图像去噪实验报告

合集下载

实验一图像去噪

实验一图像去噪在现代医学中，医学影像技术广泛应用于医学诊断和临床治疗，成为医生诊断和治疗的重要手段和工具。

如今，医学图像在医疗诊断中起着不可低估的重要作用，核磁共振，超声，计算机X射线断层扫描以及其他的成像技术等，都是无侵害的器官体外成像的有效手段。

这些技术丰富了正常的何病态的解剖知识，同时也成为诊断和医疗体系的重要组成部分。

然而，由于不同的成像机理，医学图像往往存在时间、空间分辨率和信噪比的矛盾。

医学成像收到各种实际因素的影响，如患者的舒适度，系统的要求等等，需要快速成像。

图像中的噪声大大降低了图像的质量，使一些组织的边界变得模糊，细微结构难以辨认，加大了对图像细节识别和分析的难度，影响医学诊断。

因此医学图像的去噪处理既要能有效的去处噪声，又要能很好的保留边界和结构信息。

本实验通过对测试图像加不同类型的噪声，然后分别用各种滤波法处理，然后以定量分析各种滤波方法的特点。

一．实验原理1.噪声的分类根据噪声的统计特征可分为平稳随机噪声和非平稳随机噪声两种。

根据噪声产生的来源，大致可以分为外部噪声和内部噪声两类。

外部噪声主要有四种常见的形式：（1）光和电的基本性质引起的噪声。

如电流可看作电子或空穴运动，这些粒子运动产生随机散粒噪声，导体中的电子流动的热噪声，光量子运动的光量子噪声等。

（2）由机械运动引起的噪声。

如接头震动使电流不稳，磁头或磁带抖动等。

（3）设备元器件及材料本身引起的噪声。

（4）系统内部电路的噪声。

而在图像中，噪声主要有三个特点：（1）叠加性（2）随机性（3）噪声和不同图像区域之间的相关性。

医学图像中，典型的噪声有：高斯噪声，锐利噪声，指数噪声，均匀噪声，脉冲噪声等等。

2.去噪的方法人们根据实际图像的特点、噪声的统计特征和频谱分布规律, 发展了各式各样的去噪方法, 其中最为直观的方法是根据噪声能量一般集中于高频、而图像频谱则分布于一个有限区间的这一特点, 采用低通滤波来进行去噪的方法, 从本质上讲, 图像去噪的方法都是低通滤波的方法, 而低通滤波是一把双刃剑, 它在消除图像噪声的同时, 也会消除图像的部分有用的高频信息, 因此, 各种去噪方法的研究实际是在去噪和保留高频信息之间进行的权衡。

毕业设计-图像去噪法研究

题目：图像去噪算法的研究目录摘要 (1)ABSTRACT (2)第一章绪论 (3)1.1 数字图像的基本概念 (3)1.2 数字图像处理的基本理论 (3)1.3 数字图像去噪处理的意义 (4)1.4 图像去噪处理的研究历史与现状 (5)1.5 问题的产生 (5)1.6 本文所作的工作 (6)第二章图像去噪基本方法 (7)2.1图像噪声的分类和概念 (7)2.2图像去噪基本方法 (8)2.2.1 均值滤波 (8)2.2.2中值滤波 (9)2.2.3频域低通滤波法 (10)2.3实验结果 (13)2.3.1 均值滤波 (13)2.3.2 中值滤波 (14)第三章滤波算法的改进 (17)3.1针对脉冲噪声的滤波改进算法 (17)3.1.1 算法实现 (18)3.1.2 实验结果与分析 (18)3.1.3 结论 (19)3.2自适应小波阈值去噪算法 (20)3.2.1算法实现 (20)3.2.2实验结果与分析 (21)3.2.3 结论 (22)3.3几种算法的比较 (23)第四章结论 (24)参考文献 (25)后记 (26)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，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。

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。

图像的小波降噪实验报告

图像的小波降噪实验报告孙玉祥314113002432一．背景在图像处理过程中，图像的采集、转换和传输常常受到成像设备与外部环境噪声干扰等影响，产生降质。

图像噪声对数字图像的后续处理影响较大，因此对图像噪声的去除有很重要的显示意义。

传统的降噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是降噪效果不够好。

随着小波理论的日益完善，它以自身良好的时频特性在图像降噪领域受到越来越多的关注，开辟了用非线性降噪的先河。

二.原理2.1 小波在图像处理方面的优点小波降噪主要是利用噪声与图像信号在频率上分布的不同，图像信号主要分布在低频区域，而噪声主要分布在高频区域。

小波去噪使得原始图像的结构信息和细节信息很容易被提取是因为小波具有以下特点：（1）低熵性。

小波洗漱的稀疏分布，使得图像变换后的熵降低；多分辨率性。

优于采用了多分辨率分析，因此可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；（2）去相关性。

因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比空域更利于去噪；（3）选基灵活性。

优于小波变换可以灵活选取变换基，从而对不同的应用场合，不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

2.2 小波去噪方法到目前为止，小波去噪的方法大概分为三大类：第一类方法是基于小波变换模极大值原理，根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号；第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的模型，从而进行取舍，然后直接重构信号；第三类方法是阈值方法，该方法就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出降噪后的图像。

2.3 小波阈值去噪小波阈值去噪法有着很好的数学理论支持，实现简单而又非常有效，因此取得了非常大的成功，并吸引了众多学者对其作进一步的研究与改进。

利用Ising模型先验对图像去噪实验报告

æ 1 p (x | y ) µ p (y | x) p (x) µ exp ç - 2 ç ç ç è 2s
下面给出一些具体的概率的计算： Metropolis-Hastings 方法
1) 令 x
(t )
å( y
m,n
mn
ö 2 ÷ exp (-2 Jd x ) - xmn ) ÷ ÷ ÷ ø
= x 作为马尔可夫链的当前状态，并随机选择一个像素 (u, v ) 并改变其颜色，
(
å(
m , n)~(m ¢ , n ¢)
xmn xm¢n¢ = exp (-2 Jd x ) ，偏向于图像中
)
有成块的区域出现，即图像比较平滑，这样可以去除小块噪声。块的大小取决于参数 J 。当
J = 0 时，图像没有平滑； J 越大，更倾向于选择一些有相同颜色区域的图像。
根据贝叶斯公式，后验分布为：
J = 0.50
J = 0.85
J = 1.1
J = 1.3
比较以上结果，可以得到以下结论（先验分布的作用）： 1 只有当选取的先验分布比较合理的情况下，算法能够较快的收敛，而当参数偏离时（偏大或是偏小），算法的收敛速度都会下降； 2 先验分布的对去噪效果的影响：合理的参数下，能够有效过滤除图像中的噪声点，而当参数偏离时，试验对于噪声的滤除效果也变坏； 2 Gibbs采样算法流程图以下两图分别为使用Gibbs算法前后的对比土，我们可以看到该算法能够有效的去除图像中的噪声点，图像的质量也有明显的改善，
MN
种状态。假设观测到的图像 ymn = xmn + emn ，其中 emn ~ 0, s
(
2
)为
噪。则该问题中似然函数为 p y | x, s

数字图像处理实验二_图像的噪声抑制及锐化处理

数字图像处理实验报告（二）班级：测控1002姓名：刘宇学号：06102043实验二图像的噪声抑制及锐化处理1. 实验任务（1）了解并掌握图像的噪声抑制及锐化处理的基本原理；（2）编写程序使用均值滤波、中值滤波方法进行图像噪声抑制，根据实验结果分析效果；（3）编写程序使用一阶微分锐化、二阶微分锐化方法进行图像的锐化处理，根据实验结果分析效果；（4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。

2. 实验环境及开发工具Windws2000/XPMATLAB 7.x实验原理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 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。

MATLAB 提供了一个函数imnoise 来给图像增添噪声，其语法格式为：J=imnoise(I,type);J=imnoise(I,type,parameters);非线性平滑滤波器中值滤波器是一种常用的非线性平滑滤波器，其滤波原理与均值滤波器方法类似，但计算的非加权求和，而是把领域中的图像的象素按灰度级进行排序，然后选择改组的中间值作为输出象素值。

MATLAB 提供了medfilt2 函数来实现中值滤波，其语法格式为：B=medfilt2(A,[m n]);B=medfilt2(A);其中，A 是原图象，B 是中值滤波后输出的图像。

[m n]指定滤波模板的大小，默认模板为3×3。

图像的噪声处理

实验名称：图像的噪声处理一、实验目的1、用中值滤波法对图像进行处理2、通过对算法和代码的修改，从而用另一种方法——噪声消除法对图像进行处理二、基本原理1、中值滤波：是对一个滑动窗口（模板）内的诸像素灰度值排序，然后用中间的一个值来代替窗口中心像素的原来的灰度值。

2、噪声消除法：顺序检测每一个像素，如果一个像素的幅度大于或小于起领域平均值，且达到一定的程度，即一个像素的幅度和其领域平均值的差值的绝对值达到一定的程度，则判定该像素为噪声，继而用其领域平均值来代替该像素。

数学表达三、实验步骤1、打开Matlab，在工作区中敲入如下的代码：代码解释：>>clear；clc; 清空工作区>> A=imread('pout.tif'); 打开图片>> B=imnoise(A,'salt & pepper',0.25); 加入噪声>> C=B;>> [height,width]=size(C); 对工作区的高宽进行定义>> for j=2:height-1 因为图像的边缘不用处理，所以从第二行的第二个像素点开始进行处理for i=2:width-1 同上一样，从第二列的第二个像素点开始m=1;n=1;for yy=j-1:j+1 这几行是利用循环制造出一个for xx=i-1:i+1 3*3的矩阵出来,并利用循环对block(m,n)=B(yy,xx); 图像中的所有像素点进行处理n=n+1;endm=m+1;n=1;endOne=reshape(block,9,1); 将表格中9个像素值列出来sequece=sort(One); 对9个像素值从小到大进行排序media=sequece(5); 取中间的一个像素值赋给mediaC(j,i)=media; 在将media的值赋予表格中间的一个值endendfigure(1); 控制出现一个窗口subplot(1,3,1); 设置子图，表示有1行3列共3个子图，正在绘制第1个imshow(A); 显示A所表示的图axis('square');title('原始图像'); 标题“原始图像”subplot(1,3,2); 设置子图，表示有1行3列共3个子图，正在绘制第2个imshow(B); 显示B所表示的图axis('square');title('加入噪声后的图像'); 标题“加入噪声后的图像”subplot(1,3,3); 设置子图，表示有1行3列共3个子图，正在绘制第3个imshow(C); 显示C所表示的图axis('square');title('中值滤波后的图像'); 标题“中值滤波后的图像”2、对上述代码的第18到21行进入如下的修改：将原代码替换成如下的代码即可：avg=mean(mean(block)); 求表格中9个像素值的平均值dif=avg-C(j,i); 求某个像素值和其领域像素平均值的差值dif=abs(dif); 求差值的绝对值if dif>T 进行判断，如果差值的绝对值大于所设定的C(j,i)=avg; T值，就将领域的平均值赋予这个像素值。

图像去噪技术研究与实践

图像去噪技术研究与实践一、前言图像的质量是图像处理的重要指标之一。

而高噪声图像一直被认为会影响到图像质量，严重影响的图像的可视化效果和信号处理的结果。

因此，图像去噪一直是图像处理领域中研究的热点之一。

本文将详细介绍图像去噪技术的概念、方法、应用和发展趋势。

二、图像去噪的概念图像去噪是指用图像处理的方法，去除图像中的噪声信息。

图像噪声是指随机性波动信号，产生原因主要是图像传感器、存储设备等因素。

噪声的存在使得图像的质量下降，严重影响了图像的应用价值。

图像去噪的目的就是将图像噪声减小到一定程度，以提高图像的质量和可靠性。

三、图像去噪的方法1、基于滤波的图像去噪方法基于滤波的图像去噪方法是最基础的图像去噪方法之一。

它利用滤波器或滤波算法，对图像中的噪声进行过滤和平滑，以达到提高图像质量的目的。

常用的滤波器包括均值滤波器、中值滤波器、高斯滤波器等。

不同的滤波器有不同的性能和适用条件。

例如，均值滤波器能够去除图像中的高斯噪声，但是在处理噪声密集的图像时会出现模糊现象。

2、基于小波变换的图像去噪方法小波变换是一种用于将信号的时域和频域分析方法相结合的方法。

基于小波变换的图像去噪方法利用小波变换对图像进行分解，并利用小波系数对噪声进行滤波和去噪。

不同类型的小波和小波滤波器可以构建不同性能的小波去噪算法，包括作为阈值选择、软阈值选择以及并行处理。

3、基于边缘保留的图像去噪方法基于边缘保留的图像去噪方法是一类结合了去噪和边缘保留的算法。

这类方法主要的思想是在去噪的同时，尽量保留图像中的边缘信息，以保持图像的清晰度和细节。

基于边缘保留的图像去噪算法有许多，例如基于双边滤波器的算法，具有很好的保留边缘信息的能力和抗噪性。

四、图像去噪的应用1、医学影像医学影像是指用于医学诊断和治疗的图像。

医学影像中的噪声主要来自于照射器和器材等因素。

利用图像去噪的方法，可以去除医学影像中的噪声，以提高诊断的准确性。

2、视觉识别在计算机视觉领域，对图像的质量要求较高。

图像余弦噪声处理实验报告

·任务2：周期噪声的傅里叶分析噪声图像boy_noisy.gif中加入了cos函数噪声，去掉该类噪声的干扰。

boy_noisy.gif实验原理：实验步骤：将原噪声图像进行傅里叶变换并求其频谱，观察频谱图像有两条线缺失，利用循环找出这两条白线使其变为黑线，再将其逆变换后即能显示去噪后图像。

实验程序：clc;clear;a=imread('boy_noisy.gif');b=double(a);%数据类型转换便于傅立叶变换F=fftshift(fft2(b));%傅立叶变换A=abs(F);%求频谱A=(A-min(min(A)))/(max(max(A))-min(min(A)))*255;%频谱归一化for i=1:511 %频域去噪，用循环找出这两条白线使其变为黑线for j=273F(j,i) =0;endendfor i=1:511for j=241F(j,i) =0;endendB=abs(F);B=(B-min(min(B)))/(max(max(B))-min(min(B)))*255;f=ifft2(ifftshift(F));%反变换c=uint8(f);%数据类型还原subplot(2,2,1),imshow(a);title('原始图像');subplot(2,2,2),imshow(A);title('归一化的傅里叶频谱');subplot(2,2,3),imshow(B);title('处理后频谱');subplot(2,2,4),imshow(c);title('去噪后图像');实验结果：实验思考：经过论坛的询问和探讨，处理此问题必需对傅里叶变换的意义以及空间域频域的坐标关系有非常深刻的认识，并且必须对滤波的原理和方法有深刻的认识。

基于MATLAB的图像去噪实验报告

实验二图像去噪一、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m=imread('pout.tif');x=imnoise(m,'salt & pepper',0.02);y=imnoise(m,'gaussian',0,0.01);figure(1)subplot(311)imshow(m);subplot(312)imshow(x)subplot(313)imshow(y);q=filter2(fspecial('average',3),x);w=filter2(fspecial('average',3),y);n=medfilt2(m);figure(2)subplot(311)imshow(uint8(q));subplot(312)imshow(uint8(w));subplot(313)imshow(n);2、实验结果四、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：中值滤波对于椒盐噪声效果好，因为椒盐噪声是幅值近似相等但随机分布在不同的位置上，图像中有干净点也有污染点。

中值滤波是选择适当的点来代替污染的点所以处理效果会更好。

由于噪声的均值不为零，所以均值滤波不能很好的去除噪声点。

均值滤波对于高斯噪声效果好，因为高斯噪声的幅值近似于正态分布但是却分布在每个点像素上。

图像中的每个点都是污染点，所以如果采用中值滤波会找不到合适的干净点，由于正态分布的均值为零，所以均值滤波可以削弱噪声。

图像噪声去除实验报告

图像噪声去除实验报告前言图像噪声是由于图像采集、传输或处理过程中引入的随机干扰，导致图像质量下降。

为了提高图像质量，需要对图像进行噪声去除处理。

本实验通过对比不同的图像噪声去除算法，评估其性能和效果。

实验设计本实验选取了一张具有明显噪声的测试图像进行处理。

测试图像为一张风景照片，包含了自然噪声、白噪声和椒盐噪声。

实验设计如下：1. 噪声测试图像选择：从现有图像数据库中选择一张含有不同类型噪声（自然噪声、白噪声和椒盐噪声）的测试图像。

2. 图像噪声去除算法：选择几种常见的图像噪声去除算法进行比较，包括均值滤波、中值滤波和小波阈值去噪。

3. 实验流程：先使用测试图像生成噪声图像，然后对噪声图像分别应用不同的噪声去除算法，得到去噪后的图像。

最后，通过比较去噪后的图像与原始图像的相似性评估噪声去除算法的性能和效果。

实验步骤1. 选择测试图像从图像数据库中选择一张风景照片作为测试图像。

该图像应包含自然噪声、白噪声和椒盐噪声。

将其命名为"test_image.jpg"。

2. 生成噪声图像使用Python的图像处理库，如OpenCV，分别添加自然噪声、白噪声和椒盐噪声到测试图像上，生成对应的噪声图像。

将它们分别命名为"noisy_image_1.jpg"（自然噪声图像）、"noisy_image_2.jpg"（白噪声图像）和"noisy_image_3.jpg"（椒盐噪声图像）。

3. 应用噪声去除算法a. 对"noisy_image_1.jpg"应用均值滤波算法，得到去噪后的图像，命名为"denoised_image_1.jpg"。

b. 对"noisy_image_2.jpg"应用中值滤波算法，得到去噪后的图像，命名为"denoised_image_2.jpg"。

医学图像去噪算法效果对比报告(有代码)

第一章引言1.1 研究背景和意义现实中的数字图像在数字化和传输过程中，常受到成像设备与外部环境噪声干扰等影响，成为含噪图像。

完全去除或减少数字图像中的噪声称为图像去噪技术。

现实中的医学图像在采集、转换和传输中，常常受到成像设备与外部环境噪声干扰等影响，产生降质，大多数的现实医学图像都是含噪图像，医学图像噪声对医学图像分析、医学图像压缩的影响很大，因此医学图像去噪是医学图像预处理阶段最重要的任务之一。

医学图像去噪是图像预处理中一项被广泛应用的技术，其作用是提高医学图像的信噪比，突出医学图像期望特征。

因此，具体重要的应用价值。

本文结合高斯噪声和椒盐噪声两种噪声类型的特点进行了分析，并采用均值滤波、中值滤波和改进中值滤波算法对受高斯噪声和椒盐噪声污染的图像进行了去噪，并对去噪效果进行了对比。

1.2 医学图像现代医学已经越来越依赖于医疗设备的协助，而其中的医疗成像设备则是其中最为重要的设备，贯穿了从医疗诊断、手术导航、术后效果评判等全流程。

而随着医学成像技术的快速发展，各种成像技术给医患提供了更丰富、更精确的成像效果。

但是不同的成像技术一般都基于其成像原理而具有其独特的优点，也存在着其特定的局限，完美而通用的成像技术手段现在仍未出现，不同的成像技术在不同的应用情景下会有优劣，对不同组织器官的成像也各有千秋。

1.3 噪声类型噪声是电路或系统中不含信息量的电压或电流。

在医学成像系统与自然界中，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[1-2]。

其占用高斯噪声和椒盐噪声是两种最常见的医学图像噪声类型[3]。

所谓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。

在任选瞬时中任取n个，其值按n个变数的高斯概率定律分布。

图像处理对噪声去模糊作业1

实验目的现实中的图像由于种种原因都是带噪声的，噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。

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。

图像去噪算法根据不同的处里域，可以分为空间域和频域两种处理方法。

空间域处理是在图像本身存在的二维空间里对其进行处理。

频域算法是用一组正交函数系来逼近原始信号函数，获得相应的系数，将对原始信号的分析转到了系数空间域。

1、中值滤波中值滤波是一种非线性滤波，属于空间域滤波的一种，它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。

设有一个一维序列[1f ，2f ，…，n f ]，取窗口长度为m(m 为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m 个数，[v i f -，…，1-i f ，…，1f ，…，1+i f ，…，v i f +]，其中i 为窗口的中心位置，21-=m v ，再将这m 个点按其数值大小排列，取其序号为正中间的那作为输出。

用数学公式表示为:{}v i i v i i f f f Med Y +-=,,,, 21,-=∈m v Z i (式1) 例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。

对于二维序列{}ij X 进行中值滤波时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。

二维数据的中值滤波可以表示为：为滤波窗口A X M e d Y ij Aj i },{,= (式2)窗口的尺寸一般先用33⨯再取55⨯逐渐增大，直到其滤波效果满意为止。

对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。

使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。

图像实验4-图像去噪

图像实验4-图像去噪⼀、实验⽬的1、掌握算术均值滤波器、⼏何均值滤波器、谐波和逆谐波均值滤波器进⾏图像去噪的算法2、掌握利⽤中值滤波器进⾏图像去噪的算法3、掌握⾃适应中值滤波算法4、掌握⾃适应局部降低噪声滤波器去噪算法5、掌握彩⾊图像去噪步骤⼆、实验内容1、均值滤波具体内容：利⽤ OpenCV 对灰度图像像素进⾏操作，分别利⽤算术均值滤波器、⼏何均值滤波器、谐波和逆谐波均值滤波器进⾏图像去。

模板⼤⼩为5*5。

（注：请分别为图像添加⾼斯噪声、胡椒噪声、盐噪声和椒盐噪声，并观察滤波效果）2、中值滤波具体内容：利⽤ OpenCV 对灰度图像像素进⾏操作，分别利⽤ 5*5 和 9*9尺⼨的模板对图像进⾏中值滤波。

（注：请分别为图像添加胡椒噪声、盐噪声和椒盐噪声，并观察滤波效果）3、⾃适应均值滤波。

具体内容：利⽤ OpenCV 对灰度图像像素进⾏操作，设计⾃适应局部降低噪声滤波器去噪算法。

模板⼤⼩ 7*7（对⽐该算法的效果和均值滤波器的效果）4、⾃适应中值滤波具体内容：利⽤ OpenCV 对灰度图像像素进⾏操作，设计⾃适应中值滤波算法对椒盐图像进⾏去噪。

模板⼤⼩ 7*7（对⽐中值滤波器的效果）5、彩⾊图像均值滤波具体内容：利⽤ OpenCV 对彩⾊图像 RGB 三个通道的像素进⾏操作，利⽤算术均值滤波器和⼏何均值滤波器进⾏彩⾊图像去噪。

模板⼤⼩为 5*5。

三、实验完成情况添加噪声核⼼代码//添加指定数值噪声(椒：0，盐：255)Mat saltAndPepperNoise(const Mat& input, int n, int value) {int x, y;int row = input.rows, col = input.cols;bool color = input.channels() > 1;Mat target = input.clone();//随机取位置添加指定噪声for (int i = 0; i < n; i++) {x = rand() % row;y = rand() % col;if (color) {target.at<Vec3b>(x, y)[0] = value;target.at<Vec3b>(x, y)[1] = value;target.at<Vec3b>(x, y)[2] = value;}else {target.at<uchar>(x, y) = value;}}return target;}//获取随机⾼斯噪声图像Mat gaussianNoise(const Mat& input, int avg, int sd) {Mat target = Mat::zeros(input.size(), input.type());//Opencv随机数类RNG rng(rand());//⾼斯分布的平均数或均匀分布的最⼩值int a = avg;//⾼斯分布的标准差或均匀分布的最⼤值int b = sd;//类型，NORMAL为⾼斯分布，UNIFORM为均匀分布int distType = RNG::NORMAL;//产⽣⼀个符合⾼斯分布（或均匀分布）的图像rng.fill(target, distType, a, b);return target;}实现截图1、均值滤波核⼼代码//对图像进⾏滤波处理Mat filterProcess(const Mat& img, uchar kernel(const Mat&, int, int, int, int), int size, int q = 1) { Mat target = img.clone();vector<Mat> channels;int m = size / 2;split(target, channels);for (Mat ch : channels) {Mat src = ch.clone();for (int i = src.rows - size; i >= 0; i--)for (int j = src.cols - size; j >= 0; j--) {ch.at<uchar>(i + m, j + m) = kernel(src, size, i, j, q);}}merge(channels, target);return target;}//算术均值计算static uchar arithmeticMeanKernel(const Mat& img, int size, int i, int j, int q) {double res = 0;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {res += img.at<uchar>(r, c);}}return (uchar)(res / ((double)size * size));}//⼏何均值计算static uchar geometricMeanKernel(const Mat& img, int size, int i, int j, int q) {double res = 1;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {res *= img.at<uchar>(r, c);}}return (uchar)(pow(res, 1.0 / ((double)size * size)));}//谐波平均值计算static uchar harmonicMeanKernel(const Mat& img, int size, int i, int j, int q) {double res = 0;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {res += 1.0 / ((double)img.at<uchar>(r, c) + 1);}}return (uchar)(((double)size * size) / res - 1);}//反谐波平均值计算static uchar antiHarmonicMeanKernel(const Mat& img, int size, int i, int j, int q) {double res1 = 0, res2 = 0;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {res1 += pow(img.at<uchar>(r, c), q + 1);res2 += pow(img.at<uchar>(r, c), q);}}return (uchar)(res1 / res2);}实现截图⾼斯噪声胡椒噪声盐噪声椒盐噪声2、中值滤波核⼼代码//快速选择中值static int quickSelect(vector<uchar>& vec, int left, int right, int target) {int t = vec[left], l = left, r = right;bool isLeft = true;while (l < r) {if (isLeft) {while (l < r && vec[r] >= t)r--;vec[l] = vec[r];}else {while (l < r && vec[l] < t)l++;vec[r] = vec[l];}isLeft = !isLeft;}vec[l] = t;if (l < target)return quickSelect(vec, l + 1, right, target);else if (l > target)return quickSelect(vec, left, l - 1, target);return vec[l];}//中值计算static uchar medianKernel(const Mat& img, int size, int i, int j, int q) {vector<uchar> values;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {values.push_back(img.at<uchar>(r, c));}}int cnt = size * size;return quickSelect(values, 0, cnt - 1, cnt / 2);}实现截图3、⾃适应均值滤波核⼼代码static uchar adaptiveMeanKernel(const Mat& img, int size, int i, int j, int q) {double avg = 0, ds = 0;uchar u = img.at<uchar>(i + size / 2, j + size / 2);for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {avg += img.at<uchar>(r, c);}}avg /= size*size;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {ds += pow(avg - img.at<uchar>(r, c), 2);}}double rate = q / ds;if (rate > 1.0)rate = 1.0;return (int)(u - rate * (u - avg));}实现截图（由于⾃适应均值主要针对加性噪声，因此只测试⾼斯噪声的去噪效果）4、⾃适应中值滤波核⼼代码static uchar adaptiveMedianKernel(const Mat& img, int size, int i, int j, int max_size) {vector<uchar> values;for (int r = i + size - 1; r >= i; r--) {for (int c = j + size - 1; c >= j; c--) {values.push_back(img.at<uchar>(r, c));}}int cnt = size * size;int mid = quickSelect(values, 0, cnt - 1, cnt / 2);int min = quickSelect(values, 0, cnt - 1, 0);int max = quickSelect(values, 0, cnt - 1, cnt - 1);if (mid < max && min < mid) {uchar u = img.at<uchar>(i + size / 2, j + size / 2);return (min < u&& u < max) ? u : mid;}if (size == max_size || i == 0 || j == 0 || i + size + 1 >= img.rows || j + size + 1 >= img.cols)return mid;return adaptiveMedianKernel(img, size + 2, i - 1, j - 1, max_size);}实现截图5、彩⾊图像均值滤波核⼼代码核⼼滤波处理函数filterProcess⽀持对彩⾊图像分解处理，因此与灰度图像使⽤相同的均值计算Kernel函数实现截图添加噪声⾼斯噪声胡椒噪声盐噪声椒盐噪声四、实验中的问题1. 对于滤波器的理解不够深，耗费了很长时间加深理解关于滤波器处理噪声⽅⾯的知识。

实验3：图像加噪与去噪处理

X x大学数字图像处理与通信课程实验报告班级：姓名：实验项目名称：数字图像加噪与去噪处理实验项目性质：设计性实验实验所属课程：数字图像处理与图像通信实验室(中心)：网络实验中心指导教师：实验完成时间： 2012 年 10 月 28 日教师评阅意见：签名：年月日实验成绩：一、实验目的:1、首先通过实验熟悉matlab、matlab 编程环境以及其基本操作，和对图像的读取、显示、保存等一些操作，同时增加自己的实际动手能力。

2、学会对图像的加噪及去噪的程序的编写。

二、实验主要内容及要求：1、进一步熟悉和掌握matlab软件的工作窗口及命令；通过matlab软件，对一幅图像进行读入，显示，保存；2、完成对加噪图像的去噪操作；3本实验采用均值滤波法对图像进行去椒盐噪声的操作。

三、实验设备及软件：PC机一台，MATBLAB。

四、设计方案1.打开matlab软件，再获取一张实验用彩色图像，使用imread函数读入；2.用均值滤波法对所获取的彩色图像进行去椒盐噪声处理。

3,、对已加噪和去噪的图像进行必要的保存。

五、代码及必要说明n=input('input a number:');g=imread('sunset.jpg');v=imnoise(g,'salt & pepper',0.1);figure(1);imshow(g)title('原图像');figure(2);imshow(v)title('加椒盐噪声后图像');[h,w]=size(v);f=double(v);a=ones(n,n);y=f;for i=1:h-n+1for j=1:w-n+1a=f(i:i+(n-1),j:j+(n-1));s=sum(sum(a));y(i+ceil((n-1)/2),j+ceil((n-1)/2))=s/(n*n);endendfigure(3);imshow(uint8(y));title('去噪后图像');六、测试结果及说明：（1）实验原图：（2）实验结果（启动matlab后，输入1的结果）：七、实验体会：通过本次实验，直到实验结束时，对于本次实验的内容，总算有了初步的理解和掌握；也是通过本次实验，使得我更加深的了解了使用matlab对图像处理的流程，从而知道了以后在对图像处理的时候知道该如何去操作此软件，但是所不足的是，对理论性知识掌握程度不够。

图像去噪方法研究

谢谢观看
2、去噪算法的研究现状
目前，图像去噪算法的研究已经取得了很大的进展。从简单的线性滤波方法到复杂的非局部均值和深度学习算法，各种新型的去噪算法不断涌现。这些新的算法主要在以下几个方面进行了改进和创新：
2、1考虑图像的局部结构和纹理信息
许多现有的去噪算法都尝试利用图像的局部结构和纹理信息来提高去噪效果。例如，一些算法通过引入局部自适应滤波器来考虑图像的局部统计特征，从而实现更加有效的去噪。另外，一些算法还利用了图像的结构相似性来保护图像的边缘和细节信息。这些方法通常能够在一定程度上提高去噪效果，但在处理复杂图像时仍然存在一定的局限性。
2111、结论与展望
图像去噪是数字图像处理中的重要环节之一，其目的是在保留图像的重要特征和细节信息的同时，去除图像中的噪声和干扰。本次演示介绍了常见的图像去噪算法及其优缺点以及研究现状和未来的研究方向。
参考内容
小波变换是近年来在图像处理领域中广泛应用的一种技术，尤其在图像去噪方面发挥了重要作用。本次演示主要探讨了基于小波变换的图像去噪方法。
一、小波变换的基本原理
小波变换是一种时频分析方法，它将信号分解成一系列具有不同频率和时间分辨率的小波。通过改变窗口大小和形状，小波变换能够有效地突出信号中的突变部分，同时抑制噪声。小波变换的特性使得它在图像处理中具有很好的应用价值。
二、基于小波变换的图像去噪方法
基于小波变换的图像去噪方法主要包括以下步骤：
1、3高斯滤波
高斯滤波是一种特殊的均值滤波方法，它将像素点及其邻域的像素值按照高斯函数进行加权平均。这种方法对于去除高斯噪声具有较好的效果，同时对于边缘信息的保留也较为理想。但是，高斯滤波需要选择合适的滤波器大小和标准差参数，否则可能会影响去噪效果。

基于小波变换的图像去噪方法研究报告附MATLAB程序

2．小波变换概述
2.1 小波变化去噪技术研究现状
上个世纪八十年代 Mallet 提出了 MRA(Multi_Resolution Analysis)，并首先把小波理论运用于信号和图像的分解与重构，利用小波变换模极大值原理进行信号的奇异性检测，提出了交替投影算法用于信号重构，为小波变换用于图像处理奠定了基础[1]。后来，人们根据信号与噪声在小波变换下模极大值在各尺度上的不同传播特性，提出了基于模极大值去噪的基本思想。1992 年，Donoho 和 Johnstone 提出了“小波收缩”，它较传统的去噪方法效率更高。“小波收缩”被 Donoho 和 Johnstone 证明是在极小化极大风险中最优的去噪方法，但在这种方法中最重要的就是确定阈值。1995 年，Stanford 大学的学者 D.L.Donoho 和 I.M.Johnstone 提出了通过对小波系数进行非线性阈值处理来降低信号中的噪声[2]。从这之后的小波去噪方法也就转移到从阈值函数的选择或最优小波基的选择出发来提高去噪的效果。影响比较大的方法有以下这么几种： Eero P.Semoncelli 和 Edward H.Adelson 提出的基于最大后验概率的贝叶斯估计准则确定小波阈值的方法[3]； Elwood T.Olsen 等在处理断层图像时提出了三种基于小波相位的去噪方法：边缘跟踪法、局部相位方差阈值法以及尺度相位变动阈值法；学者 Kozaitis 结合小波变换和高阶统计量的特点提出了基于高阶统计量的小波阈值去噪方法[4]； G.P.Nason 等利用原图像和小波变换域中图像的相关性用 GCV(general crossvalidation)法对图像进行去噪；Hang.X 和 Woolsey 等人提出结合维纳滤波器和小波阈值的方法对信号进行去噪处理[5]，Vasily Strela 等人将一类新的特性良好的小波(约束对)应用于图像去噪的方法[6]；同时，在 19 世纪 60 年代发展的隐马尔科夫模型(Hidden Markov Model)，是通过对小波系数建立模型以得到不同的系数处理方法；后又有人提出了双变量模型方法[7]，它是利用观察相邻尺度间父系数与子系数的统计联合分布来选择一种与之匹配的二维概率密度函数。这些方法均取得了较好的效果，对小波去噪的理论和应用奠定了一定的基础。

实验四图像去噪

<数字图像处理数学方法>实验报告实验四图像去噪专业：信息与计算科学班级：学号：姓名：二〇一五年十一月二十九日实验四图像去噪实验目的1、了解数字图像滤波的目的;2、理解空域滤波原理;3、掌握均值滤波和中值滤波的方法。

实验内容（1）在Matlab下读入一幅图像，对其加入的高斯噪声和椒盐噪声；（2）对噪声图像分别采用均值滤波和中值滤波进行去噪；（3）用MATLAB自带的函数实现；（4）自行设计滤波掩模和程序；实验步骤及分析1、设置当前工作目录打开Matlab，从“文件”菜单选择“Set Path”，弹出“Set Path”窗体，单击“Add Folder…”按钮或“Add with Subfolders…”按钮，弹出“浏览文件夹”窗口，选择自己的文件夹添加到当前工作目录中，点击“确定”，返回到“Set Path”窗体，依次点击“Save”按钮、“Close”按钮，完成当前工作目录的设置。

2、使用imread函数读入一幅图像，为原图I；3、给读入图像I加入高斯噪声和椒盐噪声；G = imnoise(I,'gauss',0.02); %加入高斯噪声J = imnoise(I,'salt & pepper',0.02); %加入椒盐噪声4、均值滤波抑制高斯噪声和椒盐噪声；ave = fspecial('average',5);K = filter2(ave,G)/255; %均值滤波抑制高斯噪声L = filter2(ave,J)/255; %均值滤波抑制椒盐噪声5、中值滤波抑制高斯噪声和椒盐噪声；M = medfilt2(G,[3 3]); %中值滤波抑制高斯噪声N = medfilt2(J,[3 3]); %中值滤波抑制椒盐噪声6、使用imshow()函数显示图像。

源代码（请对程序进行注释说明）%读入一幅图像I=imread(cell.tif'); %读入一幅图像%加入高斯噪声G = imnoise(I,'gauss',0.02);%加入椒盐噪声J = imnoise(I,'salt & pepper',0.02);ave = fspecial('average',5);%均值滤波抑制高斯噪声K = filter2(ave,G)/255;%均值滤波抑制椒盐噪声L = filter2(ave,J)/255;%中值滤波抑制高斯噪声M = medfilt2(G,[3 3]);%中值滤波抑制椒盐噪声N = medfilt2(J,[3 3]);%显示原图title('原图');imshow(I);%显示加入高斯噪声后的图figure,imshow(G);title('加入高斯噪声后的图');%显示加入椒盐噪声后的图figure,imshow(J);title('加入椒盐噪声后的图');figure,imshow(K);title('均值滤波抑制高斯噪声后的图'); %显示均值滤波抑制高斯噪声后的图figure,imshow(L); title('均值滤波抑制椒盐噪声后的图'); %显示均值滤波抑制椒盐噪声后的图figure,imshow(M); title('中值滤波抑制高斯噪声后的图'); %显示中值滤波抑制高斯噪声后的图figure,imshow(N);title('中值滤波抑制椒盐噪声后的图'); %显示中值滤波抑制椒盐噪声后的图实验结果及分析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。

图像的去噪

•
取模板为3*3全1矩阵时的实验结果
取模板为[1,2,1;2,4,2;1,2,1]时
选择不同模板结果分析
1.图像经过3*3均值滤波器后的图像虽然可见的噪声更少，但是付出的代价是图像变得模糊了。 2.用模板A=[1,2,1;2,4,2;1,2,1]的图像效果比用全1模板的效果好。主要是用A模板使掩模中心位置的像素比其他任何像素的权值都大，因为在均值计算中给定的这一像素显得更重要，而距中心较远的其他像素就不太重要。这也叫加权平均。
实三图像去噪
要求：已知一幅含有噪声的图像 imageDlb.tif,采用模板法去除噪声。
实验原理
matlab代码
• • • • • • • • • • • • • f=imread('imageDlb.tif'); figure(1); imshow(f); for i=2:446; %size(f)求得图像矩阵为[448 464] for j=2:462; %边界舍去 g(i,j)=f(i-1,j-1)/9+f(i-1,j)/9+f(i-1,j+1)/9 +f(i,j-1)/9+f(i,j)/9+f(i,j+1)/9+f(i+1,j-1)/9+f(i+1,j)/9+f(i+1,j+1)/9; %用3*3全1模板取均值 end end figure(2); imshow(g);

数字图像去噪算法研究实习报告

专业实习三实习报告数字图像去噪算法研究学院：计算机与信息技术学院专业：通信工程姓名：王一驰学号：1108224073一、引言近些年来,随着数码产品及各类数字产品的普及，数字图像处理已成为数学技术和计算机技术交叉领域的一个研究热点。

图像去噪是数字图像处理中一项基本而又十分关键的技术。

图像在获取，传输及贮存时总是不可避免地受到各种噪声源的干扰，为了更准确的获取原始信息，图像去噪预处理算法的好坏成为后续处理的关键。

随着网络及计算机在人们生活中的日益普及，图像、音频等多种形式的多媒体文件的出现，同时人们对于图像的画质要求也在不断提高，于是图像处理显得越发的重要。

二、数字图像处理的基本理论将客观世界实体或图片等通过不同的量化(数字化)手段送入计算机，由计算机按使用要求进行图像的平滑、增强、复原、分割、重建、编码、存储、传输等种种不同的处理。

需要时把加工处理后的图像重新输出，这个过程称为图像处理。

图像处理的基本内容可以归结为：1.对图像进行增强或修改，以增强有用信息，同时抑制无用信息（即干扰信息或噪声），改善图像的视觉质量；2. 描述图像的特征并进行特征抽取和分析，将抽取的特征归结为一定的模式；3. 对图像的某些部分合并或进行重新组织，这称为图像的重建。

三、传统去噪方法对随时间变化的信号，通常采用两种最基本的描述形式，即时域和频域。

时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。

对应的图像的去噪处理方法基本上可分为空间域法和变换域法两大类。

前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。

变换域法是在图像的变换域上进行处理，对变换后的系数进行相应的处理，然后进行反变换达到图像去噪的目的。

1、均值滤波邻域平均法是一种局部空间域处理的算法。

设一幅图像为的阵列，处理后的图像为，它的每个像素的灰度级由包含领域的几个像素的灰度级的平均值所决定，即用下式得到处理后的图像:()()()∑∈=S j i j i f M y x g ,,1,式中；s 是以点为中心的邻域的集合，M 是s 内坐标总数。