数字图像处理-降噪滤波-大作业要点

合集下载

数字图像处理大作业

数字图像处理大作业

1、下图是一用于干涉原理进行测试的干涉场图像,要求判读条纹的间距,请给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。

解:步骤与思路:○1.进行模糊处理,消除噪声○2.边缘检测,进行图像增强处理○3.二值化图像,再进行边缘检测,能够得到很清晰的边界。

○4.采用横向标号法,根据值为1像素在标号中的相邻位置可以确定间距I=imread('xz mjt.bmp');I1=medfilt2(I); %对图像中值滤波imshow(I1);[m,n]=size(I1);for i=1:mfor j=1:nif(I1(i,j)<100) %阈值为100I1(i,j)=255;elseI1(i,j)=0; %进行二值化endendendfigure;imshow(I1);Y1=zeros(1,25);y2=y1;c=y2;i=100;for j=1:1200if (I1(i,j)==255&&I1(i,j+1)==0)Y1=j+1;endif (I1(i,j)==0&&I1(i,j+1)==255)Y2=j;endendfor i=1:25c=Y2(i)-Y1(i)endc %找出每两个条纹之间的距离2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。

3. 请以图像分割方法为主题,结合具体处理实例,采用期刊论文格式,撰写一篇小论文。

各种算子对图像进行边缘检测效果的研究图像分割是根据需要将图像划分为有意义的若干区域或部分的图像处理技术。

通过边缘检测在Matlab 中实现方法,及用四叉数分解函数进行区域分割的方法,掌握了Matlab 区域操作函数的使用和图像分析和理解的基本方法,并学到了'roberts','sobel','prewitt','canny','log'算子对图像进行边缘检测的不同效果。

图像降噪处理

图像降噪处理

图像降噪处理学生姓名:刘丽娇学院:信息与通信工程学院专业:电子信息工程题目:数字图像处理:图像降噪处理2011 年 12 月 26日二、均值滤波去噪2.1均值滤波器原理在图像上,对待处理的像素给定一个模板,该模板包括了其周围的邻近像素。

将模板中的全体像素的均值来代替原来的像素值的方法。

对一些图像进行线性滤波可以去除图像中某些类型的噪声,如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。

邻域平均法是空间域平滑技术。

这种方法的基本思想是,在图像空间,假定有一副N ×N 个像素的原始图像f(x,y),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。

经过平滑处理后得到一副图像 g(x,y), 其表达式如下:∑∈=s n m n m f My x g ),(),(/1),(式中: x,y=0,1,2,…,N-1;s 为(x ,y )点领域中点的坐标的集合,但不包括(x ,y )点;M 为集合内坐标点的总数。

领域平均法有力地抑制了噪声,但随着领域的增大,图像的模糊程度也愈加严重。

为了尽可能地减少模糊失真,也可采用阈值法减少由于领域平均而产生的模糊效应。

其公式如下: ⎪⎩⎪⎨⎧>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f Tn m f M y x f n m f M y x g s n m s n m式中:T 为规定的非负阈值。

上述方法也可称为算术均值滤波器,除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。

几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图像细节。

谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。

它善于处理像高斯噪声那样的其他噪声。

逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。

图像滤波去噪处理要点

图像滤波去噪处理要点

图像滤波去噪处理要点图像去噪处理在数字图像处理中起着至关重要的作用。

这是因为噪声会干扰图像的细节,使得图像质量降低,从而影响其正确性和可靠性。

因此,图像滤波去噪处理成为了数字图像处理中的重要研究内容。

滤波方法滤波法是数码图像处理中最常见的处理方式之一,它的基本原理是利用滤波器对图像进行滤波操作,通过扭曲/过滤图像的特征来消除噪声。

常见的滤波方法如下:均值滤波均值滤波是最常见的图像滤波方法之一,它的基本原理是使用一个固定大小的窗口对图像进行滑动,窗口内所有像素的平均值被用作该窗口中心像素的新值。

这个过程可以减少高频噪声,并增强图像的平滑度。

但是,使用均值滤波器有可能会使得图像细节模糊化。

中值滤波中值滤波是通过计算图像像素的中值来消除噪声的一种滤波方法。

与均值滤波直接平均过滤不同的是,中值滤波的处理结果不会受到像素亮度的影响,就算像素值在亮度上差异较大,中值滤波处理之后的图像也可以保留其细节特征。

高斯滤波高斯滤波是基于高斯函数的滤波算法,可以产生连续的阶段过渡,使得图像更加自然。

高斯滤波器通过计算一个固有大小的权重系数矩阵来处理图像。

权重系数矩阵越接近像素,则其权重越大,并可证明,高斯函数可以减少图像高频噪声,从而提高图像的视觉感受度。

滤波器的选择对于图像去噪处理,应该选择哪种滤波器呢?具体答案随情况而异,以下是几个常见的情况:需要平滑处理通过均值滤波和高斯滤波可以平滑噪声。

当选择两者中的哪一个时,必须从不同的角度看待问题。

如果需要考虑处理时间,则选择均值滤波。

如果需要平滑处理的同时保留图像的细节特征,则可以使用高斯滤波器。

有选择性地消除噪声如果需要具有消除噪声的选择性,可以使用中值滤波器。

由于中值滤波器并没有考虑像素值相邻之间的亮度,因此它可以更好地消除噪声,并保留较好的图像细节。

需要处理非线性噪声如果需要处理一些非线性噪声,例如斑点噪声等,则可以使用在去噪领域越来越流行的非局部均值滤波器。

滤波器的实现图像滤波器的实现可以基于卷积积分原理进行,也可以使用快速算法实现。

数字图像处理中图像去噪的算法实现方法

数字图像处理中图像去噪的算法实现方法

数字图像处理中图像去噪的算法实现方法数字图像处理是指对数字化的图像进行处理、分析和修改的过程。

图像去噪是其中一项重要的任务,它的目标是尽量降低图像中的噪声,并使图像保持尽可能多的细节信息。

本文将介绍数字图像处理中常用的图像去噪算法及其实现方法。

一、图像噪声的分类在了解图像去噪算法之前,我们需要了解图像中可能存在的噪声类型。

常见的图像噪声主要有以下几种:1. 高斯噪声:是一种符合高斯分布的噪声,其特点是随机性较强,像素值呈现连续分布。

2. 盐噪声和胡椒噪声:分别指图像中像素值变为最大值和最小值的噪声。

这种噪声会导致图像呈现颗粒状或斑点状的亮点和暗点。

3. 椒盐噪声:是指图像中同时存在盐噪声和胡椒噪声。

4. 均匀噪声:是指图像中像素值随机增减的噪声,使图像呈现均匀的亮度变化。

二、常用的图像去噪算法1. 均值滤波算法均值滤波算法是一种简单直观的图像去噪方法。

它的基本原理是用邻域像素的平均值来代替当前像素的值。

具体实现方法如下:(1)选择一个固定大小的滑动窗口,如3×3或5×5。

(2)将窗口中的像素值求平均,并将平均值赋给当前像素。

均值滤波算法的优点是简单易懂、计算量小,但它对于去除噪声的效果有限,特别是对于像素值发生较大变化的情况效果较差。

2. 中值滤波算法中值滤波算法是一种基于排序统计的图像去噪方法。

它的基本原理是用邻域像素的中值来代替当前像素的值。

具体实现方法如下:(1)选择一个固定大小的滑动窗口,如3×3或5×5。

(2)对窗口中的像素值进行排序,并取中间值作为当前像素的值。

中值滤波算法的优点是对于不同类型的噪声都有较好的去除效果,但它在去除噪声的同时也会对图像细节产生一定的模糊。

3. 双边滤波算法双边滤波算法是一种基于像素相似性的图像去噪方法。

它的基本原理是通过考虑像素的空间距离和像素值的相似程度来进行滤波。

具体实现方法如下:(1)选择一个固定大小的滑动窗口,如3×3或5×5。

(完整版)数字图像处理大作业

(完整版)数字图像处理大作业

数字图像处理1.图像工程的三个层次是指哪三个层次?各个层次对应的输入、输出对象分别是什么?①图像处理特点:输入是图像,输出也是图像,即图像之间进行的变换。

②图像分割特点:输入是图像,输出是数据。

③图像识别特点:以客观世界为中心,借助知识、经验等来把握整个客观世界。

“输入是数据,输出是理解。

2.常用的颜色模型有哪些(列举三种以上)?并分别说明颜色模型各分量代表的意义。

①RGB(红、绿、蓝)模型②CMY(青、品红、黄)模型③HSI(色调、饱和度、亮度)模型3.什么是图像的采样?什么是图像的量化?1.采样采样的实质就是要用多少点来描述一幅图像,采样结果质量的高低就是用前面所说的图像分辨率来衡量。

简单来讲,对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构,所形成的微小方格称为像素点。

一副图像就被采样成有限个像素点构成的集合。

例如:一副640*480分辨率的图像,表示这幅图像是由640*480=307200个像素点组成。

2.量化量化是指要使用多大范围的数值来表示图像采样之后的每一个点。

量化的结果是图像能够容纳的颜色总数,它反映了采样的质量。

针对数字图像而言:采样决定了图像的空间分辨率,换句话说,空间分辨率是图像中可分辨的最小细节。

量化决定了图像的灰度级,即指在灰度级别中可分辨的最小变化。

数字图像处理(第三次课)调用图像格式转换函数实现彩色图像、灰度图像、二值图像、索引图像之间的转换。

图像的类型转换:对于索引图像进行滤波时,必须把它转换为RGB图像,否则对图像的下标进行滤波,得到的结果是毫无意义的;2.用MATLAB完成灰度图像直方图统计代码设计。

6789101112131415161718192021222324252627282930title('lady-lenna');if isrgb(a);b=rgb2gray(a);%RGB转换为灰度图像endsubplot(2,2,2);imshow(b);%显示图像title('ladygaga-lenna');[m,n]=size(a);%返回图像大小e=zeros(1,256);for k=0:255for i=1:mfor j=1:nif a(i,j)==ke(k+1)=e(k+1)+1;%灰度值相同的进行累加endendendendsubplot(2,2,4);bar(e);%画图像的灰度直方图title('灰度直方图');c=imrotate(a,20);%图像的旋转subplot(2,2,3);imshow(c);数字图像处理(第四次课)编写matlab函数,实现在医学图像中数字减影血管造影。

遥感数字图像处理-第7章 图像去噪声

遥感数字图像处理-第7章 图像去噪声
从噪声的概率密度函数来看,图像噪声主要有高斯噪声、 瑞利噪声、伽玛噪声、指数分布噪声、均匀分布噪声、脉 冲噪声等。
3
二、空间域去噪声
由于噪声像元的灰度值常与周边像元的灰度值不协调, 表现为极高或极低,因此可利用局部窗口的灰度值统计 特性(如均值、中值)来去除噪声。
空间域去噪声是利用待处理像元邻域窗口内的像元进行 均值、中值或其他运算得到新的灰度值,并将其赋给待 处理像元,通过对整幅图中值滤波、边缘保持平滑滤波和数学形态学去噪声等。
6
三、变换域去噪声
3.其他变换
主成分变换、最小噪声分离变换和独立成分变换去噪声主要用 于多波段数据,其去噪声的原理基本相同,即图像通过变换,噪 声主要集中在后面几个分量,选择前面噪声较少的分量进行反向 变换即可实现对图像的去噪声处理。
这里只简单介绍一下主成分变换去噪声的过程,最小噪声 分离变换和独立成分变换去噪声的过程类似。
第7章
图像去噪声
图像去噪声
一、常见噪声类型及其识别 二、空间域去噪声 三、变换域去噪声 难点:傅里叶变换和小波变换去噪声原理 重点:空间域和变换域去噪声方法
2
一、常见噪声类型及其识别
遥感数字图像成像过程中,受到外部环境和内部系统等因 素干扰会产生噪声,我们将其分为内部噪声和外部噪声。
噪声具有随机性,可以被认为是由概率密度函数(PDF) 表示的随机变量,通常采用噪声分量灰度值的统计特性( 如均值、方差等)进行描述。
7
4
三、变换域去噪声
1.傅里叶变换
中心化的频谱图像
5
三、变换域去噪声
2.小波变换 利用傅里叶变换去噪声,带宽选得过宽,达不到去噪的目
的;选得过窄,噪声虽然滤去得多,但同时信号的高频部 分也损失了,不但带宽内的信噪比得不到改善,某些突变 点的信息也可能被模糊掉了。 在信号的低频部分,小波对频率的分辨率较高,而对时间 的分辨率较低;在高频部分,则恰好相反。它能自适应地 依据信号的变化而自行变化。 小波变换去噪的基本思路就是利用小波变换把含噪信号分 解到多尺度中,然后在每一尺度下把属于噪声的小波系数 抑制或去除,保留并增强属于信号的小波系数,最后重构 出小波消噪后的信号。

《数字图像处理》复习大作业及答案

《数字图像处理》复习大作业及答案

《数字图像处理》复习⼤作业及答案2014年上学期《数字图像处理》复习⼤作业及参考答案=====================================================⼀、选择题(共20题)1、采⽤幂次变换进⾏灰度变换时,当幂次取⼤于1时,该变换是针对如下哪⼀类图像进⾏增强。

(B)A 图像整体偏暗B 图像整体偏亮C图像细节淹没在暗背景中D图像同时存在过亮和过暗背景2、图像灰度⽅差说明了图像哪⼀个属性。

(B )A 平均灰度B 图像对⽐度C 图像整体亮度D图像细节3、计算机显⽰器主要采⽤哪⼀种彩⾊模型( A )A、RGBB、CMY或CMYKC、HSID、HSV4、采⽤模板[-1 1]T主要检测( A )⽅向的边缘。

A.⽔平B.45?C.垂直D.135?5、下列算法中属于图象锐化处理的是:( C )A.低通滤波B.加权平均法C.⾼通滤波D. 中值滤波6、维纳滤波器通常⽤于( C )A、去噪B、减⼩图像动态范围C、复原图像D、平滑图像7、彩⾊图像增强时, C 处理可以采⽤RGB彩⾊模型。

A. 直⽅图均衡化B. 同态滤波C. 加权均值滤波D. 中值滤波8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。

A. 逆滤波B. 维纳滤波C. 约束最⼩⼆乘滤波D. 同态滤波9、⾼通滤波后的图像通常较暗,为改善这种情况,将⾼通滤波器的转移函数加上⼀常数量以便引⼊⼀些低频分量。

这样的滤波器叫B。

A. 巴特沃斯⾼通滤波器B. ⾼频提升滤波器C. ⾼频加强滤波器D. 理想⾼通滤波器10、图象与灰度直⽅图间的对应关系是 B __A.⼀⼀对应B.多对⼀C.⼀对多D.都不11、下列算法中属于图象锐化处理的是:CA.低通滤波B.加权平均法C.⾼通滤D. 中值滤波12、⼀幅256*256的图像,若灰度级数为16,则存储它所需的⽐特数是:( A )A、256KB、512KC、1M C、2M13、噪声有以下某⼀种特性( D )A、只含有⾼频分量B、其频率总覆盖整个频谱C、等宽的频率间隔内有相同的能量D、总有⼀定的随机性14. 利⽤直⽅图取单阈值⽅法进⾏图像分割时:(B)a.图像中应仅有⼀个⽬标b.图像直⽅图应有两个峰c.图像中⽬标和背景应⼀样⼤d. 图像中⽬标灰度应⽐背景⼤15. 在单变量变换增强中,最容易让⼈感到图像内容发⽣变化的是( C )A亮度增强觉B饱和度增强C⾊调增强D不⼀定哪种增强16、利⽤平滑滤波器可对图像进⾏低通滤波,消除噪声,但同时模糊了细节。

数字图像处理-图像去噪方法

数字图像处理-图像去噪方法

图像去噪方法一、引言图像信号在产生、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、中值滤波和小波滤波,他们分别对某种噪声的滤除有较好的效果。

对图像进行去噪已成为图像处理中极其重要的内容。

二、常见的噪声1、高斯噪声:主要有阻性元器件内部产生。

2、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泊松噪声。

3、量化噪声:此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生,其大小显示出数字图像和原始图像差异。

一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等,减少噪声的方法可以在图像空间域或在图像频率域完成。

在空间域对图像处理主要有均值滤波算法和中值滤波算法.图像频率域去噪方法是对图像进行某种变换,将图像从空间域转换到频率域,对频率域中的变换系数进行处理,再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。

将图像从空间转换到变换域的变换方法很多,常用的有傅立叶变换、小波变换等。

三、去噪常用的方法1、均值滤波均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。

其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像∑fϵsf(x,y),其中,s为模板,M 在该点上的灰度g(x,y),即g(x,y)=1M为该模板中包含当前像素在内的像素总个数。

图像处理中的图像去噪技术使用注意事项总结

图像处理中的图像去噪技术使用注意事项总结

图像处理中的图像去噪技术使用注意事项总结图像去噪是图像处理中一个重要的步骤,旨在提升图像的质量,去除图像中的噪声,从而得到更清晰、更细腻的图像。

随着图像处理技术的不断发展,图像去噪技术也日益成熟。

然而,在进行图像去噪时,我们需要注意一些技术细节和方法选择,以确保最佳的图像处理效果。

本文将总结图像处理中的图像去噪技术使用注意事项,帮助读者更好地了解和应用这些技术。

首先,了解图像噪声的特点非常重要。

不同类型的噪声具有不同的特点和分布规律。

常见的图像噪声包括高斯噪声、椒盐噪声、泊松噪声等。

对于不同类型的噪声,我们需要选用不同的去噪方法。

例如,高斯噪声通常服从正态分布,可以使用基于统计模型的方法去除;而椒盐噪声则是在图像中随机分布的黑白孤立点,可以使用中值滤波等方法去除。

其次,选择合适的去噪方法非常重要。

目前,常用的图像去噪方法包括平滑滤波、小波去噪、边缘保持滤波等。

平滑滤波是最简单和最常用的去噪方法之一,它通过对图像进行模糊处理来平均噪声。

小波去噪是一种比较先进的去噪方法,它能在保留图像细节的同时去除噪声。

边缘保持滤波是一种旨在保护图像边缘信息的去噪方法,适用于对图像边缘保持较高要求的情况。

根据图像的特点和去噪的要求,选择适合的去噪方法是关键。

此外,了解去噪方法的参数设置也非常重要。

大多数去噪方法都有一些参数需要设置,这些参数会影响去噪效果。

比如,平滑滤波中的窗口大小,小波去噪中的小波类型和阈值选择等。

合理设置这些参数可以获得更好的去噪效果。

但是,参数设置需要一定的经验和实验验证,对于不同的图像和去噪要求可能会有不同的最佳参数设置。

另外,图像去噪过程中应注意避免引入新的伪影。

有时候,过度的图像去噪也会导致图像失真和伪影产生。

因此,在进行图像去噪时,应避免去除过分而导致图像细节丢失的噪声,同时也要注意保持图像的自然感觉和细节纹理。

对于不同的图像,我们可能需要灵活调整去噪的程度,以达到最好的效果。

此外,图像去噪也可以结合其他图像处理技术进行。

数字图像处理 降噪滤波 大作业要点

数字图像处理 降噪滤波 大作业要点
imwrite(handles.img,sfilefullname); else
msgbox('你按了取消键','保存失败'); end
3)程序的退出。
-5-
实现代码:
function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; close all; close(gcf); clear;
[sfilename ,sfilepath]=uiputfile({'*.jpg';'*.bmp';'*.tif';'*.*'},'保存图像文件 ','untitled.jpg');
if ~isequal([sfilename,sfilepath],[0,0]) sfilefullname=[sfilepath ,sfilename];
利用 matlab 的 GUI 程序设计一个简单实用的图像处理程序。该程序应具备图像处理的常用功
能,以满足用户的使用。现设计程序有以下基本功能:
1)图像的读取和保存。
2)通过自己输入数值,实现图像的旋转。
3)图像直方图统计和直方图均衡,要求显示直方图统计,比较直方图均衡后的效果。
4)能对图像加入各种噪声,

数字信号处理的滤波与降噪方法

数字信号处理的滤波与降噪方法

数字信号处理的滤波与降噪方法数字信号处理(Digital Signal Processing,DSP)是对数字信号进行处理和分析的技术,其中包括了滤波和降噪方法。

滤波和降噪是 DSP 中常见的任务,用于去除信号中的噪声、干扰或不需要的频率成分,从而提取出感兴趣的信号信息。

本文将分步骤详细介绍数字信号处理中的滤波和降噪方法。

一、滤波方法滤波是将信号经过一个滤波器,去除掉不需要的频率成分。

在数字信号处理中常用的滤波方法有以下几种:1. 低通滤波器:用于去除高频噪声或频率成分较高的信号。

常用的低通滤波器有理想低通滤波器、巴特沃斯低通滤波器和滑动平均滤波器等。

2. 高通滤波器:用于去除低频噪声或频率成分较低的信号。

常用的高通滤波器有理想高通滤波器、巴特沃斯高通滤波器和巴特沃斯带阻滤波器等。

3. 带通滤波器:用于滤除频率范围之外的信号,只保留特定频率范围内的信号。

常用的带通滤波器有巴特沃斯带通滤波器和理想带通滤波器等。

4. 带阻滤波器:用于滤除特定频率范围内的信号,只保留频率范围之外的信号。

常用的带阻滤波器有巴特沃斯带阻滤波器和理想带阻滤波器等。

5. 自适应滤波器:根据输入信号的特性和滤波器的自适应算法,实时调整滤波器的参数,以适应信号的变化。

常用的自适应滤波器有最小均方差(LMS)滤波器和最小二乘(RLS)滤波器等。

二、降噪方法降噪是指去除信号中的噪声部分,提高信号的质量和可靠性。

在数字信号处理中常用的降噪方法有以下几种:1. 统计降噪:利用信号的统计特性,通过概率分布、均值、标准差等统计量对信号进行降噪。

常用的方法有均值滤波、中值滤波、高斯滤波等。

2. 自适应降噪:根据输入信号的特性和降噪器的自适应算法,实时调整降噪器的参数,以适应信号的变化。

常用的自适应降噪方法有最小均方差(LMS)算法和最小二乘(RLS)算法等。

3. 小波降噪:利用小波变换将信号分解为不同频率的子带信号,然后通过阈值处理去除噪声子带,最后再进行小波逆变换恢复信号。

数字图像去噪的使用技巧

数字图像去噪的使用技巧

数字图像去噪的使用技巧数字图像去噪是数字图像处理中一个重要的步骤,其目的是消除图像中的噪声,以提高图像的质量和清晰度。

在数字图像处理领域,有许多方法可以用于去噪,包括基于统计学的方法、基于滤波器的方法等。

本文将介绍一些常用的数字图像去噪的使用技巧。

1. 统计学方法统计学方法是一种常用的数字图像去噪方法,其基本原理是通过对图像中像素值的统计分析,将异常值(即噪声)进行排除。

常用的统计学方法包括中值滤波、高斯滤波等。

中值滤波是一种非线性滤波方法,其原理是用像素邻域中的中值来代替当前像素的值。

中值滤波对于脉冲噪声和椒盐噪声有较好的去除效果,但会使图像边缘变得模糊。

高斯滤波是一种线性滤波方法,其原理是通过计算像素邻域的加权平均值来代替当前像素的值。

高斯滤波对于高斯噪声有较好的去除效果,但也有可能使图像变得模糊。

2. 基于滤波器的方法基于滤波器的方法是一种常见的数字图像去噪方法,其基本原理是通过设计合适的滤波器来消除图像中的噪声。

常用的基于滤波器的方法包括带限噪声滤波、小波去噪等。

带限噪声滤波是一种利用频域滤波器去除特定频率范围内的噪声。

其基本思想是将图像转换到频域,然后将频域图像进行滤波,最后再将图像转换回空域。

带限噪声滤波对于特定频率范围内的噪声有较好的去除效果。

小波去噪是一种利用小波变换去除图像中的噪声。

其基本原理是将图像通过小波变换分解为不同频率的子带,然后对各个子带进行去噪处理,最后再通过小波逆变换将处理后的子带合成为去噪图像。

小波去噪对于不同频率范围内的噪声有较好的去除效果。

3. 其他方法除了统计学方法和基于滤波器的方法,还有一些其他方法可以用于数字图像去噪,如基于全变差的去噪、基于深度学习的去噪等。

基于全变差的去噪是一种基于图像梯度的方法,其基本原理是通过最小化图像梯度的总变动来消除图像中的噪声。

基于全变差的去噪对于保护图像细节有较好的效果,在一定程度上能够有效抑制噪声。

基于深度学习的去噪是一种基于神经网络的方法,其基本原理是通过训练神经网络模型来学习图像去噪的映射关系。

《数字图像处理》大作业

《数字图像处理》大作业

1. 图像处理与计算机图形学的区别与联系是什么?答:数字图像处理,是指有计算机及其它有关的数字技术,对图像施加某种运算和处理,从而达到某种预期的目的,而计算机图形学是研究采用计算机生成,处理和显示图形的一门科学。

两者区别:(1)研究对象不同,计算机图形学研究的研究对象是能在人的视觉系统中产生视觉印象的事物,包括自然景物,拍摄的图片,用数学方法描述的图形等,而数字图像处理研究对象是图像;(2)研究内容不同,计算机图像学研究内容为图像生成,透视,消阴等,而数字图像处理研究内容为图像处理,图像分割,图像透析等;(3)研究过程不同,计算机图像学是由数学公式生成仿真图形或图像,而数字图像处理是由原始图像处理出分析结果,计算机图形与图像处理是逆过程。

两者的联系:图像处理需图形学的交互手段,图形学需要图像处理合成图像,两者有重叠。

2. 图像数字化过程中的失真有那些原因?就在减少图像失真和减少图像的数据量两者之间如何取得平衡,谈谈个人的看法。

答:图像数字化过程中失真的原因主要来自三个方面:一.采样频率太低,即未满足采样定理而造成的失真;二.外部和内部噪声的影响,例如外部的电磁波、机械运动等;三.用有限个灰度值表示自然界无限连续的灰度值必然造成失真,为了减小失真必然增加采样点,即增加图像数据量。

在减少图像失真和减少图像的数据量两者之间取得平衡,要根据图像需求保留有用信息,如军事图像只需保留反应地形地貌及目标的信息,普通照片只需满足视觉要求即可。

3. 一幅模拟彩色图像经平板扫描仪扫描后获得一幅彩色数字图像,其分辨率为1024×768像素。

若采用RGB彩色空间,红、绿、蓝三基色的灰度等级为8比特,在无压缩的情况下,在计算机中存储该图像将占用多少比特的存储空间?当用Photoshop图像处理软件去掉图像的彩色信息,只留下灰度信息,灰度等级为4比特,在无压缩的情况下,存储该图像将占用多少字节的存储空间?答:(1)采用RGB彩色空间,红、绿、蓝三基色的灰度等级为8比特,在无压缩的情况下,占存储空间大小为:1024×768×8×3=18874268bit=2.25MB(2)去掉彩色信息,只留下灰度信息,灰度等级为4比特,在无压缩的情况下,所占的存储空间大小为:1024×768×4 =3145728bit=0.375MB4. 试设计一个程序实现nn 的中值滤波器,当模板中心移过图像中每个位置时,设计一种简便的中值更新方法。

图像滤波去噪处理要点

图像滤波去噪处理要点

摘要图像是信息社会人们获取信息的重要来源之一。

在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中,存在大量影响图像质量的因素。

因此图像在进行使用之前,一般都要经过严格的预处理如去噪、量化、压缩编码等。

噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理,使人们不得不从各种角度进行探索以提高图像的质量。

所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。

图像处理技术在20世纪首先应用于图像的远距离传送,而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理,并获得巨大成功。

现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。

科学家利用人造卫星可以获得地球资源照片、气象情况;医生可以通过X射线或CT对人体各部位的断层图像进行分析。

但在许多情况下图像信息会受到各种各样噪声的影响,严重时会影响图像中的有用信息,所以对图像的噪声处理就显得十分重要。

因此我选择图像去噪方面进行了解及研究,现将自己已了解的知识进行汇总。

目录摘要 (2)一、图像滤波的应用 (4)二、均值滤波 (5)2.1 均值滤波的思想2.2 均值滤波的算法2.3 均值滤波的实验结果三、中值滤波 (7)3.1 中值滤波的思想3.2 中值滤波的算法3.3 中值滤波的实验结果四、维纳滤波 (8)4.1 维纳滤波的思想4.2 维纳滤波的算法4.3 维纳滤波的实验结果五、小波变换 (9)5.1 小波变换滤波的思想5.2 小波变换滤波的算法5.3 小波变换滤波的实验结果六、Contourlet变换的图像去噪 (11)6.1 Contourlet变换的基本思想6.2Contourlet变换的算法七、全变差正则化的Shearlet收缩去噪 (12)7.1 Shearlet收缩去噪原理简介7.2 Shearlet收缩去噪算法八、结果分析及自己的收获 (12)8.1结果分析8.2自己的收获参考文献 (13)一、图像滤波的应用图像是信息社会人们获取信息的重要来源之一。

数字图像处理降噪

数字图像处理降噪
当D(u,v)=D0时,变换函数 H(u,v)=39.3% 。即信号衰减到 39.3%时,视为截止。
降噪时常用的滤波器—频域滤波器
用来减少周期噪声的特殊滤波器
带阻滤波器
2 1 0
带通滤波器
2 1 0
带陷滤波器
2 1 0
减到60.7%时,视为截止。
降噪时常用的滤波器—频域滤波器
锐化滤波器—高通滤波器
理想高通滤波器
巴特沃斯高通滤波器
n=2
1
1
高斯高通滤波器
0.786
-6 -4 -2 0 2 4 6
-6 -4 -2 0 2 4 6
6
0
0
-6
H
u,
v
0 1
Du,v D0 Du,v D0
D0上的点即所谓的截止频率。在 半径在D0的圆外,所有信号无衰 减的通过,在这个圆内,所有信
0 1 0 1 1 1
梯度算法—一阶微分
以上所说的滤波器,都是锐化滤波器。用于突出图像中的细节 或还原被模糊了的细节。锐化滤波其实就是微分滤波。
降噪时常用的滤波器—频域滤波器
平滑滤波器—低通滤波器
理想低通滤波器
巴特沃斯低通滤波器
n=2
1
高斯低通滤波器
4
0 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
修正后的α均值滤波器
适合处理复合型噪声
以上所说的滤波器,都是平滑滤波器。用于模糊处理和减小噪声。 平滑滤波其实就是积分滤波。
降噪时常用的滤波器—空间滤波
拉普拉斯算子—二阶微分
gx, y f x, y 2 f x, y
0 1 0 1 1 1
2 f x, y 1 4 1 or 1 8 1

数字图像处理均值滤波去除噪声

数字图像处理均值滤波去除噪声
200显然是个噪声。
80 90 110
中值滤波法
中值滤波去除噪声的原理(取N=3)
80 90 200 110 120
200显然是个噪声。
80 90 110 120
中值滤波法
中值滤波去除噪声的原理(取N=3)
80 90 200 110 120
200显然是个噪声。
80 90 110 120 120
中值滤波法
中值滤波对持续期小于窗宽(N=5)的1/2的脉 冲将进行抑制---三脉冲
中值滤波法
中值滤波对持续期小于窗宽(N=5)的1/2的脉 冲将进行抑制---三角形
中值滤波法
中值滤波在抑制图像随机脉冲噪声方面甚为有效。并 且运算速度快,可硬化,便于实时处理
实例
中值滤波去除噪声
中值滤波去除噪声
❖ 低通滤波 ❖ 局部平均 ❖ 中值滤波
本章要点
背景
图像平滑
❖ 图像在传输过程中,由于传输信道、采样系统质量较差, 或受各种干扰的影响,而造成图像毛糙,此时就需对图 像进行平滑处理
背景
❖ 迭加平滑可以抑制高频成分,但也使图像变得模糊
背景
❖ 图像平滑的作用类似剃须刀
低通滤波法
低通滤波法 滤除高频成分,保留低频成分,在频域中实现平滑处理
f (i, j) 1
n(i, j)
M (i,x,y)为原始图,n(x,y)为噪声, S:点(x,y)邻域内的 点集, M:S内总点数
简单局部平均法
局部平均法的基本假设
➢ 图像由许多灰度恒定的小块组成 ➢ 图像上的噪声是加性的、均值为零,且与图像信号互
不相关
平滑后噪声方差
1 H (u, v) 0
D(u, v) D0 D(u, v) D0

数字图像处理中的图像去噪算法应用教程

数字图像处理中的图像去噪算法应用教程

数字图像处理中的图像去噪算法应用教程数字图像处理是一种通过计算机对图像进行处理和分析的技术,图像去噪是其中重要的一步。

噪声是由于外界干扰、摄像机传感器等原因引起的图像中的随机或周期性的无用信息。

噪声会使图像的质量下降,影响图像的视觉效果和后续图像分析的结果。

因此,图像去噪技术很重要。

在数字图像处理领域,有许多经典的去噪算法,本文将介绍其中常用的几种。

1. 均值滤波均值滤波是一种简单且常用的图像去噪算法。

它通过计算图像上某个像素点周围邻域内像素的算术平均值,将该平均值赋给该像素点,实现对图像噪声的抑制。

均值滤波器的大小决定了滤波的范围,通常选择的大小为3x3或5x5。

均值滤波器可有效降低高斯噪声等低频噪声,但却不擅长去除包含在图像高频信息中的噪声,也可能导致图像细节的损失。

2. 中值滤波中值滤波是一种非线性滤波方法,它将某个像素点周围邻域内的像素灰度值进行排序,然后将排序后的中值赋给该像素点。

中值滤波器不会破坏边缘信息,因此在去除椒盐噪声等高频噪声时表现较好。

相比于均值滤波,中值滤波对于保留图像细节有更好的效果。

中值滤波器的大小也通常选择为3x3或5x5。

3. 高斯滤波高斯滤波是一种常用的线性平滑滤波方法,它利用高斯函数对图像进行滤波处理。

高斯滤波器对图像中的每个像素点进行加权平均操作,其中权值由高斯函数决定。

高斯滤波器的大小和标准差决定了滤波器的范围和过滤程度。

在高斯滤波中,距离越远的像素对中心像素的影响越小,因此可以很好地降低高频噪声的同时保留图像的细节信息。

4. 双边滤波双边滤波是一种非线性滤波算法,它与传统的线性平滑滤波器不同,能够在降噪的同时保持图像的边缘和细节信息。

双边滤波器使用两个权值参数,一个用于决定像素之间的空间距离权值,另一个用于决定像素之间的灰度相似性权值。

通过这两个权值的调节,双边滤波器可以同时考虑像素之间的空间关系和灰度相似性,使得在降噪的同时不会损失图像的边缘和细节。

5. 小波变换去噪小波变换去噪是一种基于小波分析的图像去噪方法。

数字图像处理第五章图像的噪声抑制

数字图像处理第五章图像的噪声抑制

b2
c1
c2
d1
最小方差平滑滤波器 —— 基本原理 将属于同一个区域的可能的相邻关系以9种模板表示出来,然后计算每个模板中的灰度分布方差,以方差最小的那个模板的均值替代原像素值。
最小方差平滑滤波器 —— 模板结构 模板如下:本例在第2和第6中选择一个方差小的。
Sigma平滑滤波器
—— 基本原理
KNN滤波器因为有了边界保持的作用,所以在去除椒盐以及高斯噪声时,对图像景物的清晰度保持方面的效果非常明显。
对称近邻平滑滤波器 —— 基本原理
算法示意图如下,从模板中的对称点对寻找与待处理像素相同区域的点。然后对选出的点做均值运算。
1/4*(a1+b1+c1+d2)
边界保持类平滑滤波器的核心是:尽可能地将平滑处理避开两个或多个不同区域进行计算。可以采用不同形状结构判别,也可以采用同类相似的概念进行判别。
单击此处添加副标题
谢谢大家
作业 1. P100 第2题 2. P101 第3(2)题
图像的噪声示例
椒盐噪声示例
高斯噪声示例
均值滤波器滤椒盐噪声的效果
7
8
9
C=6.6316
C=5.5263
示例
中值滤波器与均值滤波器的比较
对于椒盐噪声,中值滤波效果比均值滤波效果好。
原因:
中值滤波是选择适当的点来替代污染点的值,所以处理效果好。
01
03
椒盐噪声是幅值近似相等但随机分布在不同位置上,图像中有干净点也有污染点。
02
因为噪声的均值不为0,所以均值滤波不能很好地去除噪声点。
首先来看一下KNN平滑滤波的效果。
KNN滤波器因为有了边界保持的作用,所以在去除椒盐以及高斯噪声时,对图像景物的清晰度保持方面的效果非常明显。

图像信息处理之噪声和滤波

图像信息处理之噪声和滤波

图像信息处理一、实验内容1、练习添加不同种类的噪声及不同滤波方法进行噪声抑制(可直接调用matlab相关函数);2、写出N*N模板的对称近邻平滑滤波算法的具体实现程序;3、写出N*N模板的K近邻平滑滤波算法的具体实现程序;4、取一张个人近照(面部应占整个图片空间四分之一以上),用matlab 分别添加方差为0.01的高斯噪声和椒盐噪声,然后在PS里对面部(仅对面部,背景不处理)做模糊处理,写出简要步骤;5、在数据库中检索文献,给出最近5年中,至少3种以上图像滤波去噪的方法,简述方法原理及应用,给出文献出处。

二、实验原理1、椒盐噪声:幅值相同,但噪声出现的位置是随机的;2、高斯噪声:每一点都存在噪声,但噪声的幅值分布是随机的;3、均值滤波:用均值代替原图像中的各个像素值;3、中值滤波:对一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,非线性处理技术;4、K近邻平滑滤波:在一个与待处理像素邻近范围内,寻找出其中像素值与之最接近的K个邻点,将该K个邻点的均值(或中值)替代原像素值。

5、对称邻近均值滤波器:在一个局部范围内,通过几对对称点像素值的比较,获得对相同区域及不同区域的判别,然后将均值计算在所判定的同一区域内进行,这样可以使边界的保持更加灵活的同时又可以降低计算量。

三、实验方法及程序1、椒盐噪声具体程序:I=imread('L:\图像处理上机图\flower.jpg');J=imnoise(I,'salt & pepper',0.02);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);实验结果:2、高斯噪声程序:I=imread('L:\图像处理上机图\flower.jpg');J=imnoise(I,'gauss',0.02);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);实验结果:3、对椒盐噪声进行滤波抑制均值滤波的程序:I = imread('L:\图像平滑\Fig58.bmp');J = imnoise(I,'salt & pepper',0.02);h1= fspecial('average',3),K1 = filter2(h1,J); h2= fspecial('average',5),K2 = filter2(h2,J); h3= fspecial('average',7),K3 = filter2(h3,J); subplot(221);imshow(J,[]);subplot(222);imshow(K1,[]);subplot(223);imshow(K2,[]);subplot(224);imshow(K3,[]);实验结果如下图:对其进行中值滤波的程序:I = imread('L:\图像平滑\Fig58.bmp'); J = imnoise(I,'salt & pepper',0.02);K = medfilt2(J);subplot(221);imshow(I);subplot(222);imshow(J);subplot(223);imshow(K);滤波结果:实验结果分析:由实验的结果对比可知,中值滤波对椒盐噪声的抑制效果较好,而且滤波后的图像也较为清晰,而均值滤波后图像较模糊。

  1. 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. 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. 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)。

昆明理工大学信息工程与自动化学院学生实验报告( 2015—2016学年第一学期)课程名称:图形图像基础程序设计开课实验室: 2015年 12月 1 日一、实验目的及内容目的:掌握和熟悉Matlab编程环境及语言;掌握图像降噪算法和用途。

内容:在课程教学和查阅相关文献资料的基础上,选择下面一个数字图像处理技术专题,实现相应算法进行仿真实验,并完成大作业报告。

专题如下:(1)图像增强处理技术;(2)图像降噪处理技术。

2、题目分析利用matlab的GUI程序设计一个简单实用的图像处理程序。

该程序应具备图像处理的常用功能,以满足用户的使用。

现设计程序有以下基本功能:1)图像的读取和保存。

2)通过自己输入数值,实现图像的旋转。

3)图像直方图统计和直方图均衡,要求显示直方图统计,比较直方图均衡后的效果。

4)能对图像加入各种噪声,5)并通过几种滤波算法实现去噪并显示结果。

6)将图像转化成灰度图像。

3.总体设计软件的总体设计界面布局如上图所示分为显示区域与操作区域。

上边为显示区域:显示载入原图,以及通过处理后的图像。

操作区域:通过功能键实现对图像的各种处理。

设计完成后运行的软件界面如下:4、具体设计现介绍各个功能模块的功能与实现。

4.1图像的读取和保存:(1)利用matlab中“ uigetfile”、“imread”“imshow”实现图像文件的读取与显示:实现代码:function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)[filename,pathname]=uigetfile({'*.jpg';'*.bmp';'*.tif';'*.*'},'载入图像');if isequal(filename,0)|isequal(pathname,0)errordlg('没有选中文件','出错');return;elsefile=[pathname,filename];global S %设置一个全局变量S,保存初始图像路径,以便之后的还原操作S=file;x=imread(file);set(handles.axes1,'HandleVisibility','ON');axes(handles.axes1);imshow(x);set(handles.axes1,'HandleVisibility','OFF');axes(handles.axes2);imshow(x);handles.img=x;guidata(hObject,handles);end% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)[sfilename ,sfilepath]=uiputfile({'*.jpg';'*.bmp';'*.tif';'*.*'},'保存图像文件','untitled.jpg'); if ~isequal([sfilename,sfilepath],[0,0])sfilefullname=[sfilepath ,sfilename];imwrite(handles.img,sfilefullname);elsemsgbox('你按了取消键','保存失败');end(2)图像保存。

利用uiputfile和imwrite函数实现图像文件的保存。

实现代码:function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)[sfilename ,sfilepath]=uiputfile({'*.jpg';'*.bmp';'*.tif';'*.*'},'保存图像文件','untitled.jpg'); if ~isequal([sfilename,sfilepath],[0,0])sfilefullname=[sfilepath ,sfilename];imwrite(handles.img,sfilefullname);elsemsgbox('你按了取消键','保存失败');end3)程序的退出。

实现代码:function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)clc;close all;close(gcf);clear;4.2图像转化为灰度图像因为matlab中较多的图像处理函数支持对灰度图像进行处理,故对图像进行灰度转化十分必要。

利用rgb2gray(X)函数对其他图像进行灰度图像的转化。

实现代码:function pushbutton11_Callback(hObject, eventdata, handles)% hObject handle to pushbutton11 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global Taxes(handles.axes2);T=getimage;x=rgb2gray(handles.img); %RGB????×?????????????imshow(x);handles.img=x;guidata(hObject,handles);4.3图像直方图统计和直方图均衡(1)通过histeq(X)函数实现直方图均衡。

此函数只能对灰度图像进行直方图均衡所以要先将彩图转为灰度图像。

实现代码:function pushbutton12_Callback(hObject, eventdata, handles)% hObject handle to pushbutton12 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global Taxes(handles.axes2);T=getimage;h=histeq(handles.img);imshow(h);handles.img=h;guidata(hObject,handles);(2)直方图统计。

通过利用imhist(X)函数来实现直方图统计。

实现代码:function pushbutton13_Callback(hObject, eventdata, handles)% hObject handle to pushbutton13 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)axes(handles.axes2);x=imhist(handles.img); %直方图统计x1=x(1:10:256);horz=1:10:256;bar(horz,x1);axis([0 255 0 15000]);set(handles.axes2,'xtick',0:50:255);set(handles.axes2,'ytick',0:2000:15000);4.4加入各种噪声,并通过几种滤波算法实现去噪(1)加入噪声。

通过imnoise(I,type,parameters)来加入各种噪声。

加入椒盐噪声实现代码:function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global Taxes(handles.axes2);T=getimage;prompt={'数日椒盐噪声参数1:'};defans={'0.02'};p=inputdlg(prompt,'input',1,defans);p1=str2num(p{1});f=imnoise(handles.img,'salt & pepper',p1);imshow(f);handles.img=f;guidata(hObject,handles);加入高斯噪声:实现代码:function pushbutton10_Callback(hObject, eventdata, handles)% hObject handle to pushbutton10 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global Taxes(handles.axes2);T=getimage;prompt={'输入高斯噪声1:','输入高斯噪声2'};defans={'0','0.02'};p=inputdlg(prompt,'input',1,defans);p1=str2num(p{1});p2=str2num(p{2});f=imnoise(handles.img,'gaussian',p1,p2);imshow(f);handles.img=f;guidata(hObject,handles);加入乘性噪声:实现代码:function pushbutton8_Callback(hObject, eventdata, handles)% hObject handle to pushbutton8 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global Taxes(handles.axes2);T=getimage;prompt={'输入乘性噪声1:'};defans={'0.02'};p=inputdlg(prompt,'input',1,defans); p1=str2num(p{1});f=imnoise(handles.img,'speckle',p1); imshow(f);handles.img=f;guidata(hObject,handles);(2)滤除噪声(椒盐噪声)滤波前中值滤波后实现代码:function pushbutton14_Callback(hObject, eventdata, handles)% hObject handle to pushbutton14 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global Taxes(handles.axes2);T=getimage;k=medfilt2(handles.img);imshow(k);handles.img=k;guidata(hObject,handles);线性滤波后实现代码:function pushbutton16_Callback(hObject, eventdata, handles)% hObject handle to pushbutton16 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global Taxes(handles.axes2);T=getimage;h=[1 1 1;1 1 1;1 1 1];H=h/9;i=double(handles.img);k=convn(i,h);imshow(k,[]);handles.img=k;guidata(hObject,handles);自适应滤波后实现代码:function pushbutton18_Callback(hObject, eventdata, handles)% hObject handle to pushbutton18 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global Taxes(handles.axes2);T=getimage;k=wiener2(handles.img,[5,5]);imshow(k);handles.img=k;guidata(hObject,handles);低通滤波器滤波后实现代码:function pushbutton19_Callback(hObject, eventdata, handles)% hObject handle to pushbutton19 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)axes(handles.axes2);y1=handles.img;f=double(y1); % 数据类型转换,matlab不支持图像的无符号整型的计算g=fft2(f); % 傅里叶变换g=fftshift(g); % 转换数据矩阵[M,N]=size(g);nn=2; %二阶巴特沃斯低通滤波器d0=50; %截止频率50m=fix(M/2); n=fix(N/2);for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn)); % 计算低通滤波器传递函数 result(i,j)=h*g(i,j);endendresult=ifftshift(result);y2=ifft2(result);y3=uint8(real(y2));imshow(y3); % 显示处理后的图像高通滤波器滤波后实现代码:function pushbutton20_Callback(hObject, eventdata, handles)% hObject handle to pushbutton20 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)axes(handles.axes2);x=(handles.img);f=double(x); % 数据类型转换k=fft2(f); % 傅里叶变换g=fftshift(k); % 转换数据矩阵[M,N]=size(g);nn=2;d0=25; %截止频率25m=fix(M/2); n=fix(N/2);for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2); % 计算高通滤波器传递函数if d<=d0h=0;else h=1;endresult(i,j)=h*g(i,j);endendresult=ifftshift(result);y2=ifft2(result);y3=uint8(real(y2));imshow(y3); % 显示滤波处理后的图像4.5还原通过一个全局变量保存原始图像路径,在需要还原至原始图像时,重新读取该全局变量即可。

相关文档
最新文档