由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。

噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。

20世纪末Astola等人提出了矢量中值滤波器，该滤波算法利用欧氏距离来度量矢量之间的模，能够有效地去除像素值相差很大的噪声，但对于邻域像素较接近的图像去噪效果不佳。Trahanias和Karakos先后提出了矢量方向滤波器和方向距离滤波器，进一步对矢量中值滤波器的性能做了优化，但因无法识别噪声像素使边缘细节区域受损。2002年，Smolka与Lukac先后提出了改进的中心加权矢量中值滤波算法和自适应中心加权方向滤波算法，可去除大部分噪声，但是对整体像素值算术加权，没有考虑局部差异性，导致图像被过度平滑，边缘模糊。2005年，Mieng Q.H等人在矢量中值滤波器的基础上提出矢量均值滤波器，可进行局部分割，选择向量进行图像重建，提升了图像的去噪效果。2008年，Morillas采用迭代理论，提出了一种改进对等组的滤波算法，该算法通过逐次迭代判断像素是否为噪声点从而实现去噪，但时间复杂度较高。2009年，金良海等人利用矢量处于“中间”状态的隶属度来确定中值矢量提出了基于模糊逻辑的脉冲噪声检测滤波算法，该算法可降低计算量，但其只针对脉冲噪声，不具有普适性。2014年，李高西等人以粗集理论对噪声做初步检测，结合视觉灵敏度对噪声点做进一步检测，提出了基于视觉灵敏度及粗集的滤波算法，但仍存在误检现象。2015年，王定成等人利用四元数的特性提出了基于四元数的非局部均值滤波器，可对混合噪声分别进行去噪，但对混合噪声的检测存在偏差。

彩色图像矢量滤波法对滤波器的要求较高，通常提升彩色图像的去噪效果以设置性能较好的滤波器为代价，其设置比较复杂，且在普适性方面有所欠缺。因此，基于标量的彩色图像去噪算法研究引起大家的关注。

2006年，Kim Seongjai提出了基于偏微分方程的彩色图像去噪该算法对混合噪声的去噪有不错的效果，但建立RGB颜色空间下的偏微分方程比较复杂。2010年，Dong Tailiang 将高斯混合尺度模型应用于彩色图像去噪以多元图像系数模型作为高斯混合模型，巧妙地应用了RGB通道相关性。2012年，张云强等人将曲波变换域与色度模型相结合提出了一种彩色图像去噪算法，该算法将RGB图像转换为HIS图像，通过搜索色度中值去除H、S分量中的噪声，以Bayes多阈值对I分量噪声进行消除，与RGB颜色空间相比降低了各通道相关性，使去噪效果有所提升，但色度分量间依然存在一定的相关性。同年，蔡建超等人分析了彩色图像中邻近像素点与各颜色通道之间的关系，提出了一步异相关与最相关矢量的彩色图像滤波方法，该算法考虑了通道相关性，利用一步异相关法检测各层噪声，应用最相关矢量中值予以补值，最终实现彩色图像的滤波。2013年，郭全占等人利用通道相似度估计各通道分量的权重，提出基于非局部均值的彩色图像去噪该算法也考虑到三通道之间的相关性。2014年，贾迪等人考虑到RGB通道间的相关性，提出了基于梯度矢量扩散控制的彩色图像去噪算法，该算法给出了RGB空间下的PM方程，分解该模型去除法向扩散，并结合控制扩散矩阵改进边缘停止函数，以获得更好的矢量扩散控制，提升去噪效果，但ＰＭ方程的建立较复杂。2015年，Lukin V等人对彩色图像去噪进行了详细的分析，表明RGB三个通道间的相关性影响彩色图像的去噪效果。2016年，刘晓曼等人提出了基于分块K-SVD字典学习的彩色图像去噪算法，分别对彩色图像三通道的灰度图像训练冗余字典，以训练所得的字典对各通道图像进行去噪重建，避开了研宄矢量滤波器的复杂性，从标量角度研宄去噪，但训练过程耗时。同年，周千等人将分数阶偏微分理论和CB模型相结合实现去除彩色图像混合噪声，该方法将图像转化为CB模型分别处理各个通道分量，最后将处理后的分量合成为新的彩色图像，该算法将彩色图像直接分解为亮度分量和色度分量，避免了三通道的相关性。

综上所述，基于标量的彩色图像去噪算法取得了许多进展，但仍然存在值得改进的方面。本文针对彩色图像去噪中通道相关性较大的问题，拟从降低通道相关性着手，构造通道相关性较低的颜色空间，进一步提高彩色图像的去噪效果。

2. 研究的基本内容与方案

本次毕设需要学习和研究数字图像处理、数字视频处理原理和方法。重点研究彩色图像去噪算法，在VC 或Matlab或Python环境下实现，并对结果进行比较分析。目标是能够在VC 或Matlab或Python环境下实现彩色图像的去噪处理。

拟采用的技术方案及措施基本如下：

（1）针对现有频域图像去噪算法对含有大量噪声的图像去噪效果不佳的问题，提出一种改进正态逆高斯分布（Normal InverseGausssian，NIG）模型的图像去噪算法。该算法以最优线性插值阐值函数改进NIG（ImproveNormal InverseGausssian，INIG）作为系数的先验模型，对图像分解的重拖尾系数进行准确估计，以提升图像的去噪效果。实验仿真表明，对于噪声方差较大的图像，该模型能够准确估计系数分布，利用Bayes后验概率可更好地重构原图像，获得了更好的去噪效果。

（2）针对多通道彩色图像去噪中，传统颜色空间通道之间的互相关性引起的彩色图像存在色差的问题，提出一种基于频域分解系数的颜色空间建模方法。该方法以频域分解系数为原始数据，利用主成分分析法（PrincipalComponetAnalysis，PCA）拟合主方向和两个次主方向，确定三维颜色空间的方向向量。因为不同的含噪图像频域分解系数不同，因此，本文所构造的颜色空间具有自适应性。在该颜色空间下进行图像去噪可提升彩色图像的去噪效果。