(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)
实验三 图像的平滑与锐化
实验三图像的平滑与锐化（实验类型：综合性；学时：4）一、实验目的1. 理解图像空域滤波的基本原理及方法，学会采用邻域平均滤波、中值滤波等方法对图像进行平滑增强，以消除或尽量减少噪声的影响，改善图像质量；2. 理解图象锐化的概念，掌握常用空域锐化增强技术，学会编写程序对图像进行锐化增强，感受不同的模板对图像锐化效果的影响。
二、实验环境Matlab 7.0三、实验原理1. 图像平滑MATLAB图像处理工具箱提供了基于卷积的图像滤波函数filter2。
filter2的语法格式为：Y = filter2(h, X)其中Y =filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。
fspecial函数用于创建预定义的滤波算子，其语法格式为：h = fspecial(type)h = fspecial(type, parameters)参数type指定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数parameters为n，代表模版尺寸，用向量表示，默认值为[3,3]。
type= 'gaussian'，为高斯低通滤波器，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。
type= 'laplacian'，为拉普拉斯算子，参数parameters为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
type= 'log'，为拉普拉斯高斯算子，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。
type= 'sobel'，为的sobel算子，用于边缘提取，无参数。
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。
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。
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。
图像的平滑滤波---数字图像处理实验报告南昌大学
实验报告三姓名：胡文松学号：6103413007 班级：生物医学工程131 实验日期：2016/5/11 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（1）线性空间滤波函数imfilter来实现线性空间滤波，语法为：g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f是输入图像，w为滤波模板，g为滤波结果，filtering_mode用于指定在滤波过程中是使用相关运算(‘corr’)还是卷积运算(‘conv’)，相关就是按模板在图像上逐步移动运算的过程，卷积则是先将模板旋转180度，再在图像上逐步移动的过程。
（2）非线性滤波器数字图像处理中最著名的统计排序滤波器是中值滤波器，MATLAB工具箱提供了二维中值滤波函数medfilt2，语法为：g = medfilt2(f, [m n], padopt)矩阵[m n]定义了一个大小为m×n的邻域，中值就在该邻域上计算；而参数padopt指定了三个可能的边界填充选项：’zeros’（默认值，赋零），’symmetric’按照镜像反射方式对称地沿延其边界扩展，’indexed’，若f是double类图像，则以1来填充图像，否则以0来填充图像。
（3）线性空间滤波器MATLAB工具箱支持一些预定义的二维线性空间滤波器，这些空间滤波器可通过函数fspecial实现。
生成滤波模板的函数fspecial的语法为：w = fspecial(‘type’, parameters) ；其中，’type’表示滤波器类型，parameters进一步定义了指定的滤波器。
fspecial(‘laplacian’, alpha) 一个大小为3×3的拉普拉斯滤波器，其形状由alpha指定，alpha是范围[0, 1]的数。
(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。
数字图像处理实验三图像滤波实验(模板运算)
实验三图像滤波实验（模板运算）一．实验目的：模板运算是空间域图象增强的方法，也叫模板卷积。
（1）平滑：平滑的目的是模糊和消除噪声。
平滑是用低通滤波器来完成，在空域中全是正值。
（2）锐化：锐化的目的是增强被模糊的细节。
锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。
二．实验内容：（1）利用线性空间滤波（均值滤波）对一幅图象进行平滑，验证模板尺寸和滤波参数对图象的模糊效果的影响。
（2）利用非线性空间滤波器（中值滤波）对一幅噪声图象（椒盐噪声）进行平滑去噪，同时检验两种滤波模板（分别使用一个5×5的线性邻域平均模板和一个非线性模板：3×3中值滤波器）对噪声的滤波效果。
（3）利用线性空间滤波器，对灰度图象分别利用二阶标准Laplacian算子和对角线Laplacian算子对其进行锐化操作，增强图像边缘，验证检测效果。
三．实验原理：1．用31×31均值滤波模板，并分别采用参数boundary_options默认值和‘replicate’对图像test_pattern进行平滑处理；用3×3，5×5，7×7均值滤波模板对图像lena平滑处理，观察不同参数、不同模板尺寸对滤波效果的影响。
1．线性空间滤波函数imfilter来实现线性空间滤波，语法为：g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f是输入图像，w为滤波模板，g为滤波结果，filtering_mode用于指定在滤波过程中是使用相关运算(‘corr’)还是卷积运算(‘conv’)，相关就是按模板在图像上逐步移动运算的过程，卷积则是先将模板旋转180度，再在图像上逐步移动的过程，显然，若模板中心对称，则相关和卷积运算是相同操作，默认为相关运算；boundary_options用于处理边界充零问题，默认为赋零，若该参数为’replicate’表示输出图像边界通过复制原图像边界的值来扩展；size_options可以是’full’或’same’，默认为’same’，表示输出图像与输入图像的大小相同。
高斯平滑滤波器实验报告
高斯平滑滤波器一、实验名称：实现高斯平滑滤波器选择几个不同的σ（ 至少5个）对一幅图像进行滤波，观测不同的值对图像的平滑程度（注意σ取值与窗函数大小的关系）。
并说明如何为一幅图像选择合适的σ值。
二、高斯平滑滤波器实现原理 1、高斯（核）函数高斯核函数一种最常用的径向基函数,形式为22(||||)exp{||||/2*}c k x x x xc σ-=-- (1)图1其中x c 为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。
所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数通常定义为空间中任一点x 到某一中心x c 之间欧氏距离的单调函数 , 可记作 k(||x -x c ||), 其作用往往是局部的 , 即当x 远离x c 时函数取值很小。
高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是：（1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向．（2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真．（3）高斯函数的付立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号．（4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷．（5）由于高斯函数的可分离性，大高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． 2、高斯平滑滤波器的设计——直接法离散高斯分布:222()2[,].i j g i j ceσ+-=222()2[,].i j g i j e cσ+-=例如，选ó2=2，n=7，在[0,0]处的值等于产生数组(1)，左上角值定义为1并取整，见数组(2)：（1） （2）数组(2)即为一个7*7的高斯模板 三、实验1.分析σ大小与窗口大小的关系选取不同参数σ的高斯滤波模板，平滑的效果是有差别的，实际上σ越大，高斯函数越胖，其作用域就越宽，所以平滑窗口应越大，同时会导致平滑的力度增大，其结果使得图像变得越模糊。
图像的平滑滤波
上做出合理的解释。
均值滤波
均值滤波是平滑滤波的一种
原理：使用邻域内像素均值代替当前像素值
1
h[i, j]
f [k,l]
M (k ,l )N
其中M是N×N邻域内点的个数
假设使用3×3的模板进行处理，如下
1 i1 j1
h[i, j]
图像的平滑滤波
——实验二
实验目的
学习常见的图像滤波方法，了解图像滤波 过程；
了解图像增强用于图像处理所取得的效果； 培养处理实际图像的能力并为课堂教学提
供配套的实践机会。
实验要求
学生应当能够在VC6.0平台下编制自己的C 函数
编写平滑滤波和中值滤波器函数 用滤波函数对高斯噪声和椒盐噪声污染的
练习
均值滤波
3×3，5×5，7×7
中值滤波
3×3，5×5，7×7
高斯平滑滤波
σ=1
0.0751 0.1238 0.0751 0.1238 0.2042 0.1238 0.0751 0.1238 0.0751
高斯滤波
高斯平滑滤波
5×5，σ=0.5
0.00297 0.01331 0.02194 0.01331 0.00297 0.01331 0.05963 0.09832 0.05963 0.01331 0.02194 0.09832 0.16210 0.09832 0.02194 0.01331 0.05963 0.09832 0.05963 0.01331 0.00297 0.01331 0.02194 0.01331 0.00297
7×7，σ=0.5
0.00492 0.00920 0.01338 0.01516 0.01338 0.00920 0.00492 0.00920 0.01718 0.02500 0.02833 0.02500 0.01718 0.00920 0.01338 0.02500 0.03637 0.04121 0.03637 0.02500 0.01338 0.01516 0.02833 0.04121 0.04670 0.04121 0.02833 0.01516 0.01338 0.02500 0.03637 0.04121 0.03637 0.02500 0.01338 0.00920 0.01718 0.02500 0.02833 0.02500 0.01718 0.00920 0.00492 0.00920 0.01338 0.01516 0.01338 0.00920 0.00492
高斯平滑滤波实验报告参考模板
高斯平滑滤波实验报告一.实验要求实现高斯平滑滤波器。
选择儿个不同的。
（至少5个）对一幅图像进行滤 波，观测不同的。
值对图像的平滑程度（注意。
取值与窗函数大小的关系）。
你 将如何为一幅图像选择合适的o 值？二，高斯平滑滤波器简介"+尸） 连续高斯函数为g[i,j] = e 2<7?_（*+尸）离散高斯函数为g[^ j] =2 。
一个离散高斯模板如图2所示。
1 12 2 2 1 1 1 2 2 4 2 2 1 2 24 8 4 2 2 2 4 8 16 8 4 2 2 2 4 8 4 2 2 1 2 2 4 2 2 1 1122211图2离散髙斯模板高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都山 其本身和邻域内的其他像素值经过加权平均后得到。
由上面图示可知，高斯函 数的特点就是模板中心像素在新像素所占的比重最大，离中心越远的像素在新 像素中所占的比重越小。
高斯滤波器的系统函数是平滑的，避免了振铃现象。
连续的高斯函数图像如图1所示。
图1连续髙斯函数高斯函数具有五个重要性质：1,具有旋转对称性；2,是单值函数；3,其付氏频谱是单瓣的；4,高斯滤波器宽度(决定平滑程度)山参数。
表征；5,可分离性，大高斯滤波器得以有效实现。
三，高斯平滑滤波实现本实验中运用MATLAB来实现对图像的高斯平滑滤波。
处理前的图像如图三所示，是图像处理学习中常用的lena图像。
图3原图因为平滑滤波器的作用是消除图像中的噪声，为了更好地检测高斯平滑滤波器的效果，用MATLAB中的noise函数为原图加上髙斯噪声，再对其进行处理，如图4所示。
图4加髙斯噪声的图像接下来就可以进行高斯平滑滤波了。
在MATLAB中，用fspecial函数来生成高斯模板。
其使用格式为：f= fspecial( gaussian\[3 3],0.5);其中[3 3]是模板的大小，可以更改，本实验中的模板均为3x3的；后面的0.5就是。
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。
图像平滑与滤波
定义 均值滤波方法是，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素 组成，用模板的均值来替代原像素的值的方法。
如下图，1~8 为(x,y)的邻近像素。
权系数矩阵模板
g = (f(x-1,y-1)+ f(x,y-1)+ f(x+1,y-1) + f(x-1,y) + f(x,y) + f(x+1,y) + f(x-1,y+1) + f(x,y+1) + f(x+1,y+1))/9 实例
如上图所示由二维高斯图像可知， 如上图所示由二维高斯图像可知 标准差越小， 二维高斯图像越窄小， 平滑效果不明显 平滑效果不明显； 标准差越大，而为高斯图像越矮宽 而为高斯图像越矮宽，滤波效果比较明显。 高斯滤波器模板的生成最重要的参数就是高斯分布的标准差 σ。 标准差代表着数据的离 散程度，如果 σ 较小，那么生成的模板的中心系数较大 那么生成的模板的中心系数较大，而周围的系数较小 而周围的系数较小，这样对图像的 平滑效果就不是很明显；反之 反之，σ 较大，则生成的模板的各个系数相差就不是很大 则生成的模板的各个系数相差就不是很大，比较类 似均值模板，对图像的平滑效果比较明显 对图像的平滑效果比较明显。 σ 越大，分布越分散，各部分比重差别不大 各部分比重差别不大，于是生成的模板各元素值差别不大 于是生成的模板各元素值差别不大，类似 于平均模板； σ 越小，分布越集中，中间部分所占比重远远高于其他部分 中间部分所占比重远远高于其他部分，反映到高斯模板上就是中 反映到高斯模板上就是中 心元素值远远大于其他元素值 于是自然而然就相当于中间值得点运算。 心元素值远远大于其他元素值，于是自然而然就相当于中间值得点运算 例如：要产生一个 3×3 的高斯滤波器模板(卷积核)，以模板的中心位置为坐标原点进行 以模板的中心位置为坐标原点进行 取样。模板在各个位置的坐标 模板在各个位置的坐标，如下所示（x 轴水平向右，y 轴竖直向下）
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。
Matlab图像处理图像平滑与滤波
实验三、图像平滑与滤波一、实验题目：图像平滑与滤波二、实验目的：在熟悉图像平滑的基本原理和方法的基础上，在理论指导下，能在MATLAB 环境下对图像进行平滑处理。
本实验要求用线性平滑滤波、中值平滑滤波、频域低通滤波的方法进行程序设计。
经过平滑处理，对结果图像加以比较，得出自己的实验结论。
三、实验内容：（1）利用MATLAB为用户提供的专门函数实现均值滤波。
（2）利用MATLAB为用户提供的专门函数实现中值滤波。
（3）编写频域理想低通、巴特沃斯低通及高斯低通滤波函数。
四、预备知识：（1）熟悉平滑滤波原理。
（2）熟悉频域滤波原理。
（3）熟悉在MATLAB环境下对图像文件的I/O操作。
五、实验原理：平滑滤波技术用于平滑图像中的噪声。
平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均值或中值。
也可以在频域中用基于傅立叶的分析方法进行。
这里对常用滤波函数进行简要介绍。
（1）噪声产生函数：imnoise图像平滑主要是针对图像的各种噪声而言的，因此需要模拟数字图像的各种噪声来分析滤波效果。
MATLAB的图像处理工具箱提供了imnoise函数，可以用该函数给图像添加不同种类噪声，其调用格式为：J = imnoise(I, ’type’, parameters)I是输入图像，J是对I添加噪声后的输出图像。
表5.1列出了imnoise函数能够产生的五种噪声及其对应参数。
表5.1 噪声种类及参数说明TYPE PARAMETERS 说明gaussian m,v 均值为m，方差为v的高斯噪声。
默认值m=0，v=0.01localvar v 均值为0，方差为v的高斯白噪声passion 无泊松噪声salt & pepper d 噪声强度为d的椒盐噪声。
默认值为0.05 speckle v 均值为0，方差为v的均匀分布随机噪声例1.5.1给图像加上椒盐噪声，可以使用下列语句。
>> I=imread('ckt-board.tif');>> J=imnoise(I,'salt & pepper',0.2);%给图像加入椒盐噪声>> subplot(1,2,1);imshow(I);title('原始图像');>> subplot(1,2,2);imshow(J);title('加入椒盐噪声的图像');其显示结果如图1.5.1所示。
图像高斯平滑滤波分析（转）
图像高斯平滑滤波分析（转）摘要在图像预处理中，对图像进行平滑，去除噪声，恢复原始图像是一个重要内容。
本文设计了一个平滑尺度和模板大小均可以改变的高斯滤波器，用它对多幅加入各种噪声后的图像进行平滑，经过对各个结果图像的对比可知高斯滤波对服从正态分布的噪声去除效果比较好，并且相比各个不同参数，在平滑尺度为2，模板大小为7时效果最佳。
关键词图像预处理；平滑处理；平滑尺度；模板大小；高斯滤波1 引言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。
一种是幅值基本相同，但出现的位置随机的椒盐噪声，另一种则每一点都存在，但幅值随机分布的随机噪声。
为了抑制噪声、改善图像质量，要对图像进行平滑处理。
图像平滑处理的方法多种多样，有邻域平均、中值滤波，高斯滤波、灰度最小方差的均值滤波等。
这里主要就是分析高斯滤波器的平滑效果。
以下即为本课题研究的主要内容及要求：第一，打开显示对应图像；第二，编写给图像加噪声的程序；第三，程序中实现不同平滑尺度、不同模板大小的高斯模板设计，并将设计结果显示出来；第四，以Lena图像为例，进行加噪声，分析平滑的实验效果。
2 高斯平滑滤波器的原理高斯滤波器是根据高斯函数的形状来选择权值的线性平滑滤波器。
高斯平滑滤波器对去除服从正态分布的噪声是很有效果的。
一维零均值高斯函数为。
其中，高斯分布参数决定了高斯滤波器的宽度。
对图像来说，常用二维零均值离散高斯函数作平滑滤波器，函数表达式如下：式（1）高斯函数具有5个重要性质：（1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的。
一般来说一幅图像的边缘方向是不知道的。
因此，在滤波之前是无法确定一个方向比另一个方向上要更多的平滑的。
旋转对称性意味着高斯滤波器在后续的图像处理中不会偏向任一方向。
（2）高斯函数是单值函数。
这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点的权值是随着该点与中心点距离单调递减的。
- 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)。
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imnoise
imnoise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 = expression
statements
end
2、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。
Medfilt2函数的语法格式为：
B = medfilt2(A) 用3×3的滤波窗口对图像A进行中值滤波。
B = medfilt2(A,[m n]) 用指定大小为m×n的窗口对图像A进行中值滤波。
3、中值滤波
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。
在处理之后，位于窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。
中值滤波很容易推广到二维的情况。
二维窗口的形式可以是正方形、近似圆形的或十字形的。
4、自适应滤波
能根据图像的局部方差调整滤波器的输出。
局部方差越大，平滑作用越强。
目标是使恢复图像(,)f x y *与原始图像(,)f x y 的均方误差22{[(,)(,)]}e E f x y f x y *=-最小
5、卷积与滤波的关系
MATLAB 中提供了卷积运算的函数命令conv2，其语法格式为： C = conv2(A,B) C = conv2(A,B)返回矩阵A 和B 的二维卷积C 。
若A 为ma ×na 的矩阵，B 为mb ×nb 的矩阵，则C 的大小为(ma+mb+1)×(na+nb+1)。
MATLAB 图像处理工具箱提供了基于卷积的图象滤波函数filter2，filter2的语法格式为：
Y = filter2(h,X)
其中Y = filter2(h,X)返回图像X 经算子h 滤波后的结果，默认返回图像Y 与输入图像X 大小相同。
例如：
Fspecial 函数用于创建预定义的滤波算子，其语法格式为： h = fspecial(type)
h = fspecial(type,parameters) 实验结果 实验分析
原图像
加高斯噪声
加椒盐噪声加乘性噪声
加高斯噪声去高斯噪声
原图3*3滤波9*9滤波
原图加噪图去噪图
原图去噪图
原图f
f1P
原图f
f1P。