matlab图像去噪算法设计精只是分享文档格式.docx

1、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:Documents and SettingsAdministrator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K

2、1=filter2（fspecial（average,3）,J）/255; %模板尺寸为3K2=filter2（fspecial（,5）,J）/255;% 模板尺寸为5K3=filter2（fspecial（,7）,J）/255; %模板尺寸为7K4= filter2（fspecial（,9）,J）/255; %模板尺寸为9subplot（2,3,3）;imshow（K1）;改进后的图像1subplot（2,3,4）; imshow（K2）;改进后的图像2subplot（2,3,5）;imshow（K3）;改进后的图像3subplot（2,3,6）;imshow（K4）;改进后的图像4PS：f

3、ilter2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

4、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0.5prewitt，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（

5、J,3 3）; %对加噪图像进行二维自适应维纳滤波K2=wiener2（J,5 5）;K2=wiener2（J,7 7）;K2=wiener2（J,9 9）;imshow（J）;加噪图像恢复图像1imshow（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,

6、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.gifJ1=imnoise（I,0,0.02）;J2=imnoise（I,sa

7、lt & 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3K= 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,3 3）;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mana的矩阵，B为mbnb的矩阵，则C的大

8、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

9、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

10、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，的小波重构图像。参数