崔亚琳，李 鑫，李一君

(山西省计量科学研究院,山西 太原 030032)

传统计量仪器仪表数据采集存在效率低等问题，因此利用机器视觉技术自动化数据采集，自动校正已经成为了一个非常有应用前景的课题。随着目标识别，深度学习技术的高速发展以及机器视觉[1,2]应用的普及，人们对数据自动化提取的要求越来越高，同时对图像有效数据提取的技术要求也越来越高。图像在形成、传输，接收和处理的过程中，不可避免地受到噪声损害。噪声污染恶化了图像质量，使图像特征淹没，给后继分析带来困难。因此图像处理的过程中降噪成为必不可少的一种预处理。

在平时图像处理有很多常规方法，如：均值滤波、中值滤波、维纳滤波[3]，以及以常规方法为基础，衍生出来降噪滤波器，如：自适应均值滤波器、模糊滤波器、基于边缘特征的滤波器、基于偏微分方程的图像降噪等，不同的滤波方法都可以在一定程度上滤除一些图像中存在的噪声。

1 噪声类型

常见的图像噪声模型有：高斯噪声、椒盐噪声和量化噪声等。在进行图像降噪前应先分析图像中的实噪声分布的特性，才能更好地选取滤波器。

1.1 高斯噪声

高斯分布的一般形式为：

(1)

复高斯噪声的幅度，一般表现为瑞利分布。其概率密度函数为：

1.2 椒盐噪声

椒盐噪声的特点就像脉冲一样，表现在图像上就是图像上随机出现的黑白点。常由于传输过程中的干扰导致：

(3)

这里α+β+γ=1。这个表达式是对受椒盐噪声污染后的图像以概率进行统计描述。……