您好、欢迎来到现金彩票网!
当前位置:刘伯温高手论坛 > 图像去噪 >

图像去噪方法

发布时间:2019-07-31 01:23 来源:未知 编辑:admin

  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。图像信号在产生、传输过程中都 可能会受到噪声的污染,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; 目前比较经典的图像去噪算法主要有以下三种: 均值滤波算法:也称线性滤波,主要思想为邻域平均法,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(一般指热噪声、散弹噪声等, 它们与信号的关系是相加,不管有没有信号,噪声都存在),但容易引起图像 模糊,可以对其进行改进,主要避开对景物边缘的平滑处理。 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。 Wiener 维纳滤波: 使原始图像和其恢复图像之间的均方误差(在相同测量条件下 进行的测量称为等精度测量,例如在同样的条件下,用同一个游标卡尺测量 铜棒的直径若干次,这就是等精度测量。对于等精度测量来说,还有一种更 好的表示误差的方法,就是标准误差。标准误差定义为各测量值误差的平方 和的平均值的平方根,故又称为均方误差。)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 实验一: I=imread(model.gif);%读取图像 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 加入均值为 , subplot(2,3,1);imshow(I); title(原始图像 原始图像); 原始图像 subplot(2,3,2); imshow(J); title(加入高斯噪声之后的图像 加入高斯噪声之后的图像); 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 采用 K1=filter2(fspecial(average,3),J)/255; %模板尺寸为 3 模板尺寸为 K2=filter2(fspecial(average,5),J)/255;% 模板尺寸为 5 K3=filter2(fspecial(average,7),J)/255; %模板尺寸为 7 模板尺寸为 K4= filter2(fspecial(average,9),J)/255; %模板尺寸为 9 模板尺寸为 subplot(2,3,3);imshow(K1); title(改进后的图像 1); 改进后的图像 subplot(2,3,4); imshow(K2); title(改进后的图像 2); 改进后的图像 subplot(2,3,5);imshow(K3); title(改进后的图像 3); 改进后的图像 subplot(2,3,6);imshow(K4); title(改进后的图像 4); 改进后的图像 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(信噪比,又称为讯噪比, 即放大器的输出信号的电压与同时输出的噪声电压的比,常常用分贝数表示。设 备的信噪比越高表明它产生的杂音越少。一般来说,信噪比越大,说明混在信号 里的噪声越小,声音回放的音质量越高,否则相反。图象的信噪比应该等于信 号与噪声的功率谱之比,但通常功率谱难以计算,有一种方法可以近似估计 图象信噪比,即信号与噪声的方差之比。)等数据来度量。 实验二: 实验二:二维自适应维纳滤波对高斯噪声的滤除效果 I=imread(model.gif); %读取图像 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 加入均值为 , K2=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波 对加噪图像进行二维自适应维纳滤波 K2=wiener2(J,[5 5]); %对加噪图像进行二维自适应维纳滤波 对加噪图像进行二维自适应维纳滤波 K2=wiener2(J,[7 7]); %对加噪图像进行二维自适应维纳滤波 对加噪图像进行二维自适应维纳滤波 K2=wiener2(J,[9 9]); %对加噪图像进行二维自适应维纳滤波 对加噪图像进行二维自适应维纳滤波 subplot(2,3,1);imshow(I); title(原始图像 原始图像); 原始图像 subplot(2,3,2);imshow(J); title(加噪图像 加噪图像); 加噪图像 subplot(2,3,3);imshow(K1); title(恢复图像 1); 恢复图像 subplot(2,3,4);imshow(K2); title(恢复图像 2); 恢复图像 subplot(2,3,5);imshow(K3); title(恢复图像 3); 恢复图像 subplot(2,3,6);imshow(K4); title(恢复图像 3); 恢复图像 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 实验三: I=imread(model.gif); J=imnoise(I,salt & pepper,0.02); %h=ones(3,3)/9;%产生 3*3 的全 1 数组 产生 %B=conv2(J,h);%卷积运算 卷积运算 K2=filter2(fspecial(average,3),J)/255; %均值滤波模板尺寸为 3 均值滤波模板尺寸为 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 采用二维中值滤波函数 K1=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波 对加噪图像进行二维自适应维纳滤波 subplot(2,3,1);imshow(I); title(原始图像 原始图像); 原始图像 subplot(2,3,2);imshow(J); title(加噪图像 加噪图像); 加噪图像 subplot(2,3,3);imshow(K2); title(均值滤波后的图像 均值滤波后的图像); 均值滤波后的图像 subplot(2,3,4);imshow(K); title(中值滤波后的图像 中值滤波后的图像); 中值滤波后的图像 subplot(2,3,5);imshow(K1); title(维纳滤波后的图像 维纳滤波后的图像); 维纳滤波后的图像 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。

http://shinnpaint.com/tuxiangquzao/739.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有