对一幅图像进行基本处理

对一幅图像进行基本处理
1.引言
图像是自然界景物的客观反映，是各种观测系统以不同形式和手段观测客观世界而获得的。

人的视觉系统实际上就是一个观测系统，可通过它得到客观景物在人眼中形成的影像。

图像信息不仅包含光通量分布，而且还包含人类视觉的主观感受。

随着图像处理技术的成熟，图像作为更直接更丰富的信息载体，正在成为越来越重要的研究对象。

基本的图像处理有：图像压缩、去噪、滤波、增强、融合等。

2.几种基本图像处理
1）图像去噪
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的图像进行理解或分析的各种因素。

它影响图像处理的输入、采集、出来的各个环节以及输出结果的全过程。

去噪已经成为图像处理中极其重要的步骤。

(1)均值滤波器
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图象中的颗粒噪声。

领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。

(2)中值滤波器
它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。

中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且,在实际运算过程中不需要图象的统计特性,这也带来不少方便,但对一些细节多,特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。

(3)小波去噪
这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。

小波分析进行图像去噪主要有3个步骤:a.对图象信号进行小波分解。

b.对经过层次分解后的高频系数进行阈值量化。

c.利用二维小波重构图象信号。

2）图像增强
图像增强问题的基本目标是对图像进行一定的处理，使其结果比原图更适合特定的应用领域。

主要是通过时域和频域处理两种方法来解决。

时域方法通过直接在图像点上作用算子或掩码来解决，频域方法通过修改傅里叶变换系数来解决。

时域方法方便快速但会丢失很多点之间的相关信息，频域方法可以很详细地
分离出点之间的相关，但计算量比较大。

而小波分析是以上两种方法的权衡结果，将两幅图像分解为大小、位置和方向都不同的分量，在做里变换之前可以改变小波变换域中某些系数的大小，这样就能够有选择地放大所感兴趣的分量而减少不需要的分量。

3.实验过程
源程序清单
(1)对加入高斯噪声的图像进行处理：
clear;
w0=imread(‘a.jpg’); %读入图片到w0
figure(1);
imshow(w0); %显示原图片
w1=rgb2gray(w0); %灰化图片
figure(2)；
imshow(w1); %显示灰化后的图片
w2=imnoise(w1,’gaussian’,0.1,0.002); %加入高斯噪声
figure(3);
imshow(w2)；%显示加入噪声后的图像
h=ones(3)；%均值滤波，生成3*3的全1矩阵h h=h/9; %把矩阵变成全1/9
w3=conv2(w2,h)；%进行二维卷积
figure(4)；
imshow(w3,[ ]); %显示均值滤波结果
for m=2:size(w0,1)-1 %中值滤波
for n=2:size(w0,2)-1 %循环矩阵w0中除了边缘外每一点a=w0(m-1:m+1,n-1:n+1); %a等于该点周围3×3矩阵
b=reshape(a,1,9); %把a转化为1×9矩阵
b=sort(b); %对b升序排序
I(m,n)=b(5); %该点值等于中值b（5）
end;
end;
figure(5) %显示中值滤波结果
imshow(w0);
实验结果：
原图
灰化后图像
加入高斯噪声后图像
均值滤波结果
中值滤波结果
(2)对加入椒盐噪声的图像进行处理：
M=imread('a.jpg')；
subplot(3,3,1)；
M=rgb2gray(M);
imshow(M)；%显示原始图像
title('original')；
P1=imnoise(M,'salt & pepper',0.02)；%加入椒盐躁声
subplot(3,3,2)；
imshow(P1)；%加入椒盐躁声后显示图像title('salt & pepper noise')；
h=medfilt2(P1)；%对椒盐躁声中值滤波subplot(3,3,3)；
imshow(h)；
title('medfilter salt & pepper noise')；
%对椒盐躁声算术均值滤波d=conv2(P1,l)；
subplot(3,3,4)；
imshow(d,[])；
title('arithmeticfilter salt & pepper noise')；
（3）小波分析用于图像去噪：
load wmandril;
subplot(221);image(X)；colormap(map);
title(‘a’)；
axis square;
init=2055615866;
randn(‘seed’,init);
x=X+38*randn(size(X));
subplot(222);image（x）；colormap(map);
title(‘b’);
axis square;
[c,s]=wavedec2(x,2,’sym4’);
a1=wrcoef2(‘a’,c,s,’sym4’);
subplot(223)；image(a1);
title(‘c’);
axis square;
a2=wrcoef2(‘a’,c,s,’sym4’,2);
subplot(224);image(a2);title(‘d’);
axis square;
4.总结
对含有高斯噪声和“椒盐”噪声的图像进行三种去噪算法处理的结果。

对含高斯噪声的图像进行去噪处理，如图所示。

通过对以上实验结果进行对比分析，可以得出以下结论：(1)对于均值滤波，图像中噪声含量很少，说明均值滤波对均值为零的高斯噪声有较好的抑制作用。

但均值滤波对“椒盐”噪声的去除效果不明显。

这是因为“椒盐”噪声均值不为零，均值滤波只是将某点出现的噪声强度，
让周围的数据平均分担了，所以得到的结果是噪声幅值减小，但是噪声点的颗粒面积同时变大。

受到噪声污染的图像信息经均值滤波后，噪声得到了一定的抑制，但是由于均值滤波的算法设计，使得图像边缘变得比较模糊。

(2)对于中值滤波，由图像中噪声较多，影响了图像的基本信息，说明中值滤波对高斯噪声的抑制效果不明显。

这是因为高斯噪声使用随机大小的幅值污染所有的点，因此无论怎样进行数据选择，得到的始终还是被污染的值。

而中值滤波对去除“椒盐”噪声可以起到很好的效果，因为椒盐噪声只在画面中的部分点上随机出现，所以根据中值滤波原理可知，通过数据排序的方法，将图像中未被噪声污染的点代替噪声点的值的概率比较大，因此噪声的抑制效果很好，同时画面的清晰度基本保持。

中值滤波与均值滤波相比，虽然算法略为复杂，但是对画面清晰度的保持方面却比均值滤波好很多。

(3)对于小波变换，对高斯噪声有比较好的抑制作用，而且，在去除噪声的同时可以较好地保持图像的细节。

图像上的“椒盐”噪声很明显，说明小波变换对“椒盐”噪声的去除没有多大效果。

小波变换是一种时频局部化分析方法。

即随着分辨率的降低，噪声的小波变换值逐渐减小，信号占主导地位；而随着分辨率的提高，噪声的小波变换值增大，信号被噪声淹没。

所以，对小波变换，提高分辨率和有效去除噪声，两者不可兼得。

本文根据不同的噪声类型，分析讨论了均值滤波、中值滤波和小波变换3种图像去噪处理的方法原理和应用范围，以及它们在去除几种典型噪声方面的性能优劣和视觉效果对比，得出了结论。

抑制噪声和保持图像中的细节往往是一对矛盾，也是图像处理中尚未很好解决的问题。

如何将各种算法进行改进，得到一种新的兼有细节保护和噪声抑制的优良特性的算法，使其去噪效果更为理想，应用更为广泛，这是图像处理工作的目标，也是今后的研究方向。