MATLAB图像邻域运算,去除噪声,模板运算中值滤波,均值滤波
1.列出常用的卷积模板
2.基于3×3的模板，编写均值滤波的处理程序，处理含有加性高斯噪声和椒盐噪声的图像，观察处理结果
3.编写中值滤波程序，处理相同的图像与均值滤波进行比较；改变模板尺寸观察处理结果
4.编程实现利用一阶微分算子和二阶拉普拉斯算子进行图像锐化的程序
5.对比不同的邻域运算结果，体会图像锐化与图像平滑的区别
均值滤波处理含有椒盐噪声图像程序代码
（1）：模板运算
f=imread('lena sp.bmp');
f=double(f);
[row,col]=size(f);
r=1;
for i=2:row-1
for j=2:col-1
g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;
g=uint8(g);
end
end
subplot(121);
imshow(uint8(f));
title('椒盐噪声图像');
subplot(122);
imshow(g);
title('均值滤波处理后的图像')
椒盐噪声图像均值滤波处理后的图像
（2）：mean函数均值滤波
f=imread('lena sp.bmp');
f=double(f);
[row,col]=size(f);
g=size(f);
for i=2:row-1
for j=2:col-1
t=f(i-1:i+1,j-1:j+1);
t=double(t);
g(i,j)=mean(mean(t));
g(i,j)=uint8(g(i,j));
end
end
subplot(121);
imshow(uint8(f));
title('椒盐噪声图像');
subplot(122);
imshow(uint8(g));
title('均值滤波处理后的图像')
均值滤波处理后的图像
（3）可变模板处理
f=imread('lena gauss.bmp');
f=double(f);
[row,col]=size(f);
r=1;
g=size(f);
for i=2:row-1
for j=2:col-1
s=0;
s=double(s);
for m=-r:r
for n=-r:r
s=s+f(i+m,j+n);
end
end
g(i,j)=s/power((r+2),2);
end
end
subplot(121);
imshow(uint8(f));
title('椒盐噪声图像');
subplot(122);
imshow(uint8(g));
title('均值滤波处理后的图像')
椒盐噪声图像均值滤波处理后的图像
均值滤波处理含有加性高斯噪声图像程序代码
（1）：模板运算
f=imread('lena gauss.bmp');
f=double(f);
[row,col]=size(f);
r=1;
for i=2:row-1
for j=2:col-1
g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;
g=uint8(g);
end
end
subplot(121);
imshow(uint8(f));
title('加性高斯噪声图像');
subplot(122);
imshow(g);
title('均值滤波处理后的图像')
加性高斯噪声图像均值滤波处理后的图像
（2）：mean函数均值滤波
f=imread('lena gauss.bmp');
f=double(f);
[row,col]=size(f);
r=1;
g=size(f);
for i=2:row-1
for j=2:col-1
t=f(i-1:i+1,j-1:j+1);
t=double(t);
g(i,j)=mean(mean(t));
g(i,j)=uint8(g(i,j));
end
end
subplot(121);
imshow(uint8(f));
title('加性高斯噪声图像');
subplot(122);
imshow(uint8(g));
title('均值滤波处理后的图像')
均值滤波处理后的图像
（3）：可变模板处理
f=imread('lena gauss.bmp');
f=double(f);
[row,col]=size(f);
r=1;
g=size(f);
for i=2:row-1
for j=2:col-1
s=0;
s=double(s);
for m=-r:r
for n=-r:r
s=s+f(i+m,j+n);
end
end
g(i,j)=s/power((r+2),2);
end
end
subplot(121);
imshow(uint8(f));
title('加性高斯噪声图像');
subplot(122);
imshow(uint8(g));
title('均值滤波处理后的图像')
椒盐噪声图像均值滤波处理后的图像
中值滤波（椒盐噪声图像处理）
f=imread('lena sp.bmp');
f=double(f);
[row,col]=size(f);
g=size(f);
r=1;
for i=r+1:row-r
for j=r+1:col-r
t=f(i-r:i+r,j-r:j+r);
id=0;
for tm=1:5
m=0;
for k=1:9
if(m m=t(k); id=k; end end t(id)=0; end g(i,j)=m; end end subplot(121); imshow(uint8(f)); title('原图像'); subplot(122); imshow(uint8(g)); title('中值滤波处理后的图像') R=1时的图像 原图像中值滤波处理后的图像 R=5 原图像中值滤波处理后的图像 中值滤波（加性高斯噪声） f=imread('lena gauss.bmp'); f=double(f); [row,col]=size(f); g=size(f); r=1; for i=r+1:row-r for j=r+1:col-r t=f(i-r:i+r,j-r:j+r); id=0; for tm=1:5 m=0; for k=1:9 if(m m=t(k); id=k; end end t(id)=0; end g(i,j)=m; end end subplot(121); imshow(uint8(f)); title('原图像'); subplot(122); imshow(uint8(g)); title('中值滤波处理后的图像') 原图像中值滤波处理后的图像 R=5 原图像中值滤波处理后的图像 不同领域运算结果比较 r=2 f=imread('lena sp.bmp'); f=double(f); [row,col]=size(f); r=2; g=size(f); for i=r+1:row-r for j=r+1:col-r s=0; s=double(s); for m=-r:r for n=-r:r s=s+f(i+m,j+n); end end g(i,j)=s/power((r+2),2); end end subplot(121); imshow(uint8(f)); title('椒盐噪声图像'); subplot(122); imshow(uint8(g)); title('均值滤波处理后的图像') 均值滤波处理后的图像 R=3 椒盐噪声图像均值滤波处理后的图像 R=8 椒盐噪声图像均值滤波处理后的图像 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(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，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(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)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。 中值滤波原理及MATLAB实现 摘要：图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。本文将纯净的图像加入椒盐噪声,然后采用中值滤波的方法对其进行去噪。中值滤波是一种常用的非线性信号处理技术，在图像处理中，它对滤除脉冲干扰噪声最为有效。文章阐述了中值滤波的原理、算法以及在图像处理中的应用。MATLAB是一种高效的工程计算语言，在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。 关键词：图像,中值滤波,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年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。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。 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。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤波器,低通滤波器,维纳滤波器,最小失真法等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。 2. 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。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 几种中值滤波去噪方法分析 在数字图像的转换、存储和传输等过程中，经常性由于电子设备工作环境的不稳定，由于设备中含有一些污染物等原因，导致数字图像中一些像素点的灰度值发生非常大的变化，变得非常小或者非常大；而且大气环境很容易干扰无线数据传输，从而让传输信号混入噪声，接收到的无线信号恢复成传输过来的数字图像较原图像相比也会有很大的不同。在这些过程中，椒盐噪声很容易就会对数字图像造成感染。客户满意的数字图像尽可能少或者没有受到椒盐噪声的污染。所以我们需要去噪处理。 在现阶段处理椒盐噪声方面的研究成果方面，因为中值滤波有其非线性的特性，对比其他线性滤波方法可以取得更好的效果，同切同时还可以更好的保留图像的边缘信息。很多学者在研究通过中值滤波消除椒盐噪声的影响，希望可以得到更好的去噪效果。 第一节标准中值滤波方法 标准中值滤波是把这个窗口内的像素点按灰度值大小进行排列，把灰度值的平均值当作标准值。 我们以一个8位的图像作为例子，因为椒盐噪声会让受影响的像素点灰度值改为亮点，即灰度值为255；或者暗点，即灰度值为0。我们在排序的时候，把收到污染的像素点的灰度值大小排列出来，取中间值为所有噪点值，那么就可以消除噪声污染对这个点的影响。其具体步骤如下： ①把窗口在图像中滑动，然后让窗口中心与某一像素点重合 ②记录下窗口中所有像素点的灰度值 ③将这些灰度值从小到大排序 ④记录下该灰度值序列中间的值 ⑤将所记录下的中间值替代窗口中心像素点的灰度值 因为中值滤波的输出灰度值大小是由窗口的中值大小所决定的，所以中值滤 波对于窗口内脉冲噪声远远没有均值滤波敏感。因此相对于均值滤波，中值滤波可以在有效去除脉冲噪声的同时，减小更多的模糊图像。由于由于中值滤波所采用的窗口大小会直接决定去噪效果和图像模糊程度，而且图像去噪后的用途也就决定了窗口的形式。以5*5窗口为例，常见的形状如图2.1所示： 图 2.1 常见的尺寸为5*5的中值滤波窗口 尽管标准中值滤波方法称得上是现在市面上的一种最简单有效的去除椒盐噪声的方法。但是它判断像素点是否被噪声影响的机制不明确，尽管采用该方法时已经对所有像素点进行了一次滤波操作，还是会在一定程序上对图像的边缘、细节信息产生破坏。 第二节带权值的中值滤波方法 Brownrigg提出了一种改进的中值滤波方法：带权值的中值滤波方法。这个滤波的步骤和SM基本一样，不同的地方在于：WM在排序取中值的时候要在 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'); 毕业设计(论文) UNDERGRADUATE PROJECT (THESIS) 题目: 冲击测试常用滤波算法研究 学院 专业 学号 学生姓名 指导教师 起讫日期 目录 摘要 (2) ABSTRACT (3) 第一章绪论 (4) 1.1课题背景 (4) 1.2国内外相关领域的研究 (4) 1.3主要研究内容与创新 (5) 1.3.1研究内容与意义 (5) 1.3.2课题的创新点 (5) 1.3.3 研究目的与技术指标 (6) 第二章数字滤波基础 (7) 2.1数字滤波算法概念 (7) 2.2数据采样与频谱分析原理 (8) 2.2.1 时域抽样定理 (8) 2.2.2 离散傅立叶变换(DFT) (8) 2.2.3 快速傅立叶变换(FFT) (9) 2.2.4 频谱分析原理 (9) 2.3常用数字滤波算法基础 (10) 2.3.1常用数字滤波算法分类 (10) 2.3.2常用数字滤波算法特点 (11) 2.3.3常用滤波算法相关原理 (13) 2.4 冲击测试采样数据 (16) 2.4.1噪声的特点与分类 (16) 2.4.2冲击测试采样数据特点 (17) 2.5 MATLAB简介 (17) 2.5.1 MATLAB功能简介 (18) 2.5.2 MATLAB的发展 (18) 第三章、冲击测试滤波算法设计及滤波效果分析 (20) 3.1 冲击测试采样数据的分析 (20) 3.2 滤波算法设计及效果分析 (21) 3.2.1 中位值平均法的设计 (21) 3.2.2限幅法和限速法的设计 (23) 3.2.3一阶滞后法的设计 (25) 3.2.4低通法的设计 (26) 第四章结论与展望 (34) 4.1冲击测试的滤波算法总结 (34) 4.2冲击测试的滤波算法展望 (34) 致谢 (36) 参考文献 (37) 附录：程序代码清单 (38) 图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。因此，正是为了处理这种问题，是有噪声的图片变得更加清晰，人们研究出各种各样的方式去除图像中的噪声。 首先，为了让本报告易懂，我先解释几个名词的含义。 线性滤波算法：利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法，如均值滤波、高斯滤波，由于线性滤波是算术运算，有固定的模板，因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法：原始数据域处理结果数据之间存在的是一种逻辑关系，即采用逻辑运算实现的，如最大值滤波器、最小值滤波器、中值滤波器，通过比较领域内灰度值大小来实现的，它没有固定的模板和特定的转移函数。 高斯噪声：噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以采用线性滤波器滤除掉。 椒盐噪声：类似把胡椒和盐撒到图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声，采用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。 白噪声：指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的，因此我们把这种性质叫做“白色的”，就把这种噪声称作白噪声。 现在介绍，我采用的去噪算法。 （1）均值滤波：均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x， 图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。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。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。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、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泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法 是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。 matlab实现中值滤波去除脉冲噪声matlab小程序（图像处理）2010-04-1612:58:44阅读8评论0字号：大中小 实验原理：中值滤波器是将领域内像素灰度的中值代替该像素的值,对处理脉冲噪声(椒盐噪声)非常有效。为了对一幅图像上的某个点进行中值滤波处理，必须先将掩模内欲求的像素及其领域的像素值排序，确定出中值，主要功能是使拥有不同灰度的点看起来更接近于它的邻近值。 程序说明：函数名为mid(pic_name,s)的函数，其中参数pic_name为读入的图像，s为掩模矩阵的边长，由用户自行决定。 实验说明：随着掩模矩阵的变大，我们可以看到脉冲噪声去除得更加理想，但同时图像会变得更模糊，因为各点像素与其邻域更为接近，因此，进行中值滤波时选择一个适合的掩模矩阵十分重要。另外，我们看到图像的边界处出现了黑色的斑点，这是由于我采用了0来直译边界，这种影响可用镜像反射方式对称地沿其边界扩展来减弱。 另附：其实本实验可以完全由matlab中的函数median或medfilt2简单实现，此处写出内部处理过程，主要是为了让大家理解中值滤波的具体处理过程。 程序源代码： function mid(pic_name,s) close all; s=double(s); X=imread(pic_name); Y1=imnoise(X,'salt&pepper',0.2);%对读入的图像加脉冲噪声 figure; imshow(uint8(Y1)); Y1=double(Y1); [m,n]=size(X); s2=round(s/2); s3=round(s*s/2);%中值像素点的位置 摘要 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。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。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。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。 因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。 目录 摘要 (2) 一、图像滤波的应用 (4) 二、均值滤波 (5) 2.1 均值滤波的思想 2.2 均值滤波的算法 2.3 均值滤波的实验结果 三、中值滤波 (7) 3.1 中值滤波的思想 3.2 中值滤波的算法 3.3 中值滤波的实验结果 四、维纳滤波 (8) 4.1 维纳滤波的思想 4.2 维纳滤波的算法 4.3 维纳滤波的实验结果 五、小波变换 (9) 5.1 小波变换滤波的思想 5.2 小波变换滤波的算法 5.3 小波变换滤波的实验结果 六、Contourlet变换的图像去噪 (11) 6.1 Contourlet变换的基本思想 6.2Contourlet变换的算法 七、全变差正则化的Shearlet收缩去噪 (12) 7.1 Shearlet收缩去噪原理简介 7.2 Shearlet收缩去噪算法 八、结果分析及自己的收获 (12) 8.1结果分析 8.2自己的收获 参考文献 (13) 《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 数字图像处理实验二 15生医 一、实验内容 产生教材104页题图4.18（右图）所示的二值图像（白为1，黑为0），编程实现习题4.18所要求的处理（3x3的平均滤波和中值滤波）功能（图像四周边界不考虑，处理结果按四舍五入仍取0或1），显示处理前后的图像，比较其异同。 二、运行环境 MATLAB R2014a 三、运行结果及分析 1. 四种不同的窗的3x3平均滤波 ①在 MATLAB 图形窗界面进行放大可以看出四者之间的差别： 4领域与8邻域之间没有明显差别，但是加权与未加权之间的差别较为明显，体现在： 加权后每个矩形块的四个尖角部分都被保留了下来4邻域平均滤波后图 像8邻域平均滤波后图像 4邻域加权平均滤波后图像8邻域加权平均滤波后图像 （图像四周边界不考虑），而未加权的尖角处黑色变为白色。 ②原因分析： 加权后尖角处原来白色的点（1）进行计算3/5=0.6四舍五入后值为1，保持白色，原来黑色的点（0）进行计算2/5=0.4四舍五入后值为0，保持黑色；而未加权尖角处无论原来是黑色还是白色，进行计算 2/4=0.5四舍五入后值为1，所以原先的黑色（0）也变成了白色（1）。 ③下图为放大后的截图： 2.中值滤波与原图像的对比 ①在 MATLAB图形窗界面进行放大后可观察出： 使用3x3 方形中值滤波模板的效果与4领域、8领域加权平均滤波的 效果相同，每个矩形块的四个尖角部分都被保留了下来（图像四周边界不考虑）。 ②原因分析： 套用3x3方形中值滤波模板后，尖角处原来白色的点（1）在窗内1多于0，取中值后仍保持白色，原来黑色的点（0）在窗内0多于1，取中值后仍保持白色。 ③下图为放大后的截图： 原图像中值滤波后图像 function g=QuiMedFil2(f) g=f; t=2; [m,n]=size(f); for i=2:m-1 for j=2:n-1 if(j==2) A=f(i-1:i+1,j-1:j+1); hist=imhist(A); mdn=median(A(:)); %mdn=Med(f(i-1:i+1,j-1:j+1))+1; L=find(f(i-1:i+1,j-1:j+1) while (Ltmdn+hist(mdn+1))<=th Ltmdn=Ltmdn+hist(mdn+1); mdn=mdn+1; end g(i,j)=mdn; end end t=t+1;%t-line; end ======================================= =========================实现过程如下 rgb=imread('Figure1.JPG'); %此处通过matlab读入任何一幅图像 >> I=rgb2gray(rgb); %将图像灰度化 >> I=imresize(I,0.1); %若图像过大可进行适当调整，或省略此步 >> g=QuiMedFil2(I) %调用所编程序执行中值滤波快速算法 figure，imshow(I),figure,imshow(g) %显示原图像和滤波后的图像 =============================================================================== =================================================== 与传统中值滤波算法的同窗口的计算时间对比 快速算法略高于一般算法 =============================================================================== =====================================================菱形5*5中值滤波程序function g=MedFilRho(f) g=f; g=[]; [m,n]=size(f); for i=3:(m-2) for j=3:(n-2) B=[f(i,j),f(i-2,j),f(i-1,j),f(i+1,j),f(i+2,j),f(i,j-1),f(i,j-2),f(i,j+1),f(i,j+2),f(i-1,j-1),f(i+1,j+1),f(i-1,j+1),f(i+1,j-1)]; g(i,j)=median(B); end end 备注：程序为原创，原文地址： https://www.wendangku.net/doc/ea16719092.html,/walqxlqxaw/blog/item/aabb517f877e6f190dd7daad.ht ml MATLAB实现频域平滑滤波以及图像去噪代码用MATLA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 MATLAE t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0K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 .A ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2)); Y = fftshift(Y); % obtain frequency (cycles/pixel) f0 = floor([m n] / 2) + 1; fy = ((m: -1: 1) - f0(1) + 1) / m; fx = ((1: n) - f0(2)) / n; [mfx mfy] = meshgrid(fx, fy); % calculate radius SF = sqrt(mfx .A 2 + mfy .A 2); 图像去噪方法 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(一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在)，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(在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。)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。 1线性平滑滤波器 用MA TLAB实现领域平均法抑制噪声程序： I=imread(' c4.jpg '); subplot(231) imshow(I) title('原始图像') I=rgb2gray(I); I1=imnoise(I,'salt & pepper',0.02); subplot(232) imshow(I1) title(' 添加椒盐噪声的图像') k1=filter2(fspecial('average',3),I1)/255; %进行3*3模板平滑滤波 k2=filter2(fspecial('average',5),I1)/255; %进行5*5模板平滑滤波 k3=filter2(fspecial('average',7),I1)/255; %进行7*7模板平滑滤波 k4=filter2(fspecial('average',9),I1)/255; %进行9*9模板平滑滤波 subplot(233),imshow(k1);title('3*3 模板平滑滤波'); subplot(234),imshow(k2);title('5*5 模板平滑滤波'); subplot(235),imshow(k3);title('7*7 模板平滑滤波'); subplot(236),imshow(k4);title('9*9 模板平滑滤波'); 2.中值滤波器 用MA TLAB实现中值滤波程序如下： I=imread(' c4.jpg '); I=rgb2gray(I); J=imnoise(I,'salt&pepper',0.02); subplot(231),imshow(I);title('原图像'); subplot(232),imshow(J);title('添加椒盐噪声图像'); k1=medfilt2(J); %进行3*3模板中值滤波 k2=medfilt2(J,[5,5]); %进行5*5模板中值滤波 k3=medfilt2(J,[7,7]); %进行7*7模板中值滤波 k4=medfilt2(J,[9,9]); %进行9*9模板中值滤波 subplot(233),imshow(k1);title('3*3模板中值滤波'); subplot(234),imshow(k2);title('5*5模板中值滤波'); subplot(235),imshow(k3);title('7*7模板中值滤波'); subplot(236),imshow(k4);title('9*9 模板中值滤波'); 3状态统计滤波器：ordfilt2函数 Y=ordfilt2(X,order,domain) 由domain中非0元素指定邻域的排序集中的第order个元素代替X中的每个元素。Domain 是一个仅包括0和1的矩阵，1仅定义滤波运算的邻域。 Y=ordfilt2(X,order,domain,S) S与domain一样大，用与domain的非0值相应的S的值作为附加补偿。 4二维自适应除噪滤波器：wiener2函数 wiener2函数估计每个像素的局部均值与方差，该函数用法如下： 编号：____________ 审定成绩：____________ 毕业设计（论文） 设计（论文）题目:_利用图像滤波算法实现 对高椒盐噪声的去噪处理 单位（系别）：通信与信息工程系______ 学生姓名：_______杨建春_________ 专业：__电子信息工程________ 班级：____06111203__________ 学号：__10__________ 指导教师：_____靳艳红___________ 答辩组负责人：______________________ 填表时间： 2016年5月 重庆邮电大学移通学院教务处制 重庆邮电大学移通学院毕业设计(论文)任务书设计(论文)题目利用图像滤波算法实现对高椒盐噪声的去噪处理 学生姓名杨建春系别通信与信息工程系专业电子信息工程 班级 06111203 指导教师靳艳红职称讲师联系电话 教师单位重庆邮电大学移通学院下任务日期2016年__1__月_ 4__日 摘要 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。图像信号在获取和传输过程中，不可避免地受到各种噪声的污染，从而导致图像质量退化，对图像的后续处理，如边缘检测、图像分割、特征提取、模式识别等产生严重的影响，因此图像去噪是图像预处理的一个非常重要的环节。数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用非常广泛，在医学、军事、艺术、农业等方面都有广泛且成熟的应用[1]。 本文首先介绍了图像去噪的研究背景和意义、图像滤波算法的发展概况及方法;然后介绍了图像噪声的分类和数学模型，并着重介绍了传统的图像去噪算法：均值滤波器、中值滤波器和自适应滤波器以及对应的去噪算法。对常用的几种阈值去噪方法进行了分析比较和仿真实现。最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际的图像处理中，去噪算法的选择和改进提供了数据参考和依据。 【关键词】自适应滤波器均值滤波器直方图梯度椒盐噪声加权中值滤波高斯降噪 常用图像去噪方法比较及其性能分析 发表时间：2019-03-15T15:13:24.833Z 来源：《信息技术时代》2018年6期作者：孟靖童王靖元[导读] 本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。 （国际关系学院，北京 100091） 摘要：本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现，比较了去噪的效果。关键词：数字图像；噪声；滤波 一、引言 随着当今社会数字化的普及，人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题，数字图像处理技术应运而生。数字图像处理技术的产生，不仅满足了人们的视觉，同时经过处理的图像还可以更好的应用于图像加密，图像识别等领域。 二、空间域去噪算法 （一）均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上，通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果，使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响，然而对于由于椒盐噪声带来的对于图像的影响，均值滤波去除的效果并不很好。同时，由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值，来决定区域中心点灰度值的，所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉，造成视觉上细节不清楚的情况。并且所取范围越大，图像中细节部分越不清晰，图像越平滑。 （二）中值滤波去噪 通过求区域中心点及其周围点灰度值的中值，来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高，因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外，与均值滤波相比，中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。（三）维纳滤波去噪 维纳滤波通过寻找一个滤波模型使得被过滤后图像与原图像的均方差最小。因此维纳滤波的去噪效果随局部方差的增大而减弱。与邻域均值滤波法相比，维纳滤波可以更好的处理高斯噪声带来的对于图片的影响。同时，由于维纳滤波法是一种自适应的滤波器，所以较邻域滤波可以更好的处理图像边缘的细节。然而维纳滤波却无法很好的处理信噪比较低的图像信号。实验中发现，维纳滤波在处理完运动模糊图像后会出现较严重类似于高斯噪声的影响，加入中值去噪得到更清晰图像，同时可以与最后一张仅添加中值去噪图片做对比。 三、基于傅里叶变换图像去噪 傅里叶变换图像去噪利用了图像与噪声主要分布频段不同的特点，即图像信息大多分布在低频段及中频段，而噪声则是分布在高频段。通过衰减信号的高频段来减弱噪声对于图像的影响。 其算法可表示为： G(μ,v)=H(μ,v)F(μ,v) 其中F(μ,v)为f(μ,v)经傅里叶变换得到，通过函数H(μ,v)衰减高频分量后的F(μ,v)得到输出G(μ,v)，之后只需对其进行傅里叶逆变换即可得到去早后图像g(x,y)。 此算法可简单表述为： （1）把原图像通过傅里叶变换从空间域变到频域； （2）对变换到频域的图像进行一定程度的衰减，具体衰减方法根据原图像实际情况而定；（3）对处理后图像从频率域经傅里叶逆变换得到去噪后图像。 经由傅里叶变换去噪可得出低通滤波器及巴特沃斯低通滤波器。 （一）理想低通滤波器 理想低通滤波器仅允许低频信号通过，因此大部分高频噪声被截止，从而达到去噪的效果。理想低通滤波器设计原理简单，且去噪效果理想，然而由于理想低通滤波器的原理是完全滤掉高频信息，因此导致经处理后图像边缘模糊，同时会出现较严重的振铃现象。（二）巴特沃斯低通滤波 相比于理想低通滤波器，巴特沃斯低通滤波器对于信号选择通过和不通过的频率之间并没有明显的不连续界限，因此可以缓解理想低通滤波器图像边缘模糊的缺点。 同时巴特沃斯低通滤波器的振铃现象会随其公式阶数的增加而明显增强。 四、基于小波变换的图像去噪方法 （一）小波系数收缩法 小波系数收缩法可分为小波阈值收缩法和小波比例收缩法两类。 Gaussian Smoothing Filter 高斯平滑滤波器 一、图像滤波的基本概念 图像常常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。 图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像，空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算，即输出图像中任何像素的值都是通过采用一定的算法，根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波（例如最常见的均值滤波和高斯滤波），否则为非线性滤波（中值滤波、边缘保持滤波等）。 线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是，同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器．非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。 二、图像滤波的计算过程分析 滤波通常是用卷积或者相关来描述，而线性滤波一般是通过卷积来描述的。他们非常类似，但是还是会有不同。下面我们来根据相关和卷积计算过程来体会一下他们的具体区别： 卷积的计算步骤： （1）卷积核绕自己的核心元素顺时针旋转180度 （2）移动卷积核的中心元素，使它位于输入图像待处理像素的正上方 （3）在旋转后的卷积核中，将输入图像的像素值作为权重相乘 （4）第三步各结果的和做为该输入像素对应的输出像素 相关的计算步骤： （1）移动相关核的中心元素，使它位于输入图像待处理像素的正上方 （2）将输入图像的像素值作为权重，乘以相关核 （3）将上面各步得到的结果相加做为输出 可以看出他们的主要区别在于计算卷积的时候，卷积核要先做旋转。而计算相关过程中不需要旋转相关核。 例如：magic(3) =[8 1 6;3 5 7;4 9 2]，旋转180度后就成了[2 9 4;7 5 3;6 1 8] 三、高斯（核）函数 所谓径向基函数(Radial Basis Function 简称RBF), 就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数, 可记作k(||x-xc||), 其作用往往是局部的, 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数,形式为k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数, 控制了函数的径向作用范围。图像去噪方法
中值滤波原理及MATLAB实现.
几种中值滤波去噪方法分析
matlab图像去噪算法设计(精)
基于Matlab的常用滤波算法研究(含代码)讲解
图像去噪原理
数字图像处理-图像去噪方法
matlab实现中值滤波去除脉冲噪声matlab小程序
图像滤波去噪处理
MATLAB图像滤波去噪分析及其应用
数字图像处理_平均滤波与中值滤波(含MATLAB代码)
中值滤波快速算法&菱形窗口matlab实现
MATLAB实现频域平滑滤波以及图像去噪代码
图像去噪方法
MATLAB滤波程序
利用图像滤波算法实习对高椒盐噪声的去噪处理——杨建春
常用图像去噪方法比较及其性能分析
高斯平滑滤波器(含matlab代码)