当前位置：文档库 › 基于Matlab的图像去噪算法的研究与实现

基于Matlab的图像去噪算法的研究与实现

胡鹏1，徐会艳2

(1、淮安信息职业技术学院江苏淮安223003 2.淮阴师范学院江苏淮安223300)

【摘要】：简要介绍了Matlab软件，以及中值滤波和小波变换等图像去噪方法，并用这些方法对指尖图像进行去噪，根据实验结果比较了各去噪方法的优劣。

【关键词】：图像;去噪;matlab

1、引言

20世纪20年代，图像处理首次得到应用。上个世纪60年代中期，随着计算机科学的发展和计算机的普及图像处理得到广泛的应用。60年代末，图像处理技术不断完善，逐渐成为一个新兴的学科。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。

光学相干层析成像(OCT)是近些年来发展较快的一种层析成像技术。因为其对生物组织无辐射损伤、具有微米级的分辨率、高探测灵敏度和越来越快的扫描速率等优点,在医学诊断病变组织方面，尤其是对生物组织活体检测具有诱人的应用前景。因此其成像的质量就显得尤为重要，然而实际图像在采集、获取以及传输的过程中，会受到噪声的污染，成为影响视觉观察的含噪图像。由于噪声干扰的存在，这些生理信号可能失真，甚至面目全非，这给医学诊断带来了难度。因此，就必须对含噪图像进行处理，改善图像质量，最大程度上显现信号本身的特点。

为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。经典去噪方法有：空间域合成法、频域合成法和最优线性合成法[1-5]等，与之相适应的出现了许多应用方法，如均值滤波器、中值滤波器[6,7]、低通滤波器、维纳滤波器、最小失真法[8]等。这些方法广泛应用，促进数字信号处理的极大发展，显著提高了图像质量。近年来，小波变换去除噪声的方法得到广泛的应用，与传统的去噪方法相比，它利用的是非线性域值，在时间域和频率域同时具有良好的局部化性质,而且时窗和频窗的宽度可以调节,对高频成分采用逐渐精细的时域或空域取样步长,从而可以聚焦到对象的任意细节。因此可以提高散斑高散射特性的噪声对比度，很好的消除散斑噪声。小波变换去除噪声的方法在不断地发展，去噪方法很多，如：Mallat 算法强制去噪、非线性小波变换阈值法去噪、小波变换模极大值去噪及基于小波变换域的尺度相关性去噪法等。

2、相关知识

2.1中值滤波

在图像滤波中，常用的方法是线性滤波技术和非线性滤波技术。线性滤波以其完美的理论基础、数学处理简单、易于采用FFT和硬件实现等优点，一直在图像滤波领域中占有重要的地位。线性滤波对加性高斯噪声有较好的平滑作用，但对脉冲信号和其它形式的高频分量抑制效果较差，且模糊信号边缘。而在本系统中，已经将信号调制到高频频段，因此去除高频噪声尤为重要。

非线性滤波是基于对输入信号序列的一种非线性投影关系，常把某一特定的噪声近似为零而保留信号的重要特征，一定程度上克服线性滤波器的不足。非线性滤波早期运用较多的是中值滤波器，其应用于多维信号处理时，对窄脉冲信号具有良好的抑制能力，但中值滤波器对中拖尾（如均匀分布噪声）和短拖尾分布噪声（如高斯噪声）时，滤波性能较差，且拖尾越短，其滤波能力越差。中值滤波是一种典型的低通滤波器[9,10]，属于非线性滤波技术，它的目的是保护图像边缘的同时去除噪声。所谓中值滤波，是指把以某点(x,y)为中心的小窗口内的所有象素的灰度按从大到小的顺序排列，若窗口中的象素为奇数个，则将中间值作为(x,y)处的灰度值，若窗口中的象素为偶数个，则取两个中间值的平均值作为(x,y)处的灰度值。中值滤波对去除椒盐噪声很有效。中值滤波器的缺点是对所有象素点采用一致的处理，在滤除噪声的同时有可能改变真正象素点的值，引入误差，损坏图像的边缘和细节，该算法对高斯噪声和均匀分布噪声就束手无策。

2.2小波变换

在早期的多尺度信号处理工作中，人们已经注意到信号与噪声在不同尺度有着不同的表现，并试图有效地利用这些特征，小波变换的出现为这一思想提供了自然而完美的工具，随着小波理论的成熟和完善,使信号与图像的多尺度处理技术得到了迅速发展。尤其是在图像去噪方面产生了许多简单有效的算法。

传统的信号分析方法[11-12]是傅立叶（Fourier）分析，但它不能把时域分析和频域分析结合起来，缺乏信号的局部化分析能力。短时傅立叶变换虽然具有局部化分析能力，但是一旦窗函数选定以后，其分辨率是一定的，比较适合分析平稳信号，而不适合分析非平稳信号。小波分析是在传统傅立叶分析和短时傅立叶分析的基础上产生的，不但具有局部化时频分析能力，而且时间分辨率和频率分辨率均可以调整，非常适合分析非平稳信号，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被誉为数学显微镜。正是这种特性，使小波变换具有对信号的自适应性。

2.3Matlab图像处理

Matlab是一种面向科学与工程计算的高级语言，它比For-tran、C等语言更接近书写计算公式的思维方式，并允许用数学形式的语言来编程。Matlab语法简单，编程效率高，易学易懂。

Matlab是MathWorks公司所有产品的数值分析和图形基础环境[13]。它将2维和3维图形以及Matlab语言编程集成到一个单一的、易学易用的环境中，是一个很好的图像处理工具。

本文使用Matlab7.0对指尖图像进行去噪处理。并已在系统中将信号调制到高频，以降低低频和直流噪声的干扰。

3、实验结果与分析

图1

指尖图像去噪结果

（下转第131页）

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!（上接第129页）

实验分别采用中值滤波、低通滤波、小波变换等对人体的指尖图像进行去噪处理，并比较这些方法在OCT图像中去噪和平滑的效果。实验结果如图1所示。

通过比较，可以看出中值滤波对于本实验图像处理效果不好；低通滤波使得图像对比度明显增强，但图像细节提取没有二维离散小波变换效果明显。通过对实验结果的分析，本系统的实验图像处理应用小波变换优于其他去噪方法。

4、结束语

本文使用Matlab软件，采用中值滤波、低通滤波、小波变换等对人体的指尖图像进行去噪处理，并比较了它们在图像去噪中的应用效果。通过分析得知利用小波变换对图像进行去噪在本实验中效果最佳。

参考文献：

1.Tearney G J,Boppart S A,et al.Scanning single2-mode fiber roptic catheterendoscope for optical coherence tomography.Opt Lett,1996,21(7) 543～545

2.Jianyu L,Jiqi C,Cameronb B D.Low sidelobe limited diffraction optical coherence tomography.Proceedings of SPIE,2002,4619:300～311

3.Schmitt J M,Xiang S H,Yung K M.Speckle in opticalcoherence tomogra-phy.Biomed Opt,1999,4:95～105

4.Michael P,Erich G,Rainer L,et al.Speckle Reduction in Optical Coher-ence Tomography by Frequency Compounding.Bio2Photonics,2003

5.Hitzenberger C K,Baumgartner A,Fercher A F.Dispersion induced multi-ple signal peak splitting in partial coherence interferomet ry.Optics Com-munications,1998,154:179～185

6.韩晓微,等.一种基于脉冲噪声检测的图像均值滤波方法[J].计算机工程与应用,2004,40(27):102-104

7.Vladimir Crnojevic,Vojin Senk,Zeljen Trpovski.Advanced impulsedetec-tion based on pixel-wise MAD[J].IEEE Signal ProcessingLetter,2004,11(7): 589-592

8.Kai Y,Ji L,Lei W,et al.How to optimize OCT image.Optics Express, 2001,9(1):24～35

9.ENG H L,MAK K.Noise adaptive soft-swithing median filter[J].IEEE Trans on Signal Proc,1997,45(11):2774-2786

10.张宏科,阮秋琦,袁宗保.广义中值滤波理论及性质的研究.通信学报, 1996，17(2):81-85

11.S.Mallat.A Wavelet Tour of Signal Processing,杨力华等译,北京:机械工业出版社,2003

12.孙延奎,小波分析及其有用,北京:机械工业出版社，2005

13.张德丰等.MATLAB数字图像处理[M].北京：机械工业出版社，2009.

在考试结束时，学生自己通过"操作题试卷提交"程序提交试卷,其界面如图2所示，输入自己的学号和姓名及要上传的打包文件，为了学生输入上的方便，当选择学号将自动配对出姓名，或选择姓名将自动配对出学号，同时选择的上传文件可通过对文件名的拖动来实现，最后点击"交卷"按钮,若成功的提交试卷，方可离开考场。

为了保证上传文件的正确性，当上传文件后还要读取服务器端的文件长度，如果与本机的文件长度一致，表示上传文件成功。上传文件与读取服务器端的文件长度也是由"操作题试卷提交"程序自动生成批处理文件并执行来完成的。其批命令如下：ftp-Aftpresult.txt

这里的-A参数表示匿名登陆到FTP服务器端。当使用ftp 命令登陆哪个服务器，上传哪个文件是由ftpftp.txt文件内容决定的。如下是此文件的内容:

REM连接FTP服务器端

open192.168.0.221

REM设置二进制工作模式

Binary

REM上传辅助文件，预防作弊

put"00-14-78-44-1C-17-220087109303林金.txt"

REM上传试题文件

put"C:\学号姓名.rar""220087109303林金00-14-78-44-1C-17.rar"

REM列出上传文件，判断上传是否成功

dir"00-14-78-44-1C-17-220087109303林金.txt"

dir"220087109303林张晓00-14-78-44-1C-17.txt"

不同的FTP服务器，不同的学生，此文件的内容有所不同。最后执行结果保存在ftpresult.txt文件中，C#程序将根据此结果文件判别是否已正确地上传文件。

通常情况下，一台电脑只能传送一个学生的试卷。为了杜绝一台电脑提交多份试卷，在上传文件时，再生成另一个辅助文件，此文件名格式为"MAC学号姓名.TXT"。这里的MAC为网卡的物理地址。因网卡物理地址是唯一的，因此生成的所有辅助文件同一个物理地址只能出现一次。若对所有学生上传的辅助文件"MAC学号姓名.TXT"进行排序，当辅助文件有两个同样的物理地址且学号姓名不一致时，则表示在同一台电脑上上传两个学生的试卷，根据文件名的创建时间先后，一般可推测后传试卷的学生有可能为抄袭。打开资源管理器，如图3所示，教师可在FTP登陆目录下，点击"名称"，将对提交的文件名称进行排序，如果有两个文件名称的MAC值是一样的，如向下面的两个辅助文件"00-0C-29-1D-BA-99-220087109311林金.txt"和"00-0C-29-1D-BA-99-220087109327黄玲.txt",其MAC值都是00-0C-29-1D-BA-99，基本上可确定这两个同学互相抄袭，在根据文件的修改日期，可确定是黄玲抄袭林金同学（通常情况下，后交的抄袭先交的），如果两个文件的修改时间一样，则可通过文件的属性查看其修改时间(此时间精确到秒值)。

图3根据已上传文件判别是否有问题

2.4FTP服务器端设置

为了避免FTP客户端登陆时输入用户名和口令，设置FTP 服务器端为允许匿名登陆。同时预防学生手工通过FTP协议读取其他学生提交的试卷，在FTP服务器端应设置FTP客户端登陆时只有写文件和列目录文件权限，而没有读和更改文件权限。具体设置步骤要根据FTP服务器端程序，不同的FTP服务器端程序，其设置步骤可能不同。

3．结语

通过以上针对操作题命题考试方式解决和在实际考试过程中的应用，取得了较好的效果。不但锻炼学生实践操作能力，又预防考试过程中出现的各种舞弊现象，而且也减轻了教师的工作量。

参考文献：

1.高职教育教学改革初探[Z].https://www.wendangku.net/doc/dd635022.html,/education/peda-gogy/16738.htm

2.Visual C#.NET开发实践[M].北京:人民邮电出版社

,2001.8

基于Matlab基本图像处理程序

图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像图像增强一．图像的全局描述直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像

滤波图像降噪算法研究报告

研究生课程论文基于滤波的图像降噪算法的研究课程名称专业文献阅读与综述姓名张志化学号1200214006 专业模式识别与智能系统任课教师钟必能开课时间2018.9——2018.11 教师评阅意见：论文成绩评阅日期课程论文提交时间：2018 年11月11日

基于滤波的图像降噪算法的研究摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一

MATLAB实现频域平滑滤波以及图像去噪代码

用MATLAB实现频域平滑滤波以及图像去噪代码悬赏分：50 - 解决时间：2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在MATLAB上运行成功，必然给分。具体的实验指导书上的要求如下：频域平滑滤波实验步骤 1. 打开Matlab 编程环境；

2. 利用’imread’函数读入图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 将图像数据由’uint8’格式转换为’double’格式，并将各点数据乘以 (-1)x+y 以便FFT 变换后的结果中低频数据处于图像中央； 5. 用’fft2’函数对图像数据进行二维FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示频率域图像； 7. 在频率图像上去除滤波半径以外的数据(置0)； 8. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示处理过的频域图像数据； 9. 用’ifft2’函数对图像数据进行二维FFT 逆变换，并用’real’函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以(-1)x+y； 11. 利用’imshow’显示处理结果图像数据； 12. 利用’imwrite’函数保存图像处理结果数据。图像去噪实验步骤： 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入包含噪声的原始图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声图像进行滤波处理； 5. 利用’imshow’显示处理结果图像数据； 6. 利用’imwrite’函数保存图像处理结果数据。即使不是按这些步骤来的也没关系，只要是那个功能，能实现就OK，谢谢大家 %%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .^ ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2));

Matlab中关于图像处理、去噪分析以及有关散点连线画图等程序

算法程序 1.找到图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); imshow('3.jpg') 2.将彩色图片处理成灰度图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('3.jpg'); I=rgb2gray(A)； imshow(I) 3.改变图片大小右键----编辑----属性-----输入想要的大小 4.两张图片相叠加（区分imadd和系数叠加）直接把图像数据矩阵相加，可以设定叠加系数，如（系数可自由设定，按需要） img_tot = img1 * 0.5 + img2 * 0.5; %两个图像大小要一致图像的矩阵我再那里能找到 img1 = imread('tupian.bmp'); 图片相加 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg'); imshow(A) >> B=imread('3.jpg'); imshow(B) >> C=imadd(A,B); imshow(C) >> D=A*0.5+B*0.5; imshow(D) A图像

B图像 C图像 D图像 5.两张图片相减 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg');

基于MATLAB的减少图像噪声

目录第一章概述 (2) 第二章典型噪声介绍 (3) 第三章基于MATLAB的模拟噪声生成 (5) 第四章均值滤波处理方法 (7) 4.1均值滤波原理 (7) 4.2 均值滤波法对图像的处理 (9) 第五章中值滤波处理方法 5.1 中值滤波原理 (12) 5.2中值滤波法对图像的处理 (12) 第六章频域低通滤波法 (15) 6.1理想低通滤波器(ILPF)对图像的处理 (15) 6.2 巴特沃思低通滤波器（BLPF）对图像的处理 (18) 6.3 指数滤波器(ELPF)对图像的处理 (20) 6.4 梯形滤波器（TLPF)对图像的处理 (22) 6.5 构建二维滤波器对图像的处理 (24) 第七章总结与体会 (27) 参考文献 (28)

第一章概述图像平滑主要有两个作用：一个是清除或减少噪声，改善图像质量；另一个是模糊图像，使图像看起来更柔和自然。图像噪声来自于多方面，有来自于系统外部的干扰，如电磁波或经电源窜进系统内部的外部噪声；也有来自于系统内部的干扰，如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。空间域常用的方法有领域平均法、中值滤波法、多图像平均法等；在频域可以采用理想低通、巴特沃斯低通等各种形式的低通滤波器进行低通滤波。图像平滑处理的主要目的是去噪声，而噪声有很多种，大体可分为两类：加性噪声和乘性噪声。加性噪声通常表现为椒盐噪声、高斯噪声等；乘性噪声的一个典型例子就是光照变化。图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。

小波变换图像去噪的算法研究自设阈值

基于小波的图像去噪一、小波变换简介在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波来生成： ())(1 ,a b x a x b a -ψ=ψ （1）其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2）其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3）与时域函数对应，在频域上则有：

())(,ωωa e a x j b a ψ=ψ- （3）可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。二、图像去噪描述所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)，（4）其中，n(x,y)和图像光强大小无关。图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。

matlab图像去噪算法设计(精)

数字图像去噪典型算法及matlab实现希望得到大家的指点和帮助图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等；目前比较经典的图像去噪算法主要有以下三种：均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。实验一：均值滤波对高斯噪声的效果 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');

图像去噪去噪算法研究开题报告

图像去噪去噪算法研究论文开题报告（1）选题的目的、意义目的：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[1]。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。意义：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[2] [3]。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[4] [5]。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。（2）国内外对本课题涉及问题的研究现状针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下，产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明，这些方法虽有一定的降噪效果，但都有其局限性。比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。对于去除椒盐噪声，主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。后来

图像椒盐噪声与高斯噪声去噪方法研究

德州学院毕业论文开题报告书 2011年3月16日院（系）物理系专业电子信息工程姓名田程程学号200700802041 论文题目图像椒盐噪声与高斯噪声去噪方法研究一、选题目的和意义图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。二、本选题在国内外的研究现状和发展趋势随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。

三、课题设计方案本设计为图像椒盐噪声与高斯噪声去噪方法研究一、研究高斯噪声和椒盐噪声特性二、研究去噪算法，提出适合去除高斯噪声和椒盐噪声的算法三、计算机仿真四、计划进度安排第一周至第二周：根据寒假期间针对论文题目收集的有关资料，认真分析和整理资料，形成撰写论文的大体框架。对论文的撰写形成明确地认识，认真书写开题报告，完成开题报告并上交。第三周至第五周：学习和研究图像椒盐噪声与高斯噪声去噪方法。第六周至第十一周：对前期的关于图像椒盐噪声与高斯噪声去噪方法的研究进行总结。第十二周：根据论文指导意见和建议对论文进行修改和完善后形成论文终稿。

基于MATLAB的图像平滑算法实现及应用

目录 1.3 图像噪声一幅图像在获取和传输等过程中，会受到各种各样噪声的干扰，其主要来源有三：一为在光电、电磁转换过程中引入的人为噪声；二为大气层电（磁）暴、闪电、电压、浪涌等引起的强脉冲性冲激噪声的干扰；三为自然起伏性噪声，由物理量的不连续性或粒子性所引起，这类噪声又可分成热噪声、散粒噪声等。一般在图像处理技术中常见的噪声有：加性噪声、乘性噪声、量化噪声、“盐和胡椒”噪声等。下面介绍两种主要的噪声。 1、高斯噪声这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。高斯随机变量z 的概率密度函数(P D F )由下式给出: }2/)(ex p{2/1)(22σμσπ--=z z p 其中, z 表示图像像元的灰度值;μ表示z 的期望;σ表示z 的标准差。 2、椒盐噪声主要来源于成像过程中的短暂停留和数据传输中产生的错误。其P D F 为： ?????===其他0)(b z pb a z pa z p 如果b > a , 灰度值b 在图像中显示为一亮点,a 值显

示为一暗点。如果P a和图像均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。当P a为零时,表现为“盐”噪声;当P b为零时,表现为“胡椒”噪声。图像中的噪声往往是和信号交织在一起的尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓‘线条等模糊不清，从而使图像质量降低。

第二章、图像平滑方法 2.1 空域低通滤波将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。空间域滤波按线性和非线性特点有：线性、非线性平滑波器。线性平滑滤波器包括领域平均法（均值滤波器），非线性平滑滤波器有中值滤波器。 2.1.1 均值滤波器对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f (x ,y ),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。经过平滑处理后得到一副图像 g (x ,y ), 其表达式如下： ∑∈=s n m n m f M y x g ),(),(/1),( 式中： x ,y =0,1,2,…，N -1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下： ?????>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f T n m f M y x f n m f M y x g s n m s n m 式中：T 为规定的非负阈值。

图像去噪TV模型及Matlab实现

1.%% ROFdenoise 2.% 3.% Image -to denoise 4.% Theta - the parameter 5.% 6.% This denoising method is based on total-variation, originally proposed by 7.% Rudin, Osher and Fatemi. In this particular case fixed point iteration 8.% is utilized. 9.%------ 10.% For the included image, a fairly good result is obtained by using a 11.% theta value around 12-16. A possible addition would be to analyze the 12.% residual with an entropy function and add back areas that have a lower 13.% entropy, i.e. there are some correlation between the surrounding pixels. 14.%------ 15.% Code Provided By Li.J.Z 16.% Based on total-variation 17. 18.function A = ROFdenoise(Image, Theta) 19. 20.[Image_h Image_w] = size(Image); 21.g = 1; dt = 1/4; nbrOfIterations = 50; 22.Image = double(Image); 23. 24.p = zeros(Image_h,Image_w,2); 25.d = zeros(Image_h,Image_w,2); 26.div_p = zeros(Image_h,Image_w); 27. 28.for i = 1:nbrOfIterations 29. for x = 1:Image_w 30. for y = 2:Image_h-1 31. div_p(y,x) = p(y,x,1) - p(y-1,x,1); %backward difference 32. end 33. end 34. 35. for x = 2:Image_w-1 36. for y = 1:Image_h 37. div_p(y,x) = div_p(y,x) + p(y,x,2) - p(y,x-1,2); 38. end 39. end 40. 41. % Handle boundaries 42. div_p(:,1) = p(:,1,2);

小波变换图像去噪MATLAB实现

基于小波图像去噪的MATLAB 实现一、论文背景数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。二、课题原理 1.小波基本原理在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波来生成：

())(1 ,a b x a x b a -ψ=ψ （1）其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2）其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的积： ( )dx a b x a x f f x W b a b a )(1)(,,,-ψ= ψ=?+∞∞- （3）与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4）可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 2. 图像去噪综述所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设

基于小波变换的图像阔值降噪算法研究开题报告

中国计量大学毕业设计（论文）开题报告学生姓名：马日斯江·库尔班学号：1200101237专业：测控技术与仪器班级： 12测控1班设计（论文）题目：基于小波变换的图像阈值降噪算法研究指导教师：侯德鑫系：计量测试工程学院 2016年3 月25 日

基于小波变换的图像阈值降噪算法研究开题报告一、课题的背景及意义：图像降噪是图像预处理的主要任务之一，其作用是为了提高图像的信噪比，突出图像的期望特征。不同性质的噪声应采用不同的方法进行消噪。最简单的也比较通用的消噪算法，是用傅立叶变换直接进行低通滤波或带通滤波。这种方法虽然简单、易于实现，但它对滤去有用信号频带中的噪声无能为力，并且带宽的选择和高分辨率是有矛盾的。带宽选的过宽，达不到去噪的目的;选的过窄，噪声虽然滤去的多，但同时信号的高频部分也损失了，不但带宽内的信噪比得不到改善，某些突变点的信息也可能被模糊掉了。将小波变换应用于信号处理中，是因为它的主要优点是在时间域和频率域中同时具有良好的局部化特性，从而非常适合时变信号的分析和处理。特别在图像去噪领域中，小波理论受到了许多学者的重视，他们应用小波进行去噪，并获得了非常好的效果。具体来说，小波去噪方法的成功主要得益于小波变换具有以下特点：（1）低熵性由于小波系数的稀疏分布，使得图像变换后的熵降低了；（2）多分辨率由于小波采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；（3）去相关性因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；（4）选基灵活性由于小波变换可以灵活选择变换基，所以对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的去噪效果。因此，就信号消噪问题而言，它比传统的傅立叶频率域滤波和匹配滤波器更具有灵活性。以小波变换为基础的时变信号消噪算法是把含噪信号放在二维平面上，利用信号和噪声表现出的截然不同的特性进行分时分频处理，此方法理论上不但能够获得较高的信噪比，而且能够保持良好的时间分辨率。采用小波消噪算

MATLAB图像滤波去噪分析及其应用

《MATLAB图像滤波去噪分析及其应用》,双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波、Wiener 滤波、Kuwahara滤波、Beltrami流滤波、Lucy Richardson滤波、NoLocalMeans滤波等研究内容。《MATLAB图像滤波去噪分析及其应用》全面而系统地讲解了MATLAB图像滤波去噪分析及其应用;结合算法理论,详解算法代码（代码全部可执行且验证通过）,以帮助读者更好地学习本书内容。对于网上讨论的大部分疑难问题,本书均有涉及。第1章图像颜色空间相互转换与MATLAB实现 1．1图像颜色空间原理 1．1．1RGB颜色空间 1．1．2YCbCr颜色空间 1．1．3YUV颜色空间 1．1．4YIQ颜色空间 1．1．5HSV颜色空间 1．1．6HSL颜色空间 1．1．7HSI颜色空间 1．1．8CIE颜色空间 1．1．9LUV颜色空间 1．1．10LAB颜色空间 1．1．11LCH 颜色空间 1．2颜色空间转换与MATLAB实现 1．2．1图像YCbCr与RGB空间相互转换及MATLAB实现 1．2．2图像YUV与RGB空间相互转换及MATLAB实现 1．2．3图像YIQ与RGB空间相互转换及MATLAB实现 1．2．4图像HSV与RGB空间相互转换及MATLAB实现 1．2．5图像HSL与RGB空间相互转换及MATLAB实现 1．2．6图像HSI与RGB空间相互转换及MATLAB实现 1．2．7图像LUV与RGB空间相互转换及MATLAB实现 1．2．8图像LAB与RGB空间相互转换及MATLAB实现 1．2．9图像LCH 与RGB空间相互转换及MATLAB实现第2章图像噪声概率密度分布与MATLAB实现 2．1噪声概率密度分布函数 2．1．1均匀分布 2．1．2正态分布 2．1．3卡方分布 2．1．4F分布 2．1．5t分布 2．1．6Beta分布 2．1．7指数分布 2．1．8Gamma分布 2．1．9对数正态分布 2．1．10瑞利分布 2．1．11威布尔分布

基于Matlab的图像去噪算法的研究

基于Matlab的图像去噪算法的研究摘要在信息化的社会里，图像在信息传播中所起的作用越来越大。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，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。本文首先分析了图像增强技术相关知识，重点讨论了空间域滤波方法，然后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，并进行相应的仿真。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软件对一张含噪图片（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：均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；维纳滤波对高斯噪声有明显的抑制作用；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。关键词：图像增强技术；空间域滤波；邻域平均法；中值滤波；维纳滤波；小波变换

Abstract In the information society, the image in the information transmission is used more and more widely. In many cases image’s information can be affected by various noises, seriously affect the useful information of a image，Therefore, ensuring the minimum of the noise and pollution in the process of image collection and transmission became an important part of the field. This paper first had an analysis of some related knowledge about image enhancement technology with emphasis on discussing the spatial domain methods. Then this paper mainly analysis and discuss the neighborhood average method, median filtering method, wiener filtering method and the fuzzy wavelet transform method of image denoising algorithm.，and the corresponding simulation.Firstly introduce the common image processing functions and its applications. Secondly elaborate the principles and characteristics of the four denoising algorithm. Finally using Matlab software to a noise images (including gaussian noise or salt & pepper noise), and getting some conclusions from the simulation denoising analysis: average filtering is typical of linear filter, which is better used for gaussian noise. The median filter is a common nonlinear filtering method, especially effective to salt & pepper noise. Through wiener filtering, the gaussian noise is inhibited obviously. Wavelet coefficients threshold processing in wavelet domain can remove noise and the the signal which is not expect. Key words：image enhancement technology ；spatial domain；Average neighborhood；Median filter；Wiener filtering；Wavelet transform