实验三 图像噪声与空域平滑设计
图像的空域平滑处理方法研究
（ １ ）
Ｙ＝ ｅ ， ， ｝ ｉ ｚ ＝ ｄ √ Ｍ ∈ ，旦
●
（） ２
式 （） ， １ 中 为预 先确定 的邻 域 （ 包括 ） 为邻域 中 不 ； 像 素的点数 。图 １ 出 了 ４个邻域 点和 ８个邻域 点的 示 两种情况 。
在对 图像进行 中值滤波时 。如果窗 口是关于 中心 点对称 的， 并且包含 中心点在 内 ， 中值滤 波能保持任 则 意方 向的跳变边缘 。图像 中的跳 变边缘指 图像 中不 同 灰度 区域之 间的灰度 突变 边缘 。
ｂ ｄ ｗ ｌ ｈ ｖ ｉｅ ｔｉ ａ ｔｏ ｍａ ｅ ｒ ｓ ｒｔ ｎ ｓ ｇ ｎ ａｉｎ ｆａ ｕ ｅ ｅ ｔ ｃｉｎ ｉ ｇ ｅ ｒ ｏ ｎｔ ｎ ａ ｄ ｏ ｅ ｏｌｗ－ ｐ ｗ ｒ ． ａ ｉ ａ ｅ ａ ｄｒ ｃ ｍｐ ｃ ｎ ｉ ｇ ｅ ｔ ａｉ ，ｅ ｍｅ ｔｔ ，ｅ ｔ ｒ ｘｒ ｔ ，ｍａ ｅ ｇ ｉ ｏ ， ｔ ｒｆｌ ｌ ｏ ｏ ｏ ａ ｏ ｃ ｉ ｎ ｈ ｏ ｕ ｏｋ Ｔ ｉ ｐ ｐ ｒ ｍａｎｙ ｄ ｓ ｕ ｓ ｓ ｔｅ ｖ ｒ ｕ ｍａ ｅ ｓ ｏ ｔ ｉ ｇ ｍｅ ｏ ｓ ａ ｄ ａ ａ ｚ ｓ ｔ ｅ ｐ ｓ ｓ ｏ ｔ ｉｇ ｍｅ ｏ ｎ ｓ ａｉｌ ｄ ｍａｎ ｈｓ ａ ｅ ｉｌ ｉｃ ｓｅ ａｉ ｓ ｉ ｇ ｍｏ ｈｎ ｔ ｄ ｈ ｏ ｈ ｎ ｎ ｌ ｅ ｈ ｒ ｍｏ ｈｎ ｔ ｄ ｉ ｐ ｔ ｏ ｉ ． ｙ ｏ ｈ ａ
２ 中值滤波 法 ． ２
收稿 日 ：０７ ０— ７ 修 回 日 ：０７ ０— ８ 期 ２０— ８ ０ ； 期 ２０— ８ ０ 基金 项 目： 安徽 高校 省级 自然 科 学研 究项 目（ Ｊ０７ ３６ Ｃ Ｋ２ ０Ｂ ６ Ｚ ） 作者 简介 ： 西明（９４ ）女 ， 士， 师 ， 究方 向： 丁 １７ － ， 学 讲 研 电路及 系统 ， 处 理等 。 图像
实验三 图像的空域滤波
subplot(3,3,4), imshow(I3,[ ]), title('¸ß˹ÔëÉù¾ùÖµÂ˲¨ºóͼÏñ');
subplot(3,3,5), imshow(K), title('¼Ó½·ÑÎÔëÉùͼÏñ');
subplot(1,3,3), imshow(I2, [ ]), title('均值滤波后图像');
模版尺寸为[10，10]，对加有高斯噪声的图像进行均值滤波
I=imread('pout.tif');
J=imnoise(I,'gaussian', 0.02);
h=fspecial('average', 10);
2、分别采用不同大小的模板对加有噪声的图像进行均值滤波，用一个图像处理对话框显示原图像、加有噪声的图像及均值滤滤波，用一个图像处理对话框显示原图像、加有噪声的图像及中值滤波的图像。比较结果。
4、采用大小相同的模板对加有噪声的图像分别进行均值滤波和中值滤波，用一个图像处理对话框显示原图像、加有噪声的图像、均值滤波的图像及中值滤波的图像。比较结果。
J=imnoise(I,'gaussian', 0.02);
h=fspecial('average', 3);
I2=filter2(h, J);
subplot(1,3,1), imshow(I), title('原图像');
subplot(1,3,2), imshow(J), title('加高斯噪音后的图像');
三图像的平滑与锐化
实验三 图像的平滑与锐化一．实验目的1.掌握图像滤波的基本定义及目的；2.理解空域滤波的基本原理及方法；3.掌握进行图像的空域滤波的方法。
二．实验基本原理图像噪声从统计特性可分为平稳噪声和非平稳噪声两种。
统计特性不随时间变化的噪声称为平稳噪声；统计特性随时间变化的噪声称为非平稳噪声。
另外，按噪声和信号之间的关系可分为加性噪声和乘性噪声。
假定信号为S (t )，噪声为n (t )，如果混合叠加波形是S (t )+n (t )形式，则称其为加性噪声；如果叠加波形为S (t )［1+n (t )］形式， 则称其为乘性噪声。
为了分析处理方便，往往将乘性噪声近似认为加性噪声，而且总是假定信号和噪声是互相独立的。
1.均值滤波均值滤波是在空间域对图像进行平滑处理的一种方法，易于实现，效果也挺好。
设噪声η(m,n)是加性噪声，其均值为0，方差（噪声功率）为2σ，而且噪声与图像f(m,n)不相关。
除了对噪声有上述假定之外，该算法还基于这样一种假设：图像是由许多灰度值相近的小块组成。
这个假设大体上反映了许多图像的结构特征。
∑∈=s j i j i f M y x g ),(),(1),( (3-1)式(2-1)表达的算法是由某像素领域内各点灰度值的平均值来代替该像素原来的灰度值。
可用模块反映领域平均算法的特征。
对模板沿水平和垂直两个方向逐点移动，相当于用这样一个模块与图像进行卷积运算，从而平滑了整幅图像。
模版内各系数和为1，用这样的模板处理常数图像时，图像没有变化；对一般图像处理后，整幅图像灰度的平均值可不变。
(a) 原始图像 (b) 邻域平均后的结果图3-1 图像的领域平均法2.中值滤波中值滤波是一种非线性处理技术，能抑制图像中的噪声。
它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的象素很少，而图像则是由像素数较多、面积较大的小块构成。
在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。
多媒体实验3
广州大学学生实验报告开课学院及实验室：电子楼316日期：2014年3月31日学院机械与电气工程年级、专业、班电信112姓名孔志荣学号1107400052实验课程名称多媒体实验成绩实验项目名称实验三空域滤波增强指导老师高星辉实验目的空域滤波就是在图像空间中借助模板对图像进行邻域操作。
输出图像中每一个像素的取值都是通过模板对输入像素相应的邻域内的像素值进行计算得到的。
通过本实验，掌握空域滤波方法进行图像增强的理论基础，并在MATLAB中实现多种空域滤波器及其增强算法，观察增强效果并进行总结。
1.1实验内容（1）利用二个均值滤波模板（3×3和9×9）对一幅图象进行平滑，验证模板尺寸对图象的模糊效果的影响。
（2）利用平滑滤波模板对一幅有噪图象（椒盐噪声）进行滤波，检验两种滤波模板（分别使用一个3×3的线性均值滤波器和一个非线性3×3中值滤波器）对噪声的滤波效果。
（3）对图像分别使用最大值滤波器和最小值滤波器进行滤波，观察对比滤波效果。
（4）选择一幅灰度图象，利用拉普拉斯算子对其进行锐化滤波，观察增强效果。
1.2实验原理（1）使用conv2（）函数实现对图像和滤波器的二维卷积，实现空域滤波。
函数说明：conv2(f, h)：f为图像，h为滤波器。
（2）对被椒盐噪声污染的图像，使用中值滤波器可以取得非常有效的增强效果。
中值滤波使用medfilt2（）函数。
函数说明：medfilt2(f，[m n])：f是一幅图像，[m n]为求中值的邻域大小，默认值为3×3。
（3）使用ordfilt2（）函数，实现对图像最大值、最小值等非线性滤波。
函数说明：ordfilt2(f, order, domain)：对图像进行非线性滤波。
f是一幅图像；order为将指定邻域元素从小到大排序后，用第order个元素代替模板中心元素；domain定义模板大小，为m×n矩阵。
图像平滑处理的空域算法和频域分析
图像平滑处理的空域算法和频域分析1 技术要求对已知图像添加高斯白噪声,并分别用低通滤波器(频域法)和邻域平均法(空域法)对图像进行平滑处理(去噪处理),并分析比较两种方法处理的效果。
2 基本原理2.1 图像噪声噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。
实际获得的图像一般都因受到某种干扰而含有噪声。
引起噪声的原因有敏感元器件的内部噪声、相片底片上感光材料的颗粒、传输通道的干扰及量化噪声等。
噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。
根据噪声和信号的关系可以将其分为两种形式：（1）加性噪声。
有的噪声与图像信号g(x,y)无关，在这种情况下，含噪图像f(x,y)可表示为f(x,y)=g(x,y)+n(x,y)（2）乘性噪声。
有的噪声与图像信号有关。
这又可以分为两种情况：一种是某像素处的噪声只与该像素的图像信号有关，另一种是某像点处的噪声与该像点及其邻域的图像信号有关，如果噪声与信号成正比，则含噪图像f(x,y)可表示为f(x,y)=g(x,y)+n(x,y)g(x,y)另外，还可以根据噪声服从的分布对其进行分类，这时可以分为高斯噪声、泊松噪声和颗粒噪声等。
如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声，一般为加性噪声。
2.2 图像平滑处理技术平滑技术主要用于平滑图像中的噪声。
平滑噪声在空间域中进行，其基本方法是求像素灰度的平均值或中值。
为了既平滑噪声又保护图像信号，也有一些改进的技术，比如在频域中运用低通滤波技术。
（1）空域法在空域中对图像进行平滑处理主要是邻域平均法。
这种方法的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。
假定有一幅N*N 个像素的图像f(x,y)，平滑处理后得到一幅图像g(x,y)。
g(x,y)由下式决定式中，x,y=0,1,2,…，N-1；S 是(x,y)点邻域中点的坐标的集合，但其中不包括(x,y)点；M 是集合内坐标点的总数。
实验三_数字图像处理空域滤波
实验三空域滤波一实验目的1了解空域滤波的方法。
2掌握几种模板的基本原理。
二实验条件PC微机一台和MATLAB软件。
三实验内容1使用函数fspecial( ) 生成几种特定的模板。
2使用函数imfilter( ) 配合模板对图象数据进行二维卷积。
3比较各种滤波器的效果。
四实验步骤空域滤波一般分为线性滤波和非线性滤波。
空域滤波器根据功能分为平滑滤波器和锐化滤波器。
1）平滑空间滤波：平滑的目的有两种：一是模糊，即在提取较大的目标前去除太小的细节或将目标内的小间断连接起来；另一种是消除噪声。
线性平滑（低通）滤波器：线性平滑空域滤波器的输出是包含在滤波掩膜邻域内像素的简单平均值。
线性平滑滤波器也称为均值滤波器，这种滤波器的所有系数都是正数，对3*3的模板来说，最简单的是取所有系数为1，为了保持输出图像仍然在原来图像的灰度值范围内，模板与像素邻域的乘积都要除以9。
a用h=fspecial(‘average’) 得到的h 为3×3的邻域平均模板，然后用h来对图象lenna.gif进行平滑处理。
>> x=imread('lenna.gif');h=fspecial('average');y=imfilter(x,h);imshow(x);title('原始图像');subplot(1,2,2);imshow(y);title('均值滤波后图像')实验结果如图：b 把模板大小依次改为7×7，9×9和11×11，观察其效果有什么不同？>>x=imread('lenna.gif');subplot(1,4,1);imshow(x);title('原始图像');h=fspecial('average',7);y=imfilter(x,h);subplot(1,4,2);imshow(y);title('模板大小7*7的图像');h1=fspecial('average',9);y1=imfilter(x,h1);subplot(1,4,3);imshow(y1);title('模板大小9*9的图像');h2=fspecial('average',11);y2=imfilter(x,h2);subplot(1,4,4);title('模板大小11*11的图像')比较效果：造成图像的模糊，n选取的越大，模糊越严重。
数字图像处理实验报告
数字图像处理实验报告光信13-2班2013210191韩照夏数字图像处理实验报告实验一数字图像空间域平滑一、实验目的掌握图像空间域平滑的原理和程序设计；观察对图像进行平滑增强的效果。
二、实验设备计算机，Matlab程序平台。
三、实验原理图像平滑处理的目的是改善图像质量和抽出对象特征。
任何一幅未经处理的原始图像，都存在着一定程度的噪声干扰。
噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。
消除图像噪声的工作称为图像平滑或滤波。
针对不同噪声源（如光栅扫描、底片颗粒、机械元件、信道传输等）引起的不同种类噪声（如加性噪声、乘性噪声、量化噪声等），平滑方法也不同。
平滑可以在空间域进行，也可以在频率域进行。
1.局部平均法局部平滑法是一种直接在空间域上进行平滑处理的技术。
假设图像由许多灰度恒定的小块组成，相邻象素间存在很高的空间相关性，而噪声则是统计独立的。
因此，可用邻域内各象素的灰度平均值代替该象素原来的灰度值，实现图像的平滑。
对图像采用3×3的邻域平均法，其作用相当于用以下模板与图像进行卷积运算。
2. 超限象素平滑法 对邻域平均法稍加改进，可导出超限象素平滑法。
其原理是将f(x,y)和邻域平均g(x,y)差的绝对值与选定的阈值进行比较，根据比较结果决定点（x,y ）的最后灰度g ´(x,y)。
其表达式为3. 二维中值滤波中值滤波就是用一个奇数点的移动窗口， 将窗口中心点的值用窗口内各点的中值代替。
二维中值滤波可由下式表示常用的窗口有：四、实验步骤1.实验准备：打开计算机，进入Matlab 程序界面。
2.输入图像空间域平滑处理程序，程序如下：⎩⎨⎧>-= ),(),(),( ),,(),('其他，当y x f T y x g y x f y x g y x g )},({),(y x f Med y x g A=程序1.1 图像平滑处理clear;clc;I=imread('lena.jpg');subplot(3,2,1);imshow(I);title('原图像');I1=imnoise(I,'salt & pepper',0.02);subplot(3,2,2);imshow(I1);title('对I加椒盐噪声的图像');h2=fspecial('average',[3 3]);I2=imfilter(I1,h2,'replicate');subplot(3,2,3);imshow(I2);title('3×3邻域平滑');h3=fspecial('average',[5 5]);I3=imfilter(I1,h3,'replicate');subplot(3,2,4);imshow(I3);title('5×5邻域平滑');I4=I1;I4((abs(I1-I2))>64)=I2((abs(I1-I2))>64);subplot(3,2,5);imshow(I4);title('3×3超限象素平滑(T=64)'); I5=I1;I5((abs(I1-I3))>48)=I3((abs(I1-I3))>48);subplot(3,2,6);imshow(I5);title('5×5超限象素平滑(T=48)');程序1.2 图像平均平滑与中值滤波clear;clc;I=imread('lena.jpg');subplot(3,3,1);imshow(I);title('原图像');I1=imnoise(I,'gaussian',0.02);subplot(3,3,2);imshow(I1);title('高斯噪声');I2=imnoise(I,'salt & pepper',0.02);subplot(3,3,3);imshow(I1);title('椒盐噪声');h1=fspecial('average',[3 3]);I3=imfilter(I1,h1,'replicate');subplot(3,3,4);imshow(I3);title('对I1 3×3邻域平滑');h2=fspecial('average',[3 3]);I4=imfilter(I2,h2,'replicate');subplot(3,3,5);imshow(I4);title('对I2 3×3邻域平滑');I5=medfilt2(I1,[5 5]);subplot(3,3,6);imshow(I5);title('对I1 5×5中值滤波');I6=medfilt2(I2,[5 5]);subplot(3,3,7);imshow(I6);title('对I2 5×5中值滤波');3.运行图像处理程序，并保存处理结果图像。
图像平滑处理的空域算法和频域分析
%在第二个窗口中绘图 imshow(J);%显示加了高斯白噪声的图像 J title('噪声图')%命名为“噪声图” [m n]=size(f); %获取灰度图的大小 f=double(f);%转换 f 为双精度型 c=1/9*[1 1 1;1 1 1;1 1 1]; %3*3 模板 for i=1:m for j=1:n L=f(i:i,j:j).*c; %求点积 G(i,j)=sum(sum(L));%求和 end end subplot(2,3,3);image(G);%取第三个窗口 title('3*3 模板')%命名为“3*3 模板”
根据噪声和信号的关系可以将其分为两种形式： （1）加性噪声。有的噪声与图像信号 g(x,y)无关，在这种情况下，含噪图像 f(x,y)可 表示为
f(x,y)=g(x,y)+n(x,y) （2）乘性噪声。有的噪声与图像信号有关。这又可以分为两种情况：一种是某像素 处的噪声只与该像素的图像信号有关，另一种是某像点处的噪声与该像点及其邻域的图像 信号有关，如果噪声与信号成正比，则含噪图像 f(x,y)可表示为
5 调试过程及结论
在 MatLab 中输入邻域平均法程序代码后运行程序，得到输出结果如图 3 所示：
图 3 邻域平均法输出图像 由噪声图与滤波后的图像对比可看出，邻域平均法对抑制噪声有明显的效果，但随着 邻域的加大，就是随着模板的加大，图像的模糊程度也愈加严重。 在 MatLab 中输入低通滤波法程序代码后运行程序，得到输出结果如图 4 所示：
f(x,y)=g(x,y)+n(x,y)g(x,y) 另外，还可以根据噪声服从的分布对其进行分类，这时可以分为高斯噪声、泊松噪声 和颗粒噪声等。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀 分布的，则称它为高斯白噪声，一般为加性噪声。
空间域滤波器(实验报告)
数字图像处理作业——空间域滤波器摘要在图像处理的过程中,消除图像的噪声干扰是一个非常重要的问题。
本文利用matlab软件,采用空域滤波的方式,对图像进行平滑和锐化处理。
平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
本文使用的平滑滤波器有中值滤波器和高斯低通滤波器，其中，中值滤波器对去除椒盐噪声特别有效，高斯低通滤波器对去除高斯噪声效果比较好。
使用的锐化滤波器有反锐化掩膜滤波、Sobel边缘检测、Laplacian边缘检测以及Canny算子边缘检测滤波器。
不同的滤波方式，在特定的图像处理应用中有着不同的效果和各自的优势。
1、分别用高斯滤波器和中值滤波器去平滑测试图像test1和2，模板大小分别是3x3 ， 5x5 ，7x7；利用固定方差 sigma=1.5产生高斯滤波器. 附件有产生高斯滤波器的方法。
实验原理分析：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，其机理就是在待处理的图像中逐点地移动模板，滤波器在该点地响应通过事先定义的滤波器系数与滤波模板扫过区域的相应像素值的关系来计算。
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）。
空域滤波器从处理效果上可以平滑空间滤波器和锐化空间滤波器：平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
模板在源图像中移动的过程中，当模板的一条边与图像轮廓重合后，模板中心继续向图像边缘靠近，那么模板的某一行或列就会处于图像平面之外，此时最简单的方法就是将模板中心点的移动范围限制在距离图像边缘不小于（n－1）/2个像素处，单处理后的图像比原始图像稍小。
如果要处理整幅图像，可以在图像轮廓边缘时用全部包含于图像中的模板部分来滤波所有图像，或者在图像边缘以外再补上一行和一列灰度为零的像素点（或者将边缘复制补在图像之外）。
图像平滑处理的空域算法和频域分析
目录1 技术要求 (1)2 基本原理 (1)2.1 图像平滑 (1)2.2 图像噪声 (1)2.3 噪声处理 (1)3 建立模型描述 (1)4 源程序代码 (3)4.1 邻域平均法源程序 (3)4.2 低通滤波法源程序 (4)5 调试过程及结论 (5)6 心得体会 (8)7 参考文献 (8)图像平滑处理的空域算法和频域分析1 技术要求对已知图像添加高斯白噪声，并分别用低通滤波器和邻域平均法对图像进行平滑处理，并分析比较两种方法处理的效果。
2 基本原理2.1 图像平滑图像平滑的目的之一是消除噪声，其二是模糊图像。
在提取大目标之前去除小的细节或弥合目标间的缝隙。
从信号频谱角度看，信号缓慢变化的部分在频率域表现为低频，而迅速变化的部分变现为高频。
对图像而言，它的边缘，跳跃以及噪声等灰度变化剧烈的部分代表图像的高频分量，而大面积背景区和灰度变化区域代表图像低频分量。
因此，可以通过低通滤波即减弱或消除高频分量而不影响低频分量来是想图像平滑。
2.2 图像噪声噪声可以理解为“妨碍人们感觉器官对所接受的信信息理解的因素”。
也可以理解为不可预测的，只能用概率统计方法来认识的随机误差。
噪声可以借用随机过程及其概率密度函数来描述，通常用其数字特征，如均值，方差等。
2.3 噪声处理(1) 领域平均法领域平均法的思想是用像素及其指定领域内像素的平均值或加权平均值作为该像素的新值，以便去除突变的像素点，从而滤除一定的噪声。
(2) 低通滤波法低通滤波器允许低频成分通过，而抑制高频成分。
因此它能够去除图像的噪声，实现图像平滑作用。
当然这必然会引起图像模糊。
常用的是低通巴特沃斯滤波器。
3 建立模型描述1 领域平均法程序一开始利用函数imread（）将源图片读入，然后利用函数rgb2gray （）将其转换成灰度图像再利用函数Imnoise（）给图像添加高斯白噪声，再利用函数filter2（）分别分别生成3*3,5*5,7*7,9*9模板，并利用这些模板对灰度图像进行平滑处理，最后将灰度图像及处理后的图像全部输出，其流程图如图1所示。
数字图像处理实验 图像空间滤波
数字图像处理实验报告实验三图像空间滤波1、实验目的图像的空间滤波能够实现对图像锐化、亮度增强等操作，通过此功能能够得到所需图像，进行观察各种滤波器的区别与使用范围。
2、实验步骤（1）．通过如下污染一幅图像的方式创建一组带噪声的图像：•a加入高斯噪声 b加入椒盐噪声•使用如下技术:•创建2个平滑线形滤波器并分别对上述加噪图像实现线性滤波,比较其优劣, 并写入实验报告:•[ 1 1 1 [ 1 2 1• 1 1 1 2 4 2• 1 1 1 ] 1 2 1 ]（2）．实现中值滤波对上述加噪图像的处理结果,总结中值滤波和均值滤波各适合用于处理的噪声类型,并写入实验报告。
（3）.对一幅模糊的图像使用两种锐化空间滤波器进行增强，并比较效果。
3、实验源码(1)加入高斯噪声makeI=imnoise(W,'gaussian',0,0.005);figure,imshow(makeI);imwrite(makeI,'3-1-gaussian.jpg')(2)加入椒盐噪声makeI=imnoise(W,'salt & pepper',0.01);figure,imshow(makeI);imwrite(makeI,'3-1-salt.jpg')（3）创建两个平滑线性滤波器h=[1 1 1;1 1 1; 1 1 1]a.高斯噪声的图像I=imread('3-1-gaussian.jpg')K=rgb2gray(I)imshow(i)h=[1 1 1;1 1 1;1 1 1]I2 = filter2(h,K);imshow(I2,[]), colorbarb.椒盐噪声的图像W=imread('3-1-salt.jpg')T=rgb2gray(W)I2 = filter2(h,T);imshow(I2,[]), colorbarh=[1 2 1;2 4 2;1 2 1]a.高斯噪声的图像h=[1 2 1;2 4 2;1 2 1]I2 = filter2(h,i);imshow(I2,[]), colorbarb.椒盐噪声的图像I2 = filter2(h,T);imshow(I2,[]), colorbar实现中值滤波（椒盐），观察处理结果可知适于处理椒盐噪声R=imread('3-1-salt.jpg')T=rgb2gray(R)makeI=medfilt2(T,'symmetric');figure,imshow(makeI);实现中值滤波（高斯）R=imread('3-1-gaussian.jpg')T=rgb2gray(R)makeI=medfilt2(T,'symmetric');figure,imshow(makeI);4、实验截图原图加入高斯噪声后如下图：加入椒盐噪声后如下图：A.高斯噪声的图像处理如下：B ．椒盐噪声的图像处理如下：平滑线性滤波器h=[1 2 1；2 4 2；1 2 1] A ．对高斯噪声图像的处理如下：B．对椒盐噪声图像的处理如下：对已加入椒盐噪声的图像的处理如下：对已加入高斯噪声图像的处理如下：5、实验小结通过本次实验的观察：（1）、中值滤波更适于处理含有椒盐噪声的图像，噪声有明显的消除。
实验三图像滤波
实验三 图像滤波实验一、实验目的1.熟练掌握空域滤波中常用滤波器的原理；2.理解邻域平均、中值滤波降噪法等的图像增强原理；3.加深对图像增强的认识，巩固所学图像增强理论知识和相关算法；4.利用MATLAB 程进行图像滤波，观察增强效果。
二、实验原理以图像平滑为例：图像平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。
因为高频率分量主要对应图像中的区域边缘等灰度值较大变化较快的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。
实际应用中，平滑滤波还可用于消除突发噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。
1. 邻域平均法用窗口像素的平均值取代中心像素原来的灰度值。
邻域的选取通常有4-邻域和8-邻域。
∑∈=A y x y x f L j i g ),(),(1),( 2. 中值滤波与加权平均方式的平滑滤波不同，中值滤波是抑制噪声的非线性处理方法。
对于给定的n 个数值{a1,a2,…,an}，将它们按大小有序排列。
当n 为奇数时，位于中间位置的那个数值称为这n 各数值的中值。
当n 为偶数时，位于中间位置的两个数值的平均值称为这n 个数值的中值。
中值滤波，就是图像中滤波后的某像素输出值等于该像素邻域中各像素灰度的中值。
三、实验内容与步骤：按下面要求编写程序并运行对peppers.bmp 图像添加零均值“高斯”噪声，用3×3或9×9滑动平均模板进行降噪处理，观察平均降噪图像的效果。
1.对peppers.bmp 图像添加零均值“高斯”噪声程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(J);title('加噪处理后的图');运行结果如下：2.用3×3滑动平均模板进行降噪处理，观察平均降噪图像的效果程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);[H,W]=size(J);M=double(J);M1=M;for j=2:H-1for k=2:W-1M1(j,k)=[M(j-1,k-1)+M(j-1,k)+M(j-1,k+1)+M(j,k-1)+M(j,k)+M(j,k+1)+M(j+1,k-1) +M(j+1,k)+M(j+1,k+1)]/9;end;end;subplot(1,3,1);imshow(I);title('原图');subplot(1,3,2);imshow(J);title('加噪处理');subplot(1,3,3);imshow(uint8(M1),[]);title('3*3邻域平均降噪处理');运行结果如下：3.对peppers.bmp图像添加“椒盐”噪声，分别采用5×5的矩形、圆形及十字形窗口进行中值滤波处理，观察处理结果。
噪声平滑的方法
噪声平滑的方法
噪声平滑啥玩意儿？嘿，其实就是把那些乱七八糟的噪声给弄顺溜了呗！那咋弄呢？可以用滤波器啊！就像给声音或者图像戴个小口罩，把那些不想要的噪声给过滤掉。
注意哈，可别过滤过头了，不然重要的信息也给整没了。
这就好比做菜放盐，放少了没味儿，放多了齁得慌。
安全性咋样呢？一般来说挺安全的，不会把你的宝贝数据给弄坏喽。
稳定性也不错，只要方法用对，就跟个靠谱的小伙伴似的，稳稳当当帮你搞定噪声。
那这噪声平滑都能用在哪儿呢？拍照的时候啊，照片上有噪点，用它一弄，哇塞，画面瞬间清晰了有木有！还有录音的时候，那些滋滋啦啦的声音没了，听起来多舒服。
优势可不少呢，能让你的作品更完美，更专业，就像灰姑娘穿上水晶鞋，一下子变得高大上了。
比如说有个摄影师，拍了一组夜景照片，结果噪点多得吓人。
用了噪声平滑的方法后，照片变得美美的，就跟画儿似的。
这效果，杠杠的！
噪声平滑真的超棒，能让你的世界更安静、更美好。
大家赶紧用起来吧！。
图像空域滤波
姓名:朱慧娟班级:电子二班学号:410109060325实验三图像空域滤波一、实验目的1、了解空域滤波的基本原理及方法；2、掌握模板卷积运算的实现；3、掌握各种常用空域滤波器的特点和应用。
二、实验内容1、读入eight.tif，对图像添加椒盐噪声，把噪声图像保存为eightn.bmp。
分别用（3*3，5*5，7*7）模板对噪声图像进行中值滤波，在同一窗口显示噪声图像和滤波后图像，比较模板大小对滤波效果的影响。
2、读入eightn.bmp，根据均值滤波的运算过程，自己编程实现图像平滑，显示平滑效果（不用函数）。
3、读入图像eight.tif、eightn.bmp，分别用laplacian算子其进行滤波，分析滤波效果。
laplacian算子应注意什么问题？试自己重新处理eightn.bmp。
三、实验程序及结果1.1 实验程序clear; %清除变量a=imread('eight.tif'); %读入图像eight.tif，并记为ab=imnoise(a,'salt & pepper',0.04); %给图像a加模拟椒盐噪声，并记为图像bimwrite(b,'e:\ZHJ\eightn.bmp','bmp'); %将b写入，及生成图eightn.bmpc=medfilt2 (b,[3 3],'zeros'); %用3*3中值滤波器模版对b滤波，滤波后图像记为c d=medfilt2 (b,[5 5],'zeros'); %用5*5中值滤波器模版对b滤波，滤波后图像记为d e=medfilt2 (b,[7 7],'zeros'); %用7*7中值滤波器模版对b滤波，滤波后图像记为e figure; %建立图表subplot(2,2,1); %将图表分成四部分，第一部分imshow(b); %显示图像btitle('加噪声图像'); %将显示的b图像命名为‘加噪声图像’subplot(2,2,2); %将图表分成四部分，第二部分imshow(c); %显示图像ctitle('3*3模板滤波'); %将显示的c图像命名为‘3*3模板滤波’subplot(2,2,3); %将图表分成四部分，第三部分imshow(d); %显示图像dtitle('5*5模板滤波'); %将显示的d图像命名为‘5*5模板滤波’subplot(2,2,4); %将图表分成四部分，第四部分imshow(e); %显示图像etitle('7*7模板滤波'); %将显示的e图像命名为‘7*7模板滤波’1.2 实验结果1.3 实验结果分析由实验结果可以知道，模版越大，滤除椒盐噪声的效果越好，但同时也模糊了图像，特别使图像的一些细节变的模糊。
数字图像处理实验03图像的平滑滤波
一、数字图像处理实验实验三 图像的平滑滤波一、实验目的图像平滑主要目的是减少噪声。
噪声有很多种类，不同的噪声有不同的抑制措施。
本实验要求用平滑线性滤波和中值滤波2种最典型、最常用的处理算法进行程序设计，学习如何对已被噪声污染的图像进行“净化”。
通过平滑处理，对结果图像加以比较，得出自己的实验结论。
二、实验内容1．编写并调试窗口尺寸为m m ×的平滑滤波函数。
2．编写并调试窗口尺寸为m m ×的中值滤波函数。
三、实验原理图像平滑滤波可分为空间域和频率域两种方法。
在空间域内可以用邻域处理来减少噪声。
在频率域，因为噪声频谱多在高频段，可以采用各种形式的低通滤波办法来减少噪声。
空间域邻域处理包括：(1)定义中心点),(y x ；(2)仅对预先定义的以),(y x 为中心点的邻域内的像素进行运算；(3)令运算结果为该点处处理的响应；(4)对图像中的每一点重复此步骤。
移动中心点会产生新的邻域，而每个邻域对应于输入图像上的一个像素。
通常邻域是远比图像尺寸小的一规则形状，如正方形 m m × 或近似表示圆等形状的多边形。
若邻域的大小为n m ×，则总共需要mn 个系数。
这些系数排列为一个矩阵，我们称其为滤波器、掩模、滤波掩模、模板或窗口。
对于一个大小为n m ×的模板，假定12+=a m 且12+=b n ，其中a 和b 为非负整数。
所有假设都是基于模板的大小应均为奇数的原则，处理奇数尺寸的模板会更加直观，因为它们都有唯一的一个中心点。
若对邻域中像素的计算为线性运算时，则此运算称为线性空间滤波（也称为空间卷积）；否则，我们称此运算为非线性空间滤波。
1. 平滑线性滤波空间域图像平滑线性滤波器是一种最常用的线性低通滤波器，其处理方法是在待处理图像),(y x f 中逐点地移动模板，在每个点),(y x 处的响应是模板系数与直接在模板下的相应像素的乘积之和，作为处理后图像),(y x g 的像素值。
数字图像处理-- 图像平滑
实验三图像平滑一．实验目的1.掌握图像平滑的目的和常用方法：低通滤波和中值滤波2.了解噪声产生的主要来源，及常用的噪声。
二．实验内容及步骤1. 模拟噪声生成I=imread('cameraman.tif');I1= imnoise(I,'gaussian');I2= imnoise(I,'salt & pepper',0.02);imshow(I);figure,imshow(I1);figure,imshow(I2);（1）原图像（2）受高斯噪声污染的图像（3）受椒盐噪声污染的图像2.平均值滤波对噪声消除的效果以及对原图像的平滑代码如下：I=imread('cameraman.tif');I1=imnoise(I,'salt & pepper',0.02);I2=imnoise(I,'gaussian');H1=[1/9 1/9 1/9;1/9 1/9 1/9;1/9 1/9 1/9];J=imfilter(I,H1);J1=imfilter(I1,H1);J2=imfilter(I2,H1);imshow(J);figure,imshow(J1);figure,imshow(J2);（a）原图像滤波后（b）受高斯噪声污染图像滤波后（c）受椒盐噪声污染图像滤波3.中值滤波I=imread('cameraman.tif');I1=imnoise(I,'salt & pepper',0.02);I2=imnoise(I,'gaussian');J1=medfilt2(I1,[3,3]); %3×3 中值滤波模板J2=medfilt2(I2,[3,3]); %3×3 中值滤波模板J3=medfilt2(I1,[5,5]); %5×5 中值滤波模板J4=medfilt2(I2,[5,5]); %5×5 中值滤波模板figure,imshow(J1);figure,imshow(J2);figure,imshow(J3);figure,imshow(J4);（e）（f）（g）（i）*4. 频率域低通滤波（1）构建二维滤波器 h：[f1,f2]=freqspace(25, 'meshgrid');Hd=zeros(25,25);d=sqrt(f1.^2+f2.^2)<0.5; %（0.5 为截止半径大小）Hd(d)=1;h=fsamp2(Hd);figure,freqz2(h,[64,64]);图-(4)（2）用所构建的二维滤波器对以上图像进行滤波。
实验报告三图像的平滑滤波
实验报告三姓名：学号：班级：实验日期： 2016.5.10 实验成绩：实验题目：图像的平滑滤波一．实验目的（1）熟练掌握空域平滑滤波的原理、方法及其MATLAB实现。
（2）分析模板大小对空域平滑滤波的影响，线性和非线性方法对空域平滑滤波增强效果的影响，比较不同滤波器的处理效果，分析其优缺点。
二．实验原理平滑滤波器用于模糊处理和降低噪声，它经常用于预处理任务中，例如在大目标中提取之前去除图像中的一些琐碎细节，它使用模板确定的领域内图像的平均灰度值代替图像中每个像素的值，但结果降低了图像灰度的尖锐变化；而中值滤波器则是对邻域内的灰度值进行排序后取其中值作为该点的值，能降低噪声的同时减少模糊度。
三．实验内容及结果（1）选择一副图像fig620.jpg，分别选择3×3，7×7，25×25等平均模板进行均值滤波模糊处理，并对不同尺寸的滤波器模板操作后的图像进行比较。
图1不同大小模板的均值滤波图（2）选择一副图像circuit.jpg，对图像加入椒盐噪声，检验两种滤波模板（3×3平均模板和3×3的非线性模板中值滤波器）对噪声的滤波效果。
、图2均值和中值滤波图四．结果分析（1）观察图一，可以发现原图经过3*3的均值滤波器后小圆点和小a以及右边的四块点区显得特别模糊，经过7*7的均值滤波器后图片上所有东西都几乎模糊已经开始看不见了，到25*25的时候就更加看不见了，这表明当目标的灰度与其相邻像素的灰度接近时，就会导致模糊目标的混合效应，且模板的大小由那些即将融入背景的物体尺寸决定。
（2）观察图二，发现加入椒盐噪声的图呈现出随机分布的黑白斑点，用均值滤波后，噪声并未消除多少，且图片反而变得更加模糊了，而经过中值滤波器之后噪声不但得到了有效的消除，同时图片也并没怎么模糊，这是因为均值处理是对一个邻域内的灰度值求平均值，改变邻域是靠滤波器模板的移动的，相邻邻域总会有部分元素相同，这就增加了两个邻域的相关性，最终增加了滤波之后相邻像素灰度值的相关度，模糊了结果，而中值滤波器由于是选取中值，两邻域的中值基本是独立的，所以不会造成太大的模糊，且椒盐噪声一黑一白完全是端点值，在噪声密度不太大和模板大小足够的情况下很有效。
数字图像多噪声多均值平滑设计与实现
学号本科毕业设计学院专业年级姓名设计题目数字图像多噪声多均值平滑设计与实现指导教师职称年月日目录摘要 (1)Abstract (1)1绪论 (2)1.1数字图像处理的背景 (2)1.2数字图像处理的发展及应用 (2)1.3 数字图像处理均值滤波研究的意义 (3)1.4 MATLAB图形用户界面（GUI） (3)1.5 本文的主要工作及结构安排 (3)2 数字图像多噪声多均值平滑的原理 (4)2.1 数字图像处理基础 (4)2.2 噪声函数 (5)2.3 均值平滑滤波 (8)3 数字图像多噪声多均值平滑设计实验 (9)3.1 改变模板（窗）的算法 (9)3.2改变模板（窗）的形状 (10)3.3改变模板（窗）的大小 (10)3.4改变噪声类型 (12)3.5 GUI模块仿真与实现 (12)4总结与展望 (17)4.1总结 (17)4.2展望 (17)参考文献 (19)附录： (20)数字图像多噪声多均值平滑设计与实现摘要：由于系统在图像处理过程中，处在比较复杂的环境中，图像会受到由仪器和环境产生的各种各样的噪声干扰。
在一定情况下，噪声会变成可见的颗粒状覆盖在图像上，不仅使图像在视觉上质量下降，可能还会使一些重要的细节丢失，为此必须对图像进行滤波除噪平滑处理。
常用的滤波手段有线性滤波器和非线性滤波器。
而采用线性滤波，能在一定程度上有效的还原因受到噪声干扰而质量变差的图像。
本论文是在图像受到多种噪声如椒盐噪声、高斯噪声、随机噪声、乘性噪声、泊松噪声污染的情况下，在MATLAB中使用多种均值算法如算术均值、几何均值、谐波均值等，由多种形状的窗进行除噪，以此观察对多种噪声使用多种均值除噪的效果。
最后运用MATLAB中GUI进行仿真。
关键词：多噪声；算术均值；几何均值；谐波均值；除噪；GUIDigital image noise mean smoother design andimplementationAbstract：Because the system during processing of the image, in more complex environments, the image will be all kinds of noise generated by the instrument and the environment. In some cases, the noise will become visible on the particle shape covering the image of not only the Visual quality of the image may also cover some important details, which requires filtering process the image. Commonly used means of filtering were linear filters and effects filters. Using linear filter was an effective way to resolve the image polluted by various noise ,which had poor quality. This papers was in images polluted by variety noise as salt and pepper noise, Gaussian noise, random noise,took sex noise and parking pine noise pollution of situation,Using variety were value algorithm as arithmetic geometry and harmonic ,by variety shape of window for except noise, to this observation on variety noise using variety are value except noise of effect. Last using a graphical user interface developed in MATLAB environment to achieve.Keywords: more noise; arithmetic mean value; geometric mean; harmonic mean; filtering noise；guide1绪论1.1数字图像处理的背景在计算机中，图像是以数字的方式存储与工作的，也就是说，数字图像其实是用数字信号来表示的图像[1]。
(按模板)实验三 图像的平滑滤波比较实验目的及原理(2017年春)
班级：姓名：学号：实验三图像的平滑滤波比较目的1、理解图像滤波的基本定义及目的；2、掌握空域滤波的基本原理及方法；3、掌握用MATLAB语言进行图像的空域滤波的方法。
原理一、多次相加求平均降噪1．完成人为的往一幅图像中加入噪声，并通过多次相加求平均的方法消除所加入的噪声。
在MATLAB中提供了给图像加入噪声的函数imnoiseimnoise的语法格式为J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回对原始图像I添加典型噪声的有噪图像J。
参数type和parameters用于确定噪声的类型和相应的参数。
下面的命令是对图像eight.tif分别加入高斯噪声、椒盐噪声和乘性噪声，其结果如图所示：例：I=imread('eight.tif');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02);J3=imnoise(I,'speckle',0.02);subplot(2,2,1),imshow(I),title('原图像');subplot(2,2,2),imshow(J1),title('加高斯噪声');subplot(2,2,3),imshow(J2),title('加椒盐噪声');subplot(2,2,4),imshow(J3),title('加乘性噪声');代数运算中需要有若干幅带有随机噪声的图像数据，在这里我们运用MATLAB 中的FOR循环语句来完成产生多幅带有噪声的图像数据及将这些图像数据进行相加运算。
MATLAB中FOR END循环的用法如下：for end循环这种循环允许一组命令以固定的和预定的次数重复，循环的一般形式为：for variable = expressionstatementsend2、均值滤波模块系数都是１,为保持灰度值范围（算得R后要将其除以系数总个数）在MATLAB图像处理工具箱中，提供了medfilt2函数用于实现中值滤波。
图像平滑实验报告
图像平滑实验报告图像平滑实验报告一、引言图像平滑是数字图像处理中的一项重要任务，其目的是减少图像中的噪声，使图像更加清晰和易于分析。
在本实验中，我们将使用不同的平滑滤波器对一幅图像进行处理，并比较它们的效果。
二、实验方法1. 实验材料我们选择了一张包含噪声的测试图像作为实验材料，该图像包含了不同频率和强度的噪声。
2. 实验步骤（1）加载测试图像：我们使用Python的OpenCV库加载测试图像，并将其转换为灰度图像，以便于后续处理。
（2）添加噪声：为了模拟真实场景中的图像噪声，我们使用随机函数在图像中添加高斯噪声和椒盐噪声。
（3）平滑滤波器处理：我们选择了三种常用的平滑滤波器，包括均值滤波器、中值滤波器和高斯滤波器。
分别对添加噪声的图像进行处理，并记录处理后的图像。
（4）性能评估：使用图像质量评估指标，如均方误差（MSE）和峰值信噪比（PSNR），来评估不同滤波器的性能。
三、实验结果我们将实验结果分为以下几个部分进行讨论。
1. 均值滤波器均值滤波器是一种简单的平滑滤波器，它通过计算邻域像素的平均值来实现图像平滑。
在我们的实验中，我们选择了不同大小的邻域窗口进行均值滤波。
结果显示，随着邻域窗口大小的增加，噪声的减少效果也越明显。
然而，较大的窗口大小也会导致图像细节的模糊。
因此，在选择均值滤波器时，需要根据具体应用场景平衡噪声减少和图像细节保留之间的关系。
2. 中值滤波器中值滤波器是一种非线性平滑滤波器，它通过计算邻域像素的中值来实现图像平滑。
在我们的实验中，我们选择了不同大小的邻域窗口进行中值滤波。
结果显示，中值滤波器在去除椒盐噪声方面表现出色。
它能够有效地去除孤立的噪点，但对于较大的噪点区域效果不明显。
因此，中值滤波器在处理椒盐噪声图像时是一种有效的选择。
3. 高斯滤波器高斯滤波器是一种线性平滑滤波器，它通过对邻域像素进行加权平均来实现图像平滑。
在我们的实验中，我们选择了不同的滤波器尺寸和标准差。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验三图像噪声与空域平滑设计
一、实验目的与要求
1、了解图像噪声的概念，会对图像中的噪声做降噪处理；
2、理解常用的的图像平滑算法；
3、编程实现对所给图像进行噪声的添加，并用多种算法去噪并分析结果。
二、知识点
1、图像噪声
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；
2、常用的空域平滑算法
目前比较经典的图像去噪算法主要有以下三种：
（1）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。
（2）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。
（3）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。
三、实验内容
1、对一幅图像分别加入椒盐噪声和高斯噪声
利用上述3个梯度算子对给定的位图文件进行边缘检测。
对edge函数中的T和dir给出不同的值,观察结果的不同。
以某一个剃度算子为例，得到T 的默认值，并将T的值分别给出大于和小于默认值，并给出实验结果。
进行分析。
2、利用上述3个梯度算子对所检测边缘的宽度进行对比分析。
3、利用LOG算子对给定的位图文件进行边缘检测。
4、对梯度算子与LOG算子的图像边缘检测效果进行分析。
5、自己定义一个微分算子，如sobel，利用卷积操作进行图像的平滑处理，得到结果。
conv2（h，f），h表示算子模板，f表示要卷积的图像。
将卷积的结果显示出来。
6、利用数字滤波器进行滤波，首先定义一个滤波器，H=fspecial(‘sobel’), 滤波器中的参数可以是‘sobel’、‘prewitt’、‘laplacian’等，然后对图像进行加噪处理，如g1=imnoise(f,’salt&pepper’,0.02)，最后进行滤波g3= filter2(H,f，‘same’)，对滤波后的图像进行显示，比较常用的算子滤波结果的不同。
四、考核要点
1、3个梯度算子和LOG算子对图像边缘检测的效果图像；
2、3个梯度算子和LOG算子对图像边缘检测的效果对比分析。
五、实验报告要求
1、报告中必须有合理的实验方案；
2、给出相应的实验步骤和程序；
3、根据不同的边缘提取方法，要有相应的实验效果图；
4、对实验结果进行分析，对比。