方法包括:共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。

图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响;另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。

图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。

图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。

阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别(对比)的景物分割十分有效。实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。

当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。

为了获得图像的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge,
LoG。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。

对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。

区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域(如小邻域或甚至于每个象素)开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。

基于像素级别的信息提取以单个像素为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度，而面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高精度的分类结果。面向对象的遥感影像分析技术进行影像的分类和信息提取的方法如下:

首先对图像数据进行影像分割，从二维化了的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。

然后采用决策支持的模糊分类算法，并不简单地将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，便于用户根据实际情况进行调整，同时，也可以按照最大概率产生确定分类结果。在建立专家决策支持系统时，建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。其中，光谱特征包括均值、方差、灰度比值;形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性，位置，对于线状地物包括线长、线宽、线长宽比、曲率、曲率与长度之比等，对于面状地物包括面积、周长、紧凑度、多边形边数、各边长度的方差、各边的平均长度、最长边的长度;纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。通过定义多种特征并指定不同权重，建立分类标准，然后对影像分类。分类时先在大尺度上分出"父类"，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出"子类"。

② 图片所谓的噪音指的是什么

数码相机的相片才有“噪声”，全称是“热噪声”。
是一些由红、绿、蓝三色组成的不规则且无规律的细小斑点，是一种感光元件在感光后紧接着的采集信息时因工作温度高而产生的“误码”。

③ 如何用MATLAB确定图像上的噪声种类

使用imnoise函数 X=imread('D:\matlab7.1\toolbox\images\imdemos\greens.jpg'); Y=imnoise(X,'gaussian');%%默认均值为0，方差为0.01 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% A double-class image must have values between zero and one，这个问题是你的图像是double型，但是你的图像的数值不是0-1之间，给他除以255即可！

④ 图像噪声的关于噪声

显示系统的电子噪声会引起显示点亮度与位置两方面的变化。
（1）幅值噪声
亮度通道的随机噪声会产生一种“胡椒加盐”效果(即黑白噪声点)，在平坦区域中尤其明显可见。前面提到的经验法则指出有效量化级粗略地等于 RMS噪声幅值。如果噪声是周期性的并且有足够的强度，它会在被显示图像上产生一个叠加的鱼骨形图案。
如果噪声是周期性的并且与水平或垂直偏转信号同步，它会产生条状图案。如果所有噪声（包括随机的和周期性的）幅值都低于一个灰度级，那么总的显示效果还是可以的。不过在许多系统中，情况比这要差得多。
（2）点位置噪声
一种严重的影响来自偏转电路，即点显示间距的不均匀。除非极其严重，显示位置噪声不会给图像带来可察觉的几何畸变。然而，点相互影响与位置噪声的组合会产生相当大的幅值变化。因为点相互影响效应放大了位置噪声，要得到好的显示必须精确控制像素的位置。
亮点重叠对区域平坦性的影响
上图中点间距的变化会使平坦区域中像素中心点及对角线中点的亮度发生相当大的变化。作为一个例子 ，设想一个1000*1000像素的显示器具有两倍于点半径的点间距。从图2-3-1可看出，当点间距从1.9R变到2.1R时，对角线中点的亮度约从0.87增加到1.16，即发生29%的变化。然而，0.2 R 点间距变化仅是全程偏移的 0.01% 。因此偏移电路中一个0.01%峰一峰值噪声会使对角线中点的幅值产生29%的变化。像素中心和像素中点的幅值也会受到影响，只是程度较轻。当点间距小于2R时，位置噪声的影响将更明显。
（3）感光片颗粒噪声
感光片的感光乳剂由悬浮在胶体中的卤化银颗粒组成、曝光是一个二值过程，每个颗粒要么完全曝光，要么完全不曝光。在显影时，曝光颗粒还原成的不透明纯银颗粒被保留，而未曝光的颗粒则被冲洗掉、这样，底片的密度变化就由银颗粒的密集程度变化所决定 、在显微镜下 检查可发现，照片上光滑细致的影调在微观上其实呈现一个随机的颗粒性质。此外颗粒本身大小的不同以及每一颗粒曝光所需光子数目的不同，都会引入随机性。这些因素的外观表现称为颗粒性。
对于多数应用，颗粒噪声可用高斯过程（白噪声）作为有效模型。与光电噪声类似，其内在分布为泊松分布。由于制造商会公布其生产的各种胶卷的平均颗粒直径，因此只需确定颗粒噪声的标准差（作为颗粒大小和局部图像密度的函数）。

⑤ 图像传感器sensor的噪声分析

图像传感器的“噪声”可以被定义为所有使图像信号恶化的波动，换言之，噪声会使成像质量恶化。

噪声主要可以分成两类：固态噪声和随机噪声(也称为暂态噪声)。固定噪声简单理解为图像中空间上固定位置的噪声，随机噪声为图像空间上会随时间变化而随机变化的噪声。

固态噪声的主要来源是暗电流的均匀性。暗电流是在图像传感器无光照的情况下观测到的电流，是一种非理想因素，最终暗电流会导致像素内的电荷积累，而不均匀的暗电流形成的电荷积累不一致。下图为暗电流产生的原理。

CMOS图像传感器的固态噪声还和放大器的不一致性相关，这种不一致也是非理想因素。

随机噪声(暂态噪声)是信号随时间变化的随机起伏。主要有热噪声、散粒噪声、闪烁噪声。

热噪声 由于电阻中电子的热(随机)运动，造成了电荷电势的起伏，栅极电压波动，从而形成热噪声。热噪声也称为“白噪声”。

散粒噪声 在电流流过势垒(PN结)时产生，在CCD和CMOS图像传感器中，散粒噪声与入射光子和暗电流有关，其服从泊松分布。

闪烁噪声(1/f噪声) ，也是低频噪声或电流噪声，其大小与频率成一定比例。提高工作频率可以减小低频噪声，但由于输出图像帧频限制，元器件的工作频率不可能很高，因此低频噪声是不可避免的。

随机噪声还包括图像传感器的数据读出噪声，也称为本底噪声。区别于上述噪声，读出噪声是指读出电路产生的噪声，不包括探测器产生的噪声。

⑥ 噪音扰民如何测量鉴定

一、噪音扰民如何测量鉴定
1、噪音扰民测量鉴定方法如下：
（1）必须超过国家规定的环境唤声排放标准，若没有超过该标准则不构成“环境噪声污染”，公民权利即使受到这样的环境噪声侵害也不受该法保障；
（2）对干扰他人的正常生活、工作和学习，若超过国家规定的环境噪声排放标准，但没有影响他人的正常生活、工作和学习的，也不属于“环境噪声污染”。
2、法律依据：《环境噪声污染防治法》第二条第二款
本法所称环境噪声污染，是指所产生的环境噪声超过国家规定的环境噪声排放标准，并干扰他人正常生活、工作和学习的现象。
二、噪音扰民处罚标准是什么
1、违反关于社会生活噪声污染防治的法律规定，制造噪声干扰他人正常生活的，处警告；警告后不改正的，处二百元以上五百元以下罚款；
2、疗养区、高级别墅区、高级宾馆区，昼间50分贝、夜间40分贝。2、以居住、文教机关为主的区域，昼间55分贝、夜间45分贝；
3、居住、商业、工业混杂区，昼间60分贝、夜间50分贝；
4、工业区，昼间65分贝、夜间55分贝；
5、城市中的道路交通干线道路、内河航道、铁路主、次干线两侧区域，昼间70分贝、夜间55分贝，（夜间指22点到次日晨6点）。

⑦ 图像处理中噪声点是指什么

• 图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，因而描述噪声的方法完全可以借用随过程的描述，即用其概率分布函数和概率密度分布函数。

• 按概率密度函数（PDF）图像噪声的分类 ：

1. 高斯噪声：在空间域和频域中，由于高斯噪声(也称为正态噪声)在数学上的易处理性，这种噪声模型经常被用于实践中。

2. 瑞利噪声：瑞利密度对于近似偏移的直方图十分适用。

3. 伽马(爱尔兰)噪声。

4. 指数分布噪声 。

5. 均匀分布噪声。

6. 脉冲噪声(椒盐噪声)：双极脉冲噪声也称为椒盐噪声，有时也称为散粒和尖峰噪声。