数字图像处理实验报告--平滑滤波
图像平滑实验
图像平滑实验一、实验目的 1.熟练掌握空域滤波中常用平滑滤波器的原理2.理解邻域平均法、中值滤波法平滑降噪达到图像增强的原理3.利用MA TLAB 编程实现图像平滑处理二、实验原理平滑滤波是一种实用的图像处理技术,能减弱或消除图像中的高频分量,不影响低频分量。
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{a 1,a 2,…,a n },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1. 对lena.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。
1.1 对d:\mape_file\lena.bmp 图像添加零均值高斯噪声,观察噪声的影响参考代码如下:I=imread('d:\mape_file\lena.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');尝试加入其它噪声,分析不同噪声的影响结果和特点。
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。
图像平滑处理报告
实验报告课程名称:数字图像处理实验项目:图像平滑处理专业班级:姓名:学号:实验室号:实验组号:实验时间:批阅时间:指导教师:成绩:实验名称:图像平滑处理1.实验目的:(1)学习用C语言编写平滑处理程序。
(2)通过观察经过平滑处理后的图象效果,加深对图象平滑处理物理意义的理解。
(3)分析、理解并掌握不同窗口大小的平滑算子对同一幅图像和不同图像的平滑效果。
(4)掌握编程调试方法。
2.实验内容:编写图象平滑处理程序,原始图象为128×128像素256级灰度图象。
观察经过平滑处理后的图象效果,理解图象平滑处理的物理意义以及不同窗口大小的平滑算子对同一幅图像和不同图像的平滑效果,掌握编程调试方法,写出实验报告。
3. 实验方案(程序设计说明)(1)3×3平滑窗口;(2)5×5平滑窗口;(3)7×7平滑窗口。
(1)3×3中值滤波;(2)5×5中值滤波;(3)7×7中值滤波。
4. 实验步骤或程序(经调试后正确的源程序)(填写主要步骤与程序代码等。
见附件A)5.程序运行结果见附件A实验步骤或程序:1.平滑窗口程序如下图像依次如下原图像 3*3平滑窗口5*5平滑窗口 7*7平滑窗口2.中值滤波A:所给图像程序如下获得图像如下原图像 3*3中值滤波5*5中值滤波 7*7中值滤波B:对所给图像添加噪声程序如下获得图像如下原图像添加椒盐噪声图像 3*3中值滤波5*5中值滤波 7*7中值滤波结果分析:当所用平滑模板尺寸增大时,得到的图像变得更加模糊,细节的锐化程度逐步减弱,对噪声的消除有所增强。
中值滤波器不像平滑滤波器那样使图像边界模糊,它在衰减噪声的同时保持了图像细节的清晰。
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。
数字图像处理滤波报告
2010年4月一,实验目的。
1.了解在数字图像处理中滤波的概念和意义。
2.掌握数字图像处理滤波程序。
二,实验原理。
图像的中值滤波是一种非线性的图像处理方法,它通过对邻域内像素按灰度排序的结果决定中心像素的灰度。
图像的中值滤波是统计排序滤波器的一种常见应用,它是通过对邻域内采样数据进行排序并取得中值来决定中心像素灰度的一种处理手段,图像的中值滤波在少量离散杂点的消除方面效果显著。
前面介绍过图像简单平滑和高斯平滑,以这两种算法为代表的平滑线性滤波算法在消除离散型杂点方面,都采取的是将杂点的干扰分摊到整个邻域中的每个像素,以减少杂点的影响,然而这样做的代价就是图像清晰度的大量损失。
如图11-14所示,a表示一个5×5邻域的像素灰度,其中中点位置的像素为孤立的杂点,b为对a进行一次简单平滑处理的结果,c 为对b进行简单平滑的结果,从图中可看出简单平滑将杂点对图像的影响分担到了邻域的其他像素。
图11-14 孤立杂点的简单平滑从图11-14中可以发现简单平滑对于孤立的杂点消除较为有效,而对于稍大的杂点或是密集的杂点,图像简单平滑的效果就不够理想。
如图11-15所示,其中a表示一个5×5邻域的像素灰度,其中灰度为0的点为杂点,b为对a进行简单平滑的结果,从图中可以看出简单平滑使画面质量严重下降,并且并没有很好地去除杂点影响。
图11-15 稍大杂点的简单平滑分析原因,可以发现平滑线性滤波器的工作原理可以比喻为用水冲洗桌面上的污点,冲洗的结果污点并没有消失,只是被淡化,如果污点较大较密集,则冲洗的结果是整个桌面都被污点所影响。
尝试换一种思路,如果不采取冲淡污点的办法而是将污点直接去除,这样就可以避免污点数量较多时难以去除的困难,这也就是中值滤波的基本思想。
在中值滤波算法中,对于孤立像素的属性并不非常关注,而是认为图像中的每个像素都跟邻域内其他像素有着密切的关系,对于每一个邻域,算法都会在采样得到的若干像素中,选择一个最有可能代表当前邻域特征的像素的灰度作为中心像素灰度,这样就有效避免了离散型杂点对图像的影响。
数字图形处理 实验 图像的平滑与锐化
XXXXXXXX 大学(数字图形处理)实验报告 实验名称 图像的平滑与锐化 实验时间 年 月 日专 业 姓 名 学 号 预 习 操 作 座 位 号 教师签名 总 评一、实验目的:1.了解图像平滑的邻域平均和中值滤波以及锐化的梯度法和Sobel 法的基本思想;2.掌握图像平滑的邻域平均和中值滤波以及锐化的梯度法和Sobel 法的基本步骤;二、实验原理:1. 邻域平均法的思想是用像素及其指定邻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。
邻域平均法的数学含义可用下式表示:∑∑==⎪⎭⎫ ⎝⎛=mn i imn i i i w z w y x g 11),( (1) 上式中:i z 是以),(y x 为中心的邻域像素值;i w 是对每个邻域像素的加权系数或模板系数; m n 是加权系数的个数或称为模板大小。
邻域平均法中常用的模板是:⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡*=11111111191Box T (2) 为了解决邻域平均法造成的图像模糊问题,采用阈值法(又叫做超限邻域平均法,如果某个像素的灰度值大于其邻域像素的平均值,且达到一定水平,则判断该像素为噪声,继而用邻域像素的均值取代这一像素值;否则,认为该像素不是噪声点,不予取代),给定阈值0T :⎩⎨⎧≥-<-=00),(),(),(),(),(),(),(T y x g y x f y x g T y x g y x f y x f y x h (3) (3)式中,),(y x f 是原始含噪声图像,),(y x g 是由(1)式计算的平均值,),(y x h 滤波后的像素值。
2.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。
数字图像处理实验-滤波
实验三1.实验目的:(1)对指定图像进行均值、中值滤波增强,比较增强的效果;(2)对图片进行噪声处理,进行图像恢复;2.实验内容:对指定图像进行均值、中值滤波增强,比较增强的效果。
图1是一张原始人物图像,图2是一张近似20%像素带有冲激噪声后的人物图像。
现分别利用①5×5区域的邻域平均法和②5×5中值滤波法对图2进行去噪声处理,进行图像恢复。
将原始图像及增强后的图像都显示于屏幕上,观察两种方法对去噪的不同作用。
图1图23.实验结果(代码&结果可视化)1、利用已有的图像处理应用软件集成环境编写相应的平滑程序。
5×5邻域平均法:邻域平均是最简单的平滑滤波,即是将原图的一个像素的灰度值和它周围邻近的24个像素的灰度值相加,然后求得的平均值作为新图该像素的灰度值。
具体算法类似与图像锐化。
5×5中值滤波法:采用滑动窗口法设窗口为5×5 的矩形,该窗口在被处理的图像上逐点移动内含25个像素,每次移动均计算一次中值,赋给窗口中间点,作为其灰度,具体算法类似邻域平均。
2、核心程序:邻域平均核心算法类似梯度锐化,本报告只给出中值滤波的核心程序:// 开始中值滤波// 行(除去边缘几行)for(i = iFilterMY; i < lHeight - iFilterH + iFilterMY + 1; i++){// 列(除去边缘几列)for(j = iFilterMX; j < lWidth - iFilterW + iFilterMX + 1; j++){// 指向新DIB第i行第j个像素的指针lpDst = (unsigned char*)lpNewDIBBits + lLineBytes * (lHeight - 1 - i) + j;// 读取滤波器数组for (k = 0; k < iFilterH; k++){for (l = 0; l < iFilterW; l++){lpSrc = (unsigned char*)lpDIBBits + lLineBytes * (lHeight - 1 - i + iFilterMY - k) + j - iFilterMX + l;// 保存像素值aValue[k * iFilterW + l] = *lpSrc;}}// 获取中值* lpDst = GetMedianNum(aValue, iFilterH * iFilterW);}}4.实验分析和总结采用滤波器(低频/高频)处理后的图像可以更加平滑,可以对图像去除噪音,恢复到原始图像。
数字图像处理实验报告--平滑滤波
数字图像处理实验报告实验名称:线性平滑滤波器——领域平均与加权平均姓名:班级:学号:专业:电子信息工程(2+2)指导教师:***实验日期:2012年5月17日一,图像的平滑图像的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具有较大较快变化的部分,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。
它的主要目的是消除图像采集过程中的图像噪声,在空间域中主要利用邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声;在频率域内,由于噪声主要存在于频谱的高频段,因此可以利用各种形式的低通滤波器来减少噪声。
二,领域平均1.基础理论最简单的平滑滤波是将原图中一个像素的灰度值和它周围邻近8个像素的灰度值相加,然后将求得的平均值(除以9)作为新图中该像素的灰度值。
它采用模板计算的思想,模板操作实现了一种邻域运算,即某个像素点的结果不仅与本像素灰度有关,而且与其邻域点的像素值有关。
模板运算在数学中的描述就是卷积运算,邻域平均法也可以用数学公式表达:设为给定的含有噪声的图像,经过邻域平均处理后的图像为,则,M是所取邻域中各邻近像素的坐标,是邻域中包含的邻近像素的个数。
邻域平均法的模板为:,中间的黑点表示以该像素为中心元素,即该像素是要进行处理的像素。
在实际应用中,也可以根据不同的需要选择使用不同的模板尺寸,如3×3、5×5、7×7、9×9等。
邻域平均处理方法是以图像模糊为代价来减小噪声的,且模板尺寸越大,噪声减小的效果越显著。
如果是噪声点,其邻近像素灰度与之相差很大,采用邻域平均法就是用邻近像素的平均值来代替它,这样能明显消弱噪声点,使邻域中灰度接近均匀,起到平滑灰度的作用。
因此,邻域平均法具有良好的噪声平滑效果,是最简单的一种平滑方法。
图像平滑实验报告
图像平滑实验报告摘要本实验旨在研究图像平滑技术,通过对比不同图像平滑方法的效果,评估其在图像处理中的应用价值。
我们使用了基于邻域平均和高斯滤波器的两种常见图像平滑方法,并通过实验验证它们的效果。
引言图像平滑是图像处理的一项重要技术,它能够去除图像中的噪声和细节,使图像更加平滑和清晰。
在许多应用中,如模式识别、计算机视觉和医学图像处理等领域,图像平滑都扮演着关键的角色。
本实验将尝试两种常见的图像平滑方法,并比较它们的效果。
实验步骤步骤一:图像获取和预处理我们选择了一张分辨率为1024x768的彩色图像作为实验对象。
首先,我们从图像库中选择了一张自然风景图像,并将其载入到实验环境中。
然后,我们对图像进行了预处理,包括调整亮度、对比度和色彩平衡等操作,以确保实验的准确性和可重复性。
步骤二:邻域平均法邻域平均法是一种基于像素邻域的图像平滑方法。
我们选择了一个固定大小的邻域窗口,并将该窗口在图像上滑动,对每个像素的邻域进行平均操作,以获得平滑后的图像。
具体步骤如下:1.定义邻域窗口大小为3x3。
2.从图像的左上角开始,将邻域窗口中的像素进行平均操作,并将结果作为中心像素的新值。
3.将窗口向右滑动一个像素,并重复步骤2,直到处理完整个图像。
4.将窗口向下滑动一个像素,并重复步骤2和步骤3,直到处理完整个图像。
步骤三:高斯滤波器法高斯滤波器是一种基于高斯函数的图像平滑方法。
它通过对图像进行卷积操作,将每个像素的值替换为其周围像素的加权平均值。
具体步骤如下:1.定义高斯滤波器矩阵。
我们选择一个3x3的高斯滤波器,其中矩阵中心的权重最大,边缘处的权重最小。
2.将滤波器矩阵与图像进行卷积操作,得到平滑后的图像。
卷积操作可以使用矩阵乘法和加权平均值计算来实现。
3.重复步骤2,直到处理完整个图像。
实验结果与分析邻域平均法结果经过邻域平均法处理后,图像的细节和噪声得到了一定程度的平滑。
然而,图像的整体清晰度和细节丰富度也有所下降。
图像滤波平滑实验报告
图像滤波平滑实验报告引言图像滤波平滑是数字图像处理中的基本操作之一。
通过应用合适的滤波器,可以减少图像中的噪声、平滑细节,从而改善图像的质量和观感。
本实验旨在探究图像滤波平滑的原理和方法,并通过实验验证其效果。
实验目的1. 了解图像滤波平滑的基本原理。
2. 学习常用的图像滤波平滑方法及其优缺点。
3. 掌握图像滤波平滑的实际应用。
实验步骤本实验使用Python编程语言进行图像处理。
以下是具体的实验步骤:1. 下载并安装Python及相关库。
2. 导入所需的库,包括NumPy(用于处理数值计算)和OpenCV(用于图像处理)。
3. 读取待处理的图像。
4. 使用不同的滤波器对图像进行平滑处理。
5. 对比不同滤波器的效果,并进行分析。
实验结果与分析本实验选取了三种常用的图像滤波平滑方法:均值滤波、中值滤波和高斯滤波。
下面分别对它们的效果进行分析。
1. 均值滤波均值滤波是一种简单的滤波方法,它将每个像素的灰度值设置为周围像素的平均值。
它适用于轻度噪声的去除,但会模糊图像的细节。
实验结果显示,均值滤波可以有效地减少图像中的噪声,但同时也导致图像变得模糊。
2. 中值滤波中值滤波是一种非线性滤波方法,它将每个像素的灰度值设置为周围像素的中值。
相较于均值滤波,中值滤波能够更好地保留图像的边缘和细节。
实验结果显示,中值滤波在去除噪声的同时对图像的细节损失较小。
3. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波方法,它将每个像素的灰度值设置为周围像素的加权平均值。
高斯滤波对于去除高斯噪声效果显著,同时也能保持图像细节的清晰度。
实验结果显示,高斯滤波对图像的平滑效果较好。
实验总结本实验通过对比不同的图像滤波平滑方法,发现不同的方法适用于不同场景的图像处理。
均值滤波适合轻度噪声、对图像细节要求较低的场景;中值滤波适合去除椒盐噪声、能较好地保留图像细节;而高斯滤波则适用于去除高斯噪声、较好地平滑图像。
在实际应用中,我们需要根据图像的特点和需求选择合适的滤波方法。
数字图像处理实验报告2
实验二: 数字图像的空间域滤波——平滑滤波1. 1. 实验目的2.掌握图像滤波的基本定义及目的。
3.理解空间域滤波的基本原理及方法。
4.掌握进行图像的空域滤波的方法。
1. 2. 实验基本原理2.空间域增强空间域滤波是在图像空间中借助模板对图像进行领域操作, 处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空域滤波基本上是让图像在频域空间内某个范围的分量受到抑制, 同时保证其他分量不变, 达到增强图像的目的。
空域滤波一般分为线性滤波和非线性滤波两类。
各种空域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑的目的可分为两类: 一类是模糊, 目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来;另一类是消除噪声。
锐化的目的是为了增强被模糊的细节。
结合这两种分类方法, 可将空间滤波增强分为四类:线性平滑滤波器(低通)非线性平滑滤波器(低通)线性锐化滤波器(高通)非线性锐化滤波器(高通)1)空间滤波器都是基于模板卷积, 其主要工作步骤是:2)将模板在图中移动, 并将模板中心与图中某个像素位置重合;3)将模板上的系数与模板下对应的像素相乘;4)将所有乘积相加;5)将和(模板的输出响应)赋给图中对应模板中心位置的像素。
3.平滑滤波器1)线性平滑滤波器线性低通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, 为了保持输出图像任然在原来图像的灰度值范围内, 模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板, 并提供filter2和imfilter 函数用指定的滤波器模板对图像进行运算。
函数fspecial 的语法格式为:h=fspecial(type);h=fspecial(type,parameters);其中参数type 指定滤波器的种类, parameters 是与滤波器种类有关的具体参数。
数字图像处理——实验一 图像增强与平滑
实验一图像增强与平滑一.实验目的及要求1.了解MATLAB的操作环境和基本功能。
2.掌握MATLAB中图像增强与平滑的函数的使用方法。
3.加深理解图像增强与平滑的算法原理。
二、实验设备1.计算机;2.MATLAB6.5及以上;三、实验内容及结果(一)研究以下程序,分析程序功能;输入执行各命令行,认真观察命令执行的结果。
熟悉程序中所使用函数的调用方法,改变有关参数,观察试验结果。
1.直方图均衡化分析:直方图均衡化是一种使输出图像直方图近似为均匀分布的变换算法,是一种直方图修改技术。
在MATLAB 中,可以调用函数histeq自动完成图像的直方图均衡化。
[I2,T] = histeq(I); 函数功能:返回从能将图像I的灰度直方图变换成图像I2的直方图变换T。
imwrite(A,filename,fmt), 函数功能:将图像数据写入到图像文件中,存储在磁盘上。
A是图像数据,filename是目标图像名字,fmt是要生成的图片的格式。
imfinfo(filename,fmt) 函数功能:获取一张图片的具体信息。
2.直接灰度变换分析:J = imadjust(I,[low_in high_in],[low_out high_out],gamma)[X,map] = imread(filename,fmt) 函数功能:把文件filename读取到X的map向量中。
灰度变换可调整图像的灰度动态范围或图像对比度,是图像增强的重要手段之一。
3.空域平滑滤波(模糊、去噪)分析:通过观察前三幅图像,可知图像平均是以图像模糊为代价来换取噪声的减少,所选取的邻域面积越大,图像越模糊。
本例中分别给图像加入了均值为0,方差为0.005的高斯噪声,噪声密度为0.02的椒盐噪声,再进行均值滤波和中值滤波,由得到的结果可知,对于椒盐噪声,中值滤波的效果比均值滤波的效果好,因为椒盐噪声的均值不为0;对于高斯噪声,均值滤波的效果比中值滤波的效果好,因为高斯噪声服从正态分布,均值为0。
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。
数字图像处理-空间域处理-空间滤波-平滑空间滤波器
数字图像处理-空间域处理-空间滤波-平滑空间滤波器参考⾃:数字图像处理第三版-冈萨勒斯平滑滤波⽤于模糊处理和降低噪声。
模糊处理常⽤于预处理任务中,如在⽬标提取之前去除图像中的⼀些琐碎细节,以及桥接直线或曲线的缝隙。
通过线性或⾮线性平滑滤波也可降低噪声。
线性滤波器均值滤波器(均值平滑、均值滤波)平均值或加权平均值常见的平滑处理应⽤就是降低噪声。
它会去除与滤波器模板尺⼨相⽐较⼩的像素区域。
然⽽,由于图像边缘也是由图像灰度尖锐变化带来的特性,所以均值滤波处理存在不希望有的边缘模糊效应。
空间均值处理的⼀个重要应⽤是为了对感兴趣的物体得到⼀个粗略的描述,模糊⼀幅图像。
这样,那些较⼩物体的灰度与背景融合在⼀起,较⼤物体变得像“斑点”⽽易于检测。
模板的⼤⼩由那些即将融⼊背景中的物体尺⼨来决定。
(b)中图像的⼀些部分或者融⼊背景中,或者亮度降低1"""2均值滤波3"""4import numpy as np5import cv2678# 定义函数,⽣成椒盐噪声图像9def salt_pepperNoise(src):10 dst = src.copy()11 num = 1000 # 1000个噪声点12 ndim = np.ndim(src)13 row, col = np.shape(src)[0:2]14for i in range(num):15 x = np.random.randint(0, row) # 随机⽣成噪声点位置16 y = np.random.randint(0, col)17 indicator = np.random.randint(0, 2) # ⽣成随机数0和1,决定是椒噪声还是盐噪声18# 灰度图像19if ndim == 2:20if indicator == 0:21 dst[x, y] = 022else:23 dst[x, y] = 25524# 彩⾊图像25elif ndim == 3:26if indicator == 0:27 dst[x, y, :] = 028else:29 dst[x, y, :] = 25530return dst313233# 定义函数,实现均值滤波34def meanFilter(src, wsize): # src为输⼊图像,wsize为窗⼝⼤⼩35 border = np.uint8(wsize/2.0) # 计算扩充边缘36 addBorder = cv2.copyMakeBorder(src, border, border, border, border, cv2.BORDER_REFLECT_101) # 扩充后37 dst = src.copy()38 filterWin = 1.0/(wsize**2) * np.ones((wsize, wsize), dtype=np.float32) # 定义窗⼝39 row, col = np.shape(addBorder)40# 滑动,开始滤波41for i in range(border, row-border):42for j in range(border, col-border):43 temp = addBorder[i-border:i+border+1, j-border:j+border+1]44 newValue = np.sum(temp * filterWin) # 均值滤波45 dst[i-border, j-border] = newValue46 dst = np.uint8(dst + 0.5)47return dst484950 img = cv2.imread('F:\program_study\Python\data\lena.tif', cv2.IMREAD_GRAYSCALE)51# ⽣成椒盐图52 saltPimg = salt_pepperNoise(img)53 cv2.imshow('saltPepper', saltPimg)54# 均值滤波55 MeanFimg = meanFilter(saltPimg, 3)56 cv2.imshow('MeanFilter', MeanFimg)57 cv2.waitKey(0)58 cv2.destroyAllWindows()均值平滑⾼斯滤波器(⾼斯平滑、⾼斯滤波)参考⾃:⾼斯滤波器是⼀种带权的平均滤波器,它的模板根据⾼斯函数计算得到。
锐化滤波和平滑滤波
锐化滤波和平滑滤波锐化滤波和平滑滤波是数字图像处理中常用的两种滤波方法。
它们可以用来提高图像质量、减少噪声或者改变图像外观。
本文将详细介绍这两种滤波方法的原理和应用。
一、锐化滤波锐化滤波是一种增强图像细节和边缘的方法。
它是通过加强图像的高频部分来实现的。
在数字图像中,高频部分指的是像素值变化幅度较大的区域,也就是图像中的边缘和细节。
我们可以使用一些特定的算子来实现锐化滤波。
这些算子一般被称为锐化滤波器或者边缘增强算子。
常见的锐化滤波器包括拉普拉斯算子、索贝尔算子、普瑞瓦特算子等。
这些算子可以通过卷积运算来实现。
卷积运算是指将一个算子和图像中的每一个像素做乘积,并将相邻像素的乘积相加。
具体来说,假设我们需要使用一个3x3的拉普拉斯算子:0 101 -4 10 10对一个灰度图像进行锐化滤波。
我们需要将该算子与图像中的每一个像素进行卷积运算。
运算公式为:f(x,y) = ∑g(i,j)h(x-i,y-j)其中,f(x,y)表示卷积运算后的像素值,g(i,j)表示图像中位置为(i,j)的像素值,h(i,j)表示拉普拉斯算子中位置为(i,j)的元素值。
在运用锐化滤波器时需要注意,过强的锐化可能会使图像出现噪点。
此外,图像中一些边缘和细节可能会被误认为噪声而被消除,从而使图像质量降低。
二、平滑滤波平滑滤波又称为模糊滤波,是一种减少图像噪声和平滑图像细节的方法。
它是通过对图像进行低频滤波来实现的。
低频部分指的是像素值变化比较缓慢或者连续性比较强的区域,也就是图像中的平滑区域或者背景。
我们可以使用一些特定的算子来实现平滑滤波。
这些算子一般被称为平滑滤波器或者模糊滤波器。
常见的平滑滤波器包括均值滤波器、中值滤波器、高斯滤波器等。
这些滤波器也可以通过卷积运算来实现。
均值滤波器就是最简单的平滑滤波器之一。
它是将像素周围的值取平均数,用平均值来代替该像素的值。
假设我们需要使用一个3x3的均值滤波器:1 1 11 1 11 1 1对一个灰度图像进行平滑滤波。
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。
数字图像处理实验报告
数字图像处理实验报告数字图像处理实验报告实验⼀数字图像基本操作及灰度调整⼀、实验⽬的1)掌握读、写图像的基本⽅法。
2)掌握MATLAB语⾔中图像数据与信息的读取⽅法。
3)理解图像灰度变换处理在图像增强的作⽤。
4)掌握绘制灰度直⽅图的⽅法,理解灰度直⽅图的灰度变换及均衡化的⽅法。
⼆、实验内容与要求1.熟悉MATLAB语⾔中对图像数据读取,显⽰等基本函数特别需要熟悉下列命令:熟悉imread()函数、imwrite()函数、size()函数、Subplot()函数、Figure()函数。
1)将MATLAB⽬录下work⽂件夹中的forest.tif图像⽂件读出.⽤到imread,imfinfo等⽂件,观察⼀下图像数据,了解⼀下数字图像在MATLAB中的处理就是处理⼀个矩阵。
将这个图像显⽰出来(⽤imshow)。
尝试修改map颜⾊矩阵的值,再将图像显⽰出来,观察图像颜⾊的变化。
2)将MATLAB⽬录下work⽂件夹中的b747.jpg图像⽂件读出,⽤rgb2gray()将其转化为灰度图像,记为变量B。
2.图像灰度变换处理在图像增强的作⽤读⼊不同情况的图像,请⾃⼰编程和调⽤Matlab函数⽤常⽤灰度变换函数对输⼊图像进⾏灰度变换,⽐较相应的处理效果。
3.绘制图像灰度直⽅图的⽅法,对图像进⾏均衡化处理请⾃⼰编程和调⽤Matlab函数完成如下实验。
1)显⽰B的图像及灰度直⽅图,可以发现其灰度值集中在⼀段区域,⽤imadjust函数将它的灰度值调整到[0,1]之间,并观察调整后的图像与原图像的差别,调整后的灰度直⽅图与原灰度直⽅图的区别。
2) 对B 进⾏直⽅图均衡化处理,试⽐较与源图的异同。
3) 对B 进⾏如图所⽰的分段线形变换处理,试⽐较与直⽅图均衡化处理的异同。
图1.1 分段线性变换函数三、实验原理与算法分析1. 灰度变换灰度变换是图像增强的⼀种重要⼿段,它常⽤于改变图象的灰度范围及分布,是图象数字化及图象显⽰的重要⼯具。
数字图像处理报告——图像的平滑和傅里叶变化
数字图像处理实验报告课程数字图像处理实验名称图像平滑处理噪声和傅里叶变换专业班级姓名学号实验日期 2010.12教师审批签字目录一,实验目的和要求 (3)二,实验内容和原理.............................................3~4 三,相关函数 (4)四,源程序代码及运行结果………………………………5~124.1给图像添加椒盐噪声或者高斯噪声 (5)4.2对被噪声污染的图像进行中值滤波和均值滤波 (6)4.3进行空间域的平滑 (7)4.4,开发自己的空间域的均值滤波,模板大小使用3×3 (8)4.5,自己的空间域的图像锐化--算子锐化 (9)4.6,傅里叶变换和傅里叶反变换 (10)4.7,巴特沃斯低通滤波 (11)五,心得体会 (13)六,参考文献 (13)图像平滑处理噪声和傅里叶变换一、实验目的和要求1、实验目的(1)熟悉Matlab软件、编程以及图像处理工具箱。
(2)学习如何用锐化处理技术来加强图像的目标边界和图像细节,对图像进行梯度算子、拉普拉斯算子,傅里叶变换和傅里叶反变换,强及突出。
本实验锐化处理主要在空间域中进行。
2、实验要求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、实验内容和原理(1)利用Matlab的图像处理工具箱中提供的函数进行给图像添加椒盐噪声或者高斯噪声(2)利用Matlab的图像处理工具箱中提供的函数,对被噪声污染的图像进行中值滤波和均值滤波。
(3)利用Matlab的图像处理工具箱中提供的函数,对图像进行空间域的锐化。
(4)尝试使用Matlab开发自己的空间域的均值滤波,模板大小使用3×3。
(5)尝试使用Matlab开发自己的空间域的图像锐化,选取锐化方法中的一种进行试验。
数字图像处理平滑滤波频率滤波器
平滑的频域滤波器边缘和其他尖锐变化(如噪声)在图像的灰度级中主要处于傅里叶变换的高频部分。
因此,平滑(模糊)可以通过衰减指定图像傅里叶变换中高频成分的范围来实现。
在频率域中,基本的滤波“模型”由式(4.2.27)给出,在这里为方便起见再次给出:(4.3.1)其中,F(u,v)是被平滑的图像傅里叶变换。
目标是选择一个滤波器变换函数H(u,v)以通过衰减F(u,v)的高频成分产生G(u,v)。
所有在本节中进行的滤波都基于4.2.3节中指出的过程,包括使用“零相移”的滤波器。
这里考虑三种滤波器:理想滤波器、巴特沃思滤波器和高斯滤波器。
这三种滤波器涵盖了从非常尖锐(理想)到非常平坦(高斯)范围的滤渡器函数。
巴特沃思滤波器有一个参数,称为滤波器的“阶数”。
当此参数的值较高时,巴特沃思滤渡器接近理想滤波器。
因此,巴特沃思滤波器可看做两种“极端”滤波器的过渡。
一.理想低通滤波器所想像的最简单的低通滤波器是“截断”傅里叶变换中所有高频成分,这些成分处在距变换原点的距离比指定距离D0要远得多的位置。
这种滤波器称为二维理想低通滤渡器(ILPF),其变换函数为:(4.3.2)其中,D0是指定的非负数值,D(u,v)是(u,v)点距频率矩形原点的距离。
如果要研究的图像尺寸为M×N,它的变换也有相同的尺寸,所以如式(4.2.21)中讨论的那样,由于变换被中心化了,所以,频率矩形的中心在(u,v)=(M/2,N/2)处。
在这种情况下,从点(u,v)到傅里叶变换中心(原点)的距离如下所示:(4.3.3)图4.l0(a)显示了H(u,v)作为u和v函数的三维透视曲线,图4.10(b)将H(u,v)作为图像显示。
“理想滤波器”的名称表明在半径为D0的圆内,所有频率段有衰减地通过滤波器,而在此半径的圆之外的所有频率完全被衰减掉。
在本章所考虑的滤波器是关于原点辐射状对称的。
这意味着从原点沿着半径线延伸的距离函数的横截面足以满足一个指定的滤波器.如图4.10(c)所示。
- 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)。
数字图像处理实验报告
实验名称:线性平滑滤波器——领域平均与加权平均
姓名:
班级:
学号:
专业:电子信息工程(2+2)
指导教师:***
实验日期:2012年5月17日
一,图像的平滑
图像的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具有较大较快变化的部分,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。
它的主要目的是消除图像采集过程中的图像噪声,在空间域中主要利用邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声;在频率域内,由于噪声主要存在于频谱的高频段,因此可以利用各种形式的低通滤波器来减少噪声。
二,领域平均
1.基础理论
最简单的平滑滤波是将原图中一个像素的灰度值和它周围邻近8个像素的灰度值相加,然后将求得的平均值(除以9)作为新图中该像素的灰度值。
它采用模板计算的思想,模板操作实现了一种邻域运算,即某个像素点的结果不仅与本像素灰度有关,而且与其邻域点的像素值有关。
模板运算在数学中的描述就是卷积运算,邻域平均法也可以用数学公式表达:
设为给定的含有噪声的图像,经过邻域平均处理后的图像为,则
,M是所取邻域中各邻近像素的坐标,是邻域中包含的邻
近像素的个数。
邻域平均法的模板为:,中间的黑点表示以该像素为中心元素,即该像素是要进行处理的像素。
在实际应用中,也可以根据不同的需要选择使用不同的模板尺寸,如3×3、5×5、7×7、9×9等。
邻域平均处理方法是以图像模糊为代价来减小噪声的,且模板尺寸越大,噪声减小的效果越显著。
如果是噪声点,其邻近像素灰度与之相差很大,采用邻域平均法就是用
邻近像素的平均值来代替它,这样能明显消弱噪声点,使邻域中灰度接近均匀,起到平滑灰度的作用。
因此,邻域平均法具有良好的噪声平滑效果,是最简单的一种平滑方法。
Matlab代码:
function average_filtering()
X=imread('cameraman.tif')
noise_x=imnoise(X,'salt & pepper');%加噪声方差为0.02的椒盐声
f=double(noise_x);%强制转换为双精度
X=im2double(X);%转换成双精度的数据图像
figure(1);
imshow(im2uint8(X));%显示灰度图像
title('原图');
figure(2);
imshow(im2uint8(noise_x));
title('加上了椒盐燥声');
[m,n]=size(X);
output_image=X;
w=[1 1 1;1 1 1;1 1 1];%3*3模板
w=1/9*w;
[p,q]=size(w);
[m,n]=size(f);
for x=1:m
for y=1:n
if(x==1|y==1|x==m|y==n)
%在矩阵边框上的灰度值不做领域平均
blur_f(x,y)=f(x,y);
else
%求领域平均
blur_f(x,y)=w(1,1)*f(x-1,y-1)+w(1,2)*f(x-1,y)+w(1,3)*f(x-1,y+1)+w(2,1)*f(x,y-1)+w(2,2)*f(x,y) +w(2,3)*f(x,y+1)+w(3,1)*f(x+1,y-1)+w(3,2)*f(x+1,y)+w(3,3)*f(x+1,y+1);
end
end
end
figure(4);
imshow(uint8(blur_f));
title('3*3领域平均后的图');
J=fspecial('average',5);
J1=filter2(J,noise_x)/255;
figure(5);
imshow(J1);
title('5*5领域平均');
K=fspecial('average',7);
K1=filter2(J,noise_x)/255;
figure(6);
imshow(K1);
title('7*7领域平均');
M=fspecial('average',9);
M1=filter2(J,noise_x)/255;
figure(7);
imshow(M1);
title('9*9领域平均');
实验结果:
原图
加上了椒盐燥声
3*3领域平均后的图
5*5领域平均
7*7领域平均
9*9领域平均
实验结果分析: 邻域平均时用的模板尺寸越大,对噪声的消除效果有所增强。
不过同时所得到的图像变得更为模糊,可视的细节逐步减少。
三、加权平均
1.基本理论
对于同一尺寸的模板,可对不同位置的系数采用不同的数值。
一般认为离对应模板中心像素近的像素应对滤波结果有较大贡献,所以接近模板中心的系数可较大,而模板边界附近的系数应较小。
在实际应用中,为保证各模板系数均为整数以减少计算量,常取模板周边最小的系数为1,而取内部的系数成比例增加,中心系数最大。
一种常用的加权平均方法是根据系数与模板中心的距离反比地确定
其他内部系数的值,常用的模板为、等;还有一种常用方
法是根据二维高斯分布来确定各系数值,常称为高斯模板,模板为:。
相对于邻域平均的卷积,加权平均也成为归一化卷积,表示两幅图像之间的卷积,
一是需要处理的图像,二是有加权值的图像,写成矩阵形式为:,
其中H是卷积模板,F是需要处理的图像,W是有加权值的图像,分母起归一化的作用。
用卷积模板H进行的归一化卷积将图像F和图像W变换为一幅新图像G。
在实际应用中,可以根据具体的局部图像结构来确定卷积模板,使加权值成为自由调节参数,应用比较灵活,但模板不能分解,计算效率不高。
代码:
function average_filtering()
X=imread('cameraman.tif')
noise_x=imnoise(X,'salt & pepper');%加噪声方差为0.02的椒盐声
f=double(noise_x);%强制转换为双精度
X=im2double(X);%转换成双精度的数据图像
figure(1);
imshow(im2uint8(X));%显示灰度图像
title('原图');
figure(2);
imshow(im2uint8(noise_x));
title('加上了椒盐燥声');
[m,n]=size(X);
output_image=X;
w=[1 2 1;2 4 2;1 2 1];%3*3模板
w=1/16*w;
[p,q]=size(w);
[m,n]=size(f);
for x=1:m
for y=1:n
if(x==1|y==1|x==m|y==n)
%在矩阵边框上的灰度值不做领域平均
blur_f(x,y)=f(x,y);
else
%求加权平均
blur_f(x,y)=w(1,1)*f(x-1,y-1)+w(1,2)*f(x-1,y)+w(1,3)*f(x-1,y+1)+w(2,1)*f(x,y-1)+w(2,2)*f(x,y) +w(2,3)*f(x,y+1)+w(3,1)*f(x+1,y-1)+w(3,2)*f(x+1,y)+w(3,3)*f(x+1,y+1);
end
end
end
figure(4);
imshow(uint8(blur_f));
title('加权平均后的图');
试验结果:
3*3加权平均后的图
实验分析:
从实验结果可以看出,与邻域平均法相比较,加权平均法使处于掩模中心位置的像素比其他像素的权值要大,使距离掩模中心较远位置的像素参与平滑的贡献降低,这样就减小了平滑带来的图像模糊效应,所以比邻域平均法平滑后的图像的边缘细节要相对清晰。