基于Matlab的数字图像处理降噪方法PPT课件

I = rgb2gray(I);subplot(2,3,1); imshow(I); title('原始图像'); J=imnoise(I,'salt & pepper',0.2);%加入椒盐噪声，密度为0.2
subplot(2,3,2); imshow(J); title('加入椒盐噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',9),J)/255; %模板尺寸为9
2021/3/11
.
10
实验结果
.
11
基于小波变换的图像去噪
本次实验使用Matlab提供的用于图像去噪函数：wrcoef2 其语法格式为： X=wrcoef2(‘type’,C,S,’wname’)。其中， X=wrcoef2(‘type’,C,S,’wname’)返回基于小波分解结构 ［Ｃ，Ｓ］的小波重构图像Ｘ。参数“type”等于a表示重构 近似系数；等于h表示重构水平细节系数；等于v表示重构垂 直细节系数，等于d表示重构对角细节系数。
2021/3/11
.
12
实验结果
.
13
四种方法实验结果对比图
.
14
结论
通过上图对比我们可以直观看出，对于椒盐 噪声，中值去噪效果总是最好的。具体的客 观参数评价有平均绝对误差，均方误差，信 噪比等，本文不做详细统计对比。
.
15
主要源代码
I=imread('C:\Users\Administrator\Desktop\1.jpg');%读取图像
基于Matlab的数字图像处理降噪 方法
目
录C
o nt en ts
0 1
研究背景与意义
0 3
图像噪声 四种去噪方法 实验结果图对比
0 2
0 4
0 5
结论
源代码及函数
0 6
.
2
研究背景
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。为了去除噪声，会引起图像边缘的模 糊和一些纹理细节的丢失。反之，进行图像边缘增强也会 同时增强图像噪声。 本次实验用四个方法进行去噪，基于MATLAB实现了均 值滤波法、中值滤波法、基于离散余弦变换的图像去噪法、 基于小波变换的图像去噪法的去噪实验，并对实验结果进 行了分析比较。
.
4
图像噪声
图像噪声是指存在于图像数据中的不必要的 或多余的干扰信息。图像的噪声在图像的采 集和处理的全过程中都会产生，主要是由于 器件的灵敏性、量化过程产生的误差、空气 的波动等原因造成的。本文主要讨论用四种 方法去除密度为0.2的椒盐噪声。
.
5
均值滤波法
也称线性滤波，即用几个像素灰度的平均值来代替 每个像素的灰度。有效抑制加性噪声，但容易引起图像 模糊，可以对其进行改进，避开对景物边缘的平滑处理。 主要思想为邻域平均法，这类做法的实质是简单平均了 模板所包含的像素，该像素原来的灰度被平均值所代替
容请写在这里您的内容请写在这里您的内容请写在这里您的内容您的内容请写在这 里
.
3
研究意义
图像去噪是图像处理研究领域中的一个基础而 又重要的问题。在农业信息化、智能化、自动化 分级与检测和机器视觉等领域，涉及到大量的图 像处理问题，图像去噪作为重要的图像预处理步 骤之一。 图像降噪处理的目的是对给定的图像进行有效 的改善，提高图像的质量。因此图像降噪处理是 非常重要的研究方向。
2021/3/11
.
8
实验结果
.
9ቤተ መጻሕፍቲ ባይዱ
基于离散余弦变换的图像去燥
我们一般认为图像的噪声在离散余弦变换结果中处 在其高频部分，而高频部分的幅值一般很小，利用这一 性质，就可以实现去噪。变换—去除高频噪声—反变换。 然而，这样同时会失去图像的部分细节。只能对图像进 行“粗糙”去噪,保留图像平滑部分与主要信息，对于 细节要求高的不适用。我们来看一下实验结果
subplot(2,3,5);imshow(Y);
.
16
用到的相关函数
小波分解：sym4()函数；wavedec2()函数 小波重构:提取细节wrcoef2()函数。
2021/3/11
.
17
subplot(2,3,3); imshow(K1); title('均值滤波，尺寸9');K2= medfilt2(J);%采用二维中值滤波函数medfilt2 对受椒盐噪声干扰的图像滤波 %采用MATLAB中的函数filter2对受噪声干扰的图像进行中值滤波
subplot(2,3,4);imshow(K2); title('中值滤波');[m,n]=size(I); %读取图像尺寸 Y=dct2(J); A=zeros(m,n); %DCT变换 A(1:m/3,1:n/3)=1; Ydct=Y.*A; %高频屏蔽 Y=uint8(idct2(Ydct)); %逆DCT变换
首先要选择模板的尺寸，也就是领域半径，本次选 择领域半径为3和9的两个不同尺寸模板进行实验。可明 显看出领域半径越大效果越好，但是成本就越高。
2021/3/11
.
6
实验结果
.
7
中值滤波法
该方法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。