案例7夜间图像去噪

nblocr1.mat；nblocr2.mat（带噪的方波信号）
nbumpr1.mat； nbumpr2.mat； nbumpr3.mat；
ndoppr1.mat；nelec.mat
noischir.mat;noisbloc.mat；noisbump.mat； noisdopp.mat；noismima.mat；noissin.mat （高斯噪声）
崔丽
（பைடு நூலகம்）.噪声的扫描变换
现在图像系统的输入光电变换都是先把二维图像信号扫描变换成一
维电信号再进行处理加工。最后再将一维电信号变成二维图像信号。噪
声也存在着同样的变换方式。
（2）.噪声与图像的相关性
使用光导摄象管的摄像机，可以认为，信号幅度和噪声幅度无关。
而使用超正析摄像机的信号和噪声相关，黑暗部分噪声大 ，明亮部分噪
通过imnoise,imnoise2函数实现。 具体程序见fnoise.m
模糊化处理程序EstimateH， 如何找到这个模糊核？
Matlab命令deconvreg J = deconvreg(I,PSF) J = deconvreg(I,PSF,NOISEPOWER) J = deconvreg(I,PSF,NOISEPOWER,LRANGE) 程序解读：I是结果图像，PSF是滤波器（比原图像
输入参数：X为带噪信号 TPTR为阈值选择准则的字符串：
'rigrsure'，用 Stein's 无偏估计的原理进行的自适应阈值； 'heursure'是 启发式方法； 'sqtwolog' 通用阈值方法，阈值为； 'minimaxi' 最大最小阈值法。 阈值选取方法的噪声模型为y = f(t) + e 其中e 是满足N(0,1)的白噪声 处理非白噪声或者非校正的噪声可以用SCAL参数来重新调整，见 wden命令。 返回值：THR为阈值。
（Matlab版）》
Matlab命令 [CA,CH,CV,CD] = DWT2(X,‘wname’)或者 [CA,CH,CV,CD] = DWT2(X,Lo_D,Hi_D)； X = IDWT2(CA,CH,CV,CD,‘wname’)或者 X = IDWT2(CA,CH,CV,CD,Lo_R,Hi_R)； 单独重构可用[]代替不用的部分。
σ 为噪声方差，N为信号长度，T值估计应考虑平稳 性与信噪比（自适应的选取）
ddencmp，thselect，wbmpen，wdcbm2
实现小波去噪的函数有wden，wdencmp， wpdencmp，wthresh，wpthcoef和wthcoef2
Wavemenu工具箱一维二维小波变换对应下的 denoise。
视觉检出特性的影响。但是因为视觉检出特性中的许多问题还没有研究
情趣，所以也只能进行一些主观的评价试验。如空间频率特性不同的噪
声迭加要考虑到视觉空间频谱的带通特性。而时间特性不同的噪声迭加
就要考虑视觉滞留和其闪烁的特性等等。亮度和色度噪声的迭加一定要
清楚视觉的彩色特性。而以上的这些都因为视觉特性的未获解决而无法
进行分析。
从图像中找到一块平滑区域，根据统计数字来获得 噪声方差，计算其均值和方差。
Matlab命令： 选取小块——roipoly(f) 灰度直方图——imhist(f)
自编程序_冈萨雷斯《数字图像处理》： 几何中心矩的计算——statement 噪声分析——imnoise2
定义:
mpq x p yq f (x, y)dxdy
中心矩
◦ 中心坐标：
x0 m10 / m00 y0 m01 / m00 ◦ 中心矩：
pq (x x0 ) p ( y y0 )q f (x, y)dxdy
向量的几何矩
mp E(x x0 ) p f (x)
Statement函数解读： function [v, unv] = statmoments(p, n) %STATMOMENTS 计算图像直方图的中心矩， 输入：图像直方图p，n为矩的阶数 返回值：v为中心矩，unv为没有平移中心的矩
noiswom.mat；noissi2d.mat; nbarb1.mat
1.读入信号或者图像X
2.加入随机噪声， 随机噪声＝ e*rand（M，N）;
3.带有噪声的图像为 X＋随机噪声
Matlab命令： 不同阈值选择方法下的阈值
THR = THSELECT(X,TPTR) 用TPTR字符串定义的阈值选取方法选 择与输入信号X有关的阈值。
要小），NOISEPOWER是噪声强度（实数）
去噪函数见Constrained Least squares Filtering （CLSF.m）模型是 g = hf+η
还有待研究。
在共享的文件夹里面，还有若干函数，可以供大家 学习各种滤波。
如spatialfilter.m(空间滤波)课上可完成学习 inversefilter.m(反滤波和Wiener滤波) Inversewiener.m (Wiener 滤波) Notchfilter.m(Notch 滤波) OptimalNotch.m(最优Notch滤波) 推荐有兴趣同学看书——冈萨雷斯《数字图像处理
声小，在数字图像处理技术中量化噪声是肯定存在的，它和图像相位有 关，如图像内容接近平坦时，量化噪声呈现伪轮廓，但在此时图像信号 中的随机噪声就会因为颤噪效应反而使量化噪声变得不那么明显。
（3）.噪声的迭加性
在串联图像传输系统中，各部分窜入噪声若是同类噪声可以进行功
率相加，依次信噪比要下降。若不是同类噪声应区别对待，而且要考虑
Imnoise2函数解读
function R = imnoise2(type, M, N, a, b)
输入：type表示什么样的噪声，M，N为产生噪声 的矩阵大小，a，b为相应的噪声参数；
输出：R为大小为M*N矩阵Type型噪声，该噪声带 有参数为a，b。
estimate_noise.m文件 估计出噪声强度，通过矩来计算 用imnoise2，把噪声重现 查看属于哪一类噪声。
Wavemenu——wavelet 2D
对信号进行小波分解 针对小波系数进行处理 方法：
◦ 模极大值去噪 ◦ 阈值法去噪 ◦ 相关性去噪
重构信号 衡量标准
缺点：
硬阈值函数在w=T时是不连续的，用它重构信号时 会产生振荡；
软阈值函数虽然连续性好，但|w|>T时，它与w存 在恒定的偏差，直接影响重构信号的性质。