matlab图像去噪算法设计精只是分享文档格式.docx
《matlab图像去噪算法设计精只是分享文档格式.docx》由会员分享，可在线阅读，更多相关《matlab图像去噪算法设计精只是分享文档格式.docx（13页珍藏版）》请在冰豆网上搜索。
使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。
对于去除高斯噪声效果明显。
实验一：
均值滤波对高斯噪声的效果
I=imread（'
C:
\DocumentsandSettings\Administrator\桌面\1.gif'
）;
%读取图像
J=imnoise（I,'
gaussian'
0,0.005）;
%加入均值为0，方差为0.005的高斯噪声
subplot（2,3,1）;
imshow（I）;
title（'
原始图像'
subplot（2,3,2）;
imshow（J）;
加入高斯噪声之后的图像'
%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'
3）,J）/255;
%模板尺寸为3
K2=filter2（fspecial（'
5）,J）/255;
%模板尺寸为5
K3=filter2（fspecial（'
7）,J）/255;
%模板尺寸为7
K4=filter2（fspecial（'
9）,J）/255;
%模板尺寸为9
subplot（2,3,3）;
imshow（K1）;
改进后的图像1'
subplot（2,3,4）;
imshow（K2）;
改进后的图像2'
subplot（2,3,5）;
imshow（K3）;
改进后的图像3'
subplot（2,3,6）;
imshow（K4）;
改进后的图像4'
PS：
filter2用法
fspecial函数用于创建预定义的滤波算子，其语法格式为：
h=fspecial（type）
h=fspecial（type,parameters）
参数type制定算子类型，parameters指定相应的参数，具体格式为：
type='
，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。
type='
，为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为
0.5。
laplacian'
，为拉普拉斯算子，参数为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
log'
，为拉普拉斯高斯算子，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5
prewitt'
，为prewitt算子，用于边缘增强，无参数。
sobel'
，为著名的sobel算子，用于边缘提取，无参数。
unsharp'
，为对比度增强滤波器，参数alpha用于控制滤波器的形状，范围为[0,1]，默认值为0.2。
运行效果见图1：
据我目测，使用均值滤波去噪（高斯噪声）效果选用的邻域半径越大效果越好，当然其代价也会更大，另外确切的去噪效果的好坏还需要用SNR等数据来度量。
实验二：
二维自适应维纳滤波对高斯噪声的滤除效果
%读取图像
%加入均值为0，方差为0.005的高斯噪声
K2=wiener2（J,[33]）;
%对加噪图像进行二维自适应维纳滤波
K2=wiener2（J,[55]）;
K2=wiener2（J,[77]）;
K2=wiener2（J,[99]）;
imshow（J）;
加噪图像'
恢复图像1'
imshow（K2）;
恢复图像2'
恢复图像3'
维纳滤波的两个函数wiener2与deconvwnr都能够完成维纳滤波的功能，deconvwnr强调图象复原方面，wiener2强调图象空间域锐化的作用，其中J=wiener2（I,[m,n]）返回有噪声图像I经过wierner（维纳）滤波后的图像，[m,n]指定滤波器窗口大小为m*n,默认值为3*3，J=wiener2（I,[m,n],noise）指定噪声的功率，[J,noise]=wiener2（I,[m,n]）在图像滤波的同时，返回噪声功率的估计值noise。
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1.gif分别加入高斯噪声、椒盐噪声和乘性噪声，其结果如图所示：
实验三：
对加入椒盐噪声的图像分别作均值、中值和维纳滤波
I=imread（1.gif'
J1=imnoise（I,'
0,0.02）;
J2=imnoise（I,'
salt&
pepper'
0.02）;
J3=imnoise（I,'
speckle'
运行效果见图2
%h=ones（3,3）/9;
%产生3*3的全1数组
%B=conv2（J,h）;
%卷积运算
%均值滤波模板尺寸为3
K=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
K1=wiener2（J,[33]）;
均值滤波后的图像'
imshow（K）;
中值滤波后的图像'
维纳滤波后的图像'
MATLAB中提供了卷积运算的函数命令conv2，其语法格式为：
C=conv2（A,B）
C=conv2（A,B）返回矩阵A和B的二维卷积C。
若A为ma×
na的矩阵，B为mb×
nb的矩阵，则C的大小为（ma+mb+1）×
（na+nb+1）。
MATLAB图像处理工具箱提供了基于卷积的图象滤波函数filter2，filter2的语法格式为：
Y=filter2（h,X）
其中Y=filter2（h,X）返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。
例如：
其实filter2和conv2是等价的。
MATLAB在计算filter2时先将卷积核旋转180度，再调用conv2函数进行计算。
Fspecial函数用于创建预定义的滤波算子，其语法格式为：
参数type制定算子类型，parameters指定相应的参数，具体格式为前文已有叙述。
ones产生全1数组，zeros产生全零数组。
ones（a,b）产生a行b列全1数组ones（a）产生a行a列全1叔祖
运行效果见图3：
通过图3我们也可得出结论，即中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。
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。
实验四:
分别使用二维统计滤波对椒盐噪声和高斯噪声进行滤波
0.004）;
imshow（J1）;
加椒盐噪声后的图像'
J=ordfilt2（J1,5,ones（3,4））;
%进行二维统计顺序过滤
椒盐噪声滤波后的图像'
0,0.004）;
imshow（J2）;
加高斯噪声后的图像'
J3=ordfilt2（J2,5,ones（3,4））;
imshow（J3）;
高斯噪声滤波后的图像'
PS:
效果见图4：
MATLAB小波分析工具箱提供的用于图像去噪的函数有wrcoef2和wpdencmp，其语法格式分别为：
X=wrcoef2（‘type’,C,S,’wname’）
*xd,treed,datad,perf0,perfl2+=wpdencmp（x,sorh,N,’wname’,crit,par,keepapp）
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
升级会员 