图像余弦噪声处理实验报告

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。

计算机视觉-噪声滤波项目实践报告

计算机视觉-噪声滤波项目实践报告下载温馨提示：该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

计算机视觉-噪声滤波项目实践报告该文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by the editor. I hope that after you download them, they can help you solve practical problems. The document 计算机视觉-噪声滤波项目实践报告 can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, our shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!一、项目背景：随着计算机视觉技术的不断发展，图像处理在各行各业中得到了广泛的应用。

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。

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：离散余弦变换法

图像去噪：离散余弦变换法
声明：未经允许，不得随意转载基于离散余弦变换法的图像去噪
原理：⼀般⽽⾔，我们认为图像的噪声在离散余弦变换结果中处于其⾼频部分，⽽⾼频部分的幅值⼀般很⼩，利⽤这⼀性质，就可以很容易实现图像的噪声抑制，但是不⾜之处是会丢失部分图像的细节。

MATLAB程序如下：
%读取图像
X=imread('cha.jpg');
X_gray=rgb2gray(X);
%显⽰原灰度图像
figure(1);
imshow(X_gray);
%获取图像尺⼨
[m,n]=size(X_gray);
%给图像去噪
Xnoised=imnoise(X_gray,'speckle',0.01);
%输出加噪声图像 figure(2);
imshow(Xnoised);
�T变换
Y=dct2(Xnoised);
I=zeros(m,n);
%⾼频屏蔽
I(1:9*m/10,1:9*n/10)=1;
Ydct=Y.*I;
%逆DCT变换
Y=uint8(idct2(Ydct));
%结果输出
figure(3);
imshow(Y);
实际效果图：
原图灰度图像
加噪声后的图像
处理后的图像
参考⽂献：
赵⼩川.现代数字图像处理技术提⾼及应⽤案例详解，北京.2012.4。

图像去噪

图像去噪一、实验目的：1. 熟悉图像高斯噪声的特点；2. 掌握利用中值滤波器去除图像噪声的方法。

二、实验条件：PC微机一台和MATLAB软件。

三、实验内容：编写代码实现中值滤波算法，并观察增强效果。

四、实验步骤：1. 打开Matlab 编程环境；2. 利用’imread’函数读入包含噪声的原始图像数据；3. 利用’imshow’显示所读入的图像数据；4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声图像进行滤波处理；5. 利用’imshow’显示处理结果图像数据；4. 利用’imwrite’函数保存图像处理结果数据。

五、实验程序及结果：1、实验程序figure;Y1=imread('test3.jpg');Y1=im2double(Y1);subplot(1,2,1);imshow(Y1);;Y2=medfilt2(Y2);subplot(1,2,2);imshow(Y2);t;imwrite(Y2,'Y2.jpg');2、实验结果六、实验思考1.与均值滤波相比，中值滤波算法的处理速度是快还是慢？答：中值滤波算法处理速度快，因为均值滤波就是对一个像素，取其周围的像素均值作为当前像素的值，而中值滤波就是对一个像素，取其周围的像素中间值作为当前像素的值，不用求均值，因此中值滤波算法快。

2. 如何实现中点滤波算法，它的速度比中值滤波算法快还是慢？答：先得到图像的频域空间，然后对得到的二维空间数据进行比较得到最大值和最小值，对这两个值求平均值即可得到！它比中值滤波算法要慢。

☆实验总结：通过本次实验我学到了如下知识：1、图像直方图均衡化这一基本处理过程：统计原始图像的直方图，求出Pr(rk)；2、掌握利用中值滤波器去除图像噪声的方法：设定像素点的领域，对该领域的滑动窗口内的所有灰度值排序，用其灰度的中值作为被处理像素点的灰度值。

3、了解了matlab进行数字图像处理相关的一些函数imread，imshow，imhist，histeq等。

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"。

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。

滤波去噪实验报告(3篇)

第1篇一、实验目的本次实验旨在通过计算机辅助技术，对图像进行处理，以实现图像去噪的目的。

通过对比不同滤波算法的效果，分析其优缺点，并了解滤波去噪在图像处理中的应用。

二、实验原理数字图像处理（DIP）是利用计算机对图像信号进行处理的技术。

在图像采集、获取、编码和传输过程中，往往会出现不同程度的噪声污染，影响图像质量。

去噪技术旨在减少或消除图像中的噪声，提高图像质量。

常见的去噪方法包括空域滤波、频域滤波和小波变换滤波等。

本实验主要研究以下几种滤波方法：1. 空域滤波：利用图像像素值的空间相关性，通过局部邻域内的像素值来估计当前像素值，从而达到去噪的目的。

2. 频域滤波：将图像从空间域转换到频域，对频域内的噪声进行处理，再转换回空间域得到去噪后的图像。

3. 小波变换滤波：将图像分解为不同尺度和位置的细节和小波系数，对噪声进行处理，再重构图像。

三、实验设备与软件1. 实验设备：计算机、显示器、鼠标、键盘等。

2. 实验软件：MATLAB。

四、实验步骤1. 加载含噪声的图像。

2. 对图像进行空域滤波，包括均值滤波、中值滤波和高斯滤波等。

3. 对图像进行频域滤波，包括低通滤波和高通滤波等。

4. 对图像进行小波变换滤波，包括小波分解和小波重构等。

5. 对比不同滤波方法的效果，分析其优缺点。

6. 撰写实验报告。

五、实验结果与分析1. 空域滤波效果对比：（1）均值滤波：去除噪声效果较好，但会模糊图像细节。

（2）中值滤波：去除噪声效果较好，且能较好地保留图像细节。

（3）高斯滤波：去除噪声效果较好，但会对图像边缘产生模糊。

2. 频域滤波效果对比：（1）低通滤波：去除高频噪声，保留低频信号，但可能对图像边缘产生模糊。

（2）高通滤波：去除低频噪声，突出高频信号，但可能对图像细节产生模糊。

3. 小波变换滤波效果：（1）小波分解：将图像分解为不同尺度和位置的细节和小波系数，便于噪声处理。

（2）小波重构：将处理后的细节和小波系数进行重构，得到去噪后的图像。

西安邮电大学图像处理技术实验报告

西安邮电大学通信与信息工程学院《图像处理技术》课内实验报告（2016/ 2017 学年第 1学期）学生姓名：专业班级：学号：指导教师：——————————————————————————装订线————————————————————————————————过程考核表成绩鉴定表实验1：Matlab图像处理基础实验 (1)一、实验目的 (1)二、实验原理 (1)三、实验内容（调试好的程序，实验结果及分析） (2)实验2：图像空间坐标变换实验 (5)一、实验目的 (5)二、实验原理 (5)三、实验内容（调试好的程序，实验结果及分析） (6)实验3：直方图均衡化图像增强实验 (9)一、实验目的 (9)二、实验原理 (9)三、实验内容（调试好的程序，实验结果及分析） (10)实验4：空域滤波图像增强实验 (14)一、实验目的 (14)二、实验原理 (14)三、实验内容（调试好的程序，实验结果及分析） (14)实验5：彩色图像增强实验 (19)一、实验目的 (19)二、实验原理 (19)三、实验内容（调试好的程序，实验结果及分析） (20)实验6：图像变换及频谱分析实验 (25)一、实验目的 (25)二、实验原理 (25)三、实验内容（调试好的程序，实验结果及分析） (26)实验7：图像低通与高通滤波实验. (31)一、实验目的 (31)二、实验原理 (31)三、实验内容（调试好的程序，实验结果及分析） (31)实验8：交互消噪及光照校正实验 (38)一、实验目的 (38)二、实验原理 (38)三、实验内容（调试好的程序，实验结果及分析） (38)实验总结及心得体会 (42)指导教师评语： (43)实验1：Matlab图像处理基础实验一、实验目的1. 掌握Matlab 图像文件的打开与显示等基本方法；2. 掌握图像数据类型转换及图像类型转换；3. 熟悉图像矩阵的基本操作。

二、实验原理1. MATLAB 中图像数据的读写及显示：imread、imshow(1)imread：imread函数用于读入各种图像文件，其一般的用法为语法：[X，MAP]=imread(‘filename’,‘fmt’)其中，X，MAP分别为读出的图像数据和颜色表数据，fmt为图像的格式，filename 为读取的图像文件（可以加上文件的路径）。

图像噪声处理与复原

数字图像处理实验报告专业班级：学生姓名：学号：指导老师：实验四图像噪声处理与复原1 实验目的1.掌握噪声模拟和图像滤波函数的使用方法2.了解图像复原的Matlab实现方法2 实验内容A)模糊与噪声<i>对图像‘flowers.tif’分别采用运动PSF和均值滤波PSF进行模糊。

<ii>在上述模糊图像上再添加噪声B)维纳滤波复原<i>使用维纳滤波复原函数deconvwnr复原无噪声模糊图像。

<ii>*使用维纳滤波复原函数deconvwnr复原模糊噪声图像。

<iii>*设置信噪比和相关函数的维纳滤波复原。

clear all;close all;I=imread(' F22.jpg');figure(1);imshow(I);title('原始图像');I=I(10+[1:256],222+[1:256],:); %剪切图像figure(2);subplot(3,3,1);imshow(I);title('截取部分原始图像');len=30; %运动位移theta=10; %运动角度PSF=fspecial('motion',len,theta);blurred=imfilter(I,PSF,'circular','conv');subplot(3,3,2);imshow(blurred); title('模糊图像');%%%%%%%% 维纳滤波复原%%%%%%wnr1=deconvwnr(blurred,PSF); %真实PSFsubplot(3,3,3);imshow(wnr1);title('真实PSF 复原图像');%非真实PSFwnr2=deconvwnr(blurred,fspecial('motion',2*len,theta));subplot(3,3,4);imshow(wnr2);title('非真实PSF 复原图像');%非真实PSFwnr3=deconvwnr(blurred,fspecial('motion',len,2*theta));subplot(3,3,5);imshow(wnr3);title('非真实PSF 复原图像');%使用维纳滤波复原函数deconvwnr 复原模糊噪声图像noise=0.1*randn(size(I));BlurredNoisy=imadd(blurred,im2uint8(noise));subplot(3,3,6);imshow(BlurredNoisy);title('增加模糊噪声图像');wnr4=deconvwnr(BlurredNoisy,PSF);subplot(3,3,7);imshow(wnr4);title('增加模糊噪声真实PSF 复原图像');%设置信噪比的复原结果NSR=sum(noise(:).^2)/sum(im2double(I(:)).^2); %计算信噪比wnr5=deconvwnr(BlurredNoisy,PSF,NSR);subplot(3,3,8);imshow(wnr5);title('设置信噪比的复原图像');%设置自相关函数的复原结果NP=abs(fftn(noise)).^2; %噪声能量谱密度NCORR=fftshift(real(ifftn(NP))); %噪声自相关函数IP=abs(fftn(im2double(I))).^2; %图像能量谱密度ICORR=fftshift(real(ifftn(IP))); %图像自相关函数wnr6=deconvwnr(BlurredNoisy,PSF,NCORR,ICORR);subplot(3,3,9);imshow(wnr6);title('设置自相关函数的复原图像');%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% figure(3);subplot(2,2,1);I=imread('F22.jpg');imshow(I)H=fspecial('motion',50,45); %运动PSPmotionblur=imfilter(I,H);subplot(2,2,2);imshow(motionblur)H=fspecial('disk',10); %均值滤波PSPaverageblur=imfilter(I,H);subplot(2,2,3);imshow(averageblur);J=imnoise(motionblur,'salt & pepper');subplot(2,2,4);imshow(J);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%3、实验仪器1计算机；2 MA TLAB程序；3移动式存储器（软盘、U盘等）。

图像噪声抑制

多媒体技术教程实验报告实验名称：图像噪声抑制系（科）：信息系电子信息工程班级：0932学号：姓名：完成时间：2012年5月4日南京师范大学中北学院实验四图像噪声抑制一、实验目的：1、熟悉图像噪声的类型。

2、掌握空间域当中图像噪声抑制的基本方法，如均值滤波、中值滤波、边界保持类平滑滤波的算法。

二、实验原理：1、图像的噪声：所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。

这些干扰信号的抑制称为图像的噪声抑制。

对噪声进行分类，从统计数学的观点来看可将噪声分为平稳噪声和非平稳噪声。

平稳噪声：统计特性不随时间变化的噪声；非平稳噪声：统计特性随时间变化的噪声。

两种典型的图像噪声：其一为噪声的幅值基本相同，但出现的位置是随机分布的椒盐噪声，其二幅值分布是随机的，但每一点都存在噪声如高斯噪声、瑞利噪声、白噪声（频谱均匀分布）等。

对噪声的描述用统计意义上的均值和方差，噪声均值（图像中噪声的总体强度），噪声方差（图像中噪声分布的强弱）∑∑==⨯==M x N y y x n N M y x n E n 11),(1)],([∑∑==-⨯=-=M x N Y n n y x n N M n y x n E 11222),([1}]),({[σ按照噪声的模型按照对信号的影响：加性噪声、乘性噪声。

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');在上面的例子中使用了一个函数subplot。

opencv-图像去噪实验

}实验结果如图所示：(从左至右，从上至下分别为原图像、加噪图像、算术均值处理图像、几何均值处理图像、谐波均值处理图像、逆谐波均值处理图像)(1)高斯噪声：(2)胡椒噪声：2、实验步骤：先为灰度图像添加胡椒噪声、盐噪声和椒盐噪声，再分别利用5*5 和9*9尺寸的模板对图像进行中值滤波。

核心代码如下：IplImage* MedianFilter_5_5(IplImage* src){IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);cvSmooth(src,dst,CV_MEDIAN,5);return dst;}IplImage* MedianFilter_9_9(IplImage* src){IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);cvSmooth(src,dst,CV_MEDIAN,9);return dst;}实验结果如下图（灰度图像和加噪图像第一问中已给出，下面只列出分别利用5*5 和9*9尺寸的模板对图像进行中值滤波后的图像）：灰度图像加胡椒噪声，分别利用5*5 和9*9尺寸的模板对图像进行中值滤波。

灰度图像加盐噪声，分别利用5*5 和9*9尺寸的模板对图像进行中值滤波。

灰度图像加椒盐噪声，分别利用5*5 和9*9尺寸的模板对图像进行中值滤波。

3、实验步骤：自适应均值滤波（以高斯噪声为例），先为灰度图像添加高斯噪声，再利用7*7尺寸的模板对图像进行自适应均值滤波。

核心代码如下：IplImage* SelfAdaptMeanFilter(IplImage* src){IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);cvSmooth(src,dst,CV_BLUR,7);int row, col;int h=src->height;int w=src->width;int mn;double Zxy;double Zmed;double Sxy;double Sl;double Sn=100;for(int i=0;i<src->height;i++){for(int j=0;j<src->width;j++){CvScalar xy = cvGet2D(src, i, j);Zxy = xy.val[0];CvScalar dxy = cvGet2D(dst, i, j);Zmed = dxy.val[0];Sl=0;mn=0;for(int m=-3;m<=3;m++){row = i+m;for(int n=-3;n<=3;n++){col = j+n;if(row>=0&&row<h && col>=0 && col<w){CvScalar s = cvGet2D(src, row, col);Sxy = s.val[0];Sl = Sl+pow(Sxy-Zmed, 2);mn++;}}}Sl=Sl/mn;CvScalar d;d.val[0]=Zxy-Sn/Sl*(Zxy-Zmed);cvSet2D(dst, i, j, d);}}return dst;}实验结果如图：4、实验步骤：自适应中值滤波（以椒盐噪声为例），先为灰度图像添加椒盐噪声，再利用7*7尺寸的模板对图像进行自适应中值滤波。

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。

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。