基于Matlab的图像去噪算法仿真设计
基于Matlab的图像去噪算法仿真
在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。
本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述
了四种去噪算法原理及特点；最后运用Matlab软件对一含噪图片(含高斯噪声
或椒盐噪声)进行仿真去噪，通过分析仿真结果得出：
一?均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；
二?中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；
三?维纳滤波对高斯噪声有明显的抑制作用；
四?对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。
本论文主要是从两方面展开，首先是图像去噪算法：简要说明了图像噪声的概念及分类，详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。
其次是基于Matlab的图像去噪算法仿真：根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析，运用Matlab仿真软件编写代码，对一
含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪，并对结果分析讨论，比较几种方法的优缺点。
本论文仿真时选取一彩色图片“ 2010-03-09-2.bmp ”，并在图片中加入两种噪声：高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法
进行仿真，将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。
1.1邻域平均法的仿真
本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪，并用
Matlab软件仿真。
(1)给图像加入均值为0,方差为0.02的高斯噪声，选择3X 3模板去噪
Matlab部分代码：
j=i mno ise(x,'gaussia n',0,0.02);
h=o nes(3,3);
h=h/9;
k=c onv 2(j,h);
仿真结果如图4-1所示
1U> TIB LU
图1-1邻域平均法对高斯噪声去噪的仿真结果
(2)给图像加入噪声密度为0.02的椒盐噪声，选择3X 3模板去噪
Matlab部分代码：
j=imnoise(x,'salt & pepper',0.02);
h=ones(3 3);
h=h/9;
k=c onv 2(j,h);
仿真结果如图1-2所示。
1E? 2tn 30)
图1-2邻域平均法对椒盐噪声去噪的仿真结果
从仿真结果可以看出：邻域平均法实现起来很方便，适用于消除图像中的颗粒噪声，但需要指出这种方法既平滑了图像信号，同时使图像的细节部分变得模糊。由以上处理后的图像可以看到：邻域平均法消弱了图像的边缘，使图像变得有些模糊。如图1-1所示，均值滤波对高斯噪声的抑制是比较好的，但对椒盐噪声的抑制作用不好，如图1-2所示，椒盐噪声仍然存在，只不过被削弱了而已。为了改善均值滤波细节对比度不好、区域边界模糊的缺陷，常用门限法来抑制椒盐噪声和保护细小纹理，用加权法来改善图像的边界模糊，用选择平均的自适应
技术来保持图像的边界。
1.2中值滤波的仿真
本节选用中值滤波法对含有高斯噪声和椒盐噪声的图像进行去噪，并用
Matlab软件仿真。
(1)给图像加入均值为0,方差为0.02的高斯噪声，分别选择3X 3模板、5X 5模板和7X 7模板进行去噪
Matlab部分代码：j=imno ise(l,'gaussia n',0,0.02);
x=j(：,：,1);
subplot(221);
imshow(x);
title(' 高斯噪声图片');
k仁medfilt2(x,[3 3]); k2=medfilt2(x,[5 5]);
k3=medfilt2(x,[7 7]);
仿真结果如图1-3所示。
含噪声图像
100 200 300
3X3模板中值滤波
50
100
150
200
100 200 300
5巧模板中值滤波7X7模板中值滤波
图1-3中值滤波法对高斯噪声去噪的仿真结果
(2)给图像加入噪声密度为0.02的椒盐噪声，分别选择3X 3模板、5X 5 模板和7X 7模板进行去噪
Matlab部分代码：
i=imread('2010-03-09-2.bmp');
j=imnoise(l,'salt & pepper',0.02);
x=j(：,：,1);
subplot(221);
imshow(x);
title(' 椒盐噪声图片');
k1= medfilt2(x,[3 3]);
k2=medfilt2(x,[5 5]);
k3=medfilt2(x,[7 7]);
仿真结果如图1-4所示。
从仿真结果可以看出：对图像加入椒盐噪声后，应用中值滤波，如图1-4 所示，噪声的斑点几乎全部被滤去，它对滤除图像的椒盐噪声非常有效。而对于高斯噪声来说，如图1-3所示，虽然也有一些去噪效果，但效果不佳。由此可知，中值滤波法运算简单，易于实现，而且能较好地保护边界，但有时会失掉图像中的细线和小块区域。并且采用窗口的大小对滤波效果影响很大，窗口越大，图像去噪效果越好，但代价是模糊的程度越大。
含噪声图像
100
150
200
100 200 300
3X3模板中值滤波
100
150
200
100 200 300
5X5模板中值滤波7X7模板中值滤波
图1-4中值滤波法对椒盐噪声去噪的仿真结果
1.3
维纳滤波的仿真
选用维纳滤波法对含有高斯噪声和椒盐噪声的图像进行去噪，并用Matlab 软件仿真。
(1)给图像加入均值为0,方差为0.02的高斯噪声，选择3X 3模板去噪
Matlab部分代码：
i=imread('2010-03-09-2.bmp'); j=im no ise(l,'gaussia n',0,0.02); x=j(：,：,1);
k=wie ner2(x);
仿真结果如图1-5所示。
图1-5维纳滤波法对高斯噪声去噪的仿真结果
(2)给图像加入噪声密度为0.02的椒盐噪声，选择3X 3模板去噪
Matlab部分代码:
j=imnoise(I,'salt & pepper',0.02);
x=j(:,:,1);
k=wie ner2(x);
仿真结果如图1-6所示。
加噪图像去噪图像
加噪图像去噪图像
图1-6维纳滤波法对椒盐噪声去噪的仿真结果
从仿真结果可以看出：维纳滤波对高斯白噪声的图像滤波与邻域平均法比较，滤波效果好，它比线性滤波器具有更好的选择性，可以更好地保存图像的边缘和高频细节信息。虽然，维纳滤波在大多数情况下都可以获得满意的结果，尤其对含有高斯噪声的图像。另外维纳滤波对于椒盐噪声去除效果却不尽人意，几乎没有效果。它不能用于噪声为非平稳的随机过程的情况，对于向量情况应用不方便。因此，维纳滤波在实际问题中应用不多。
1.4 基于模糊小波变换法的仿真
选用模糊小波变换法对含有高斯噪声和椒盐噪声的图像进行去噪，并用
Matlab 软件仿真。
(1)给图像加入均值为0，方差为0.02 的高斯噪声，用小波函数coif2 对图象进行2层分解，选择3X 3模板去噪
Matlab 部分代码：
function y=zishiying(x)
x11=medfilt2(x,[3 3]);
x12=double(x11);
[a,b]=size(x12);
[c,s]=wavedec2(x12,3,'coif2');
n=[1,2,3];
p4=0.02*(sqrt(2*log(a*b)));
size(detcoef2('h',c,s,1));
size(detcoef2('v',c,s,1));
size(detcoef2('d',c,s,1));
p1(1)=detcoef2('h',c,s,1);
p2(1)=detcoef2('v',c,s,1);
p3(1)=detcoef2('d',c,s,1);
p1(2)=detcoef2('h',c,s,2);
p2(2)=detcoef2('v',c,s,2);
p3(2)=detcoef2('d',c,,s,2);
for i=1:1:2
p1(i)=1/((p1(i)-p4F2+1);
if p1(i)>=p4
p1(i)=sign(p1(i))*(abs(p1(i))-p1(i)*p4);
else
p1(i)=0;
200
图1-8模糊小波变换法对椒盐噪声去噪的仿真结果 end
if p2(i)>=p4
p2(i)=sig n(p2(i))*(abs(p2(i))-p2(i)*p4); else p2(i)=0;
end
if p3(i)>=p4
p3(i)=sig n(p3(i))*(abs(p3(i))-p3(i)*p4); else
p3(i)=0;
end
end
仿真结果如图1-7所示
图1-7模糊小波变换法对高斯噪声去噪的仿真结果 (2)给图像加入噪声密度为0.02 的椒盐噪声，选择3X3模板去噪 仿真结果如图4-8所示
含噪声图像 消除噪声后的图像
50
100
150
200
100 200 300 50
100
150 含噪声图像 100 200 300 消除噪声后的图像 50 100 150
200
100 200 300