基于Matlab的图像去噪算法的研究
中文摘要
测量工程质量管理作为完善测量工程的影响因素，直接关乎到整个测量工作的顺利开展，关乎到后期工程的延续。随着社会经济的发展，政府作为一项主导因素渗入到测量工程中，承担着质量管理的角色，不仅对推动测量工程质量起到一定的作用，而且还有助于提高测量工程建设者对政府指导工作的理性认识，促进了测量工程的顺利展开，也有助于推动我国测量工程和测量质量管理体系的建设。
实施测量工程质量管理，所能够涉及到的范围非常广，而且环节众多。在测量工程质量管理过程中，需要执行多种活动，而政府在测量工程质量管理中所扮演的角色正发生着转变，由传统的多重干预到服务型、指导型的转变。这就需要对政府管理在测量工程中的作用从新的侧重点，采取深层次、多视角、系统化的研究方法进行探究。
本论文主要从社会创新的视角对测量工程质量管理中的政府角色转变进行研究，全文共分六章：第一章，绪论，对相关研究成果做了综述，提出了政府角色转变对于测量工程管理中的重要性、相关措施以及结果的重要意义。第二章，从不同的视角对政府与测量工程管理之间的关系进行了深入研究，并分析了政府在工程质量管理中的地位、政府在工程质量管理中所发挥的作用，并提出了我国传统测量工程管理体制中所存在的问题。第三章，重点研究了政府角色转变的重要性，包括三个方面的内容，即经济体制转型持续推进的历史需求，加快经济发展方式转变的现实需求，政府角色转变是转方式的有效手段。第四章，从政府传统角色所带来的弊端和政府角色转变后所发挥的作用，进一步阐述政府角色转变的理由。第五章，分析了政府在测量工程质量管理中所起到的监督作用，提出了政府角色转变的措施。第六章，结论，对全文进行了总结。
关键词：政府；测量工程；质量管理；角色转变
Research of image denoising algorithm based on Matlab
Abstract
Measuring the influence factors of engineering quality management as a perfect measurement engineering, directly about the measurement work smoothly, the whole late about engineering. With the development of social economy, the government as a dominant factor into the measurement engineering, assumes the role of quality management, not only to promote the quality of measurement engineering play a role, but also helps to improve the measurement project builders rational knowledge for the work of the government guidance, promote the measurement project smoothly, also helps to promote our country the construction of the engineering and measurement quality management system.
The measuring project quality management, can involve the range is very wide, and many links. In the process of measuring project quality management, you need to perform a variety of activities, and the government in the role of the measurement in engineering quality management transformation, happening in multiple intervention to service and guidance from the traditional one. This needs the government management in the role of surveying engineering from a new focus, take a deep, multiple points of view, explore the systematic research method.
This thesis mainly from the perspective of social innovation measurement to study the transformation of the government role in engineering quality management, the full text is divided into six chapters: the first chapter, introduction, made a review of relevant research results, proposed the transformation of the government's role in measuring the importance of project management, the related measures and the significance of the results. The second chapter, from a different perspective on the relationship between the government and measurement project management were studied, and analyzes the status of the government in project quality management, the government role in the project quality management, and put forward the our country traditional measurement management system of engineering problems. The third chapter, focuses on the importance of the transformation of the government's role, including the contents of three aspects, namely the continuous progress of the transformation of economic system historical demand, accelerate the transformation of economic development patterns of real demand,
transformation of the government's role is an effective means of transfer mode. The fourth chapter, from the disadvantages brought by the traditional role of government and government role after the transition, further elaborates the reason of the transformation of the government role. The fifth chapter, the paper analyzes the government in the measurement function, the supervision of the project quality management of the government role transformation measures were put forward. The sixth chapter, conclusion, the full text is summarized.
Key words：The government；Measurement engineering；Quality management；transition
目录
中文摘要...................................................................................................I Abstract......................................................................................................I 第1章绪论 (1)
1.1 课题研究背景和意义 (1)
1.2 国内外研究现状及趋势 (2)
1.3本文的研究思路 (5)
1.4本文的结构内容和创新点 (5)
1.5本文研究的方法 (5)
第2章图像去噪的理论基础 (6)
2.1图像噪声表现 (6)
2.2图像去噪要求 (6)
2.3模糊理论 (7)
2.4信息熵理论 (7)
2.5Matlab软件的功能作用 (7)
第3章图像去噪的传统算法 (13)
3.1图像去噪的中值算法 (13)
3.2空间域去噪算法 (13)
3.3频域去噪算法 (14)
3.4小波去噪算法 (14)
第4章图像去噪的效果评价 (17)
4.1主观评价 (17)
4.2客观评价 (17)
4.3传统算法及其优劣分析 (17)
第5章基于Matlab的图像去噪算法的改进 (13)
5.1 加性噪声去除：小波变换与中值滤波的结合 (13)
5.2乘性噪声去除：增强滤波欲低通滤波的融汇 (13)
第6章小结 (13)
6.1初步的结论 (13)
6.2进一步的展望 (13)
结论 (25)
参考文献 (26)
附录 (27)
致谢 (29)
第1章绪论
1.1 课题研究背景和意义
在现代生活中，随着多媒体技术的发展、计算机网络技术的广泛应用和宽带信息网的建立，信息在人们的工作、学习和生活中发挥着越来越重要的作用，其中最直接、最主要的信息就是图像信息。但由于实际获得的图像在形成、传输、接受和处理的过程中不可避免地存在着外部干扰和内部干扰，如光电转换过程中敏感元件灵敏度不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等，均会存在着一定程度的噪声干扰。噪声恶化了图像质量，使图像变得模糊，甚至淹没图像特征，这给后面的图像区域分割、分析判断等工作带来了困难。因此，在图像的预处理阶段去除噪声、恢复原始图像是图像处理中的一个重要的内容，对于图像去噪的研究有重要的意义。消除图像噪声的工作称之为图像滤波或平滑。
由于图像在摄取过程中受到摄取器件和周围环境的影响，会使摄取到的图像中含有噪声。噪声通常是随机产生的，因而具有分布和大小的不规则性，有些噪声和图像信号互相独立、互不相关，有些是相关的，噪声本身之间也可能相关。因此要减少图像中的噪声，必须针对具体情况，采用不同的方法，否则很难获得满意的处理效果。一般在图像中常见的噪声有：
（1）加性噪声。和图像信号强度不相关, 如图像在传输过程中引进的信道噪声等。
（2）乘性噪声。与图像信号相关，往往随图像信号的变化而变化。
（3）量化噪声。是数字图像的主要噪声源，其大小显示出数字图像和原始图像差异。
（4）椒盐噪声。如图像切割引起的黑图像上的白点噪声。
图像去噪是图像预处理的一个重要环节。自其出现以来，受到了广泛重视。迄今为止，人们提出很多图像去噪方法。其中包括经典的逆滤波，维纳滤波，中值滤波；基于变换域的小波滤波和基于偏微分方程的扩散滤波方法等。图像去噪处理方法千差万别，但其基本目的都是抑制噪声的影响，提高图像显示质量。
由于传统的图像消噪方法在抑制噪声的同时，也容易损失了图像边沿细节信息，造成了图像模糊。
影响图像质量的典型噪声主要有三类。首先，图像从光学到电子形式的转换是一个统计过程（因为每个图像元素接收到的光子数目是有限的）；其次，记录在感光片上的图像会受到感光颗粒噪声的影响；最后，处理信号的电子放大器会引入热燥声。人们为建立这三类噪声的模型进行大量研究。
（1）光电子噪声
光电子噪声是由光的统计本质和图像传感器中光电转换过程引起的。在弱光照情况下，其影响更为严重，此时常用具有泊松密度分布的随机变量作为光电噪声的模型。这种
分布的标准的标准差等于其均值的平方根。
在光照较强时，泊松型分布趋向更易描述的高斯分布；而标准差仍等于均值的平方根。这意味着幅度是与信号有关的。
（2）感光片颗粒噪声
感光片的感光乳剂由悬浮在胶体中的卤化银颗粒组成，曝光是一个二值过程，每个颗粒要么完全光，要么完全未曝光。在显影时，曝光颗粒还原成的不透明纯银颗粒被保留，而未曝光的颗粒则被冲洗掉。这样，底片的密度变化就由银颗粒的密集程度变化所决定。在显微镜下检查可发现，照片上光滑细致的影调在微观上其实呈现一个随机的颗粒性质。此外颗粒本身大小的不同以及每一颗粒曝光所需光子数目的不同，都会引入随机性。这此因素的外观表现为颗粒性。
对于多数应用，颗粒噪声可用高斯过程（白噪声）作为有效模型。与光电噪声类似，其内在分布为泊松分布。由于制造商会公布其生产的各种胶卷的平均颗粒直径，因此只需确定颗粒噪声的标准差（作为颗粒大小和局部图像密度的函数）。Haugh、Higglns Stultz 和Naderi等人研究表明，底片的颗粒噪声就可以用具有与局部平均灰度立方根成正比的RMS幅度（标准差）的零均值高斯白噪声作模型。
（3）电子噪声
在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的。这类噪声很早就被电路设计人员成功的建模并研究了。一般常用的零均值高斯白噪声作为模型，它具有一个高斯函数形状的直方图分面以及平坦的功率谱。它可用其RMS值（标准差）来完全表征。有时电子器件也会产生一种所谓的1/f噪声，这是一种强度与频率成反比的随机噪声，然而图像处理问题很少需要对这种噪声进行建模。
在大多数情况下，这三种常见的噪声源均可以视为高斯分布，本课题的加性噪声模型以高斯为主。
按照噪声与图像的数学关系进行分类，主要有加性噪声和乘性噪声，加性噪声一般是由发生源产生并重叠于图像在输出端表现出来。乘性噪声对图像起到调制作用，如果图像灰度变化和噪声很小时，乘性噪声可近似地看作是加性噪声。噪声在大部分情况下，属于加性噪声。
成像系统有很多不同的线性子系统组成，在图像在成像过程中每一步都会引入噪声，增大了噪声的不确定性，因而，称作随机噪声。实际上我们并非完全明白成像过程中噪声污染机理，即使给予某个区间内的噪声的幅值分布，它至多不过代表该区域内的噪声的分布情况，很难说它完全代表噪声的性质和数量关系。仅仅依据噪声来源，不可能精确地预测噪声的大小，无法准确写出噪声的数学函数形式，因此，对于这种不确定的随机现象，我们只能用概率论的统计的方法来处理它。在信号处理中为了模拟所研究的客观对象，常常需要人为地产生不同类型的噪声，最常用的一种噪声模型是高斯“白噪声”，高斯白噪声含有所有的频率成分，功率频谱是恒定的，又具有高斯分布这样方便的性质，所以，在图
像等信号处理中，高斯白噪声广泛的用作最具有代表性的噪声模型。本软件在全色图像消噪研究分析中，采用高斯白噪声模型。
常规的去噪方法主要分为两类：空间域法和频率域法。空间域法主要是在空间域内对图像像素的灰度值直接运算处理。频率域法是在图像的某种变换域内，对图像的变换值进行运算。如先对图像进行傅立叶变换，在对图像的频谱进行某种修正，最后将修正后的图像变换值逆变换到空间域，这是一种间接的处理方法。
总结上述各种滤波器的性能，我们发现，抑制噪声与保持边沿受诸多因素影响，在图像去噪滤波中形成了一对矛盾。通常噪声是通过积分（累加求和）运算来平滑，边沿和细节是通过微分运算达到锐化，而积分、微分在数学上是一对相反的运算，很难协调统一，难以使双方都达到最佳效果。所以，目前的去噪滤波技术较难达到同时平滑噪声和保持边沿的要求。
图像中的噪声往往是和图像交织在一起，如果滤除不当，就会使图像本身的细节如边界轮廓、线条等变的模糊不清，使图质下降，所以图像去噪滤波过程总是要付出一定的细节模糊代价，如何既能滤除掉图像中的噪声，又能尽量保持图像细节是图像去噪研究的主要内容之一。
图像去噪作为图像处理的重要技术，其主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的图像分析与理解打下基础。通过进行适当的去噪处理，可以有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，更加容易对图像中感兴趣的目标进行检测和测量。
1.2 国内外研究现状及趋势
1.2.1 国内外研究现状
自上个世纪 70 年代起，人们就根据实际图像的特点和噪声的一些分布规律，提出了各种各样的图像去噪方法。传统的图像去噪方法基本上可分为两类：空间域滤波方法和频域滤波方法，最近几年又提出了许多应用效果更好的去噪算法，下面将对这些算法的一些发展概况进行介绍：
1、传统图像去噪算法
空间域滤波法是指对图像自身像素的灰度值直接进行处理。它分为平滑线性空间滤波器和统计排序非线性空间滤波器。二者都是对图像邻域之间的像素进行操作，即利用一定尺寸的模板，使模板的中心对应所要处理的像素点，接着移动模板从而对所有像素进行滤波。线性平滑空间滤波器中最简单的是均值滤波器，采取的方法是求取模板所包含的像素的平均值；其他还有如：加权均值滤波器，它所采取的方法是对模板所包含的像素进行加权平均，这种两种算法的优点是易于实现，计算速度快，主要缺点在于降低噪声的同时，也严重模糊了图像，特别是在边沿和细节处，邻域越大，模糊程度越严重。最常用的非线性排序统计滤波器是中值滤波器，由 1971 年 Tukey 提出。此算法原理为在一个邻域内对一个滑动窗口内的所有像素灰度值排序，用中值代替窗口中心像素的原灰度。中值滤波器
优点在于抑制随机噪声的同时能够有效的保持原有图像中的边沿，缺点是对所有像素点都采用一致的处理，引入误差，损坏图像的边缘和细节。许多学者们又在此基础上提出了一些改进算法，主要包括有加权中值滤波、多级中值滤波、开关中值滤波、自适应中值滤波等，最近的有 Adrian BU 提出的新型递归中值滤波器：将非线性的中值滤波器和线性的小波滤波器相结合，兼顾了滤波处理的光滑连续性及抑制噪声的累积特性，可是此算法没有充分利用实际中可观测到的统计模型。另外还有几何滤波（Geometric）、Sigma 滤波、Gradient-inverse 滤波法等等也都属于空间域滤波法范畴。针对空间域滤波法的一些缺陷，学者们仍在进行不断的研究和改进。频域滤波方法是对图像进行某种变换，将其从空间域转换到频域中进行处理，去除或提取出被认为变换后是噪声的系数，再将处理后的结果通过反变换转换到空间域得到去噪后的图像。其中最经典的方法是通过傅里叶变换将图像由空间域变换到频域，图像边缘和其他尖锐变化的地方（如噪声）等图像中变化越来越快的灰度级主要对应于傅立叶变换的高频部分，低频则对应着图像中的慢变化分量，因此可以通过低通滤波器平滑图像变换后的高频部分来滤除噪声，常用的低通滤波器有巴特沃思低通滤波器和高斯低通滤波器等。频域滤波方法的缺点是如果图像信号与噪声的频带相互重叠时，则效果并不理想，在抑制噪声的同时，也模糊了图像边缘，破坏了图像的细节信息，只有在图像信号与噪声的频带相互分离时，才比较有效。因此人们设计了很多新的滤波器来抑制这种现象，其中最著名的是由 N.Wiener 在最小均方误差准则下提出的最佳线性滤波方法，即维纳滤波器，能够取得较好的去噪效果，但仍然没有完全解决这个矛盾。
2 小波图像去噪算法
自上世纪 90 年代起，研究者们开始考虑不仅仅只把图像变换到单一的域中，而应该寻找新的变换理论，将图像的空间域变换到新的变换域中。Gabor 在傅立叶变换的基础上提出一种加窗傅立叶变换，它能够提取出信号的局部信息，提高时间分辨能力。将 Gabor 变换运用于图像去噪之中，也可以取得不错的效果。小波分析理论便是在 Gabor 变换中进行的改进，小波分析的最早概念是由 Morlet 在1984 年提出来的，1987 年 Mallet 建立了构造小波函数的统一方法，提出了多分辨理论，从此小波分析开始应用到信号分析和图像处理等各个领域。小波变换同傅里叶变换相比具有低熵性、多分辨率、去相关性和选基灵活等特点，利用它来进行图像去噪，具有其他方法所无法比较的优越性。
应用小波去噪最成功的方法是由 1992 年 Donoho 和 Johnstone 提出了小波阈值萎缩法。它所依据的原理为：当含噪信号经小波变换后，原信号的能量主要集中于少数幅值较大的小波系数上，而噪声能量则均匀分布于大部分小波系数上，因此可以通过设定合适的阈值，将噪声从信号的小波系数中分离出来。但是Donoho 给出的阈值有严重的“过扼杀”小波系数的倾向，因此人们对阈值的选取又给出了很多改进方案。1995 年 Donoho 和Johnstone 提出了信号去噪的软阈值方法和硬阈值方法，推导出 VisuShrink 阈值公式。Zhang XiaoPing 所提出了SureShrink 阈值公式，Gao 和 Bruce 软阈值和硬阈值函数进行改进，提出了Semisoft 阈值函数和 Garrote 阈值函数；2000 年 Chang 等人提出
BayesShrink阈值公式所选阈值可随图像本身的统计特性而作自适应的改变，另外还有 Xu 等根据信号或图像边缘在各尺度相应位置上的小波系数之间之间的相关性提出了SSNF 方法；Mallet 根据信号和噪声在小波系数中的模随尺度变换的特点提出了模极大去噪法；国内有赵瑞珍等人提出了一种基于区域相关的小波滤波算法，克服了通各尺度间小波系数的偏移导致的判断准确率低的缺点等等，小波去噪方法的研究非常活跃，还会不断有新的方法出现。
3 多尺度几何变换和其他图像去噪算法
近几年，多尺度几何分析理论开始渐渐进入人们的视野，在国外也是刚兴起不久，属于一个崭新的领域，可是它给图像处理所带来的影响并不亚于小波分析，可以说是小波变换以后的又一次革命。对于一维分段连续信号来讲，小波以其良好的时频特性在某种意义上提供了这类信号的最优表示方法。可是自然图像并不是由一维分段连续信号的简单堆砌起来的，它的所有物体之间都由边缘进行分割，是沿着轮廓线排列而成的。由一维小波的张量积构成二维可分离小波可以检测出位于边缘上的不连续点，但是却无法表达边缘点之间沿边缘方向的连续性。即小波基只能刻画点的奇异性，不能刻画直线或曲线的奇异性。另一方面，对于二维图像来说，它的几何结构是非常重要的特征，可是二维可分离小波仅仅能捕捉到图像水平、垂直和对角线三个有限方向的显示，并不是最优的图像稀疏表示方法。正因为如此，为获得高维函数的最优表示，多尺度几何分析思想应运而生，它的变换特点就是获得图像的各向异性和多方向性，更有效地表示图像边缘和纹理的几何特征。最早的对小波进行改进是由 Candes 和 Donoho 于 1998 年提出的适于表示各向异性奇异性的脊波变换(Ridgelet transform) 和单尺度脊波变换（(Monoscale ridgelet transform）；1999 年 Candes 在脊波变换的基础上又提出了Curvelet 变换；2000 年 Pennec 和 Mallat 提出了 Bandelet 变换；2002 年M.N.DO 和M.Vetteri 在 Curvelet 的基础上提出了一种“真正”的二维图像稀疏表示方法——Contourlet 变换，这些变换都被广泛应用于图像去噪、压缩、特征提取、水印、分割等各个图像处理领域。
其中 Contourlet 变换基本思想为首先用 Laplacian Pyramid 滤波器进行多尺度分解捕捉边缘奇异点，再通过方向滤波器（Direction Filter Bank）对各个子带图像进行频带分解捕捉方向信息。Contourlet 变换具有多尺度、多方向、各向异性等特点，可是它确具有非平移不变性的特点，直接利用 Contourlet 变换进行图像去噪会产生伪吉布斯现象，使图像失真，且具有 4/3 的冗余度。一些学者对 Contourlet变换又进行了改进，主要有2005 年 Arthur L.Cunha 等人利用非下采样滤波器组代替原 Contourlet 变换中的方向提出了非下采样 Contourlet 变换（NSCT），克服了原 Contourlet 变换缺乏平移不变性的缺陷， Eslam 结合小波低冗余的特点用单小波代替原 Contourlet 变换中的 LP 分解，提出了小波—Contourlet 变换（WBCT），Coifman 和 Donoho 提出基于 Cycle-Spining 的Contourlet 变换，通过平移复位保持平移不变性，国内有练秋生等人将一维 9-7 双正交
滤波器组用 Mc-Clellan 变换映射成的近似圆对称二维滤波器组代替 LP 分解,再级联非下采样方向滤波器组构造了非下采样 Contourlet 变换并应用于图像去噪之中。多尺度几何分析才刚刚起步不久，将其应用于图像去噪等数字图像处理领域，具有比小波变换更加广阔的前景。
1.2.2图像噪声去除发展趋势
由于人类的眼睛成像系统具有一定的低通滤波功能，加之人们的先验知识使得图像的噪声对人工解译在有的情况下影响并不严重。但计算机的数值计算对图像的噪声非常敏感，在没有进行噪声滤波的情况下，根本很难进行边缘提取，分割以及分类。特别是随着图像数据量越来越大的情况下，靠人工无法完成对这些数据的解译，必须使用计算机来完成，而计算机解译第一步必须去除噪声。
抑制噪声与保持边沿受诸多因素影响，在图像去噪滤波中形成了一对矛盾。通常噪声是通过积分（累加求和）运算来平滑，边沿和细节是通过微分运算达到锐化，而积分、微分在数学上是一对相反的运算，很难协调统一，难以使双方都达到最佳效果。所以，目前的去噪滤波技术较难达到同时平滑噪声和保持边沿的要求。
传统的滤波器将受污染的图像视为一整体进行滤波，不能根据噪声分布的特点及图像的纹理细节进行滤波，虽然滤除了噪声，但同时对图像造成了一定程度的破坏。因此寻找一种具有局部特性并且能够保持良好的细节边缘的去噪方法尤为重要。
1.3本文的研究思路
彩色位图图像由RGB 三个颜色通道构成，图像成像过程中高斯白噪声也会同时进入到这三个通道。在对彩色图像去噪时，需要同时处理这三个通道。本课题采用高斯滤波、中值滤波等空域滤波的方法，对加入高斯白噪声的彩色图像进行去噪。在去噪过程中，首先将彩色图像的三个通道分别提取出来，之后选择合适的去噪模板对图像扫描去噪。空域模板去噪是对像素点及其周围像素点加权求均值的过程，过小的模板达不到明显的去噪效果，太大的模板会使图像丢失细节信息，使图像模糊。一种3?3的高斯模板为：
121124216121???????????
在对图像施用模板之前，要对图像边缘进行延拓。通过高斯模板或者中值滤波模板对图像滤波，之后运用均方根误差、峰值信噪比、结构相似度对去噪结果评价。通过对不同类型模板以及不同大小的模板选择评价，选择最佳的滤波类型和模板大小。基本流程图见如图1。 彩色图像通道分离模板去噪综合评价
延拓
图 1 彩色图像去噪流程
SAR 图像的噪声为乘性噪声，去噪相对困难。以上提到的滤波方法很难达到理想的去噪效果。本课题采用增强Lee 滤波，多级中值滤波、和维纳滤波等多种滤波方法对SAR 图
像进行去噪处理。增强Lee 滤波：
0min 00min max max ()()()()(()())()I I I I t C C R t I t w t I t I t C C C I T C C ?
其中()R t 为去噪后图像，0()I t 为去噪窗口均值，
()w t 为权重函数。 基于增强Lee 滤波的提示，对中值滤波方法进行改进。噪声斑点的像素值往往与其周围的图像像素点像素值差异较大。传统中值滤波方法要对所有窗口的像素排序取中值，这在很大程度上修改了原始像素。对于中心像素点与窗口其它大多像素值相差较小的点应该保留，已达到最大程度保留图像信息的目的。对于噪声点与其它像素点差异较大，此时采用传统中值滤波方法。这些滤波方法对图像去噪后，利用均值、方差、边缘保留等评价方法对去噪结果评价。找出最佳去噪方法。
1.4本文的结构内容和创新点
1.4.2本文的结构
（1）在加性噪声消噪研究分析中，采用加入高斯白噪声的彩色图像，利用高斯滤波、中值滤波等多种方法进行去噪，并利用多种客观评价指标对各种方法去噪后的评价指标进行分析比较，分析各个方法的优劣。客观评价指标包括：均方根误差（MSE ）、峰值信噪比（PSNR ），以及基于结构相似度（SSIM ）的图像质量评价方法，结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度，反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合。利用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量，基于结构相似度的质量评价指标可以更好地给出客观质量评价。
（2）SAR 作为一种微波遥感技术，它的成像机理和图像的几何特性与其他遥感技术有着截然的不同，它包含了散射面的结构和电磁特性信息。SAR 的相干斑噪声，对信息提取有着严重的影响，SAR 技术的基本特征决定了SAR 图像处理的特殊性。SAR 图像的斑点严重阻碍了SAR 图像的应用。因此，在大多数的实际SAR 遥感工作中，首先要去除SAR 图像的斑点，SAR 图像的斑点噪声属于乘性噪声。
在乘性噪声研究分析中，采用SAR 图像，利用增强Lee 滤波、多级中值滤波、均值滤波以及维纳滤波等方法对SAR 图像进行去噪，达到同时平滑噪声和保持边沿的要求，并利用均值、方差、边缘保留等客观评价指标对去噪效果进行评价，输出最后的分析结果。
1.4.2本文的创新点
（1）分别考虑加入高斯白噪声的彩色图像，以及包含乘性噪声的SAR 图像，根据噪声特性，利用多种方法去噪，对去噪效果进行客观评价，并根据图像质量评价指标确定何种图像优先选择何种去噪方法。
（2）SAR 图像的明显特征是具有相干斑噪声，对于SAR 图像来说，一种理想的滤波方法应该能够自适应平滑斑点噪声，保持边缘及特征边界的锐变性，同时保留纹理信息。本课题将利用均值、方差、边缘保留等评价方法对去噪结果评价，找出最佳去噪方法，或者改进现有的去噪方法，在保持图像几何结构的前提下有效地抑制图像中的斑点噪声。
1.5本文研究的方法
以含有高斯白噪声的彩色图像和SAR图像为例，运用Matlab丰富的工具箱及强大的计算功能，利用多种滤波算法对图像进行去噪，并对去噪后的数字图像进行各种性能指标的评价，得出实际的有用的结论。
第2章图像去噪的理论基础
2.1图像噪声表现
在数字图像系统中，图像的输入所采用方式，基本上都是进过冻结后才可以扫描，多维图像经过技术处理后，就会转变为一维电信，经过加工变换处理，经过储存和传输后，就会再次组成为多维图像信号。图像噪声经过这样的分解、合成之后，电气系统会对图像噪声精确地分析。此外，图像还可以作为视觉传输信号的媒介。在数字图像处理技术中，图像噪声的重要性越显明显。
2.2图像去噪要求
显示系统所出现的噪声包括幅值噪声、点位置噪声、感光片颗粒噪声等等，对于这些噪声的去除，要分别采取相应的方式。
幅值噪声，是指亮度通道会有随机噪声产生，因此而产生黑白噪声点，特别是在平坦的区清晰可见。要对于该噪声进行处理，可以采用经验法，对噪声进行量化后，使其与RMS 噪声幅值相等。但是如果噪声的周期性够强，在图像上就会有叠加的鱼骨形图案呈现出来。且同步于水平偏转信号或者垂直偏转信号。当噪声呈现出随机状态的时候，幅值就会很低，处于灰度级，此时的显示效果会较好一些。
点位置噪声，主要源自于偏转电路，显示出不均匀的间距，一般显示位置噪声所给图像造成的几何畸变是察觉不出来的。当位置噪声与点相互影响，受到点相互影响，就会导致位置噪声放大，此时，幅值的变化幅度是相当大的。只有将像素的位置控制到精确的程度，才能够平和点位置噪声。
感光片颗粒噪声与感光片的感光乳剂以及曝光效果存在着必然的联系。感光片的感光乳剂的组成成分为卤化银，其悬浮在胶体中。曝光是二值过程，所有的感光片颗粒，或者是完全曝光，或者是完全不曝光。当显影的时候，曝光颗粒被还原，形成不透明纯银颗粒被保留了下来，被冲洗掉的是没有经过曝光的颗粒。
底片的密度变化决定于银颗粒的密集程度。通过显微镜观察，就可以发现，照片上光滑细致的影调所呈现出来的颗粒，是随机分布的，大小不同，颗粒曝光所需要的光子数目也会有所差异。这些被引入随机性的颗粒，在外观则表现为颗粒性。
2.3模糊理论
模糊李林是美国加州大学的电气工程系教授L.Z.zadeh教授创立的，主要所包括的内容为模糊集合理论、模糊逻辑、模糊控制、模糊推理等等。1966年，也就是模糊理论创立一周年之际，该理论成为了当时科学界的热门研究课题。事实上，在应用领域中，模糊理
论中，应用最为广泛的是模糊控制，主要用于对传统控制理论局限的解决。在具体的使用中，模糊理论将控制策略总结成为一系列的控制规则，用“条件”和“作用”来表示。模糊理论的控制作用集是量化的模糊语言集，是通过模糊推理的获得的。控制作用集为控制策略中的条件语句，其可以作用于被控制的对象，或者控制过程当中，以状态语句的形式存在。
模糊理论的创立，就意味着对模糊性现象存在这一事实的接受。其是建立在模糊集合的基础之上的，而对于概念上不确定的事物进行处理。这些概念模糊的事物即为模糊理论的研究目标。对于模糊的失误分解为各种因素，量化为计算机可以解读的信息，并进行技术处理。
到目前为止，模糊理论被应用与工程科技领域中，诸如型样识别、控制工程、文字识别、信号及资讯处理以及人工智能和环保领域，都采用了模糊理论。
2.4信息熵理论
信息熵是一个极为抽象的概念，其是指离散随机事件所出现的概率。信息熵与热力学熵存在着密切的关系，因为这些信息一旦遭到摧毁，就会呈现出不可逆的现象。信息的产生，所引入的是负熵过程。那么在符号表达上，信息熵的符号与热力学熵符号是相反的。当信息出现的概率很高的时候，就意味着其传播速度快，而且引用率很高。通过信息传播的速度，就可以明确其可利用加害者。那么信息熵，就成为了对信息价值的高低进行衡量的标准。
在信息系统论中，信息熵本是用于对信息量进行度量的概念，处于有序状态下，信息熵较低，系统混乱，信息熵就会越来越高。按照物理学原理，当信息熵处于最低的时候，系统处于稳定状态。当处于封闭的系统中，熵值会达到最大状态。要使系统处于有序稳定状态，就需要外部能量的干预，才能够使系统有序。
2.5 Matlab软件的功能作用
Matlab能够实现理想的集成环境，该软件的功能性上可以支持概念设计、算法开发以及建模仿真，包括数据分析、工程与科学绘图、数值和符号的计算、控制系统的设计以及数字图像信号处理都可以进行。特别是在图像处理上，通过建模、仿真和原型开发，可以对图像进行处理。Matlab软件的图形基础环境和数值分析，是将2D图形和3D图形，以及Matlab语言能力集成到单一的环境中。
Matlab Toolbox(工具箱)可以对不同领域的用户以支持。按照复杂的计算方法，需要在很长时间才能够处理完毕的算法，并且还需要长时间的调试，才能够得以使用。使用Matlab Toolbox工具箱，用户可以专注于算法的研究，只需要几行的编程就可以了，而且还能够快速地将图形画出来。此外，使用Matlab工具箱，还可以对多种算法进行比较，以选择最好的计算方案。运用M文件编写，用户可以对源码进行查找、修改，以形成属于自己的特殊算法。
Matlab Compiler编译器可以将C代码自动生成出来，运用代码转换为C语言或者C++
语言。Matlab的应用程序的开发速度会在编译器的作用下加快，以提高应用程序的运转速度。
Simulink主要是用于建立仿真环境。在交互环境中建模、分析，并建立仿真模型，其中所包括的系统为连续系统、离散系统以及混杂系统。图形的交互界面所采用的是鼠标拖放的方法，将系统的框图模型建立起来。Simulink可以提供丰富的功能块，不需要书写代码，就可以将系统模型创建出出来。此外，Simulink可以支持Stateflow，以作为仿真事件过程中的驱动过程。
Stateflow是驱动系统，可以帮助处理设计和分析事件。其可以运用有限的状态理论，将可以对复杂的反应进行分析，并建立驱动系统。在所建立的模型中，用户就可以将描述事件的驱动行为建立起来。如果将Simulink和Stateflow在同一的环境下手机，就可以对整个的嵌入式系统的建立和仿真功能建立起来。
第3章图像去噪的传统算法
3.1图像去噪的中值算法
中值去噪算法主要运用的是中值滤波，对于非线性信息号进行处理。其是为了在去噪的同时达到保护图像边缘的目的。作为一种邻域计算，并不需要加权求和计算，而是类似于卷积，将以某像素为中心点的邻域确定下来，然后排列不同像素的灰度值。将其中间值提取出来作为中心点像素灰度的新值。当领域的图像进行移动后，就可以采用平滑处理技术对图像进行处理了。比如，在一个邻域内，像素的灰度值为：｛11,22,23,14,18,22,26,98｝，将这些灰度值进行存储，可以采用如下的方式，即｛11,14,18,22,22,22,22,26，98｝邻域内的灰度中值为22，那么，22即为这个点的灰度值。
采用传统的中值滤波方式进行图像去噪，可以对长拖尾概率分布的噪声进行去噪，效果良好，而且还能够保护图像中的细节。但是，如果图像的细节较多，特别是图像中点和线的细节，如果采用这种方法，会导致更多的图像信息消失。可见，中值滤波对线性滤波器给图像带来的模糊起到修正的作用，在对于噪声有效清除的同时，还可以使边缘保持良好，比较适合于去除图像的椒盐噪声．(。)
3.2空间域去噪算法
在空间域里去除噪声，就是要对于某点的噪声进行判断，看是否为噪声点。如果确定下来之后，就要进行重新幅值。如果不是噪声点，就可以按照原值进行输出了。在空间域中，还有另一类噪声计算方法，那就是平均法。其不必识别和去除噪声点，而是要对于整个的图像平均计算。
3.3频率域去噪算法
频率域去噪法主要采用的是低通滤波方法，其主要的功能是用于修正图像的频谱。这一点与空间域去噪算法直接运算图像像素灰度的极值有所不同，而是采用了低通滤波的方
法。具体操作程序上，首先是将图像从空间域向频率域变化， 进行各种技术处理工具。为了达到图像处理的目的，还要对于所获得的结果进行反变换。
3.4小波去噪算法
近些年来，对于图像处理采用小波去除噪音的技术，在应用上有了新的进展。对于小波的分析所采用的理论分别为傅里叶分析、泛函分析、样条理论以及数值分析、调和分析等等，各种学科的交叉，实现了知识的优势不糊，从而形成了学科相互融合的结晶。小波去噪实施上就是对小波变换进行信号分解，将所获得的分解信号进行压缩，导致噪声信息的分散。对于信号进行小波分解，以将小波基函数与信号算法之间的关系求出来。噪声分解的系数相对较广，分布的尺度也各有不同，所以在进行小波分解之后，噪声和局部信号在进行小波分解的时候，都会呈现出各自的特征。基于此，要达到去除噪声的目的，就要对含噪信号进行小波分解，并通过重构完成去除噪音的目标。那么在进行噪声处理的过程中，要有效地进行小波分解，就要采取合适的小波函数，并选择适当的分解层次，以对含有噪声的图像进行适当地处理。当对小波进行分解后，高频部分的系数就哎哟（改成会）进行闽值量化分析，然后，根据分析后所获得的各层系数，将小波重构后的二维信号计算出来。采用小波分析法对于工具箱所提供的图像进行去除噪音分析，可以使用函数分析法，可以对于图像的细节保持良好，同时达到了良好的噪音去除效果。
第4章 图像去噪的效果评价
4.1主观评价
所谓的主观评价，就是对于图像的品质用人的眼睛做出评价，以评论图像质量的好与坏。由于图像的信息传输到人的眼睛中之后，会传输到大脑中，使人的大脑对于图像做出判断。所欲，对于图像进行主观的评价是具有一定的权威性的。
对于图像进行主观评价，可以采用两种方式，即比较的主观评价方式和绝对的主观评价方式。采用比较的主观评价方式，就是将一系列的图像传给观察者以做出平此（评价）功能。在给定的条件下，对于这一系列图像的质量做出评价。采用绝对的主观评价方式，就是先按照规定，将评定标准做出来，然后找一组观察者对图像进行观察，然后让观察者对图像的品质做出评价。将所有评价的意见进行综合后，做出综合结论。
4.2客观评价
对于图像进行客观评价，就是要对图像的评价制定一套衡量标准。通常所采用的评价图像质量的方法，都是将待评价图像与标准图像进行比较，相互之间通过对比偏离误差，计算出误差值。在对图像进行客观评价中，所采用的评价方法为局方误差和峰值信噪比。
均衡误差用公式表示为：
()
∑∑==∧-?=112),(),(1i j j i f j i f N M MSE 在均衡误差公式中，∧f(i,j)为待评价图像；f(i,j)为原始标准图像；M 代表图像的长度；N 代表图像的宽度。从公式可以看出，均方误差值越小，经过技术处理后的图像质量
就会越好。
峰值信噪比用公式表示为：
∑∑==∧-
??
?
=
M
i
N
i
j
i
f
j
i
f
N
M
Q
PSNR
11
2 2
))
,(
)
,(
(
lg
10
在峰值信噪比用公式中，Q是图像量化的灰度值。可见，峰值信噪比值越高，经过技术处理后的图像质量就会比较高。
4.3传统算法及其优劣分析
通过对主观评价结果和客观评价结果进行分析，仅仅对图像去噪效果进行主观的分析，而没有建立具体的模型，这种描述式的判断就会造成主观思维的偏颇，从而导致判断结果未免太多绝对。对于图像去噪进行客观的描述，虽然存在着一定的客观性，但是其条件是需要有客观的参数作为依据。如果对于去噪效果的评价，将主观评价与客观评价相结合，先对于图像去噪进行主观评价，然后选用合适的客观评价参数，对图像去噪质量进行客观评价，不仅可以提高评价效果，而且还增加了评价结果的可靠性。
用改进的方法进行图像去噪处理，相比较于传统方法，无论是在技术处理方法上，还是在处理效果上，都要好很多。比如，图像的分辨率为72像素。对图像进行处理，需要对其添加0.04的椒盐噪声，分别采用传统的中值滤波算法和经过改进的中值滤波算法对该图进行滤波处理。可以获得如下结果：
采用传统中值滤波算法，如果滤波的窗口尺寸为7×7，去噪时间为0.048s，峰值信噪比为28.506dB；如果滤波的窗口尺寸为5×5，去噪时间为0.056s，峰值信噪比为29.289dB；如果滤波的窗口尺寸为3×3，去噪时间为0.048s，峰值信噪比为28.481 dB；如果滤波的窗口尺寸为9×9，去噪时间为0.048s，峰值信噪比为27.608 dB。采用改进中值滤波算法，如果滤波的窗口尺寸为7×7，去噪时间为0.038s，峰值信噪比为28.499dB；如果滤波的窗口尺寸为5×5，去噪时间为0.058s，峰值信噪比为29.276dB；如果滤波的窗口尺寸为3×3，去噪时间为0.042s，峰值信噪比为28.365dB；如果滤波的窗口尺寸为9×9，去噪时间为0.028s，峰值信噪比为27.502 dB。
从上面的结果可以得知，相比较于传统中值滤波算法，采用该机（改进）的图像去噪算法速度要更快一些，而且在去噪效果上是基本相同的。在整个的计算处理的过程中，图像的数据不会是真，滤波会随着窗口尺寸而有所改变。逐渐增大的窗口尺寸，图像的数据就会逐渐增多，且明显地体现出其优越性。信噪比也相对较高。
仅仅从信噪比这一项来看，采用中值滤波算法，无论是传统的算法，还是改进的算法，当窗口的尺度增大到当7×7的时候，经过了技术处理后的峰值信噪比就会有所下降，但能够将图像去噪的精确度保持下来。当图像的窗口继续增大，此时的峰值信噪比就会快速下降，比如，当窗口的尺寸扩大到9×9的时候，图像的质量就会严重受到影响，以至于最后图像出现了失真的效果。进过（经过）了改进之后的中值滤波算法，虽然在图像处理速度
上有所提高，但是在保证图像质量的前提下，却存在着局限性，即窗口尺寸不可以超过7×7。这就需要在未来的研究中，对于图像去噪进行综合改进。
第5章 基于Matlab 的图像去噪算法的改进
5.1 加性噪声去除：小波变换与中值滤波的结合
5.1.1 小波变换原理
与传统的傅里叶变化相比较，小波变换去噪原理存在着特殊的优势，即小波变换不仅能够将噪声去除，而且还能够将信号的边缘实施有效地保留。在小波域中，一些信号所呈现出来的形态会与噪声形态有所不同，而且小波系数会伴随着制度而有所变化，因此，小波系数的变化会有所不同。从其变化规律来看，小波变化过程中，随着变化尺度的增加，系数的幅值会相对减小。但是有效的信号，其小波系数变化的幅值就不会太大。对于小波去噪核心的技术处理，可以对小波域中的小波系数采用适当的数学技巧进行处理，以促使噪声减弱，或者是完全消除。由于有效信号相对稳定，所以尽量不要对小波信号造成破坏。对小波信号进行重构后，就可以达到去噪的目的。
5.1.2 小波变换去除噪声的方法
小波变换去除噪声额（去掉）可以采用一维信号去除噪声的方法。首先，是对小波进行分解。选择比较合适的小波，对分解的参差加以确定后，进行分层分解运算。量化高频系数的阈值，选择一个阈值之后，可以进行软阈值量化处理和硬阈值量化处理。在进行小波重构的时候，可以根据小波分解的各层低频系数，对于各层的高频系数进行量化处理。
对于阈值的确定，可以采用小波阈值去除噪音的算法，如果噪音是高斯白噪声，那么，在阈值的选取上，就要选取通用与之。
即： M ln 2σλ=
其中，σ表示噪声标准差；M 表示信号波长的长度
5.1.3阈值函数的选取
对小波进行分解，基于阈值去除噪声的思想，如果各层系数中的模与某阈值之间的关系存在着大于关系和小于的关系，则需要对两种情况分别处理。当小波系数被处理完之后，就要对其进行反变换处理。经过噪音处理后的信号还要进行重构处理。对于阈值函数进行划分，可以分为硬阈值函数和软阈值函数。
采用硬阈值法，就意味着在整个的小波域内，阈值函数是不连续的。在λ和λ之间存在着一个间断点。在实际应用中，进行求导运算往往会存在着一定的矛盾关系，这就是其应用局限性所在。在小波系数的技术处理上，通常只处理小于阚值的小波系数，而不会处理大于阈值的小波系数，而在实际应用领域中进行具体的操作，小波系数超出了规定的阈值范围，同样也会受到噪声信号的干扰。此时就需要进行去除噪声处理，以排除信号干扰问题。
软阈值法与硬阈值法有所不同，其阈值函数在小波域内是不存在间断点问题的，以连续性存在。此外，在对其进行高阶导数求职的时候，也会存在着一定程度的困难。对于超
出阈值的小波系数，软阈值一般会采取恒定值压缩的技术处理方式。这就意味着伴随着小
波系数的增大，噪声的幅值会逐渐缩小。此时，就出现两种趋势不相符合的现象。但总体
上而言，采用阈值去除噪音的方法，不仅实施起来较为简单，而且具有较好的的小波去噪
效果。
5.1.4 中值滤波
在信号处理上，中值滤波属于是非线性滤波器，常用于处理信号。所给定的信号和奇数，信号为x(m),奇数为（2M+1）,对m个中值滤波的输出进行排列，按照大小排列即为：x(m-M), x(m-M+1),……, x(m), ……, x(m-M-1), x(m+M)。其中的中值滤波器长度为（2M+1）.
5.1.5小波变换与中值滤波的结合
对于去噪方法的选择，可以根据实际数据的统计采用不同的方法。当进入到最后阶段的时候，则采用小波变换与中值滤波相结合的去除噪音组合方法。
比如，取n = lin space ( 0.2 * pi , 1000 )；
加入噪音后，所获得的信号为：y = awgm ( x，45 ).
信号的信噪比为：（SNR）, SNR = 10 lg ( б2/D )
经过研究之后，对小波变换和中值滤波进行比较后，就会发现，两者之间的组合可以起到良好的去除噪音的作用。当光滑信号去除噪音的时候，小波变换的效果要好于中值滤波，而硬阈值内的去除噪音效果则不如软阈值的效果好。但是，通常而言，软阈值的工作
效率较高，不仅操作简单，运用方便，而且可以获得良好的效果。由此可见，采用中值滤
波与小波变换相结合的方法去除噪音，要比两种方法各自单独使用的效果要好很多。
5.2乘性噪声去除：增强滤波与低通滤波的融汇
低通滤波所获得的输出图以及“振铃”现象并不是很明显，主要在于当其处于高低频率间，处于过渡阶段的时候，还会表现为光滑状态。频域低通滤波器能够将图像中的虚假
轮廓进行消除。
高通滤波所体现出来的是利用滤波器，使高频通过于其中，而低频的无法通过。这些过程往往是通过在频率域范围内设置阈值所实现的。频率域中，每一个频率的分量都会存在着一个“幅值”。使用一个滤波器，就能够对不同的频率分量加以区分，并幅值乘以不同的增益。所谓的高通，所指的时候理想高通，假设其低频部分增益为0，高频部分增益为1，那么，高通滤波器所形成的频率曲线就可以被看做是一个高斯曲线，由频域的每一个频率分量的增益进行连接。
用公式表示，即为：
G ( x， y ) = g ( x，y ) + c * f ( x，y )（ c = 0.5，0≤c≤1）
实现增强滤波与低通滤波的融合，就是使用线性滤波器，对增强滤波与低通滤波消除线性后，进行叠加，在图像上实现加性噪声。这其中存在着两种滤波器，即带阻滤波器和
带通滤波器。带阻滤波器，即是指对一定频率范围内的信号进行阻止后，允许通过其他频率范围内的信号。带阻滤波，可以实现带通和带阻的优势互补，其作用是阻止通过其它频率范围内的信号，一定频率范围内的信号在（去掉）允许通过。但是在实际操作中，图像与噪声之间多呈现出非线性的状态，并相互结合。比如，图像采用的是光源照明成像，光的入射，拍摄对象为反射，两者以乘机的形式，形成了成像的噪声与景物相乘，图像形成做出了贡献。
经过增强滤波与低通滤波的融汇之后，处于同一领域中的，压缩图像的亮度范围，可以使增强图像对比度。此时，一幅图像可以看做是照度分量和反射分量的乘积，使用关系式，可以表达为：
F (x，y) = I (x， y)· r (x，y)
如果对图像进行分开处理，可以对公式的两边取对数，用公式表达即为：
ln f (x， y) = ln I (x， y) + ln r (x，y)
cvLog (ImgLog，ImgLog)
对公式进行傅里叶变换，即为：
F (uv) = I (u，v) + R(u，v)
cvDFT (Fourier，Fourier，CV_DXT_FORWARD)
建立同态滤波函数，可以使其作用于照度分量以及反射分量上，用公式表达为：
H (u，v) F (u，v) = H (u，v) I (uv) + H (u，v) R(u，v) （ H(u，v) ）
cvMul(Imagere，math，Imagere);
cvMul(Imageim，math，ImageIm)
当图像出现反变换的时候，用公式表示，即为：
hf (x，y) = hi (x，y)+ hr (x，y)
cvDFT ( Fourier,Fourier,CV_DXT_INV_SCALE )
cvSplit (Fourier,Imagete,Imageim,0,0)
对公式的对数去掉，使公式转变回来，用公式表示，即为：
G (x，y) = exp |hf (x，y)|=exp |hi (x，y) |exp| hr (x，y)
cvexp(Imagere,Imagere);
cvExp(Imageim,Imageim);
cvmul(Imagere,Imageim,Imgdst
当增强滤波与低通滤波的融汇之后，就会形成同态滤波消噪过程。进行计算的时候，首先要使用非线性对数对公式进行变换处理，对乘性噪声进行转化，形成加性噪声。噪声可以使用线性滤波器消除。然后，对于非线性的指数进行反变换，就可以获取原始的无噪声图像。
照度分量在空间中会有所变化，但是，变换的速度相对缓慢，反射分量主要是处于物体交界处，其变化急剧，因此，当图像对数经过傅里叶变换处理后，低频部分就会与照度分量相对应，高频部分则与反射分量相对应。采用这种方式，就可以将滤波函数H(u,v)设计出来，其对于对傅里叶变换结果的高频分量的影响与低频分量的影响存在着不同。
增强滤波与低通滤波的融汇，就意味着同态滤波会逐渐增强，此时频率过虑就会结合灰度变换度对图像进行技术处理。所采用的基本方法是频域处理的过程中，将图像照明的反射模型作为基础，在技术处理上，可以对灰度范围进行压缩，并增强图像的对比度，以使图像的效果得以改善。在密度域中运用效果也很好。
一幅图像可以表示为f (x，y)，假设其为两个分量的组合，用公式可以表示为：
f (x，y)= I (x，y). (x，y)
I (x，y)为入射分量，即为照明分量，是指照明光线入射到景物上的光的强度。
r (x，y)为反射分量，其是指照明光线入射到景物上之后，多反射出来的光的强度。
在具体的计算上，要遵循以下的步骤：
对公式： f (x，y)= I (x，y)+ r (x，y) 两边取对数，
即为：In f (x，y)=In I (x，y)+In r (x，y)
对公式两边进行傅立叶变换，即为：
F (u，v)=I (u，v)+R (u，v)
用一个频域函数H (u，v)对F (u，v)进行处理，可以得到以下公式：
H (u，v) F (u，v) = H (u，v) I (u，v) + H (u，v) R (u，v)
逆傅立叶变换到空间域，即为：
H f
f (x，y)=h
i
(x，y) + h
r
(x，y)
可见，当广的强度增强后，所形成的图像就会由应照度和反射分量两个部分进行叠加而获得。
对公式两边选取指数，得到公式即为：
G (x，y) = exp |h f
f (x，y)| = exp |h
i
(x，y)| exp |h
r
(x，y)|
此时的滤波函数可以分别作用于两个分量上，即照度分量上、反射分量上。
一幅图像如果用照明分量来表示，同时为缓慢变化表征。与其相反，采用反射分量则更倾向于快速而急剧地变化。当图像经过对数选取之后，所获得的傅立叶变换为照度分量，是低频部分对应。高频部分与反射分量相对应。通过选择滤波器函数，可以对傅立叶变换的低频和高频部分都会产生相应的响应，经过技术处理后所获得的结果可以促进元灰度的动态范围，以增强图像对比度。
第6章小结
6.1初步的结论
通过本项研究，获得基于Matlab图像去噪技术的相关知识理论及实现原理，通过对
Matlab图像处理的几个实例（初学者用） 1.图像的基本信息及其加减乘除 clear,clc; P=imread('yjx.jpg'); whos P Q=imread('dt.jpg'); P=im2double(P); Q=im2double(Q); gg1=im2bw(P,0.3); gg2=im2bw(P,0.5); gg3=im2bw(P,0.8); K=imadd(gg1,gg2); L=imsubtract(gg2,gg3); cf=immultiply(P,Q); sf=imdivide(Q,P); subplot(421),imshow(P),title('郁金香原图'); subplot(422),imshow(gg1),title('0.3'); subplot(423),imshow(gg2),title('0.5'); subplot(424),imshow(gg3),title('0.8'); subplot(425),imshow(K),title('0.3+0.5'); subplot(426),imshow(L),title('0.5-0.3'); subplot(427),imshow(cf),title('P*Q'); subplot(428),imshow(sf),title('P/Q'); 2.图像缩放 clear,clc; I=imread('dt.jpg'); A=imresize(I,0.1,'nearest'); B=imresize(I,0.4,'bilinear'); C=imresize(I,0.7,'bicubic'); D=imresize(I,[100,200]); F=imresize(I,[400,100]); figure subplot(321),imshow(I),title('原图'); subplot(322),imshow(A),title('最邻近插值'); subplot(323),imshow(B),title('双线性插值'); subplot(324),imshow(C),title('二次立方插值'); subplot(325),imshow(D),title('水平缩放与垂直缩放比例为2:1'); subplot(326),imshow(F),title('水平缩放与垂直缩放比例为1:4');
一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。 1、不同滤波器的频域降噪 1.1 理想低通滤波器(ILPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4)); %将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整 n2=floor(N/2); %对N/2进行取整 d0=40; %初始化d0 for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 if d<=d0 %点（i,j）在通带内的情况 h=1; %通带变换函数 else %点（i,j）在阻带内的情况 h=0; %阻带变换函数 end s(i,j)=h*s(i,j); %ILPF滤波后的频域表示
end end s=ifftshift(s); %对s进行反FFT移动 s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取复 数的实部转化为无符号8位整数 subplot(1,3,3); %创建图形图像对象 imshow(s); %显示ILPF滤波后的图像 title('ILPF滤波后的图像（d=40）'); 运行结果： 1.2 二阶巴特沃斯低通滤波器(BLPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n=2; %对n赋初值
MATＬAＢ数字图像处理 1 概述 ＢW=ｄitheｒ(I)灰度转成二值图； Ｘ=ｄitｈer（RＧB,ｍap)RＧB转成灰度图，用户需要提供一个Cｏlorｍap; ［X，maｐ]＝grａy2inｄ(Ｉ,n)灰度到索引; [X,mａp]=grａy２ｉnd（BＷ,n)二值图到索引，ｍap可由grａｙ(n）产生。灰度图n 默认64，二值图默认２; X=grａylｉce（I,n）灰度图到索引图，门限１/n,2/ｎ,…,(n-1）／n,X=graｙlｉｃe(I，ｖ)给定门限向量v； BW=im２bw(I,levｅl)灰度图I到二值图； BW=im2bw(Ｘ,map,levｅl)索引图X到二值图；ｌevel是阈值门限，超过像素为1,其余置0,lｅvｅl在[0,1]之间。 ＢW=im2ｂｗ(RGＢ,leｖｅl)ＲＧＢ到二值图; I=iｎd2gray（Ｘ,mａp)索引图到灰度图; RＧＢ=ind2rｇb(Ｘ,maｐ）索引图到ＲGB; I＝ｒgb２gray(RGB)RGB到灰度图。 2 图像运算 2.１图像的读写 MATLAＢ支持的图像格式有bｍp，gif,ico,jｐｇ，png，cur，ｐcx,xwd和tｉf。 读取(imread): [1］Ａ=imreaｄ(fｉlenaｍe,fmt) ［2] [Ｘ,ｍaｐ］=imrｅad（ｆiｌｅｎame,fｍt） ［3] ［…]＝iｍｒead（ｆiｌｅnamｅ) ［4] […]=imread(UＲL,…) 说明:filenａme是图像文件名,如果不在搜索路径下应是图像的全路径,fmｔ是图像文件扩展名字符串。前者可读入二值图、灰度图、彩图(主要是RGＢ);第二个读入索引图，map 为索引图对应的Ｃolormap,即其相关联的颜色映射表，若不是索引图则ｍap为空。URＬ表示引自Ｉntｅrnet ＵRL中的图像。 写入(iｍｗrite): [1] R=imwrite(A,fileｎaｍe，fｍｔ)； [2] Ｒ=imwriｔe(X,map,fiｌename,ｆmt); [３] R＝ｉｍwritｅ(…,filenaｍｅ); [4] R=iｍｗrite(…，Param1,Val1,Pａraｍ2,Vａl2) 说明:针对第四个,该语句用于指定ＨDF,JPEＧ,PBＭ,PGM,PNG,PPM,ＴIＦＦ等类型输出文件的不同参数。例如ＨDF的Qualｉtｙ,Compreｓｓioｎ,ＷｒｉｔeMode;JPEＧ的BiｔＤｅpｔh，Cｏmｍent：Ｅmｐtｙor not，Mode:ｌossy oｒｌossless，Quality等。 ２．2 图像的显示 方法1：使用Imaｇe Viｅwer(图像浏览器），即运用imｖiｅw函数。
MATLAB图像增强程序举例 1.灰度变换增强程序： % GRAY TRANSFORM clc; I=imread('pout.tif'); imshow(I); J=imadjust(I,[0.3 0.7],[0 1],1); %transforms the walues in the %intensity image I to values in J by linealy mapping %values between 0.3 and 0.7 to values between 0 and 1. figure; imshow(J); J=imadjust(I,[0.3 0.7],[0 1],0.5); % if GAMMA is less than 1,the mapping si weighted to ward higher (brighter) %output values. figure; imshow(J); J=imadjust(I,[0.3 0.7],[0 1],1.5); % if GAMMA is greater than 1,the mapping si weighted toward lower (darker) %output values. figure; imshow(J) J=imadjust(I,[0.3 0.7],[0 1],1); % If TOP 2.直方图灰度变换 %直方图灰度变换 [X,map]=imread('forest.tif'); I=ind2gray(X,map);%把索引图像转换为灰度图像 imshow(I); title('原图像'); improfile%用鼠标选择一条对角线，显示线段的灰度值 figure;subplot(121) plot(0:0.01:1,sqrt(0:0.01:1)) axis square title('平方根灰度变换函数') subplot(122) maxnum=double(max(max(I)));%取得二维数组最大值 J=sqrt(double(I)/maxnum);%把数据类型转换成double,然后进行平方根变换%sqrt函数不支持uint8类型 J=uint8(J*maxnum);%把数据类型转换成uint8类型 本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1） 实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）； 步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）： 信号与系统实验报告——图像处理 学院：信息科学与工程学院 专业：2014级通信工程 组长：** 组员：** 2017.01.02 目录 目录 (2) 实验一图像一的细胞计数 (3) 一、实验内容及步骤 (3) 二、Matlab程序代码 (3) 三、数据及结果 (4) 实验二图像二的图形结构提取 (5) 一、实验内容及步骤 (5) 二、Matlab程序代码 (5) 三、数据及结果 (6) 实验三图像三的图形结构提取 (7) 一、实验内容及步骤 (7) 二、Matlab程序代码 (7) 三、数据及结果 (8) 实验四图像四的傅里叶变化及巴特沃斯低通滤波 (9) 一、实验内容及步骤 (9) 二、Matlab程序代码 (9) 三、数据及结果 (10) 实验五图像五的空间域滤波与频域滤波 (11) 一、实验内容及步骤 (11) 二、Matlab程序代码 (11) 三、数据及结果 (12) 实验一图像一的细胞计数 一、实验内容及步骤 将该图形进行一系列处理，计算得到途中清晰可见细胞的个数。 首先，由于原图为RGB三色图像处理起来较为麻烦，所以转为灰度图，再进行二值化化为黑白图像，得到二值化图像之后进行中值滤波得到细胞分布的初步图像，为了方便计数对图像取反，这时进行一次计数，发现得到的个数远远多于实际个数，这时在进行一次中值滤波，去掉一些不清晰的像素点，剩下的应该为较为清晰的细胞个数，再次计数得到大致结果。 二、Matlab程序代码 clear;close all; Image = imread('1.jpg'); figure,imshow(Image),title('原图'); Image=rgb2gray(Image); figure,imshow(Image),title('灰度图'); Theshold = graythresh(Image); Image_BW = im2bw(Image,Theshold); Reverse_Image_BW22=~Image_BW; figure,imshow(Image_BW),title('二值化图像'); Image_BW_medfilt= medfilt2(Image_BW,[3 3]); figure,imshow(Image_BW_medfilt),title('中值滤波后的二值化图像'); Reverse_Image_BW = ~Image_BW_medfilt; figure,imshow(Reverse_Image_BW),title('图象取反'); Image_BW_medfilt2= medfilt2(Reverse_Image_BW,[20 20]); figure,imshow(Image_BW_medfilt2),title('第二次中值滤波的二值化图像'); [Label, Number]=bwlabel(Image_BW_medfilt,8);Number [Label, Number]=bwlabel(Image_BW_medfilt2,8);Number 课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 基于MATLAB的图像处理的基本运算 初始条件： 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求） （1）能够对图像亮度和对比度变化调整，并比较结果 （2）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的和旋转操作，并保存，比较几 种插值的效果 （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）对图像加入各种噪声，比较效果。 时间安排： 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要.......................................................................................................................... 错误!未定义书签。 1 MATLAB简介 ........................................................................................................ 错误!未定义书签。2图像选择及变换................................................................................................... 错误!未定义书签。 2.1 原始图像选择读取....................................................................................... 错误!未定义书签。 2.1.1 原理图的读入与基本变换 .................................................................... 错误!未定义书签。 图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像 图像处理函数详解——strel 功能：用于膨胀腐蚀及开闭运算等操作的结构元素对象(本论坛随即对膨胀腐蚀等操作进行讲解)。 用法：SE=strel(shape,parameters) 创建由指定形状shape对应的结构元素。其中shape的种类有 arbitrary' 'pair' 'diamond' 'periodicline' 'disk' 'rectangle' 'line' 'square' 'octagon 参数parameters一般控制SE的大小。 例子： se1=strel('square',6) %创建6*6的正方形 se2=strel('line',10,45) %创建直线长度10，角度45 se3=strel('disk',15) %创建圆盘半径15 se4=strel('ball',15,5) %创建椭圆体，半径15，高度5 图像处理函数详解——roipoly 功能：用于选择图像中的多边形区域。 用法：BW=roipoly(I,c,r) BW=roipoly(I) BW=roipoly(x,y,I,xi,yi) [BW,xi,yi]=roipoly(...) [x,y,BW,xi,yi]=roipoly(...) BW=roipoly(I,c,r)表示用向量c、r指定多边形各点的X、Y坐标。BW选中的区域为1，其他部分的值为0. BW=roipoly(I)表示建立交互式的处理界面。 BW=roipoly(x,y,I,xi,yi)表示向量x和y建立非默认的坐标系，然后在指定的坐标系下选择由向量xi，yi指定的多边形区域。 例子：I=imread('eight.tif'); c=[222272300270221194]; r=[21217512112175]; BW=roipoly(I,c,r); imshow(I) 完成图像的灰度化处理： function W=hdbh(f) %f=imread('house.jpg'); [M N Z]=size(f); g=im2double(f); W=zeros(M,N); for x=1:M for y=1:N W(x,y)=0.299*g(x,y,1)+0.587*g(x,y,2)+0.114*g(x,y,3); end end figure,imshow(W),title('灰度处理后的图像') end 完成图像的亮度调整的模块编写 function y=high() f=imread('house.jpg'); g=im2double(f); g1=g+0.3; imshow(g1) 2.完成图像的平移操作 function y=py() f=imread('house.jpg'); g=im2double(f); N=size(f) M=zeros(N(1),N(2)); for x=1:N(1)-100 for y=1:N(2)-100 M(x,y)=g(x+100,y+100); end end imshow(M) 完成对加噪图像的去噪操作（去噪模板任意，模板n*n大小，n值可调）function h=qz(a) f=imread('Desert.jpg'); %读入图片； g=im2double(f); %进行灰度化处理； N=size(f); %求出此图片的大小； M1=zeros(N(1),N(2)); %建立一个元素全为0的二维矩阵； for x=1:N(1) for y=1:N(2) M1(x,y)=0.299*g(x,y,1)+0.587*g(x,y,2)+0.114*g(x,y,3); %把彩色图像的所有像素点灰度处理； end %关闭for循环； end %关闭for循环； figure,imshow(M1); %显示处理图像； M=imnoise(M1,'salt & pepper',0.05); figure,imshow(M); b=zeros(N(1),N(2)); for x=fix(a/2)+1:N(1)-fix(a/2) for y=fix(a/2)+1:N(2)-fix(a/2) Sum=0; for i=-fix(a/2):fix(a/2) for j=-fix(a/2):fix(a/2) Sum=Sum+M(x+i,y+j); end end b(x,y)=Sum/(a*a); end end figure,imshow(b); 完成对图像的锐化处理（锐化模板任意，突出图像边缘，保留图像背景区域）function y=ruihua(f,x) g=im2double(f); figure; imshow(g); 《 MATLAB 实践》 课程设计 学生姓名： 学号： 专业班级： 指导教师： 二○○九年三月十三日 1.设计目的…………………………………………………第 3页 2.题目分析…………………………………………………第3 页 3.总体设计…………………………………………………第4 页 4.具体设计…………………………………………………第 6页 5.结果分析…………………………………………………第 20页 6.心得体会…………………………………………………第 20页 7.参考书目…………………………………………………第 20页 1 课程设计的目的： 综合运用MATLAB工具箱实现图像处理的GUI程序设计。 2、题目分析 课程设计的基本要求 1）熟悉和掌握MATLAB 程序设计方法 2）掌握MATLAB GUI 程序设计 3）学习和熟悉MATLAB图像处理工具箱 4）学会运用MATLAB工具箱对图像进行处理和分析 课程设计的内容 学习MATLAB GUI程序设计，利用MATLAB图像处理工具箱，设计和实现自己的Photoshop 。要求：按照软件工程方法，根据需求进行程序的功能分析和界面设计，给出设计详细说明。然后按照自己拟定的功能要求进行程序设计和调试。 以下几点是程序必须实现的功能。 1）图像的读取和保存。 2）设计图形用户界面，让用户能够对图像进行任意的亮度和对比度变化调整，显示和对比变换前后的图像。 3）设计图形用户界面，让用户能够用鼠标选取图像感兴趣区域，显示和保存该选择区域。 4）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的操作，并保存，比较几种插值的效果。 5）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。 6）能对图像加入各种噪声，并通过几种滤波算法实现去噪并显示结果。比较去噪效果。 一.图像几何变化 (1)放大，缩小，旋转 程序： I=imread('111.jpg'); J=imresize(I,1.5); L=imresize(I,0.75); K=imrotate(I,35,'bilinear'); subplot(221),subimage(I); title('原图像'); subplot(222),subimage(J); title('放大后图像'); subplot(223),subimage(L); title('缩小后图像'); subplot(224),subimage(K);title('旋转后图像'); 二．图像频域变换 （1）傅里叶变换 真彩图像灰度图像傅里叶变换谱程序：I=imread('111.jpg'); figure(1); imshow(I); B=rgb2gray(I); figure(2); imshow(B) D=fftshift(fft2(B)); figure(3); imshow(log(abs(D)),[ ]); （2）离散余弦变换 真彩图灰度图进行离散余弦变换后程序： RGB=imread('111.jpg'); figure(1); imshow(RGB); G=rgb2gray(RGB); figure(2); imshow(G); DCT=dct2(G); figure(3); imshow(log(abs(DCT)),[]); 三．图像增强： （1）指数变换 程序： f=imread('111.jpg') f=double(f); g=(2^2*(f-1))-1; f=uint8(f); g=uint8(g); subplot(1,2,1),subimage(f); subplot(1,2,2),subimage(g); （2）直方图均衡 程序： I=imread('111.jpg'); I=rgb2gray(I); figure subplot(221);imshow(I); subplot(222);imhist(I) I1=histeq(I); figure; subplot(221);imshow(I1) subplot(222);imhist(I1) （3）空域滤波增强 锐化滤波（Roberts算子Sobel算子拉普拉斯算子） I=imread('1.jpg'); R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3); R0 = double(R); G0 = double(G); B0 = double(B); [N1, M1] = size(R); Rlog = log(R0+1); Rfft2 = fft2(R0); sigma1 = 128; F1 = fspecial('gaussian', [N1,M1], sigma1); Efft1 = fft2(double(F1)); sigma2 = 256; F2 = fspecial('gaussian', [N1,M1], sigma2); Efft2 = fft2(double(F2)); sigma3 = 512; F3 = fspecial('gaussian', [N1,M1], sigma3); Efft3 = fft2(double(F3)); DR0 = Rfft2.* Efft1; DR = ifft2(DR0); DRlog = log(DR +1); Rr1 = Rlog - DRlog; DR0 = Rfft2.* Efft2; DR = ifft2(DR0); DRlog = log(DR +1); Rr2 = Rlog - DRlog; DR0 = Rfft2.* Efft3; DR = ifft2(DR0); DRlog = log(DR +1); Rr3 = Rlog - DRlog; Rr = (Rr1 + Rr2 +Rr3)/3; a = 125; II = imadd(R0, G0); II = imadd(II, B0); Ir = immultiply(R0, a); C = imdivide(Ir, II); C = log(C+1); Rr = immultiply(C, Rr); EXPRr = exp(Rr); MIN = min(min(EXPRr)); MAX = max(max(EXPRr)); EXPRr = (EXPRr - MIN)/(MAX - MIN); EXPRr = adapthisteq(EXPRr); Glog = log(G0+1); Gfft2 = fft2(G0); DG0 = Gfft2.* Efft1; 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，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 代码 I=imread('C:\Documents and Settings\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); title('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('average',5),J)/255;% 模板尺寸为5 《数字图像处理》课程设计 课设题目：图像增强与MATLAB实现学校学院：华东交通大学理学院 学生班级：13级信息计算（2）班学生：超 学生学号：20130810010216 指导老师：自柱 图像增强与MATLAB实现 摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。 关键字：图像；图像增强；算法 目录 一、MATLAB的简介 (1) 1.1MATLAB主要功能 (1) 二、MATLAB的主要功能 (1) 2.1数字增强技术概述 (1) 2.2数字图像的表示 (2) 三、直方图的均衡化 (2) 3.1图像的灰度 (2) 3.2灰度直方图 (2) 3.3直方图均衡化 (3) 四、图像二值化 (5) 4.1图像二值化 (5) 五、对比度增强 (7) 5.1对比度增强 (7) 5.2灰度调整 (8) 5.3对数变换 (9) 六、滤波 (10) 6.1平滑滤波 (10) 6.2线性平滑滤波程序： (11) 6.3非线性滤波 (12) 七、锐化 (18) 八、参考文献 (19) 九、自我评价 (20) 一、Matlab的简介 1.1 MATLAB主要功能 MATLAB是建立在向量、数组和矩阵基础上的一种分析和仿真工具软件包，包含各种能够进行常规运算的“工具箱”，如常用的矩阵代数运算、数组运算、方程求根、优化计算及函数求导积分符号运算等；同时还提供了编程计算的编程特性，通过编程可以解决一些复杂的工程问题；也可绘制二维、三维图形，输出结果可视化。目前，已成为工程领域中较常用的软件工具包之一。 二、MATLAB的主要功能 2.1数字增强技术概述 图像增强是按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些信息使得图像更加实用。图像增强技术主要包含直方图修改处理、图像平滑处理、图像尖锐化处理等。 图像增强技术主要包括：直方图修改处理，图像平滑处理，图像尖锐化处理，彩色图像处理。从纯技术上讲主要有两类：频域处理法和空域处理法。 频域处理法主要是卷积定理，采用修改图像傅立叶变换的方法实现对图像的增强处理技术；空域处理法：是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。 图像去雾霭算法及其实现 电气工程及其自动化 学生姓名杨超程指导教师李国辉 摘要雾霭等天气条件下获得的图像，具有图像不清晰，颜色失真等等一些图像退化的现象，直接影响了视觉系统的发挥。因此，为了有效的改善雾化图像的质量，降低雾霭等天气条件下造成户外系统成像的影响，对雾霭图像进行有效的去雾处理显得十分必要。 本设计提出了三种图像去雾算法，一种是基于光照分离模型的图像去雾算法；一种是基于直方图均衡化的图像去雾算法；还有一种是基于暗原色先验的图像去雾算法。并在MATLAB的基础上对现实生活的图像进行了去雾处理，最后对不同的方法的处理结果进行了简要的分析。 关键词：图像去雾光照分离直方图均衡化暗原色先验 Algorithm and its implementation of image dehazing Major Electrical engineering and automation Student Yang Chaocheng Supervisor Li Guohui Abstract Haze weather conditions so as to obtain the image, the image is not clear, the phenomenon of color distortion and so on some image degradation, directly influence the exertion of the visual system. Therefore, in order to effectively improve the atomization quality of the image, reduce the haze caused by outdoor weather conditions such as imaging system, the influence of the haze image effectively it is necessary to deal with the fog. This design introduced three kinds of algorithms of image to fog, a model is based on the separation of light image to fog algorithm; One is the image to fog algorithm based on histogram equalization; Another is based on the dark grey apriori algorithms of image to fog. And on the basis of MATLAB to the real life to deal with the fog, the image of the processing results of different methods are briefly analyzed. Key words:Image to fog Light separation histogram Dark grey 用MATLAB 进行图像处理算法的界面设计 目录 1.设计目的 (3) 2.题目分析 (3) 3.总体设计 (3) 4.具体设计 (5) 5.结果分析 (34) 6.心得体会 (34) 7.附录代码 (36) 1、设计目的:综合运用MATLAB工具箱实现图像处理的GUI程序设计，利用MATLAB图像处理工具箱，设计和实现自己的Photoshop 。 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）设计图形用户界面，让用户能够对图像进行任意的亮度和对比度变化调整，显示和对比变换前后的图像。 3）设计图形用户界面，让用户能够用鼠标选取图像感兴趣区域，显示和保存该选择区域。 4）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的操作，并保存，比较几种插值的效果。 5）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。 6）能对图像加入各种噪声，并通过几种滤波算法实现去噪并显示结果。 7）额外功能。 3、总体设计 图一 软件的总体设计界面布局如上图所示，主要分为2个部分：显示区域与操作区域。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。 在截图中可见，左部为一系列功能按键如“还原”、“撤销”、“截图”等等；界面正中部分为图片显示部分，界面中下方为系列功能切换选择组。 设计完成后运行的软件界面如下： 图二 与图一先比，运行后的界面更为简洁。 利用“编辑”菜单可调出相应的功能键。例如： 基于ｍaｔｌab的图像去雾算法详细讲解与实现-附ｍaｔｌａb 实现源代码 ————————————————————————————————作者: ————————————————————————————————日期： ? 本文主要介绍基于Retiｎex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1Rentinex理论 Retinex(视网膜“Ｒｅｔina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Hｕman Viｓual System）的图像增强理论。该算法的基本原理模型最早是由Ｅdｗin Ｌand(埃德温?兰德）于1９7１年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Ｒeｔｉnex 理论的基本内容是物体的颜色是由物体对长波(红)、中波（绿）和短波（蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响，具有一致性，即Retｉｎex理论是以色感一致性（颜色恒常性)为基础的。 根据Eｄwin Lanｄ提出的理论,一幅给定的图像S(x,y)分解成两幅不同的图像:反射物体图像R(x,y)和入射光图像L(x,y),其原理示意图如图8.3－1所示。 图-1 Retinｅx理论示意图 对于观察图像S中的每个点(ｘ,y）,用公式可以表示为:? S(ｘ,y）＝R(x，y)×Ｌ(x，y) （1.3．1）实际上，Retinｅx理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光Ｌ的性质从而得到物体原本该有的样子。 2 基于Reｔｉｎｅｘ理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即: S'(x，ｙ)=r(ｘ，y)+ｌ(ｘ, ｙ)＝ｌog(Ｒ(ｘ，y))+lｏｇ(Ｌ(x, ｙ))； 步骤二:用高斯模板对原图像做卷积，即相当于对原图像做低通滤波,得到低通滤波后的图像D（x,y）,F(x, y）表示高斯滤波函数： Ｄ（ｘ，y)＝Ｓ(x, y) *F（x, y)； 步骤三:在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x,ｙ）: G(ｘ,y)=S＇(ｘ, y)－log(D(ｘ, ｙ)) ;基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码
图像处理实例(含Matlab代码)
基于MATLAB的图像处理的基本运算
基于Matlab基本图像处理程序
MATLAB中图像函数大全 详解及例子
一些基于matlab的图像处理简单算法
matlab 图像处理报告
matlab图像几何变换和图像增强
基于retinex的图像去雾算法
数字图像去噪典型算法及matlab实现
图像增强及MATLAB实现
图像去雾霭算法及其实现..
MATLAB中GUI在图像处理应用中的设计(包括各种算法)
基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码
相关主题
文本预览