对同时含有椒盐噪声和高斯噪声的图像进行处理
基于matlab的图像高斯噪声和椒盐噪声的滤除

2.3 结论
在图像处理过程中,消除图像的噪声干扰是一个非常重要的问题,本文利用matlab软件,采用高斯滤波的方式,对带有椒盐噪声的图像进行处理,经过滤波后的图像既适合人眼的视觉感觉又能够消除图像中的干扰影响。
通过本次试验我们可以看到高斯滤波对于滤除图像的“椒盐”噪声非常有效,它可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,尤其在滤除叠加白噪声和长尾叠加噪声方面显出极好的性能。
一、对于椒盐噪声,中值滤波效果比均值滤波效果好。
原因:
1、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。
2、中值滤波是选择适当的点来代替污染点的值,所以处理效果好。
3、因为噪声的均值不为零,所以均值滤波不能很好地去除噪声点。
二、对于高斯噪声,均值滤波效果比中值滤波效果好。
原因:
1、高斯噪声是幅值近似正态分布,但分布在每点像素上。
2、因为图像中的每点都是污染点,所以中值滤波选不到合适的干净点。
3、因为正态分布的均值为零,所以均值滤波可以削弱噪声。
Python实现对图像加噪(高斯噪声

Python实现对图像加噪(⾼斯噪声椒盐噪声)⽬录内容简介加噪声的代码(⾼斯噪声,椒盐噪声)在pytorch中如何使⽤补充内容简介展⽰如何给图像叠加不同等级的椒盐噪声和⾼斯噪声的代码,相应的叠加噪声的已编为对应的类,可实例化使⽤。
以下主要展⽰⾃⼰编写的:加噪声的代码(⾼斯噪声,椒盐噪声)add_noise.py#代码中的noisef为信号等级,例如我需要0.7的噪声,传⼊参数我传⼊的是1-0.7from PIL import Imageimport numpy as npimport randomimport torchvision.transforms as transformsnorm_mean = (0.5, 0.5, 0.5)norm_std = (0.5, 0.5, 0.5)class AddPepperNoise(object):"""增加椒盐噪声Args:snr (float): Signal Noise Ratep (float): 概率值,依概率执⾏该操作"""def __init__(self, snr, p=0.9):assert isinstance(snr, float) and (isinstance(p, float)) # 2020 07 26 or --> andself.snr = snrself.p = pdef __call__(self, img):"""Args:img (PIL Image): PIL ImageReturns:PIL Image: PIL image."""if random.uniform(0, 1) < self.p:img_ = np.array(img).copy()h, w, c = img_.shapesignal_pct = self.snrnoise_pct = (1 - self.snr)mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[signal_pct, noise_pct/2., noise_pct/2.])mask = np.repeat(mask, c, axis=2)img_[mask == 1] = 255 # 盐噪声img_[mask == 2] = 0 # 椒噪声return Image.fromarray(img_.astype('uint8')).convert('RGB')else:return imgclass Gaussian_noise(object):"""增加⾼斯噪声此函数⽤将产⽣的⾼斯噪声加到图⽚上传⼊:img : 原图mean : 均值sigma : 标准差返回:gaussian_out : 噪声处理后的图⽚"""def __init__(self, mean, sigma):self.mean = meanself.sigma = sigmadef __call__(self, img):"""Args:img (PIL Image): PIL ImageReturns:PIL Image: PIL image."""# 将图⽚灰度标准化img_ = np.array(img).copy()img_ = img_ / 255.0# 产⽣⾼斯 noisenoise = np.random.normal(self.mean, self.sigma, img_.shape)# 将噪声和图⽚叠加gaussian_out = img_ + noise# 将超过 1 的置 1,低于 0 的置 0gaussian_out = np.clip(gaussian_out, 0, 1)# 将图⽚灰度范围的恢复为 0-255gaussian_out = np.uint8(gaussian_out*255)# 将噪声范围搞为 0-255# noise = np.uint8(noise*255)return Image.fromarray(gaussian_out).convert('RGB')def image_transform(noisef):"""对训练集和测试集的图⽚作预处理转换train_transform:加噪图_train_transform:原图(不加噪)test_transform:测试图(不加噪)"""train_transform = pose([transforms.Resize((256, 256)), # 重设⼤⼩#transforms.RandomCrop(32,padding=4),AddPepperNoise(noisef, p=0.9), #加椒盐噪声#Gaussian_noise(0, noisef), # 加⾼斯噪声transforms.ToTensor(), # 转换为张量# transforms.Normalize(norm_mean,norm_std),])_train_transform = pose([transforms.Resize((256, 256)),#transforms.RandomCrop(32,padding=4),transforms.ToTensor(),# transforms.Normalize(norm_mean,norm_std),])test_transform = pose([transforms.Resize((256, 256)),#transforms.RandomCrop(32,padding=4),transforms.ToTensor(),# transforms.Normalize(norm_mean,norm_std),])return train_transform, _train_transform, test_transform在pytorch中如何使⽤# 图像变换和加噪声train_transform为加噪图,_train_transform为原图,test_transform为测试图 noisef为传⼊的噪声等级train_transform,_train_transform,test_transform = image_transform(noisef)training_data=FabricDataset_file(data_dir=train_dir,transform=train_transform)_training_data=FabricDataset_file(data_dir=_train_dir,transform=_train_transform)testing_data=FabricDataset_file(data_dir=test_dir,transform=test_transform)补充图像添加随机噪声随机噪声就是通过随机函数在图像上随机地添加噪声点def random_noise(image,noise_num):'''添加随机噪点(实际上就是随机在图像上将像素点的灰度值变为255即⽩⾊):param image: 需要加噪的图⽚:param noise_num: 添加的噪⾳点数⽬,⼀般是上千级别的:return: img_noise'''## 参数image:,noise_num:img = cv2.imread(image)img_noise = img# cv2.imshow("src", img)rows, cols, chn = img_noise.shape# 加噪声for i in range(noise_num):x = np.random.randint(0, rows)#随机⽣成指定范围的整数y = np.random.randint(0, cols)img_noise[x, y, :] = 255return img_noiseimg_noise = random_noise("colorful_lena.jpg",3000)cv2.imshow('random_noise',img_noise)cv2.waitKey(0)以上就是Python实现对图像添加⾼斯噪声或椒盐噪声的详细内容,更多关于Python的资料请关注其它相关⽂章!。
实验三 图像的空域滤波

subplot(3,3,4), imshow(I3,[ ]), title('¸ß˹ÔëÉù¾ùÖµÂ˲¨ºóͼÏñ');
subplot(3,3,5), imshow(K), title('¼Ó½·ÑÎÔëÉùͼÏñ');
subplot(1,3,3), imshow(I2, [ ]), title('均值滤波后图像');
模版尺寸为[10,10],对加有高斯噪声的图像进行均值滤波
I=imread('pout.tif');
J=imnoise(I,'gaussian', 0.02);
h=fspecial('average', 10);
2、分别采用不同大小的模板对加有噪声的图像进行均值滤波,用一个图像处理对话框显示原图像、加有噪声的图像及均值滤滤波,用一个图像处理对话框显示原图像、加有噪声的图像及中值滤波的图像。比较结果。
4、采用大小相同的模板对加有噪声的图像分别进行均值滤波和中值滤波,用一个图像处理对话框显示原图像、加有噪声的图像、均值滤波的图像及中值滤波的图像。比较结果。
J=imnoise(I,'gaussian', 0.02);
h=fspecial('average', 3);
I2=filter2(h, J);
subplot(1,3,1), imshow(I), title('原图像');
subplot(1,3,2), imshow(J), title('加高斯噪音后的图像');
中值滤波和均值滤波

中值滤波和均值滤波中值滤波和均值滤波是数字图像处理中常用的两种滤波方法,它们在图像去噪和平滑处理中起着重要的作用。
本文将从原理、应用以及优缺点等方面介绍这两种滤波方法。
一、中值滤波中值滤波是一种非线性滤波方法,其基本原理是用像素点周围邻域内的中值来代替该像素点的灰度值。
中值滤波可以有效地去除图像中的椒盐噪声和脉冲噪声,同时能够保持图像的边缘信息。
其处理过程如下:1.选取一个模板,模板的大小根据噪声的程度来确定;2.将模板中的像素点按照灰度值大小进行排序,取其中位数作为中心像素点的灰度值;3.将中心像素点的灰度值替换为中值;4.重复以上步骤,对整个图像进行滤波。
中值滤波的优点是能够有效地去除椒盐噪声和脉冲噪声,同时保持图像的边缘信息。
然而,中值滤波也存在一些缺点,例如不能处理高斯噪声和均匀噪声,对图像细节信息的保护效果较差。
二、均值滤波均值滤波是一种线性平滑滤波方法,其基本原理是用像素点周围邻域内的平均值来代替该像素点的灰度值。
均值滤波可以有效地去除高斯噪声和均匀噪声,同时能够保持图像的整体平滑。
其处理过程如下:1.选取一个模板,模板的大小根据滤波效果来确定;2.计算模板内所有像素点的灰度值的平均值;3.将中心像素点的灰度值替换为平均值;4.重复以上步骤,对整个图像进行滤波。
均值滤波的优点是能够有效地去除高斯噪声和均匀噪声,同时能够保持图像的整体平滑。
然而,均值滤波也存在一些缺点,例如不能处理椒盐噪声和脉冲噪声,对图像细节信息的保护效果较差。
中值滤波和均值滤波在图像处理中各有优劣。
中值滤波适用于去除椒盐噪声和脉冲噪声,能够保持图像的边缘信息,但在处理高斯噪声和均匀噪声时效果较差。
而均值滤波适用于去除高斯噪声和均匀噪声,能够保持图像的整体平滑,但对于细节信息的保护效果较差。
在实际应用中,根据图像的特点和噪声的类型选择合适的滤波方法是很重要的。
如果图像受到椒盐噪声和脉冲噪声的影响,可以选择中值滤波进行去噪处理;如果图像受到高斯噪声和均匀噪声的影响,可以选择均值滤波进行平滑处理。
高斯噪声和椒盐噪声公式

高斯噪声和椒盐噪声公式全文共四篇示例,供读者参考第一篇示例:高斯噪声和椒盐噪声是数字图像处理中常见的两种噪声类型,对图像质量有着不同程度的影响。
在图像处理中,我们经常需要对噪声进行消除或降低,因此了解这两种噪声的特点和产生公式对于图像处理非常重要。
一、高斯噪声高斯噪声又称为白噪声,它是在图像中产生的一种随机噪声。
在实际应用中,由于各种因素如传感器的不确定性、环境的干扰等,会导致图像中出现高斯噪声。
一般来说,高斯噪声是服从高斯分布的随机变量产生的噪声。
高斯噪声的数学模型可以表示为:f'(x,y) = f(x,y) + n(x,y)f'(x,y)表示受到高斯噪声干扰后的图像像素值,f(x,y)表示原始图像像素值,n(x,y)表示高斯噪声。
高斯噪声的特点是均值为0,方差为\sigma^2,即:n(x,y) \sim N(0,\sigma^2)\sigma^2越大,噪声的强度越大。
高斯噪声对图像的影响主要体现在增加了图像的灰度值的随机性,使图像变得模糊、失真,降低了图像的质量。
在图像处理中需要采取相应的降噪措施来消除高斯噪声的影响。
二、椒盐噪声椒盐噪声是另一种常见的噪声类型,它的特点是在图像中突然出现明显的黑白点,类似于图像中加入了颗粒状的盐和胡椒。
椒盐噪声通常是由于数据采集或传输过程中发生错误导致的,例如传感器故障、数据损坏等。
f'(x,y) = \begin{cases}f(x,y), & p < q \\0, & q \leq p < 2q \\L-1, & 2q \leq p\end{cases}椒盐噪声的特点是不规则性强,严重干扰了图像的视觉效果,使图像的质量大幅下降。
处理椒盐噪声是图像处理中的一个重要问题。
三、高斯噪声和椒盐噪声的区别1. 高斯噪声是符合高斯分布的随机噪声,其幅值变化在一个比较小的范围内,呈现连续性;而椒盐噪声是不规则的黑白点分布,呈现离散性。
10种常用滤波方法

10种常用滤波方法
滤波是信号处理领域中常用的技术,用于去除噪声、增强信号的一些特征或改变信号的频谱分布。
在实际应用中,经常使用以下10种常用滤波方法:
1.均值滤波:将像素点周围邻域像素的平均值作为该像素点的新值,适用于去除高斯噪声和椒盐噪声。
2.中值滤波:将像素点周围邻域像素的中值作为该像素点的新值,适用于去除椒盐噪声和激动噪声。
3.高斯滤波:使用高斯核函数对图像进行滤波,通过调整高斯窗口的大小和标准差来控制滤波效果。
适用于去除高斯噪声。
4.双边滤波:通过考虑像素的空间距离和像素值的相似性,对图像进行滤波。
适用于平滑图像的同时保留边缘信息。
5. 锐化滤波:通过滤波操作突出图像中的边缘和细节信息,常用的方法有拉普拉斯滤波和Sobel滤波。
6.中可变值滤波:与中值滤波相似,但适用于非线性信号和背景噪声的去除。
7.分位值滤波:通过对像素值进行分位数计算来对图像进行滤波,可以去除图像中的异常像素。
8.快速傅里叶变换滤波:通过对信号进行傅里叶变换,滤除特定频率的成分,常用于频谱分析和滤波。
9.小波变换滤波:利用小波变换的多尺度分析特性,对信号进行滤波处理,适用于图像去噪和图像压缩。
10.自适应滤波:通过根据信号的局部特征自动调整滤波参数,适用于信号中存在时间和空间变化的情况。
以上是常见的10种滤波方法,每种方法都有不同的适用场景和优缺点。
在实际应用中,选择合适的滤波方法需要根据具体的信号特征和处理需求来确定。
对同时含有椒盐噪声和高斯噪声的图像进行处理

目录一、摘要二、均值滤波三、中值滤波四、超限像素平滑法五、总结六、参考文献一、摘要图像信号在产生、传输和记录的过程中,经常会受到各种噪声的干扰,噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。
噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。
图像去噪是数字图像处理中的重要环节和步骤。
去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。
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。
我们平常使用的滤波方法一般有均值滤波、中值滤波和维纳滤波,他们分别对某种噪声的滤除有较好的效果,但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好,在这里我们分别用多种方法对图像噪声进行处理,对比使用效果。
关键词:图像去噪、常见噪声、多种方法、使用效果。
二、均值滤波均值滤波算法:也称线性滤波,主要思想为邻域平均法。
假设图像有由许多灰度恒定的小块组成,相邻像素间存在很高的空间相关性,而噪声则是独立的,则可用像素邻域内的各像素的灰度平均值代替该像素原来的灰度值,实现图像的平滑。
这种算法简单,处理速度快,但它的主要缺点是在降低噪声的同时使图像产生模糊,特别是在边缘和细节处。
而且邻域越大,在去噪能力增强的同时模糊程度越严重。
均值滤波对同时含有高斯和椒盐噪声的图像的处理:I1=imread('Miss.bmp');subplot(2,2,1);imshow(I1);title('原图');k1=imnoise(I1,'salt & pepper',0.01);I=imnoise(k1,'gaussian',0.01);subplot(2,2,2);imshow(I)title('加入高斯和椒盐噪声以后');[a,b]=size(I);I2=zeros(a+2,b+2);I3=zeros(a,b);for n=1:afor m=1:bI2(n+1,m+1)=I(n,m);end;end;for n=2:afor m=2:bI3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2(n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1)+I2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/9;end;end;subplot(2,2,3);imshow(uint8(I3));title('3*3均值滤波以后');[a,b]=size(I);I4=zeros(a+4,b+4);I5=zeros(a,b);for n=1:afor m=1:bI4(n+2,m+2)=I(n,m);end;end;for n=3:afor m=3:bI5(n-2,m-2)=[I4(n-2,m-2)+I4(n-2,m-1)+I4(n-2,m)+I4(n-2,m+1)+I4(n-2,m+2)+I4(n-1,m-2)+I4(n-1,m-1)+I4(n-1,m)+I4(n-1,m+1)+I4(n-1,m+2)+I4(n,m-2)+I4(n,m-1)+I4( n,m)+I4(n,m+1)+I4(n,m+2)+I4(n+1,m-2)+I4(n+1,m-1)+I4(n+1,m)+I4(n+1,m+1)+I4(n+ 1,m+2)+I4(n+2,m-2)+I4(n+2,m-1)+I4(n+2,m)+I4(n+2,m+1)+I4(n+2,m+2)]/25;end;end;subplot(2,2,4);imshow(uint8(I5));title('5*5均值滤波以后');运行效果:orginal加入噪声以后3*3平滑以后5*5平滑以后均值滤波对同时含有高斯和椒盐噪声的图像处理分析:根据对上图的观察可以明显发现,使用均值滤波对高斯噪声进行去噪效果比较好,虽然对椒盐也有效果,但是不如对高斯噪声的处理效果好。
“教”计算机处理图片智慧树知到答案2024年湖南文理学院

“教”计算机处理图片湖南文理学院智慧树知到答案2024年绪论单元测试1.下列属于数字图像处理的应用的是()。
A:伽马射线成像 B:可见光及红外波段成像 C:无线电波成像 D:紫外波段成像E:X射线成像 F:微波波段成像答案:ABCDEF第一章测试1.数字图像处理相对于模拟图像处理的优点有:A:精度高B:再现性好C:通用性好D:图像采集环境要求高答案:ABC2.数字图像处理的基本特点有有:A:相关性大B:综合性强C:信息量大D:受人的影响因素小答案:ABC3.图像数字化包括()两个过程。
A:离散化B:降噪C:量化D:采样答案:CD4.图像只存在可见光谱中。
A:错 B:对答案:A5.一幅有着100行,每行有1000个像素的图像,每一个像素可以取256个不同的值,存储这幅图像需要()bitsA:比计算机中的硬盘驱动器大B:10,000C:25,600,000D:800,000答案:D6.因为直方图是近似的概率密度函数,所以用离散灰度级做变换时,很少能得到完全的平坦结果。
A:错 B:对答案:B7.量化级数最小的情况,极端情况就是二值图像,图像出现假轮廓。
A:错 B:对答案:B8.抽样指的是A:空间图像域的离散化B:测试图像中对象的可能位置C:图像像素可以获取的值的离散化D:像素值的反转答案:A9.对具有同一背景和目标但成像效果不同的图像进行直方图均衡化处理,下列说法正确的是A:对不同条件下图像直方图均衡化效果一样B:对灰度均匀的图像直方图均衡化效果好C:对灰度整体偏暗的图像直方图均衡化效果好D:对灰度整体偏亮的图像直方图均衡化效果好答案:A10.量化指的是A:空间图像域的离散化 B:测试图像中对象的可能位置 C:图像像素可以采用的值的离散化 D:像素值的反转答案:C第二章测试1.图像旋转后,可能会出现一些空白点,不需对这些空白点进行灰度级的插值处理。
A:错 B:对答案:A2.图像的镜像变换不改变图像的形状。
基于MATLAB滤波算法对图像噪声信号处理的实现

技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号:82-946《现场总线技术应用200例》软件时空肖玉芝:讲师在读博士基金项目:支持舆情服务的藏汉机器翻译关键技术研究,编号:2010CB334708,973计划前期研究专项申请人:赵海兴基金项目:国家高技术研究发展计划863项目No.2007AA03Z241申请人:赵海兴基于MATLAB 滤波算法对图像噪声信号处理的实现Signal processing of image noise filtering algorithm based on MATLAB(1.青海师范大学;2.陕西师范大学)肖玉芝1,2XIAO Yu-zhi摘要:结合中值滤波和均值滤波算法,通过MATLAB 语言设计程序,对嵌入了椒盐和高斯噪声的图像进行滤波处理。
结果表明,中值滤波方法适于去除椒盐噪声,同时能较好保护图像边界,均值滤波适合于去除高斯噪声。
关键词:MATLAB;中值滤波;均值滤波;噪声信号中图分类号:TN957.52文献标识码:BAbstract:Combination of median filter and mean filter algorithm,embedded in the image of the Salt &Pepper and Gaussian noise filtered by the MATLAB language program.The results show that Median filtering method is suitable to remove the salt and pepper noise,and better protect the image boundary,the mean filter for removal of Gaussian noise.Key words:MATLAB;median filtering;mean filter;noise signal文章编号:1008-0570(2012)10-0478-031引言随着网络技术、计算机技术和通信技术的迅速发展,数字处理技术作为信息(文本、图像、音视频)的数字化处理技术得到学者的广泛关注,同时出现了许多新的应用领域。
带有噪声信号的图像处理技术研究

带有噪声信号的图像处理技术研究随着科技的不断发展,图像处理技术在各行各业的应用中越来越广泛。
图像处理技术不仅可以提高图像的质量,增强图像的清晰度,还可以为人们提供更多的信息,满足人们对于图像的需求。
但是,图像处理技术在处理带有噪声信号的图像时面临着一些挑战,噪声信号会影响图像的质量,导致图像失真,而如何将噪声信号从图像中准确地去除,成为了图像处理技术研究中的重要问题。
一、图像噪声的分类及产生原因图像噪声可以分为多种,包括高斯噪声、脉冲噪声、椒盐噪声、周期性噪声、图像亮度噪声等,其中高斯噪声是最常见的一种噪声,也是最难以去除的一种。
噪声信号的产生原因有很多种,包括传感器本身的噪声、环境的干扰,以及信号采样、传输过程中的误差等。
二、图像去噪的方法图像处理技术中常用的去噪方法包括中值滤波、高斯滤波、均值滤波、小波变换等。
每种方法都有自己的优缺点,可以根据实际情况选择最合适的方法。
中值滤波是最简单也是最常用的一种去噪方法,它可以有效地降低图像噪声,但是对于一些斑点噪声和细节部分存在大量的噪声的图像效果不佳。
高斯滤波可以有效地平滑图像,但可能会导致图像模糊。
均值滤波也是一种常用的去噪方法,但是它的平滑效果不如高斯滤波。
三、小波变换在图像去噪中的应用小波变换是一种能够分解信号的连续波形为不同尺度的子波形的信号分析工具。
小波变换在图像处理领域中得到了广泛应用,尤其是在图像去噪中。
小波变换可以对图像进行多尺度分析,较好地处理图像细节部分的噪声,能够有效地保护图像的高频细节信息,同时去除图像的噪声,提高图像的质量。
小波变换的去噪方法包括硬阈值去噪和软阈值去噪,其中硬阈值去噪主要对噪声强度较大的噪声信号进行处理,而软阈值去噪则对噪声强度较小的噪声信号进行处理。
四、图像去噪的评价指标在图像去噪的实际应用中,如何评价去噪效果也是非常重要的。
通常使用的评价指标包括峰值信噪比(PSNR)、均方误差(MSE)和结构相似性(SSIM)。
同时含有椒盐噪声和高斯噪声的图像消噪处理

同时含有椒盐噪声和高斯噪声的图像消噪处理引言所谓噪声是电路或系统中不含信息量的电压或电流。
在工业与自然界中,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。
高斯噪声是指噪声的概率密度函数服从高斯分布(即正态分布)的一类噪声。
如果一个噪声,它的幅度分布服从高斯分布,而它的功率谱密度又是均匀分布的,则称它为高斯白噪声。
高斯白噪声的二阶矩不相关,一阶矩为常数,是指先后信号在时间上的相关性。
高斯白噪声包括热噪声和散粒噪声。
而椒盐噪声是指椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。
本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理,通过比较两种滤波技术对图像处理的效果,可以看出哪种滤波技术对椒盐噪声更起作用,哪种滤波技术对高斯噪声更有效果,再根据同一种滤波技术对不同窗口尺寸的图像进行滤波,比较处理效果,最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。
中值滤波:是一种非线性平滑技术,它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法:1:通过从图像中的某个采样窗口取出奇数个数据进行排序2:用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。
中值滤波原理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。
自适应滤波技术在图像去噪中的应用研究

自适应滤波技术在图像去噪中的应用研究自适应滤波是一种在图像处理领域中广泛使用的技术。
其主要应用是对图像中的噪音进行去除,从而使图像更加清晰。
本文将探讨自适应滤波技术在图像去噪中的应用研究。
一、自适应滤波技术的基本原理自适应滤波技术是一种基于局部均值的滤波方法,其基本原理是通过考虑每一个像素周围的图像特征来决定滤波器的权重系数。
具体来说,该技术通过计算局部均值和局部方差来确定每个像素点的权重系数,以此得到图像的滤波结果。
二、常见的自适应滤波算法在实际应用中,常见的自适应滤波算法包括中值滤波、高斯滤波、双边滤波等。
这些算法基于不同的原理,各自有其适用的场景和特点。
1. 中值滤波中值滤波是一种简单有效的自适应滤波算法。
其原理是将每一个像素点的像素值替换为邻域内像素值的中位数。
该算法适用于对椒盐噪声和脉冲噪声的去除,但在去除高斯噪声时效果不太理想。
2. 高斯滤波高斯滤波是一种基于高斯函数的自适应滤波算法。
该算法的基本思想是将像素点的像素值替换为邻域内像素值的加权平均值,其中权重系数由高斯函数决定。
该算法适用于平滑图像的同时保留图像细节。
3. 双边滤波双边滤波是一种能够同时平滑图像和保留图像边缘信息的自适应滤波算法。
其基本原理是将每个像素点的像素值替换为邻域内像素值的加权平均值,其中权重系数不仅考虑像素之间的距离,还考虑像素之间的灰度差异。
该算法适用于去除高斯噪声和椒盐噪声。
三、自适应滤波技术在图像去噪中的应用研究自适应滤波技术是一种实用的图像去噪方法。
从早期的中值滤波到现在的双边滤波,该技术在不断地发展和完善。
下面将简要介绍其在图像去噪中的应用研究。
1. 图像去噪领域的研究在图像处理领域,图像去噪一直是一个重要的研究方向。
自适应滤波技术已经成为了一种最为实用的图像去噪方法之一。
众多学者对该技术进行了不同的研究,从算法原理上进行了深入探讨,进一步提高了该技术的效果和应用范围。
2. 实际应用案例自适应滤波技术在实际应用中也得到了广泛运用。
图像平滑处理

1用butterworth和理想低通滤波器对受椒盐噪声和高斯噪声污染的图像进行平滑处理, 计算平滑前后的PSNR(峰值信噪比).解答:首先利用imnoise函数产生被噪声污染的图像,首先实现理想低通滤波器的平滑处理,对于理想低通的截止频率,下面分别尝试了取,, 个宽的长度以下是理想低通实现对椒盐噪声的平滑处理,程序如下f=imread(‘’);以下分别获得两个噪声图像fsalt=imnoise(f,'salt & pepper',;fgauss=imnoise(f,'gaussian',0,;首先进行fft变换f1=fft2(fsalt);改变中心坐标>> f2=fftshift(f1);设定截止频率>> d0=*495;开始填充新的幅频图for i=1:1:642for j=1:1:495if (i-321)*(i-321)+(j-248)*(j-248)<d0*d0f3(i,j)=f2(i,j);elsef3(i,j)=0;endendend>> f4=ifftshift(f3);反变换以及输出>> ff=abs(ifft2(f4));>> subplot(2,2,1);>> imshow(f);>> subplot(2,2,2);>> imshow(fsalt);>> subplot(2,2,3);>> imshow(abs(log(1+f3)),[]);>> subplot(2,2,4);>> imshow(mat2gray(ff))下面分别是原图,噪声图像,以及分别取,,个直径作为截止频率得到的新的幅频图像和最后反变换得到的平滑图像可见当截止频率比较低时候平滑效果是比较好的,噪声得到较好地抑制,但是代价是原图的细节也被磨掉了,所以后面增大截止频率后虽然噪声有所增加,但是图像原来的细节也越来越明显,图像变得细腻了原图及椒盐噪声图像峰值信噪比定义为:其中,MAX I是表示图像点颜色的最大数值,如果每个采样点用8 位表示,那么为255下面首先计算原图与椒盐噪声图像的峰值信噪比,程序和结果如下f=double(f);fsalt=double(fsalt);s=0;for i=1:1:642for j=1:1:495m=(f(i,j)-fsalt(i,j))^2;s=s+m;endend>> mse=s/(642*495);>> PSNR=10*log10(255^2/mse)PSNR =下面计算处理过的图像,取的那一幅平滑图像f=double(f);ff=double(ff);s=0;for i=1:1:642for j=1:1:495m=(f(i,j)-ff(i,j))^2;s=s+m;endendmse=s/(642*495);>> PSNR=10*log10(255^2/mse)PSNR =比较可得峰值信噪比提高了,不过好像还不是很大下面用二阶巴特沃斯滤波器处理高斯噪声污染的图像,过程跟上面差不多,只不过是滤波器换了下面是程序和结果,这里也就不多写了f1=fft2(fgauss);f2=fftshift(f1);d0=*495)^2;for i=1:1:642for j=1:1:495d=(i-321)^2+(j-248)^2;主要就是二阶滤波器这里应该这样子写,当然阶数越多就越接近理想低通f3(i,j)=f2(i,j)/(1+(d/d0)^2);endendf4=ifftshift(f3);ff=abs(ifft2(f4));subplot(2,2,1);imshow(f);subplot(2,2,2);>> imshow(fgauss);>> subplot(2,2,3);imshow(abs(log(1+f3)),[]);subplot(2,2,4);imshow(mat2gray(ff))下面分别是截止频率为时候复原的图像,可见振铃现象有所减少好吧还得计算其峰值信噪比啊,首先计算原图与高斯噪声污染的图的信噪比,程序和结果如下,也就不多说了,直接上f=double(f);fgauss=double(fgauss);s=0;for i=1:1:642for j=1:1:495m=(f(i,j)-fgauss(i,j))^2;s=s+m;endend>> mse=s/(642*495);>> PSNR=10*log10(255^2/mse)PSNR =下面计算平滑后的信噪比f=double(f);ff=double(ff);s=0;for i=1:1:642for j=1:1:495m=(f(i,j)-ff(i,j))^2;s=s+m;endendmse=s/(642*495);PSNR=10*log10(255^2/mse)PSNR =简单比较就是信噪比的确提高了很多2. 用3x3邻域平均平滑和3x3中值滤波对受椒盐噪声和高斯噪声污染的图像进行平滑处理, 计算平滑前后的PSNR(峰值信噪比).解答:怎么还是这样的题目,好吧领域平均平滑就很简单了,就是求平均了,以这个均值作为自己的灰度值程序如下for i=2:1:641for j=2:1:494f1(i,j)=(1/9)*(fsalt(i-1,j-1)+fsalt(i-1,j)+fsalt(i-1,j+1)+fsalt(i,j-1)+fsalt(i,j)+fsalt(i,j+1)+fsalt(i+1,j-1)+fsalt(i+1,j)+fsalt(i+1,j+1));endend>> imshow(f1)Warning: Image is too big to fit on screen; displaying at 67%> In imuitools\private\initSize at 73In imshow at 262>> subplot(1,2,1);>> imshow(fsalt);>> subplot(1,2,2);>> imshow(f1);首先这里偷懒了,边缘没有补充,可以取临近值近似啥的,不过影响不大,这里就忽略了得到的原图和输出的平滑图像,可见是真很大啊,只有个大概的轮廓了,黑白都融合了均值滤波效果图椒盐噪声求其信噪比,由于加噪后的前面已经做过了,这里只做平滑后的上程序,跟之前差不多f=double(f);f1=double(f1);s=0;for i=2:1:641for j=2:1:494m=(f(i,j)-f1(i,j))^2;s=s+m;endendmse=s/(641*494);PSNR=10*log10(255^2/mse)PSNR =前面噪声的是PSNR =信噪比竟然减小了,所以这样子不妥啊,我决定给加个阈值,再来做一次平均值降噪程序如下f=imread('');fsalt=imnoise(f,'salt & pepper',;for i=2:1:641for j=2:1:494f1(i,j)=(1/9)*(fsalt(i-1,j-1)+fsalt(i-1,j)+fsalt(i-1,j+1)+fsalt(i,j-1)+fsalt(i,j)+fsalt(i,j+1)+fsalt(i+1,j-1)+fsalt(i+1,j)+fsalt(i+1,j+1));if abs(fsalt(i,j)-f1(i,j))>150f2(i,j)=f1(i,j);elsef2(i,j)=fsalt(i,j);endendendsubplot(1,2,1);imshow(fsalt);subplot(1,2,2);imshow(f2);对于这幅图尝试了几次,最后阈值顶到这么大,左边脸还是有块疤啊有阈值的均值滤波效果图椒盐噪声可见均值对椒盐噪声没啥办法,下面来试试高斯噪声f=imread(‘’);fsalt=imnoise(f,’gaussian’,0,;for i=2:1:641for j=2:1:494f1(i,j)=(1/9)*(fsalt(i-1,j-1)+fsalt(i-1,j)+fsalt(i-1,j+1)+fsalt(i,j-1)+fsalt(i,j)+fsalt(i,j+1)+fsalt(i+1,j-1)+fsalt(i+1,j)+fsalt(i+1,j+1));endend>> imshow(f1)Warning: Image is too big to fit on screen; displaying at 67%> In imuitools\private\initSize at 73In imshow at 262>> subplot(1,2,1);>> imshow(fsalt);>> subplot(1,2,2);>> imshow(f1);我偷了个懒,这次虽然写的是fsalt,其实是gaussian噪声,不过效果也不明显啊,都做烦了,这个的信噪比就不求了,看样子也不高均值滤波效果图高斯噪声下面来做中值滤波,我估计对于高斯噪声这种图像中值滤波会很好用的,滤波原理就是求出中间值了,把这个中间值作为新的填充灰度,上程序f=imread('');fsalt=imnoise(f,'salt & pepper',;>> for i=2:1:641for j=2:1:494a=[fsalt(i-1,j-1) fsalt(i-1,j) fsalt(i-1,j+1) fsalt(i,j-1) fsalt(i,j) fsalt(i,j+1) fsalt(i+1,j-1) fsalt(i+1,j) fsalt(i+1,j+1)];for k=8:-1:1;for l=1:1:k;冒泡排序法if a(l)>a(l+1)temp=0;temp=a(l);a(l)=a(l+1);a(l+1)=temp;endendendf1(i,j)=a(5);endend>> subplot(1,2,1);imshow(fsalt);subplot(1,2,2);imshow(f1)得到如下输出,效果真的是很好啊中值滤波效果图椒盐噪声计算一下此时的信噪比f=double(f);f1=double(f1);s=0;for i=1:1:641for j=1:1:494m=(f(i,j)-f1(i,j))^2;s=s+m;endendmse=s/(641*494);PSNR=10*log10(255^2/mse)PSNR =这是原图与滤波后图像的信噪比,真的比之前加噪声的图像PSNR = 要好很多很多,比之前的平均值滤波效果要好很多很多,几乎和原图近似了,可见中值滤波对付椒盐噪声是很有效的下面来看均值滤波对付高斯噪声是啥效果程序就不贴了,跟前面一样,只是把椒盐噪声图像换成高斯噪声图像,直接贴结果中值滤波高斯噪声失真很大啊,大概只能看个轮廓,下面试验一下加个阈值再来一次中值滤波看看效果阈值为100时的效果图把代码也附上吧f=imread('');fsalt=imnoise(f,'gaussian',0,;for i=2:1:641for j=2:1:494a=[fsalt(i-1,j-1) fsalt(i-1,j) fsalt(i-1,j+1) fsalt(i,j-1) fsalt(i,j) fsalt(i,j+1) fsalt(i+1,j-1) fsalt(i+1,j) fsalt(i+1,j+1)];for k=8:-1:1;for l=1:1:k;if a(l)>a(l+1)temp=0;temp=a(l);a(l)=a(l+1);a(l+1)=temp;endendendif abs(a(5)-fsalt(i,j))<100f1(i,j)=a(5);elsef1(i,j)=fsalt(i,j);endendendsubplot(1,2,1);imshow(fsalt);subplot(1,2,2);imshow(f1)1.用roberts算子和Laplace算子对一图像进行锐化处理, 得到其边缘二值图像.首先使用罗伯茨算子,程序和结果如下f=imread('');for i=2:1:641for j=2:1:494g1(i,j)=1*max(abs(f(i+1,j+1)-f(i,j)),abs(f(i+1,j)-f(i,j+1)));g2(i,j)=2*max(abs(f(i+1,j+1)-f(i,j)),abs(f(i+1,j)-f(i,j+1)));g3(i,j)=5*max(abs(f(i+1,j+1)-f(i,j)),abs(f(i+1,j)-f(i,j+1)));endendsubplot(1,4,2);imshow(g1);imshow(g2);subplot(1,4,4);imshow(g3);>> subplot(1,4,1);>> imshow(f);罗伯茨算子得到的边缘锐化图像三个不同比例下的效果图下面使用拉普拉斯算子程序跟上面差不多,也是用不同强度的锐化得到几个以作比较f=imread('');for i=2:1:641for j=2:1:494g1(i,j)=1*(f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)-4*f(i,j));g2(i,j)=2*(f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)-4*f(i,j));g3(i,j)=5*(f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)-4*f(i,j));endendsubplot(1,4,2);imshow(g1);subplot(1,4,3);imshow(g2);imshow(g3);subplot(1,4,1); imshow(f);最后的输出效果如下图。
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。
电子科技大学数字图像处理实验报告2

电子科技大学数字图像处理实验报告实验名称彩色图像处理实验序号学生姓名学生学号指导教师提交日期摘要本实验利用MATLAB软件,对彩色图像作了一些简单处理。
通过访问数字图像RGB三个通道的对应矩阵,改变数字图像的色彩,得到了原图像的补色图像。
并编写了图像的RGB模型与HSI模型相互转换的程序,实现了两个模型之间的互相转换。
为了得到HSI模型的补色,可将HSI模型转换为RGB模型,用RGB的反色来近似HSI的反色。
然后对彩色图像加入高斯与椒盐噪声,观察了加入噪声后RGB三个通道的图像效果,并通过算术均值滤波与中值滤波分别对三个通道进行去噪,达到对整个彩色图像的去噪。
最后证明了单个通道的噪声会通过到HSI的转换扩散到所有HSI图像上。
实验原理:1、三基色原理:人的眼睛就像一个三色接收器的体系,大多数的颜色可以通过红、绿、蓝三色按照不同的比例合成产生。
同样绝大多数单色光也可以分解成红(red)绿(green)蓝(blue)三种色光。
这是色度学的最基本原理,即三基色原理。
三种基色是相互独立的,任何一种基色都不能由其它两种颜色合成。
红绿蓝是三基色,这三种颜色合成的颜色范围最为广泛。
红绿蓝三基色按照不同的比例相加合成混色称为相加混色。
人眼接收色彩的方法:加法混色。
光色(红色+绿色)=黄色(yellow)光色(红色+蓝色)=紫红(magenta)光色(蓝色+绿色)=青色(cyan)印刷四色:减法呈色颜料(黄色+青色)=白色-红色-蓝色=绿色颜料(紫红+青色)=白色-红色-绿色=蓝色颜料(黄色+紫红)=白色-绿色-蓝色=红色颜料色另外会附加一个黑色,即cyan、magenta、yellow、black四色(cmyk)。
2、彩色图像表示方法:RGB图像:一幅RGB图像就是彩色像素的一个M×N×3数组,其中每一个彩色像素点都是在特定空间位置的彩色图像相对应的红绿蓝三个分量。
RGB图像可以看成是一个有三幅灰度图像形成的“堆”,形成一幅RGB图像的三个图像常称为红、绿或蓝分量图像。
具有去除椒盐噪声能力的改进双边滤波算法

具有去除椒盐噪声能力的改进双边滤波算法周航;韩权【摘要】In allusion to the feature of bilateral filter having not the ability to remove salt-and-pepper noise,this paper proposes a adaptive template replacement algorithm,which firstly replaces the pixel value of bilateral filtering template areas and then bilateral filtering can be made for the replaced template areas to have the ability to remove the salt-and-pepper noise when equipped with the capacity of removing low-frequency noise while remaining edge with bilateral filtering.The experimental results show that improved bilateral filtering algorithm can remove salt-andpepper noise well,and compared with several classical algorithms having the ability to remove salt-and-pepper noise,the average value of PSNR calculated by the proposed algorithm has been improved more than 5.8% and the average value of SSIM has been enhanced more than 2.75% under the condition of 10%~90% of noise density.%针对双边滤波器不能有效去除椒盐噪声这一特点,本文提出了一种自适应大小的模板替换算法,通过先替换双边滤波模板区域像素值,再对替换后的模板区域做双边滤波,使其在具有双边滤波保边并去除低频噪声能力的基础上兼具去除椒盐噪声的能力.实验结果证明:本文提出的算法在双边滤波的基础上可以有效去除图像中的椒盐噪声,与几种经典去除椒盐噪声的算法相比,在噪声密度1o%~90%的情况下,峰值信噪比(PSNR)平均值提升5.8%以上,结构相似性(SSIM)平均值提升2.75%以上.【期刊名称】《北京交通大学学报》【年(卷),期】2017(041)005【总页数】9页(P43-51)【关键词】图像处理;双边滤波;模板替换;椒盐噪声【作者】周航;韩权【作者单位】北京交通大学电子信息工程学院,北京100044;北京交通大学电子信息工程学院,北京100044【正文语种】中文【中图分类】TP391在图像的采集、传输和处理过程中,图像受环境、器材及处理方法的影响,不可避免的会产生不同程度的噪声,其中高斯噪声和椒盐噪声是较为常见的图像噪声污染源.受噪声影响,往往会给后续的图像处理(如识别和分割等)带来较大的影响,因此有效去除图像中的各种噪声显得尤为必要.针对高斯噪声,高斯滤波是一种简单可行的噪声处理方法,但高斯滤波在去除高斯噪声的同时会使图像丢失边缘等细节信息,从而使图像变得模糊,降低图像的整体质量.文献[1]提出了著名的双边滤波(Bilateral filter)算法,在高斯滤波器的基础上考虑像素间灰度值的差别,在去噪的同时可以保持图像边缘的清晰.但由于双边滤波采用高斯核作为算法基础来对带有噪声的图像进行处理,因此并不具备去除椒盐噪声的能力.针对椒盐噪声,标准中值滤波(SMF)算法[2]是一种简单有效的噪声处理方法,但当椒盐噪声密度较高时,中值滤波的滤波效果很差,且中值滤波模板区域越大,图像边缘会变得越模糊.针对中值滤波的这些缺点,近年来有研究人员提出新的算法来获得更好地去噪效果,其中较为经典的算法有:文献[3]提出的自适应中值加权滤波(Adaptive Center Weighted Median Filter,ACWMF)算法.文献[4]提出的递进开关中值滤波(Progressive Switching Median Filter, PSMF)算法.文献[5]提出的基于决策(Decision-Based Algorithm,DBA)算法.文献[6]提出的模糊自适应中值(Noise Adaptive Fuzzy Switching Median Filter,NAFSMF)算法.文献[7-8]提出的改进的基于决策的不对称裁剪的中值滤波(Modified Decision-Based Unsymmetrical Trimmed Median Filter,MDBUTMF)算法.文献[9]提出的弹性中值滤波1(Elastic Median Filter1 ,EMF1)算法,弹性中值滤波2(Elastic Median Filter 2,EMF2)算法.但以上改进算法均在高密度椒盐噪声下性能快速下降,为此本文作者提出了一种先替换双边滤波器模板区域像素值,再用替换后的模板区域进行双边滤波的方法来改进双边滤波算法,从而在双边滤波基础上对高密度椒盐噪声进行有效滤波.用DBA、NAFSMF、MDBUTMF、EMF1、EMF2算法与本文改进算法的椒盐噪声去除能力进行了对比,采用了峰值信噪比(PSNR)和结构相似性(SSIM)作为图像质量客观评价标准.实验结果证明本文提出的算法在椒盐噪声的去除能力上优于5种算法.1.1 NAFSMF算法NAFSMF算法在椒盐噪声点将当前像素值和所在邻域的中值进行加权平均后再进行赋值,其邻域所用模板大小不固定,弥补了中值滤波算法限定模板大小的不足.算法设定两个阈值T1和T2,T1=10,T2=30,以3×3作为最小模板大小设置自适应模板检测模板中心点附近像素点的灰度值,直到检测到非椒盐噪声点为止,此时的模板大小记为w×w,w的最大值为7.设模板中心点像素灰度值为P(i,j),记M(i,j)=median(Pi-w,j-w,Pi,j-w,Pi+w,j-w,Pi-w,j),记D(i,j)为该点附近3×3的模板区域内其他像素灰度值与P(i,j)差值的最大值.根据D(i,j)的大小做如下判断,记F(i,j)为将模板中心像素点的灰度值P(i,j)替换为[1-F(i,j)]×P(i,j)+F(i,j)×M(i,j).NAFSMF算法极大地改善了FSMF算法的性能[10],在处理高密度椒盐噪声图像时性能优良,处理中低密度椒盐噪声图像时性能相对较差.实验表明,当椒盐噪声密度高于80%时NAFSMF算法性能快速下降但滤波效果仍然显著.1.2 MDBUTMF算法针对高密度椒盐噪声污染的图像,MDBUTMF在基于决策的非对称裁剪中值滤波器(DBUTMF)[11]的基础上增加了噪声检测机制.MDBUTMF算法固定使用3×3的模板窗口.如果模板中心像素点是椒盐噪声点,则对该点进行滤波.对椒盐噪声点进行滤波时,如果模板内所有点均为椒盐噪声点,则使用模板中所有点灰度值的均值来替换P(i,j);如果模板中有非椒盐噪声点存在,则移除椒盐噪声点后用剩余像素点灰度值的中值替换P(i,j).由于该算法采用固定大小模板滤波,利用均值代替中心像素,因此算法鲁棒性较低,对部分图像滤波无效.MDBUTMF算法在处理低密度椒盐噪声图像时性能优良,在处理中高密度椒盐噪声时性能快速下降.其主要原因在于当图像中椒盐噪声密度较高时,3×3的模板区域内所有点均为椒盐噪声点的概率变大,其灰度值的均值与中心点的真实灰度值相差较大,因此算法性能快速下降.2.1 双边滤波的算法改进双边滤波是一种以高斯核(Gaussian Kernel)为基础的非线性的滤波方法,可以同时考虑像素的空间距离和像素间灰度值的差别,从而达到保边去噪的目的.其基本公式为Gσs(‖p-q‖)Gσr(‖Ip-Iq‖)IqWp=Gσs(‖p-q‖)Gσr(‖Ip-Iq‖)式中:p、q分别为像素点的空间位置;Ip、Iq为像素的灰度值;S是以p为中点的模板区域; Gσs和Gσr分别代表空间距离和灰度值的高斯核函数;BF[I]p为替换后的模板中心点像素灰度值;Wp为权值系数.可以看出在双边滤波中采用高斯核直接对原始图像的像素空间距离和像素间灰度值进行处理,当模板区域中心点为椒盐噪声点时,Wp为零,因此双边滤波不具有去除椒盐噪声的能力.在此基础上,本文作者提出了先用自适应大小的模板替换方法来替换模板区域内椒盐噪声像素点,再用高斯核对替换后的模板区域内像素空间距离和像素间灰度值进行处理的方法来改进双边滤波算法.改进后的算法流程如图1所示,改进后的算法公式为‖‖‖‖)式中为替换后的模板区域;均为新模板中与Ip、Iq相对应像素的灰度值.改进后的算法对模板中心p点的灰度值进行了替换,因此可以有效避免高斯权值过小的问题.2.2 自适应大小的模板替换由于改进算法需要对模板区域像素进行替换如图2所示,在进行模板替换时,模板大小的选取将直接影响改进算法对椒盐噪声的滤波效果.如果选取的模板过小,则在高密度椒盐噪声下,模板区域内很有可能没有有效像素,替换后的像素值依然为无效像素,且当椒盐噪声密度大于70%时这一现象尤为明显,因此在高密度椒盐噪声的情况下去噪效果很差.如果选取的模板过大,则在低密度椒盐噪声下滤波时,距离中心像素点较远的像素值,会直接影响替换像素的灰度值大小,即距离中心像素点越远,则该点像素值与中心像素点的真实灰度值差异可能会越大,因此选取的模板过大时对低密度椒盐噪声的图片滤波效果较差.采用自适应大小的模板替换方法则可以有效避免这一问题,以固定模板大小3×3为例,对椒盐噪声密度分别为70%、80%、90%的Lena图进行模板替换操作,效果如图2所示,可以看到采用自适应模板大小的模板替换方案明显更好,且椒盐噪声密度越大差异越明显.以固定模板大小7×7为例,对椒盐噪声密度分别为10%、20%、30%的Lena图进行模板替换操作,效果如图3所示,可以看到采用自适应模板大小的模板替换方案明显更好,且椒盐噪声密度越小差异越明显.本文采用自适应大小的模板替换算法,该算法包括以下3个过程.1)检测模板中心点是否为椒盐噪声点,如果是则进行模板替换;如果不是,则不改变该点的灰度值.设待处理像素点的灰度值为P(i,j),判定公式为2)自适应调整模板大小.检测模板内是否有非椒盐噪声点,如果有,模板大小设定为3×3;如果没有,则扩大模板大小继续检测,模板最大值设定为7×7.3)对模板区域进行裁剪,删除模板内的噪声点.对剩余像素分类后替换中心像素灰度值.2.3 模板中心点的替换规则以3×3的模板大小为例对中心点的替换规则,共分为以下两种情况.1)模板区域内灰度值小于76(0.3倍255)或大于178(0.7倍255)的像素点在所有有效像素点中个数最多.灰度值小于76的像素点最多时,对灰度值小于76的像素点集合取中值,用此中值来替换模板中心点的灰度值,替换方式如图4所示,图中C1、C2、C3分别表示模板区域内灰度值小于76、灰度值大于178、灰度值介于76至178的像素点个数;当模板区域内灰度值大于178的像素点在所有有效像素点中个数最多时替换方式与之类似,对灰度值大于178的像素点集合取中值,用此中值来替换模板中心点的灰度值.2)模板区域内灰度值介于76~178之间的像素点在所有有效像素点中个数最多,或灰度值小于76、大于178、介于76~178之间的3组像素点集合内某两组的像素点个数相等且大于另一组.此时直接取灰度值介于76~178之间的像素点集合的中值,用此中值来替换模板中心点的灰度值.此外,如果模板大小扩大到7×7时区域内所有像素点仍均为椒盐噪声点,则采用模板中心点前一点的替换值来替换模板中心点,替换方法如图5所示,其中NA 表示不适用.按以上步骤遍历图像中所有椒盐噪声点后,再用双边滤波器的模板从图像右上角遍历图像中所有像素点,此时双边滤波器选中的模板区域即为模板替换后新的模板区域.实验在Matlab R2015b平台下完成,选用的所有图片大小均为512×512,tiff格式,对8张不同的图片分别添加了10%~90%的椒盐噪声并进行滤波.3.1 改进算法实验结果分析传统的双边滤波由于采用高斯核为基础,由式(2)不难看出双边滤波算法既类似于传统的高斯滤波采用局部加权平均的思想,又考虑像素点的空间邻近度关系和像素灰度值的相似性,通过两者的结合,能很好地达到保持图像边缘又有效平滑高斯噪声的目的[12].但当模板区域S的中心点p为椒盐噪声点时,S内其他点的灰度值Iq与p点灰度值Ip差异很大,从而导致高斯核Gσr(‖Ip-Iq‖)极小并趋于0,因此传统的双边滤波算法不具备去除椒盐噪声的能力.而改进算法可以有效避免高斯核趋于0的情况,因此在理论上改进算法应在具有传统双边滤波算法保边和去除高斯噪声能力的同时,可以对椒盐噪声进行有效滤波.为了验证这一性能,在图6中给出了3种算法去噪后的图像对比,对Lena图添加了均值为0,方差为0.05的高斯噪声,用改进算法对加噪后的图像进行滤波,并与双边滤波和高斯滤波进行对比,表1中给出了3种算法对受不同方差大小高斯噪声污染的Lena图去噪后PSNR和SSIM的大小.3种算法模板大小均为7×7的矩阵,双边滤波的空间参数和颜色参数分别为10、0.2,改进算法的颜色参数为由图6可以看出相比于高斯滤波,双边滤波和本文改进算法均有较好的保边能力,且保边效果一致.由表1可以看出改进算法相较于双边滤波去除高斯噪声的能力几乎相同,因此认为改进算法保留了双边滤波保边和去除高斯噪声的能力.为了验证改进算法在双边滤波保边和去除高斯噪声的能力之外还具有去除椒盐噪声的能力,对Lena添加均值为0,方差为0.05的高斯噪声,噪声密度20%的椒盐噪声,用改进算法和双边滤波分别对加噪后的图像进行滤波并进行对比.滤波结果如图7所示.由图7显然可以看出双边滤波对同时含有高斯噪声和椒盐噪声的图像滤波效果很差,而本文改进算法的滤波效果明显好于双边滤波.因此认为改进算法保留了双边滤波保边和去除高斯噪声能力的同时具有去除椒盐噪声的能力.3.2 改进算法与经典算法对比为了验证改进算法对椒盐噪声的去噪能力,实验选用8张大小为512×512的常用图像处理图片,见图8和图9.对其添加10%~90%密度的椒盐噪声,并用本文改进算法和DBA、NAFSMF、MDBUTMF、EMF1、EMF2算法对其进行滤波,给出了滤波后的PSNR和SSIM.图8和9分别给出了几种算法在噪声密度为30%、50%、70%的情况下对Lena图和Peppers图的处理效果,并给出了相应的结构相似性局部值的分布图.1)由图8和9可以看出几种算法在滤波的同时均不会对图像边缘造成过度模糊,即拥有较好的保边性能.在结构相似性局部值的分布图中,像素点的颜色越深代表滤波后的图像在这一点的灰度值与原图像差别越大,因此可以看出在30%、50%、70%的3种噪声密度下改进算法的滤波效果均好于DBA、MDBUTMF、EMF1、EMF2算法,且噪声密度越高,该算法的优势越明显,相比于NAFSMF算法,改进算法性能好于NAFSMF算法,但随着噪声密度的提高,两种算法间的差距逐渐2)在图10、11中分别给出了不同噪声密度下几种算法的PSNR和SSIM的计算值的折线图,与其他5种算法相比,本文提出的改进算法滤波效果更好,且PSNR平均值提升5.8%以上,SSIM平均值提升2.75%以上.因为使用了自适应模板大小,本文的改进算法在高椒盐噪声密度下的滤波效果较好.图12、13给出了当椒盐噪声密度为95%时这几种算法的处理结果,在图12、13中前2张图片分别为Lena 和Peppers图原图和加噪后的图像,后6张依次为DBA、NAFSMF、MDBUTMF、EMF1、EMF2、改进算法的处理结果.综合以上的PSNR和SSIM数据,可以看出在不同椒盐噪声密度下本文提出的改进算法滤波效果均远好于DBA、EMF1、EMF2算法.与MDBUTMF算法相比,改进算法在低椒盐噪声密度时滤波效果与其相近,在中高椒盐噪声密度时MDBUTMF算法性能急剧下降,改进算法滤波效果远好于MDBUTMF算法.与NAFSMF算法相比,改进算法在中低椒盐噪声密度时滤波效果远好于NAFSMF算法,在高椒盐噪声密度时NAFSMF算法性能下降较慢,但改进算法滤波效果仍好于NAFSMF算法.因此认为本文提出的改进算法综合性能好于以上5种算法,这一结果与主观视觉感受相吻合.1)传统的双边滤波具有良好的保边和去除高斯噪声的能力,但并不具有去除椒盐噪声的能力.因此本文作者提出了一种先对模板区域像素灰度值进行替换,再进行双边滤波的方法来改进传统双边滤波算法,使其具有良好的去除椒盐噪声的能力,拓宽了双边滤波的应用范围.2)在Matlab平台下的实验中,验证了本文作者提出的改进算法的滤波性能,实验共对8张图像处理领域常用的图片进行了滤波处理.实验结果表明,在噪声密度10%~90%的情况下与经典算法DBA、NAFSMF、MDBUTMF、EMF1、EMF2相比,本文提出的改进算法滤波效果更好,PSNR平均值提升5.8%以上,SSIM平均值提升2.75%以上,且对受到高密度椒盐噪声污染的图像具有更好的滤波效果.【相关文献】[1] TOMASI C, MANDUCHI R. Bilateral filtering for gray and color images[C]//International Conference on Computer Vision, 1998:839.[2] PITAS I, VENETSANOPOULOS A N. Order statistics in digital image processing[J]. Proceedings of the IEEE, 1992, 80(12):1893-1921.[3] KO S J,LEE Y H.Center weighted median filters and their applications to image enhancement[J].IEEE Transactions on Circuits and Systems,1991,38(9):984-993.[4] WANG Z, ZHANG D. Progressive switching median filter for the removal of impulse noise from highly corrupted images[J]. IEEE Transactions on Circuits & Systems II Analog & Digital Signal Processing, 1999, 46(1):78-80.[5] SRINIVASAN K S, EBENEZER D. A new fast and efficient decision-based algorithm for removal of high-density impulse noises[J]. IEEE Signal Processing Letters, 2007, 14(3):189-192.[6] TOH K K V, ISA N A M. Noise adaptive fuzzy switching median filter for salt-and-pepper noise reduction[J]. IEEE Signal Processing Letters, 2010, 17(3):281-284.[7] ESAKKIRAJAN S,VEERAKUMAR T,SUBRAMANYAM A N,et al.Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter[J].IEEE Signal Processing Letters,2011,18(5):287-290.[8] JOURABLOO A, FEGHAHATI A H, JAMZAD M. New algorithms for recovering highly corrupted images with impulse noise[J]. Scientia Iranica, 2012, 19(6):1738-1745.[9] ERKAN U, KILICMANB A. Two new methods for removing salt-and-pepper noise from digital images[J]. ScienceAsia, 2016, 42(1): 28-32.[10] 曾宪佑, 黄佐华. 一种新型的自适应模糊中值滤波算法[J]. 计算机工程与应用, 2014,50(17):134-136.ZENG Xianyou, HUANG Zuohua. New adaptive fuzzy median filtering algorithm[J]. Computer Engineering and Applications, 2014, 50(17):134-136. (in Chinese)[11] SRINIVASAN K S, EBENEZER D. A new fast and efficient decision-based algorithm for removal of high-density impulse noises[J]. IEEE Signal Processing Letters, 2007, 14(3):189-192.[12] 张海荣. 双边滤波去噪方法及其应用研究[D]. 合肥:合肥工业大学, 2014.ZHANG Hairong.Research on bilateral filtering denoising methods and their applications[D].Hefei:Hefei University of Technology, 2014.(in Chinese)。
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。
图像去噪技术中的常见噪声类型及滤波方法

图像去噪技术中的常见噪声类型及滤波方法在图像处理领域,图像去噪技术是一项非常重要的任务。
噪声通常由于图像获取或传输过程中的干扰引起,对图像质量产生不良影响。
因此,了解常见噪声类型及相应的滤波方法对于成功去除噪声、提升图像质量至关重要。
以下是图像去噪技术中常见的几种噪声类型及相应的滤波方法:1. 高斯噪声:高斯噪声是图像处理中最常见的噪声类型之一,它具有均值为零、方差相同的正态分布特征。
为去除高斯噪声,可以使用高斯滤波器。
高斯滤波器通过使用与噪声具有相似尺度的卷积核来平滑图像。
它能够有效地减少高频噪声,但也可能损失一些图像细节。
2. 盐噪声和胡椒噪声:盐噪声和胡椒噪声是由于图像传感器或信号传输引起的随机亮度突然变化。
盐噪声导致图像中的亮点,而胡椒噪声则导致暗点。
为去除这种噪声,可以使用中值滤波器。
中值滤波器通过将像素周围的一组像素排序,并将中间值作为输出来减少这种噪声。
中值滤波器能够有效地去除椒盐噪声,但可能导致图像细节的模糊。
3. 椒盐噪声:椒盐噪声包括随机出现的黑白像素点,类似盐和胡椒一样。
为去除椒盐噪声,可以使用自适应中值滤波器。
自适应中值滤波器通过根据像素周围邻域的灰度级变化来选择适当的中值滤波器大小。
它可以根据像素周围的情况自动调整滤波器的尺寸,在保留图像细节的同时减少椒盐噪声的影响。
4. 橡皮泥噪声:橡皮泥噪声是一种低频噪声,通常由于传输或存储图像时的压缩引起。
为去除橡皮泥噪声,可以使用自适应均值滤波器。
自适应均值滤波器通过计算像素周围邻域的均值并用其代替当前像素值来减少噪声。
它能够有效地消除橡皮泥噪声,但可能导致图像细节的平滑化。
除了上述常见的噪声类型和滤波方法外,还有其他一些噪声类型和相应的去噪方法,如波动噪声、条纹噪声等。
对于不同的噪声类型,选择适当的滤波方法是至关重要的,以实现最佳的去噪效果。
然而,需要注意的是,图像去噪技术并不是完美的,因为过度去噪可能会损坏图像的细节和边缘信息。
夜间视频图像增强技术研究

夜间视频图像增强技术研究王可伟【摘要】图像在生成、传递和存储的过程中,经常受到各种噪声的干扰,普遍情况下,噪声可以阻挡人类分析图像,尤其是在夜间,视频或者图像夹杂噪声更难分析.数字图像处理中的一个关键是增强技术.在数字图像体系中,普遍存在的噪声主要包括:高斯噪声、椒盐噪声等.可以使用的增强方法有均值增强、中值增强、高斯增强和统计增强等.它们对于夜晚有噪声的图像可以实现较好的滤除效果.本文中,主要研究的是基于统计增强法的图像平滑处理,使用统计增强方法对图形进行平滑去噪.【期刊名称】《电子世界》【年(卷),期】2017(000)020【总页数】2页(P109-110)【关键词】数字图像处理;噪声;统计增强【作者】王可伟【作者单位】浙江邮电职业技术学院【正文语种】中文如何恢复夜间图像的色彩、对比度以及场景信息等都是目前图形图像处理领域的研究热点,图像增强是在图像处理领域中一种最常见的方法,就是更大的能力下进行噪声抑制,这也是在图像处理之前必须进行的处理过程。
在夜间存在着少量的月光、星光等,它们叫微光。
目前普通摄像头在低照度环境下获取图像的方法之一就是通过加大光圈,增加微光的进光量来达到的,但这会导致对像的分辨率往往不高;另外一种是利用提高夜间图像灰度级来提高能见度,但不利之处是对颜色的辨别能力会很低,普通摄像头在低照度环境下都由彩转黑了,夜间图像都表现为单色图像了。
因此图像增强具有重要的作用,因此如果研究图像增强显得很重要。
有很多种增强的方法,可以在空间或频率域对图像进行去噪。
在对空间域进行去噪时,常见方法是求像素灰度的平均值。
常规下,图像中的噪声都是和信号互相混合在一起的,假设在平滑时不注意就会使图像本身的细节变得模糊并且看不清楚,从而导致图像的质量降低很多。
图像的平滑往往是要牺牲一些其他因素,因此如何去除掉图像中的噪声,而使图像本身细节不被覆盖,是图像增强研究的主要内容。
本课题重点研究的是基于统计增强方法的图像平滑增强。
- 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)。
目录一、摘要二、均值滤波三、中值滤波四、超限像素平滑法五、总结六、参考文献一、摘要图像信号在产生、传输和记录的过程中,经常会受到各种噪声的干扰,噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。
噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。
图像去噪是数字图像处理中的重要环节和步骤。
去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。
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。
我们平常使用的滤波方法一般有均值滤波、中值滤波和维纳滤波,他们分别对某种噪声的滤除有较好的效果,但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好,在这里我们分别用多种方法对图像噪声进行处理,对比使用效果。
关键词:图像去噪、常见噪声、多种方法、使用效果。
二、均值滤波均值滤波算法:也称线性滤波,主要思想为邻域平均法。
假设图像有由许多灰度恒定的小块组成,相邻像素间存在很高的空间相关性,而噪声则是独立的,则可用像素邻域内的各像素的灰度平均值代替该像素原来的灰度值,实现图像的平滑。
这种算法简单,处理速度快,但它的主要缺点是在降低噪声的同时使图像产生模糊,特别是在边缘和细节处。
而且邻域越大,在去噪能力增强的同时模糊程度越严重。
均值滤波对同时含有高斯和椒盐噪声的图像的处理:I1=imread('Miss.bmp');subplot(2,2,1);imshow(I1);title('原图');k1=imnoise(I1,'salt & pepper',0.01);I=imnoise(k1,'gaussian',0.01);subplot(2,2,2);imshow(I)title('加入高斯和椒盐噪声以后');[a,b]=size(I);I2=zeros(a+2,b+2);I3=zeros(a,b);for n=1:afor m=1:bI2(n+1,m+1)=I(n,m);end;end;for n=2:afor m=2:bI3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2(n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1)+I2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/9;end;end;subplot(2,2,3);imshow(uint8(I3));title('3*3均值滤波以后');[a,b]=size(I);I4=zeros(a+4,b+4);I5=zeros(a,b);for n=1:afor m=1:bI4(n+2,m+2)=I(n,m);end;end;for n=3:afor m=3:bI5(n-2,m-2)=[I4(n-2,m-2)+I4(n-2,m-1)+I4(n-2,m)+I4(n-2,m+1)+I4(n-2,m+2)+I4(n-1,m-2)+I4(n-1,m-1)+I4(n-1,m)+I4(n-1,m+1)+I4(n-1,m+2)+I4(n,m-2)+I4(n,m-1)+I4( n,m)+I4(n,m+1)+I4(n,m+2)+I4(n+1,m-2)+I4(n+1,m-1)+I4(n+1,m)+I4(n+1,m+1)+I4(n+ 1,m+2)+I4(n+2,m-2)+I4(n+2,m-1)+I4(n+2,m)+I4(n+2,m+1)+I4(n+2,m+2)]/25;end;end;subplot(2,2,4);imshow(uint8(I5));title('5*5均值滤波以后');运行效果:orginal加入噪声以后3*3平滑以后5*5平滑以后均值滤波对同时含有高斯和椒盐噪声的图像处理分析:根据对上图的观察可以明显发现,使用均值滤波对高斯噪声进行去噪效果比较好,虽然对椒盐也有效果,但是不如对高斯噪声的处理效果好。
另外处理时选用的邻域半径越大效果越好,当然其代价也会更大,在去噪的同时图像失去的信息也会更多的。
三、中值滤波基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。
中值滤波的特点即是首先确定一个以某个像素为中心点的邻域,一般为方形邻域,也可以为圆形、十字形等等,然后将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值,这里领域被称为窗口,当窗口移动时,利用中值滤波可以对图像进行平滑处理。
其算法简单,时间复杂度低,但其对点、线和尖顶多的图像不宜采用中值滤波。
很容易自适应化。
中值滤波对同时含有高斯和椒盐噪声的图像的处理:I=imread('Miss.bmp');subplot(2,2,1);imshow(I);title('原图');k1=imnoise(I,'salt & pepper',0.01);K=imnoise(k1,'gaussian',0.01);subplot(2,2,2)imshow(K);title('加入高斯和椒盐噪声以后');[a,b]=size(K);for i=1:afor j=1:bif(i==1|i==a|j==1|j==b)G(i,j)=K(i,j);elseJ=[K(i-1,j-1),K(i-1,j),K(i-1,j+1),K(i,j-1),K(i,j),K(i,j+1),K(i+1,j-1),K(i+1, j),K(i+1,j+1)];J=sort(J);G3(i,j)=J(5);endendendsubplot(2,2,3);imshow(G3);title('3*3中值滤波以后');for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b)G5(i,j)=K(i,j);elseJ=[K(i-2,j-2),K(i-2,j-1),K(i-2,j),K(i-2,j+1),K(i-2,j+2),K(i-1,j-2),K(i-1,j-1 ),K(i-1,j),K(i-1,j+1),K(i-1,j+2),K(i,j-2),K(i,j-1),K(i,j),K(i,j+1),K(i,j+2), K(i+1,j-2),K(i+1,j-1),K(i+1,j),K(i+1,j+1),K(i+1,j+2),K(i+2,j-2),K(i+2,j-1),K (i+2,j),K(i+2,j+1),K(i+2,j+2)];J=sort(J);G5(i,j)=J(13);endendendsubplot(2,2,4)imshow(G5);title('5*5中值滤波以后');运行效果图:原图加入高斯和椒盐噪声以后3*3中值滤波以后5*5中值滤波以后中值滤波对同时含高斯和椒盐噪声的图像滤波效果分析:通过上图我们可得出结论,即中值滤波对于去除椒盐噪声效果最好,而对高斯噪声不是很理想。
中值滤波对于去除椒盐噪声效果明显,是因为椒盐噪声只在画面上的部分点随机出现,而中值滤波根据数据排序,将未被污染的点代替噪声点的值的概率较大,所以抑制效果好。
对点、线和尖顶较多的图像不宜采用中值滤波,因为一些细节点可能被当成噪声点。
四、中值和均值综合滤波根据以上对图像的处理可以发现,均值滤波和中值滤波对两种噪声的去除各有侧重,单独使用时对同时含有高斯和椒盐噪声的图像的处理并不理想。
因此可以对污染图像先进行一次中值滤波,对椒盐噪声进行一次处理,然后再用均值滤波对高斯噪声进行处理。
均值和中值滤波对污染图像进行处理:I=imread('Miss.bmp');subplot(2,2,1);imshow(I);title('原图');k1=imnoise(I,'salt & pepper',0.01);K=imnoise(k1,'gaussian',0.01);subplot(2,2,2)imshow(K);title('加入高斯和椒盐噪声以后');[a,b]=size(K);for i=1:afor j=1:bif(i==1|i==a|j==1|j==b)G(i,j)=K(i,j);elseJ=[K(i-1,j-1),K(i-1,j),K(i-1,j+1),K(i,j-1),K(i,j),K(i,j+1),K(i+1,j-1),K(i+1, j),K(i+1,j+1)];J=sort(J);L(i,j)=J(5);endendendsubplot(2,2,3);imshow(L);title('3*3Ö中值滤波以后');[x,y]=size(L)I2=zeros(x+2,y+2);I3=zeros(x,y);for n=1:xfor m=1:yI2(n+1,m+1)=L(n,m);end;end;for n=2:xfor m=2:yI3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2(n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1)+I 2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/9;end;end;subplot(2,2,4);imshow(uint8(I3));title('3*3均值滤波以后');运行效果图:原图加入高斯和椒盐噪声以后3*3中值滤波以后3*3均值滤波以后从运行效果可以看出,相对于只用一种方法进行滤波,进行中值和均值综合滤波以后,污染图像的噪声去除是比较好的。
但经过两次滤波后,图像的信息的损失也比较多。
五、总结一、对于椒盐噪声,中值滤波效果比均值滤波效果好。
原因:1、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。
2、中值滤波是选择适当的点来代替污染点的值,所以处理效果好。
3、因为噪声的均值不为零,所以均值滤波不能很好地去除噪声点。
二、对于高斯噪声,均值滤波效果比中值滤波效果好。
原因:1、高斯噪声是幅值近似正态分布,但分布在每点像素上。
2、因为图像中的每点都是污染点,所以中值滤波选不到合适的干净点。
3、因为正态分布的均值为零,所以均值滤波可以削弱噪声。
六、参考文献1《数字图像处理》电子工业出版社贾长虹 20032《数字图像处理(Matlab版)》电子工业出版社冈萨雷斯 2006 3《MATLAB在数字信号处理中的应用》清华大学出版社薛年喜 2003 4《MATLAB数字图像处理》机械工业出版社刘刚 2010。