同时含有椒盐噪声和高斯噪声的图像消噪处理

合集下载

中值滤波和均值滤波

中值滤波和均值滤波

中值滤波和均值滤波中值滤波和均值滤波是数字图像处理中常用的两种滤波方法,它们在图像去噪和平滑处理中起着重要的作用。

本文将从原理、应用以及优缺点等方面介绍这两种滤波方法。

一、中值滤波中值滤波是一种非线性滤波方法,其基本原理是用像素点周围邻域内的中值来代替该像素点的灰度值。

中值滤波可以有效地去除图像中的椒盐噪声和脉冲噪声,同时能够保持图像的边缘信息。

其处理过程如下:1.选取一个模板,模板的大小根据噪声的程度来确定;2.将模板中的像素点按照灰度值大小进行排序,取其中位数作为中心像素点的灰度值;3.将中心像素点的灰度值替换为中值;4.重复以上步骤,对整个图像进行滤波。

中值滤波的优点是能够有效地去除椒盐噪声和脉冲噪声,同时保持图像的边缘信息。

然而,中值滤波也存在一些缺点,例如不能处理高斯噪声和均匀噪声,对图像细节信息的保护效果较差。

二、均值滤波均值滤波是一种线性平滑滤波方法,其基本原理是用像素点周围邻域内的平均值来代替该像素点的灰度值。

均值滤波可以有效地去除高斯噪声和均匀噪声,同时能够保持图像的整体平滑。

其处理过程如下:1.选取一个模板,模板的大小根据滤波效果来确定;2.计算模板内所有像素点的灰度值的平均值;3.将中心像素点的灰度值替换为平均值;4.重复以上步骤,对整个图像进行滤波。

均值滤波的优点是能够有效地去除高斯噪声和均匀噪声,同时能够保持图像的整体平滑。

然而,均值滤波也存在一些缺点,例如不能处理椒盐噪声和脉冲噪声,对图像细节信息的保护效果较差。

中值滤波和均值滤波在图像处理中各有优劣。

中值滤波适用于去除椒盐噪声和脉冲噪声,能够保持图像的边缘信息,但在处理高斯噪声和均匀噪声时效果较差。

而均值滤波适用于去除高斯噪声和均匀噪声,能够保持图像的整体平滑,但对于细节信息的保护效果较差。

在实际应用中,根据图像的特点和噪声的类型选择合适的滤波方法是很重要的。

如果图像受到椒盐噪声和脉冲噪声的影响,可以选择中值滤波进行去噪处理;如果图像受到高斯噪声和均匀噪声的影响,可以选择均值滤波进行平滑处理。

加噪去噪的方法与引用场景

加噪去噪的方法与引用场景

加噪去噪的方法与引用场景
加噪和去噪是数字图像处理中的重要概念。

以下是几种加噪和去噪的方法,以及它们的引用场景:
加噪的方法:
1. 添加高斯噪声:在图像中添加高斯噪声可以模拟图像在传输或记录过程中受到的随机误差。

高斯噪声是一种以正态分布形式出现的随机噪声。

2. 添加椒盐噪声:椒盐噪声是一种由图像传感器、传输信道等引起的随机误差,表现为图像中突然出现的白点或黑点。

添加椒盐噪声可以模拟这种情况。

去噪的方法:
1. 中值滤波:中值滤波器是一种非线性滤波器,可以将图像中的噪声去除。

中值滤波器对某个区域内的所有像素值进行排序,并将中值作为输出,对于去除椒盐噪声特别有效。

2. 高斯滤波:高斯滤波器是一种线性滤波器,通过将每个像素的值替换为其邻域内像素的加权平均值来去除噪声。

高斯滤波适用于去除高斯噪声。

3. 傅里叶变换:傅里叶变换可以将图像从空间域转换到频率域,通过在频率域中进行滤波操作,再反变换回空间域,可以达到去除噪声的效果。

傅里叶变换可以用于去除各种类型的噪声。

引用场景:
1. 医学图像处理:在医学领域,图像处理技术广泛应用于诊断、治疗和手术导航等方面。

去噪算法可以用于提高医学图像的清晰度和可读性,帮助医生更准确地诊断病情。

2. 遥感图像处理:遥感图像经常受到噪声的干扰,影响其质量和解译效果。

去噪算法可以提高遥感图像的信噪比,从而提高遥感数据的可利用性和可靠性。

3. 通信系统:在通信系统中,噪声是影响信号传输质量的重要因素之一。

通过去噪算法可以降低噪声对信号的影响,提高通信系统的性能和可靠性。

高斯噪声和椒盐噪声公式

高斯噪声和椒盐噪声公式

高斯噪声和椒盐噪声公式全文共四篇示例,供读者参考第一篇示例:高斯噪声和椒盐噪声是数字图像处理中常见的两种噪声类型,对图像质量有着不同程度的影响。

在图像处理中,我们经常需要对噪声进行消除或降低,因此了解这两种噪声的特点和产生公式对于图像处理非常重要。

一、高斯噪声高斯噪声又称为白噪声,它是在图像中产生的一种随机噪声。

在实际应用中,由于各种因素如传感器的不确定性、环境的干扰等,会导致图像中出现高斯噪声。

一般来说,高斯噪声是服从高斯分布的随机变量产生的噪声。

高斯噪声的数学模型可以表示为:f'(x,y) = f(x,y) + n(x,y)f'(x,y)表示受到高斯噪声干扰后的图像像素值,f(x,y)表示原始图像像素值,n(x,y)表示高斯噪声。

高斯噪声的特点是均值为0,方差为\sigma^2,即:n(x,y) \sim N(0,\sigma^2)\sigma^2越大,噪声的强度越大。

高斯噪声对图像的影响主要体现在增加了图像的灰度值的随机性,使图像变得模糊、失真,降低了图像的质量。

在图像处理中需要采取相应的降噪措施来消除高斯噪声的影响。

二、椒盐噪声椒盐噪声是另一种常见的噪声类型,它的特点是在图像中突然出现明显的黑白点,类似于图像中加入了颗粒状的盐和胡椒。

椒盐噪声通常是由于数据采集或传输过程中发生错误导致的,例如传感器故障、数据损坏等。

f'(x,y) = \begin{cases}f(x,y), & p < q \\0, & q \leq p < 2q \\L-1, & 2q \leq p\end{cases}椒盐噪声的特点是不规则性强,严重干扰了图像的视觉效果,使图像的质量大幅下降。

处理椒盐噪声是图像处理中的一个重要问题。

三、高斯噪声和椒盐噪声的区别1. 高斯噪声是符合高斯分布的随机噪声,其幅值变化在一个比较小的范围内,呈现连续性;而椒盐噪声是不规则的黑白点分布,呈现离散性。

基于MATLAB滤波算法对图像噪声信号处理的实现

基于MATLAB滤波算法对图像噪声信号处理的实现

技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号:82-946《现场总线技术应用200例》软件时空肖玉芝:讲师在读博士基金项目:支持舆情服务的藏汉机器翻译关键技术研究,编号:2010CB334708,973计划前期研究专项申请人:赵海兴基金项目:国家高技术研究发展计划863项目No.2007AA03Z241申请人:赵海兴基于MATLAB 滤波算法对图像噪声信号处理的实现Signal processing of image noise filtering algorithm based on MATLAB(1.青海师范大学;2.陕西师范大学)肖玉芝1,2XIAO Yu-zhi摘要:结合中值滤波和均值滤波算法,通过MATLAB 语言设计程序,对嵌入了椒盐和高斯噪声的图像进行滤波处理。

结果表明,中值滤波方法适于去除椒盐噪声,同时能较好保护图像边界,均值滤波适合于去除高斯噪声。

关键词:MATLAB;中值滤波;均值滤波;噪声信号中图分类号:TN957.52文献标识码:BAbstract:Combination of median filter and mean filter algorithm,embedded in the image of the Salt &Pepper and Gaussian noise filtered by the MATLAB language program.The results show that Median filtering method is suitable to remove the salt and pepper noise,and better protect the image boundary,the mean filter for removal of Gaussian noise.Key words:MATLAB;median filtering;mean filter;noise signal文章编号:1008-0570(2012)10-0478-031引言随着网络技术、计算机技术和通信技术的迅速发展,数字处理技术作为信息(文本、图像、音视频)的数字化处理技术得到学者的广泛关注,同时出现了许多新的应用领域。

基于matlab的图像高斯噪声和椒盐噪声的滤除

基于matlab的图像高斯噪声和椒盐噪声的滤除

基于matlab的图像高斯噪声和椒盐噪声的滤除目录摘要第一章高斯平滑滤波的原理第二章试验要求及试验步骤设计2.1试验要求2.2试验步骤设计2.3结论参考文献摘要图像信号在产生、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、中值滤波和维纳滤波,他们分别对某种噪声的滤除有较好的效果,但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好,在这里我们分别用多种方法对图像噪声进行处理,对比使用效果。

关键词:图像去噪、常见噪声、多种方法、使用效果。

绪论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。

一幅原始图像在获取和传输过程中会受到各种噪声的干扰,使图像质量下降,对分析图像不利。

反映到图像画面上,主要有两种典型的噪声。

肝脏超声图像降噪处理的两种方法比较

肝脏超声图像降噪处理的两种方法比较

肝脏超声图像降噪处理的两种方法比较作者:徐立乔智郑祖添穆佳乐来源:《电脑知识与技术》2019年第11期摘要:医学图像是复杂图像可以反映人体内部的各个组织信息,包含的大量的医学信息,进行处理时非常困难。

现代医学图像一般采用超声成像技术,其在疾病的预防、诊断、治疗中起到了很好的辅助作用;而图像在形成过程中由于受到多种不确定因素的影响会产生斑点噪声。

本文在对肝脏超声图像降噪时选取中值滤波和小波阈值两种降噪方法对常见噪声如高斯噪声、椒盐噪声进行降噪处理。

通过实验对比发现小波阈值降噪方法对图像降噪效果方面要优于中值滤波降噪方法。

关键词:肝脏超声图像;降噪处理;中值滤波;小波阈值中图分类号:TP311 文献标识码:A文章编号:1009-3044(2019)11-0209-02现代医学图像处理一般采用的是超声成像技术。

超声成像技术具有成本低廉、实时成像、对人体健康几乎无影响等优点,因此在医学中得到广泛应用。

以B超图像为例,在图像成像的过程中会受到各种噪声因素的干扰,如X射线源噪声、电光系统成像噪声、机械物理噪声及在成像过程中其它设备元件产生的噪声影响,尤其是当超声波波长与被检查的物体表面粗糙程度相近时,就会产生斑点噪声。

在这些噪声的影响下所获得的图像会变得不清晰,可能会降低图像的识别度,掩盖某些重要的细节信息,从而增加医生对病人情况诊断的困难。

本文中为了抑制噪声对于肝脏超声图像的影响,我们对图像进行了降噪处理。

采用了中值滤波和小波阈值这两种方法进行降噪处理,并对这两种方法的降噪结果进行效果比较。

1 降噪方法的原理1.1中值滤波中值滤波是非线性平滑技术之一,由于其实现过程简单实用,对脉冲噪声、椒盐噪声滤除效果显著,其在滤除噪声的过程中,同时还能够对图像的边缘进行保留,使图像直观明显,因此在抑制噪声中普遍应用。

中值滤波的原理是用一点的邻域中各点值的中值替换数字图像或数字序列中点的值。

1.2小波阈值降噪小波阈值收缩法是Donoho和Johnstone提出的图像降噪方法,其理论依据为:在整个小波域内,信号能量只集中在有限的几个小波系数内,而噪声能量却遍布了整个域。

Python-给图像添加椒盐噪声和高斯噪声

Python-给图像添加椒盐噪声和高斯噪声

Python-给图像添加椒盐噪声和⾼斯噪声椒盐噪声和⾼斯噪声在噪声的概念中,通常采⽤信噪⽐(Signal-Noise Rate, SNR)衡量图像噪声。

通俗的讲就是信号占多少,噪声占多少,SNR越⼩,噪声占⽐越⼤。

在信号系统中,计量单位为dB,为10lg(PS/PN), PS和PN分别代表信号和噪声的有效功率。

在这⾥,采⽤信号像素点的占⽐充当SNR,以衡量所添加噪声的多少。

椒盐噪声⼜称为脉冲噪声,它是⼀种随机出现的⽩点(盐噪声)或者⿊点(椒噪声)。

⾼斯噪声是指它的概率密度函数服从⾼斯分布(即正态分布)的⼀类噪声。

原图:代码:import cv2import numpy as npfrom matplotlib import pyplot as pltfrom PIL import Imageimport randomdef gasuss_noise(image, mean=0, var=0.001):'''添加⾼斯噪声mean : 均值var : ⽅差'''image = np.array(image/255, dtype=float)noise = np.random.normal(mean, var ** 0.5, image.shape)out = image + noiseif out.min() < 0:low_clip = -1.else:low_clip = 0.out = np.clip(out, low_clip, 1.0)out = np.uint8(out*255)return outdef sp_noise(image,prob):'''添加椒盐噪声prob:噪声⽐例'''output = np.zeros(image.shape,np.uint8)thres = 1 - probfor i in range(image.shape[0]):for j in range(image.shape[1]):rdn = random.random()if rdn < prob:output[i][j] = 0elif rdn > thres:output[i][j] = 255else:output[i][j] = image[i][j]return outputimg = cv2.imread("1.jpg")gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 添加椒盐噪声,噪声⽐例为 0.02out1 = sp_noise(img, prob=0.02)# 添加⾼斯噪声,均值为0,⽅差为0.009out2 = gasuss_noise(img, mean=0, var=0.009)cv2.imshow('out1',out1)cv2.imwrite('sp.png',out1)cv2.imshow('out2',out2)cv2.imwrite('gasuss.png',out2)cv2.waitKey(0)cv2.destroyAllWindows()实验结果⾼斯(gasuss)椒盐(sp)。

数字图像实验报告一图像的加噪处理与几何变换

数字图像实验报告一图像的加噪处理与几何变换

实验一图像的加噪处理与几何变换一、实验目的1.给Lena图像加高斯噪声,椒盐噪声,均匀分布噪声,观察图像;用平滑滤波器(均值滤波器,中值滤波器)分析效果。

2.对lena图像作裁剪、放大、缩小、旋转、平移等几何变换。

二、实验内容1.采用中值滤波、均值滤波对受椒盐噪声干扰的图像滤波;2.采用中值滤波、均值滤波对受高斯噪声干扰的图像滤波;3.采用中值滤波、均值滤波对受均匀噪声干扰的图像滤波;4.将图像lena.bmp裁剪成200X200大小;5.制作动画,将一幅图像逐渐向左上角平移移出图像区域,空白的地方用白色填充;6.利用剪切图像函数制作动画;7.将图像分别放大1.5倍和缩小0.8倍,插值方法使用双线性插值法,分别显示图像;8.将图像水平镜像,再顺时针旋转45度,显示旋转后的图;9.将图像分别进行水平方向30度错切,垂直方向45度错切,分别显示结果。

三、实验步骤(一)采用中值滤波,均值滤波对受椒盐噪声干扰的图像滤波a = imread('E:\实验报告\数字图像处理实验报告\lena.jpg');%读取图像b = rgb2gray(a); %转化为灰度图像%给图像加入噪声I = imnoise(b,'salt & pepper')%椒盐噪声%扩展矩阵,生成待处理矩阵n = 3;%模板阶数m = (n-1)/2;[p,q] = size(I);PI = zeros(p+2*m,q+2*m);%待处理矩阵for i = 1:pfor j = 1:qPI(i+m,j+m) = I(i,j);endendfor i = 1:pfor ii = 1:mPI(i+m,ii) = I(i,1);PI(i+m,q+m+ii) = I(i,q);endendfor j = 1:qfor jj = 1:mPI(jj,j+m) = I(1,j);PI(p+m+jj,j+m) = I(p,j);endendfor ii = 1:mfor jj = 1:mPI(ii,jj) = I(1,1);PI(q+m+ii,jj) = I(p,1);PI(ii,p+m+jj) = I(1,q);PI(q+m+ii,p+m+jj) = I(p,q);endend%中值滤波&均值滤波derta = zeros(n,n);%n阶模板矩阵PImid = PI;PImean = PI;for i = m+1:p+mfor j = m+1:q+mfor k = 1:mfor h = 1:mderta(k,h) = PI(i+k-m-1,j+h-m-1);derta(k,m+1) = PI(i+k-m-1,j);derta(k,n-h+1) = PI(i+k-m-1,j+m+1-h); derta(m+1,h) = PI(i,j+h-m-1);derta(m+1,m+1) = PI(i,j);derta(m+1,n-h+1) = PI(i,j+m+1-h);derta(n-k+1,h) = PI(i+m+1-k,j+h-m-1);derta(n-k+1,m+1) = PI(i+m+1-k,j);derta(n-k+1,n-h+1) = PI(i+m+1-k,j+m+1-h);PImid(i,j) = median(median(derta));%中值滤波PImean(i,j) = round(mean(mean(derta)));%均值滤波endendendend%输出结果Imid = zeros(p,q);Imean = zeros(p,q);for i = 1:pfor j = 1:qImid(i,j) = PImid(i+m,j+m);Imean(i,j) = PImean(i+m,j+m);endend%显示结果figure()subplot(2,2,1);imshow(b); title('原图像');subplot(2,2,2);imshow(I);title('加入椒盐噪声的图像');subplot(2,2,3);imshow(Imid,[0,255]);title('中值滤波处理后的图像'); subplot(2,2,4);imshow(Imean,[0,255]);title('均值滤波处理后的图像');生成图像如下:由图可见,对于椒盐噪声,中值滤波效果更好。

图像去噪算法的研究

图像去噪算法的研究
\ \ \
文章编号 : 1 0 0 7 — 1 4 2 3 ( 2 0 1 4 ) 0 5 — 0 0 2 8 — 0 4
图 形 囝 像
D OI : 1 0 . 3 9 6 9 6 . i s s n . 1 0 0 7 — 1 4 2 3 . 2 0 1 4 . 0 5 . 0 0 6
值滤波 。 维纳滤波对高斯噪声有很好的抑制效果 . 与此同时 , 维纳 滤波却容 易丢失边缘信 息且对椒盐噪声几乎没有 去
噪作用。
关键词 :
椒 盐噪声 ; 高斯噪声 ;中值滤波 ; 均值滤波 ; 维纳滤波
基金项 目:
国 家 大学 生创 新 创 业 项 目( N o . 2 0 1 2 1 0 7 2 2 0 2 8 )
去 噪 和模 糊 二 者 之 间 应 该 具 有 一个 清 楚 的衡 量标 准
5 结语
本文针对高斯 噪声 和椒盐 噪声 的去噪问题展开分
析, 分 别 使 用 中值 滤 波 、 均值 滤 波 和维 纳 滤 波 对 这 两 种
噪声进行 去噪 . 仿 真结果 表明 . 均值 滤波和维纳滤波对 于高斯 噪声具有 较好的效果 . 但 是这两个去噪方法都 会对 图像 造成一定的边缘信息丢失现象 . 并且维纳滤
参考文献:
『 l 1 周品 , 李晓东. Ma t L a b数 字 图像 处 理 『 M1 . 北京: 清 华 大 学 出版 社 , 2 0 1 2
『 2 1 张铮 , 王艳平霹 桂香 . 数字图像处理与机器视觉: V i s u a l c + + 与 Ma t L a b实现『 M1 . 北京: 人 民邮电出版社 , 2 0 1 0
缘信息且对椒盐噪声几乎没有去噪效果 。

图像去噪算法性能与对比分析

图像去噪算法性能与对比分析

图像去噪算法性能与对比分析引言:图像去噪是数字图像处理领域的重要研究内容之一,其目的是将存在于图像中的噪声信号或干扰信号去除,提高图像质量。

随着数字图像处理技术的发展,现在有许多不同类型的图像去噪算法被广泛应用于图像处理领域。

本文将对几种主流的图像去噪算法进行性能与对比分析。

一、经典去噪算法1. 均值滤波器均值滤波器是一种简单且广泛使用的图像去噪算法。

它通过计算像素周围邻域像素的平均值来取代该像素的值。

然而,均值滤波器的性能有限,对于复杂的噪声类型效果较差。

2. 中值滤波器中值滤波器是另一种常见的图像去噪算法。

它基于中心像素周围邻域像素值的中值来替代该像素的值。

中值滤波器能够有效地去除椒盐噪声等离群点噪声,但对于高斯噪声效果较差。

3. 总变差去噪(TV)总变差去噪是一种最小化图像总变差的优化算法。

它基于假设图像在相邻像素之间具有平滑性。

总变差去噪算法在去噪图像的同时能够保持图像的边缘和细节信息,因此在去除噪声的同时能够保持图像的清晰度。

二、基于机器学习的去噪算法1. 自编码器自编码器是一种无监督学习算法,通过将输入映射到隐藏层,再将隐藏层的特征映射重构为输出层,从而实现对输入信号的噪声去除。

自编码器通过对训练样本的学习来还原输入信号,从而能够保留原始图像的重要信息,同时去除噪声。

2. 条件生成对抗网络(CGAN)条件生成对抗网络是一种通过生成模型来进行图像去噪的算法。

它引入条件信息,将噪声图像作为输入,并生成一个与原始输入噪声图像对应的真实图像。

CGAN通过生成器和判别器之间的对抗学习来实现去噪效果的优化。

三、性能与对比分析1. 去噪效果比较:经典去噪算法如均值滤波器和中值滤波器能够有效去除一些简单的噪声,但对于复杂的噪声类型如高斯噪声等效果不佳。

基于机器学习的去噪算法如自编码器和CGAN则能够更好地处理复杂的噪声类型,恢复图像的清晰度和细节信息。

2. 处理速度比较:经典去噪算法通常具有较快的处理速度,适用于实时应用场景。

毕业设计--基于双边滤波的图像去噪的方法

毕业设计--基于双边滤波的图像去噪的方法

学号:1008431110本科毕业论文(设计)(2014届)基于双边滤波的图像去噪方法院系电子信息工程学院专业通息工程姓名指导教师讲师2014年4月摘要双边滤波是非线性的滤波方法,是结合图像的像素值相似度空间邻近度和空间领近度的一种折衷处理,同时考虑灰度相似性和空域信息,达到保边去噪的目的。

双边滤波具有简单、非迭代、局部的特点。

双边滤波器的好处是可以做边缘保存,一般过去用的维纳滤波或者高斯滤波去降噪,都会较明显地模糊边缘,对于高频细节的保护效果并不明显。

双边滤波比高斯滤波多了一个高斯方差,它是基于空间分布的高斯滤波函数,所以在边缘附近,离的较远的像素不会影响到边缘上的像素值,这样就保证了边缘附近像素值的保存。

但是由于保存了过多的高频信息对于彩色图像里的高频噪声,双边滤波器不能够彻底的滤掉,只能够对于低频信息进行较好的滤波。

其具体的操作方法有两个,第一个是高斯模版,用个模板对图像中的每一个像素值进行扫描,然后把某一点和其邻域内像素的加权平均值代替那一个中心的值高斯滤波器是根据高斯函数的形状来选择其权值的线性平滑滤波器,高斯滤波是线性平滑滤波的一种,最适合去除的噪声类型是服从正态分布的噪声。

第二个是以灰度级的差值作为函数系数生成的模板。

然后这两个模板点乘就得到了最终的双边滤波模板,最后得到双边滤波处理后的图像。

关键词:图像;去噪;双边滤波;高斯滤波AbstractThe bilateral filter is a nonlinear filtering method, is the combination of image pixel value similarity space proximity and space brought a compromise approach degree, considering the gray similarity and spatial information, to achieve the purpose of edge preserving denoising. The bilateral filter has the advantages of simple, non iterative, local. The bilateral filter is good to do edge preservation,generally used Wiener filtering or Gauss filter to denoise, will obviously fuzzy edge, for the protection of high frequency detail is not obvious. Bilateral filtering than Gauss filter has a Gauss variance, it is Gauss filter function based on the spatial distribution, so near the edge, the pixel will not affect the farther to the pixel on the edge of the value, thus ensuring the preservation of edge pixel values. But because of the high frequency information saved too much for the high frequency noise in the color image, the bilateral filter can not be completely filtered out, can only be better filtering for the low frequency information. The specific operation method has two, the first is Gauss template, scanning for each pixel in the image with a template, and then the weighted one point and its neighborhood pixels instead of the average value of a central value Gauss filters are linear smoothing filter to select the weights based on the Gauss function the shape, the Gauss filter is a linear smoothing filter for noise removal, the type is subject to normally distributed noise. The second is the difference of gray level as function coefficients generated templates. Then the two template dot get bilateral filtering template final, finally get the image after bilateral filtering.Key words: Image ;Denoising;Bilateral Filtering;Gauss Filtering目录摘要 (I)ABSTRACT (II)1 引言 (1)1.1 课题的研究背景及意义 (1)1.2 国内外研究现状 (1)1.3 图像噪声及图像去噪方法 (2)1.4 图像质量评价方法 (5)1.5论文研究目标及结构安排 (9)2 双边滤波理论 (7)2.1双边滤波定义 (7)2.2双边滤波器的设计 (7)3 图像去噪的方法 (9)3.1 中值滤波介绍 (9)3.2 高斯滤波介绍 (11)4 双边滤波实验结果 (17)4.1结果图片 (17)5 论文总结 (18)参考文献 (19)1 引言1.1 课题的研究背景及意义当今社会已经进入了一个高度信息化的阶段,人们对信息的需求越来越多。

基于matlab的图像高斯噪声和椒盐噪声的滤除

基于matlab的图像高斯噪声和椒盐噪声的滤除
ห้องสมุดไป่ตู้
二、中值滤波
给定的图像为二维信号,利用中值滤波函数 去除图像中的噪声过程如下:
(1)使用imread()读入原始的彩色图像。
(2)因为使用中值滤波器只能对灰度图像进行处理, 所以利用rgb2gray()将彩色图像转化为灰度图像。 (3)用imnoise()在灰度图像中加入椒盐噪声。 (4)利用medfilt2()函数进行中值滤波,并在matlab环 境下运行。
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
基于matlab的图像高斯噪 声和椒盐噪声的滤除
图像平滑处理
1 2 3 4
噪声 中值滤波
均值滤波
小结
一、噪声
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。
二、中值滤波 优点: 缺点:
克服线性滤波器所带来的图像细节模糊, 对所有象素点采用一致的处理,在滤 而且对滤除脉冲干扰及图像扫描噪声最为有 除噪声的同时有可能改变真正象素点的值, 效。但是对一些细节多,特别是点、线、尖 引入误差,损坏图像的边缘和细节。该算 顶细节多的图像不宜采用中值滤波的方法。 法对高斯噪声和均匀分布噪声就束手无策。 对去除椒盐噪声很有效。

干扰滤波去噪方法

干扰滤波去噪方法

干扰滤波去噪方法1. 统计滤波: 通过对一系列采样数据进行统计分析,确定噪声的统计特性,并将其用于滤波,以实现去噪目的。

2. 中值滤波: 将窗口内的像素值进行排序,取中间值作为滤波结果,能够有效去除椒盐噪声和斑点噪声。

3. 小波变换去噪: 基于小波变换的多尺度分析,对信号进行去噪处理,可保留信号的细节特征。

4. Kalman滤波: 一种递归滤波算法,基于系统动态模型和观测值,对含有噪声的系统状态进行估计和去噪。

5. 自适应滤波器: 根据信号和噪声的实时特性,自动调整滤波器参数,能够有效适应不同噪声环境。

6. 高斯滤波: 基于高斯函数对信号进行加权处理,适用于平稳高斯噪声的去除。

7. 自适应中值滤波: 结合中值滤波和自适应阈值的方法,能够在不同噪声水平下进行有效去噪。

8. 布尔腐蚀滤波: 利用形态学处理技术,对二值图像进行去噪处理,保留图像轮廓和形状。

9. 自适应高斯滤波: 根据图像局部像素方差调整滤波器参数,能够有效处理不同噪声强度区域。

10. 累积滤波: 基于累积统计信息的滤波方法,对输入信号进行逐步更新滤波,有效去除随机噪声。

11. 时域滤波器: 基于时域分析的滤波方法,适用于对时间序列信号进行去噪处理。

12. 频域滤波器: 基于频域分析的滤波方法,通过傅里叶变换将信号转换到频域进行去噪处理。

13. 自适应中值滤波: 根据局部像素邻域的特性,动态调整滤波器参数以适应不同噪声水平,能够有效去除椒盐噪声和斑点噪声。

14. 动态滤波: 针对信号的变化动态调整滤波器参数,适用于噪声随时间变化的场景。

15. 非局部均值滤波: 基于图像块的相似性进行去噪处理,能够有效保留图像细节。

16. 复数小波去噪: 利用小波变换分析信号的复数特性,对信号进行去噪处理,适用于复数信号的处理场景。

17. 维纳滤波: 基于信号和噪声的功率谱,利用线性滤波方法对信号进行去噪处理。

18. 自适应加权中值滤波: 根据信号的特性和噪声的强度,动态调整滤波器的权重以实现去噪处理。

医学像处理技术的噪声去除方法

医学像处理技术的噪声去除方法

医学像处理技术的噪声去除方法在医学图像处理技术中,噪声是一个常见且严重的问题。

噪声的存在会对图像的质量和准确性产生负面影响,因此,开发一种有效的噪声去除方法对于医学图像的应用至关重要。

本文将介绍几种常见的医学图像噪声去除方法,并比较它们的优缺点。

一、平滑滤波法平滑滤波法是最简单且常见的噪声去除方法之一。

其基本原理是利用相邻像素的平均值或加权平均值来替代噪声像素的值。

常用的平滑滤波方法包括均值滤波、中值滤波和高斯滤波。

均值滤波法通过计算像素周围邻域像素的平均值来平滑图像,但它对于边缘细节的保护较差;中值滤波法则是用局部邻域的中值来代替噪声像素,对于椒盐噪声有较好的去除效果;高斯滤波则通过与邻域像素的加权平均来平滑图像,它能在一定程度上保留图像的细节。

二、小波变换法小波变换是一种时频分析方法,它通过将信号分解为不同频率的小波子带来表示信号。

在医学图像处理中,小波变换被广泛应用于噪声去除。

小波变换可以将信号的低频成分与高频成分相分离,然后通过对高频成分进行阈值去噪处理来实现图像的去噪。

小波变换法具有较好的去噪效果,可以有效地去除多种噪声,但它的计算复杂度较高。

三、非局部均值滤波法非局部均值滤波法(Non-local Means,简称NLM)是一种基于相似性原理的图像去噪方法。

该方法通过计算图像中每个像素与其他像素之间的相似性来过滤噪声。

具体来说,NLM方法将每个像素与图像中所有其他像素进行比较,并计算它们之间的相似度。

然后,通过对相似度进行加权平均来计算噪声像素的值,从而实现去噪的目的。

NLM方法具有较好的去噪效果,尤其擅长去除高斯白噪声和椒盐噪声。

四、偏微分方程法偏微分方程法(Partial Differential Equation,简称PDE)是一种通过偏微分方程对图像进行去噪的方法。

PDE方法通过定义一个能量函数来描述图像噪声与图像细节之间的平衡关系,并使用偏微分方程对能量函数进行最小化求解。

图像去噪技术中的常见问题及解决方案

图像去噪技术中的常见问题及解决方案

图像去噪技术中的常见问题及解决方案图像去噪是数字图像处理中一项重要的技术,它的主要目标是去除图像中的噪声,让图像变得更加清晰和易于分析。

然而,在实际应用中,图像去噪技术也面临着一些常见问题。

本文将介绍图像去噪技术中的常见问题,并提供相应的解决方案。

首先,图像去噪技术中常见的问题之一是误差过大。

由于图像去噪算法的设计都存在着一定的局限性,因此会产生误差。

这些误差可能会导致图像的细节损失或者不真实的结果。

解决这个问题的一个常见方案是采用多种图像去噪算法的组合。

通过将多个算法的结果进行加权平均或者取最优值,可以减小误差并改善图像的质量。

其次,图像去噪技术还面临着选择合适的滤波器的问题。

滤波器的选择直接影响了去噪的效果和最终图像的质量。

不同的滤波器在去除噪声的同时,可能会引入一些图像模糊或者伪影。

为了解决这个问题,研究人员提出了许多不同的滤波器,并提供了相应的评估指标来帮助选择合适的滤波器。

根据图像的特性和噪声的类型,可以选择适合的滤波器,从而得到更好的去噪效果。

此外,图像去噪技术中还常见的一个问题是对于不同类型的噪声,需要采用不同的处理方法。

例如,椒盐噪声和高斯噪声是常见的图像噪声类型,它们具有不同的统计特性和分布。

针对不同的噪声类型,可以采用不同的去噪方法。

椒盐噪声通常采用中值滤波器进行去除,而高斯噪声则适合使用基于统计模型的滤波器。

了解不同噪声类型的特点和对应的处理方法,可以提高去噪效果。

此外,图像去噪技术还常常受到图像细节保留的问题的困扰。

一些图像去噪算法在去除噪声的同时,可能会破坏或者模糊图像的细节信息。

例如,线性滤波器在去除噪声时也会模糊图像的边缘信息。

为了解决这个问题,研究人员提出了一些保持图像细节的改进算法。

这些算法通过在去噪过程中对图像细节进行保护或增强,来保持图像的清晰度和细节。

此外,图像去噪技术中还存在着计算复杂度高的问题。

一些高级的图像去噪算法在处理大尺寸的图像时,可能需要大量的计算资源和时间。

图像去噪实验报告

图像去噪实验报告

姓名:学号:图像去噪——数字图像处理实验二报告一、实验目的1. 熟悉图像高斯噪声和椒盐噪声的特点;2. 掌握利用均值滤波和中值滤波去除图像噪声的方法。

二、实验内容1. 打开Matlab 编程环境。

2. 读入图像,在图像上分别添加高斯噪声和椒盐噪声。

3. 显示原图像和噪声图像。

4. 对噪声图像进行均值滤波和中值滤波处理。

5. 显示处理效果图。

三、实验程序及结果1.实验程序2.实验结果图 1. 原图像图2. 加入噪声后的图像图3. 处理后的图像四、实验思考:1. 比较均值滤波和中值滤波的对高斯噪声和椒盐噪声图像的处理效果,分析原理?答:(1).从实验结果可以看出:○1对于加了椒盐噪声的图像,利用中值滤波抑制噪声得到的效果更好;○2对于加了高斯噪声的图像,利用均值滤波抑制噪声得到的效果更好;○3均值滤波是图像变得平滑、模糊;○4中值滤波对高斯噪声的抑制作用更差,中值滤波适合处理含椒盐噪声的图像。

(2).分析如下:○1椒盐噪声包含椒噪声(低灰度值)和盐噪声(高灰度)。

若进行中值滤波,对模板中的像素从小到大排列,取模板中排在中间位置的像素值来替代原来的像素值,则最亮和最暗的点一定被排在两侧,排在中间位置的像素值接近原像素值,这样就能达到滤除噪声的目的。

若进行均值滤波,用模板中全体像素点均值来替代原来的像素值,则较大和较小的像素值对结果影响大,这样就把椒盐噪声平均到了最终结果中,不利于滤除噪声。

○2高斯噪声是服从高斯分布(即正态分布)的噪声。

若进行中值滤波,则随机地将噪声像素点的灰度值加到了最终得到的像素值中,不利于滤除噪声。

若进行均值滤波,则可以将高斯噪声取平均隐含于最终得到的像素值中,能较好地滤除噪声。

○3由于均值滤波是用模板中全体像素点均值来替代原来的像素值,所以它在降低噪声的同时会使图像模糊,特别是边缘和细节处。

而且邻域越大,在去噪能力增强的同时模糊程度也越严重。

○4由于中值滤波对模板中的像素从小到大排列,取模板中排在中间位置的像素值来替代原来的像素值,则最亮和最暗的点一定被排在两侧,排在中间位置的像素值接近原像素值,所以中值滤波对去除椒盐噪声有奇效。

MATLAB技术图像降噪教程

MATLAB技术图像降噪教程

MATLAB技术图像降噪教程引言:图像降噪是数字图像处理中的重要任务之一,它旨在减少图像中的噪声和干扰,提高图像的质量和视觉效果。

MATLAB是一种广泛使用的工具,它提供了许多功能强大的工具箱和函数,用于数字图像处理和分析。

在本教程中,我们将介绍一些在MATLAB中进行图像降噪的常用技术和方法。

一、图像噪声简介图像噪声是由各种因素引起的图像中的不希望的非结构化信息。

噪声可以降低图像的质量,并影响后续的图像处理和分析。

主要的图像噪声类型包括高斯噪声、椒盐噪声和泊松噪声等。

了解图像噪声的类型和特点对于选择合适的降噪方法非常重要。

二、图像降噪方法1. 基于滤波器的降噪方法滤波器是一种常用的图像降噪方法。

MATLAB提供了许多经典的滤波器,如均值滤波器、中值滤波器和高斯滤波器。

这些滤波器通过对图像进行平滑或去除异常值的操作,来减少噪声的影响。

例如,可以使用MATLAB中的medfilt2函数来执行中值滤波,该函数可以有效地去除椒盐噪声。

2. 基于小波变换的降噪方法小波变换是一种多尺度分析方法,常用于图像降噪。

MATLAB提供了丰富的小波函数和工具箱,如wavedec2和waverec2。

通过对图像进行小波分解和重构,可以将噪声和信号分离,然后对噪声进行滤除。

使用小波变换进行图像降噪需要选择合适的小波基函数和阈值参数,以达到最佳的降噪效果。

3. 基于深度学习的降噪方法近年来,深度学习在图像处理领域取得了巨大的突破。

MATLAB提供了深度学习工具箱,可以用于训练和应用深度学习模型。

对于图像降噪任务,可以使用卷积神经网络(CNN)进行建模和训练。

通过使用大量的图像数据进行训练,深度学习模型可以自动学习图像中的噪声分布和特征,并实现高质量的图像降噪效果。

三、降噪实例演示我们将通过一个具体的图像降噪实例来演示MATLAB中的图像降噪技术。

假设我们有一张受到高斯噪声干扰的图像,我们将使用不同的方法对其进行降噪。

1. 基于滤波器的降噪方法首先,我们将使用均值滤波器对图像进行降噪。

数字图像中高斯噪声的消除汇总

数字图像中高斯噪声的消除汇总

数字图像中高斯噪声的消除摘要本文主要研究图像同时受到高斯噪声的滤除。

实际图像在形成、传输的过程中,由于各种干扰因素的存在会受到噪声的污染,而且可能同时受到多种噪声的干扰,如脉冲噪声、高斯噪声、均匀噪声等。

噪声,被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因素。

对噪声的认识非常重要,它影响图像的输入、采集、处理的各个环节以及结果输出全过程,特别是图像的输入采集过程中,若输入中含有大量噪声,必然影响处理全过程及输出结果。

图像再传输的过程中会受到高斯噪声的影响,使图像模糊。

本文概述了几种空域和频域滤波的基本原理。

对低通滤波、维纳滤波中、值滤波和均值滤波四种去噪方法去除零均值不同标准差的高斯噪声叠加进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。

关键字: 滤波MATLAB 高斯噪声低通滤波维纳滤波中值滤波均值滤波目录摘要 (2)数字图像中高斯噪声的消除 (1)1噪声与图像 (1)1.1噪声的概念 (1)1.2常见的噪声及其对图像的影响 (1)1.3 含噪模型 (1)1.4常见的滤波器简介 (2)1.5 高斯噪声模型 (2)2图像质量的评价 (3)2.1 主观评价 (3)2.2 客观评价 (3)3图像去噪原理 (5)3.1低通滤波器 (5)3.2维纳滤波器 (5)3.3中值滤波器 (6)3.4均值滤波器 (6)4 用MATLAB程序处理 (6)4.1 Matlab编程 (6)4.2运行结果 (7)5总结 (8)I6参考文献 (9)附录1 (10)II数字图像中高斯噪声的消除1噪声与图像1.1噪声的概念噪声可以理解为“ 妨碍人们感觉器官对所接收的信源信息理解的因素”。

例如一幅黑白图片,其平面亮度分布假定为,那么对其接收起干扰作用的亮度分布即可称为图像噪声。

数字图像的主要是来源于图像的获取和传输过程,图像传感器的工作情况会受到各种因素的影响,如图像获取的环境条件,器件的质量,电磁干扰等都是产生噪声的因素。

基于图像统计信息的去椒盐噪声算法

基于图像统计信息的去椒盐噪声算法
2 2
这样 , 可以根据图像像 素中心邻 域内的 统计信 息来判 断 中心像素点是否受到 椒盐噪声污染。 如图 2 和图 3 所示 , 假如模板的大小为 n
波:
~
奇 数 ), 模 板 中 心 单 元 及 其 邻 域 的 权 值 为 w - n- 1, - n- 1, w - n- 1, - n- 3, !, w 0, 0 , !, w n- 1, n- 3 , w n- 1, n- 1, 图像中 心像 素及其 邻
图 1 清晰图像和噪声干扰图像
, j i
的 T 倍 , 中心像素的噪声响应函数值
C i, j = 1, 即认为中心像素受到椒盐噪声的 干扰 ; 反之 , 中心像 素的噪声响应函数值 C i, j = 0。 最后 , 应用式 ( 4) 对原来 有椒 盐噪 声干 扰的 图像 进行 滤 n ( n 一 般为
0 引言
目前 , 计算机视觉中由于采集的图像包含有椒盐噪声、 高 斯噪声、 瑞利噪 声和 周期 噪声 等 , 因此 需要 对图 像进 行预 处 理 平滑滤波 [ 1] 。人 们对 于不 同的 图 像噪 声设 计 了许 多
[ 2- 3]
统计排序滤波器的主 要作用 是消除 椒盐噪 声 : 最 大值 滤 波器可以消除胡椒噪声 ; 最小值滤波器可以消除盐白噪声 ; 中 值滤波器可以同时消除胡椒噪声和盐白噪声 [ 1] 。 统计排序滤波器的优 点是在 对图像 进行去 噪 , 消 除椒 盐 噪声的影响。它的缺点是需要对中心点邻域范围内的像素 进 行排序。这样算法的复 杂度比较 大 , 并且随 着模板维 数的 增 加图像会变的模糊不 堪 , 使图像 丢掉 较小 的细节 特征 , 如 边 缘、 拐角 等 [ 5] 。 近些年来国内外很多学者在图像平滑滤波方面 提出了很 多新的算法。在线性空间滤波算法领域提出的新算法主要 有 基于小波变换的均值滤 波算法 , 基于 偏微分 方程的 线性滤 波 算法和基于高斯模板的多尺度滤波算法等。这些算法虽然 很 大程度上改进了线性空 间滤波 算法的 不足 , 但是仍 然会对 图 像的特征 ( 图像的边 缘和角点 ) 造成影 响 [ 6] ; 在线 性空间滤 波 算法领域提出的新算法 主要有 自适应 中值滤波 算法 , 多级 中 值滤波算法和中心加权中值滤波算法等 [ 6- 7] 。虽然这些算 法 噪声处理效果有了很大的改进 , 但算法的复杂度也随之上升。 目前 , 国内外对于椒盐噪 声主要采 用的算 法是统 计排 序 滤波器 , 比如中值滤波器以及各种改进的中值滤波器。
  1. 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. 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. 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)。

同时含有椒盐噪声和高斯噪声的图像消噪处理引言所谓噪声是电路或系统中不含信息量的电压或电流。

在工业与自然界中,存在着各种干扰源(噪声源),如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化,这些都是干扰源(或噪声源)。

这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路,各种电气设备,形成各种形式的干扰。

高斯噪声是指噪声的概率密度函数服从高斯分布(即正态分布)的一类噪声。

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。

高斯白噪声的二阶矩不相关,一阶矩为常数,是指先后信号在时间上的相关性。

高斯白噪声包括热噪声和散粒噪声。

而椒盐噪声是指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。

椒盐噪声往往由图像切割引起。

本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理,通过比较两种滤波技术对图像处理的效果,可以看出哪种滤波技术对椒盐噪声更起作用,哪种滤波技术对高斯噪声更有效果,再根据同一种滤波技术对不同窗口尺寸的图像进行滤波,比较处理效果,最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。

中值滤波:是一种非线性平滑技术,它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法:1:通过从图像中的某个采样窗口取出奇数个数据进行排序2:用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。

中值滤波原理中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的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邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。

方法是去某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。

二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)} ,其中,f(x,y),g(x,y)分别为原始图像和处理后图像。

W为二维模板,通常为2*2,3*3区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。

中值滤波用3*3的滤波窗口进行中值滤波处理:程序如下:>> i=imread('Winter.jpg'); %读入图像subplot(2,2,1);imshow(i); %显示原始图像title('original'); %设置图像标题j = imnoise(i,'salt & pepper',0.02); %加均值为0,方差为0.02的椒盐噪声subplot(2,2,2);imshow(j); %显示处理后的图像title('加入椒盐噪声');k = imnoise(i,'gaussian',0.02); %加均值为0,方差为0.02的加入高斯噪声l = imnoise(k,'salt & pepper',0.02); %加均值为0,方差为0.02的椒盐噪声subplot(2,2,3);imshow(l);title('加入椒盐噪声和高斯噪声');r=l(:,:,1);g=l(:,:,2);b=l(:,:,3);[m,n]=size(r);for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n)G(i,j)=r(i,j);elsehao(1)=r(i-1,j-1);hao(2)=r(i-1,j);hao(3)=r(i-1,j+1);hao(4)=r(i,j-1);hao(5)=r(i,j);hao(6)=r(i,j+1);hao(7)=r(i+1,j-1);hao(8)=r(i+1,j);hao(9)=r(i+1,j+1);hao=sort(hao);G(i,j)=hao(5);endendend>> for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n)K(i,j)=g(i,j);elsehao(1)=g(i-1,j-1);hao(2)=g(i-1,j);hao(3)=g(i-1,j+1);hao(4)=g(i,j-1);hao(5)=g(i,j);thao(6)=g(i,j+1);hao(7)=g(i+1,j-1);hao(8)=g(i+1,j);hao(9)=g(i+1,j+1);hao=sort(hao);K(i,j)=hao(5);endendend>> for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n) L(i,j)=b(i,j);elsehao(1)=b(i-1,j-1);hao(2)=b(i-1,j);hao(3)=b(i-1,j+1);hao(4)=b(i,j-1);hao(5)=b(i,j);hao(6)=b(i,j+1);hao(7)=b(i+1,j-1);hao(8)=b(i+1,j);hao(9)=b(i+1,j+1);hao=sort(hao);L(i,j)=hao(5);endendend>> l(:,:,1)=G;>> l(:,:,2)=K;>> l(:,:,3)=L;>> subplot(2,2,4);>> imshow(l);original加入椒盐噪声加入椒盐噪声和高斯噪声图一3*3的滤波窗口的中值滤波J结论:可以看出中值滤波对椒盐噪声的消噪处理效果比较好,但是对高斯噪声的消噪处理效果不是很理想。

用5*5的滤波窗口进行中值滤波处理:程序如下:>> i=imread('Winter.jpg'); %读入图像subplot(2,2,1);imshow(i); %显示原始图像title('original');j = imnoise(i,'salt & pepper',0.02); %加均值为0,方差为0.02的椒盐噪声。

subplot(2,2,2);imshow(j); %显示处理后的图像title('加入椒盐噪声');k = imnoise(i,'gaussian',0.02); %加均值为0,方差为0.02的加入高斯噪声l = imnoise(k,'salt & pepper',0.02); %加均值为0,方差为0.02的椒盐噪声subplot(2,2,3);imshow(l);title('加入椒盐噪声和高斯噪声');r=l(:,:,1);g=l(:,:,2);b=l(:,:,3);[a,b]=size(r);for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b)P(i,j)=r(i,j);elsehao(1)=r(i-2,j-2);hao(2)=r(i-2,j-1);hao(3)=r(i-2,j);thao(4)=r(i-2,j+1);hao(5)=r(i-2,j+2);hao(6)=r(i-1,j-2);hao(7)=r(i-1,j-1);hao(8)=r(i-1,j);hao(9)=r(i-1,j+1);hao(10)=r(i-1,j+2);hao(11)=r(i,j-2);hao(12)=r(i,j-1);hao(13)=r(i,j);hao(14)=r(i,j+1);hao(15)=r(i,j+2);hao(16)=r(i+1,j-2);hao(17)=r(i+1,j-1);hao(18)=r(i+1,j);hao(19)=r(i+1,j+1);hao(20)=r(i+1,j+2);hao(21)=r(i+2,j-2);hao(22)=r(i+2,j-1);hao(23)=r(i+2,j);hao(24)=r(i+2,j+1);hao(25)=r(i+2,j+2);hao=sort(hao);P(i,j)=hao(13);endendend>> for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) Q(i,j)=g(i,j);elsehao(1)=g(i-2,j-2);hao(2)=g(i-2,j-1);hao(3)=g(i-2,j);hao(4)=g(i-2,j+1);hao(5)=g(i-2,j+2);hao(6)=g(i-1,j-2);hao(7)=g(i-1,j-1);hao(8)=g(i-1,j);hao(9)=g(i-1,j+1);hao(10)=g(i-1,j+2);hao(11)=g(i,j-2);hao(12)=g(i,j-1);hao(13)=g(i,j);hao(14)=g(i,j+1);hao(15)=g(i,j+2);hao(16)=g(i+1,j-2);hao(17)=g(i+1,j-1);hao(18)=g(i+1,j);hao(19)=g(i+1,j+1);hao(20)=g(i+1,j+2);hao(21)=g(i+2,j-2);hao(22)=g(i+2,j-1);hao(23)=g(i+2,j);hao(24)=g(i+2,j+1);hao(25)=g(i+2,j+2);hao=sort(hao);Q(i,j)=hao(13);endendend>> for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) W(i,j)=b(i,j);elsehao(1)=b(i-2,j-2);hao(2)=b(i-2,j-1);hao(3)=b(i-2,j);hao(4)=b(i-2,j+1);hao(5)=b(i-2,j+2);hao(6)=b(i-1,j-2);hao(7)=b(i-1,j-1);hao(8)=b(i-1,j);hao(9)=b(i-1,j+1);hao(10)=b(i-1,j+2);hao(11)=b(i,j-2);hao(12)=b(i,j-1);hao(13)=b(i,j);hao(14)=b(i,j+1);hao(15)=b(i,j+2);hao(16)=b(i+1,j-2);hao(17)=b(i+1,j-1);hao(18)=b(i+1,j);hao(19)=b(i+1,j+1);hao(20)=b(i+1,j+2);hao(21)=b(i+2,j-2);hao(22)=b(i+2,j-1);hao(23)=b(i+2,j);hao(24)=b(i+2,j+1);hao(25)=b(i+2,j+2);hao=sort(hao);W(i,j)=hao(13);endendendl(:,:,1)=P;l(:,:,2)=Ql(:,:,3)=wsubplot(2,2,4)imshow(l);original加入椒盐噪声加入椒盐噪声和高斯噪声图2 5*5的滤波窗口中值滤波比较图二和图一的第四幅图,发现对于椒盐噪声,中值滤波效果更好。

相关文档
最新文档