摘要
图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。
因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录
摘要 (2)
一、图像滤波的应用 (4)
二、均值滤波 (5)
2.1 均值滤波的思想
2.2 均值滤波的算法
2.3 均值滤波的实验结果
三、中值滤波 (7)
3.1 中值滤波的思想
3.2 中值滤波的算法
3.3 中值滤波的实验结果
四、维纳滤波 (8)
4.1 维纳滤波的思想
4.2 维纳滤波的算法
4.3 维纳滤波的实验结果
五、小波变换 (9)
5.1 小波变换滤波的思想
5.2 小波变换滤波的算法
5.3 小波变换滤波的实验结果
六、Contourlet变换的图像去噪 (11)
6.1 Contourlet变换的基本思想
6.2Contourlet变换的算法
七、全变差正则化的Shearlet收缩去噪 (12)
7.1 Shearlet收缩去噪原理简介
7.2 Shearlet收缩去噪算法
八、结果分析及自己的收获 (12)
8.1结果分析
8.2自己的收获
参考文献 (13)
一、图像滤波的应用
图像是信息社会人们获取信息的重要来源之一。在现实世界中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，因此我们不得不从各种角度进行探索以提高图像的质量。采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。
为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。与之相适应的出现了许多应用方法：如均值滤波器、中值滤波器、低通滤波器、维纳滤波器、最小失真法等。这些方法广泛应用，促进了数字信号处理的极大发展。显著提高了图像质量。近年来，小波变换去除噪声的方法得到广泛的应用。与传统的去噪方法相比。它利用的是非线性域值，在时间域和频率域同时具有良好的局部化性质，而且时窗和频窗的宽度可以调节。对高频成分采用逐渐精细的时域或空域取样步长，从而可以聚焦到对象的任意细节。因此可以提高散斑高散射特性的噪声对比度，很好的消除散斑噪声[9]。小波变换去除噪声的方法在不断地发展，去噪方法很多，如非线性小波变换阈值法去噪、小波变换模极大值去噪及基于小波变换域的尺度相关性去噪法等。
二、均值滤波
2.1均值滤波的基本思想
是将某像素邻域内的各点的灰度平均值来代替该像素原来的灰度级。通常邻域都取成N*N的方形窗口, 其降噪平滑后的图像为
其中, s 是点(x,y)邻域内的点集,M是点集S中的总点数。
将算术均值滤波器作一改进, 将某像素邻域内的各点的灰度加权平均值来代替该像素原来的灰度值,得到加权均值滤波。从权值上看, 灰度越接近中心像素其权值越大。加权平均的算法可表示为
其中，w(i,j) 是权值, 表示其所起作用的大小。
2.2 均值滤波的算法
用MATLAB设计均值滤波算法为：
（1）高斯噪声
sample=imread('lenna.jpg');
sgray=rgb2gray(sample);
I=imnoise(sample,'gaussian',0,0.005);
Igray=rgb2gray(I);
subplot(3,2,1);imshow(sgray);title('原始图像');
subplot(3,2,2);imshow(Igray);title('加入高斯噪声后的图像');
K1=filter2(fspecial('average',3),Igray)/255;
K2=filter2(fspecial('average',5),Igray)/255;
K3=filter2(fspecial('average',7),Igray)/255;
K4=filter2(fspecial('average',9),Igray)/255;
subplot(3,2,3);imshow(K1);title('模板尺寸为3*3的滤波后图像’);
subplot(3,2,4);imshow(K2);title('模板尺寸为5*5的滤波后图像');
subplot(3,2,5);imshow(K3);title('模板尺寸为7*7的滤波后图像');
subplot(3,2,6);imshow(K4);title('模板尺寸为9*9的滤波后图像');
（2）椒盐噪声
sample=imread('lenna.jpg');
sgray=rgb2gray(sample);
I=imnoise(sample,'salt & pepper',0.02);
Igray=rgb2gray(I);
subplot(3,2,1);imshow(sgray);title('原始图像');
subplot(3,2,2);imshow(Igray);title('加入椒盐噪声后的图像');
K1=filter2(fspecial('average',3),Igray)/255;
K2=filter2(fspecial('average',5),Igray)/255;
K3=filter2(fspecial('average',7),Igray)/255;
K4=filter2(fspecial('average',9),Igray)/255;
subplot(3,2,3);imshow(K1);title('模板尺寸为3*3的滤波后图像’);
subplot(3,2,4);imshow(K2);title('模板尺寸为5*5的滤波后图像’);
subplot(3,2,5);imshow(K3);title('模板尺寸为7*7的滤波后图像’);
subplot(3,2,6);imshow(K4);title('模板尺寸为9*9的滤波后图像’);
2.3均值滤波的实验结果
（1）高斯噪声的滤波结果
结果分析：通过通过图像的识别率可以看出：模板越大去噪效果越好，但图像模糊度也随之增加。
（2）椒盐噪声去噪结果
由图可得：模板越大，去噪效果越好，因此使用均值滤波去噪时选用的模板尺寸（邻域半径）越大效果越好。
三、中值滤波
3.1中值滤波的基本思想
此方法是用该像素的相邻像素的灰度中值来代替像素值。是一种典型的排序滤波器。
3.2中值滤波的MATLAB算法
用MATLAB设置中值滤波算法为：
sample=imread('lenna.jpg');
sgray=rgb2gray(sample);
I1=imnoise(sample,'salt & pepper',0.02);
Igray1=rgb2gray(I1);
I2=imnoise(sample,'gaussian',0,0.005);
Igray2=rgb2gray(I2);
K1=medfilt2(Igray1);
K2=medfilt2(Igray2);
subplot(2,3,1);imshow(sgray);title('原始图形');
subplot(2,3,2);imshow(Igray1);title('加椒盐噪声后的图像');
subplot(2,3,3);imshow(Igray2);title('加高斯噪声后的图像');
subplot(2,3,4);imshow(K1);title('中值滤波1（椒盐）');
subplot(2,3,5);imshow(K2);title('中值滤波2（高斯）');
3.3中值滤波的实验结果
通过结果可以看出，中值滤波对于椒盐噪声的去噪能力比对高斯噪声的去噪能力好。
四、维纳滤波
4.1维纳滤波的基本思想
假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，维纳根据最小均方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求得了最佳线性滤波器的参数，这种滤波器被称为维纳滤波器。
维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。对某些问题，还可求出滤波器传递函数的显式解，并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的情况，对于向量情况应用也不方便。因此，维纳滤波在实际问题中应用不多。
实现维纳滤波的要求是：
（1）输入过程是广义平稳的；
（2）输入过程的统计特性是已知的。
4.2维纳滤波的算法
维纳滤波的MATLAB算法为：
sample=imread('lenna.jpg');
sgray=rgb2gray(sample);
I1=imnoise(sample,'salt & pepper',0.02);
Igray1=rgb2gray(I1);
I2=imnoise(sample,'gaussian',0,0.005);
Igray2=rgb2gray(I2);
K1=wiener2(Igray1,[3 3]);
K2=wiener2(Igray2,[3 3]);
subplot(2,3,1);imshow(sgray);title('原始图像');
subplot(2,3,2);imshow(Igray1);title('加椒盐噪声后的图像');
subplot(2,3,3);imshow(Igray2);title('加高斯噪声后的图像');
subplot(2,3,4);imshow(K1);title('维纳滤波1（椒盐）');
subplot(2,3,5);imshow(K2);title('维纳滤波2（高斯）');
4.3维纳滤波的实验结果
通过实验结果可以看出：维纳滤波具有较大的局限性，但其对高斯噪声的去噪效果相对较好。
五、小波变换
5.1小波变换滤波的基本思想
近年来,小波理论得到了非常迅速的发展,由于其良好的时频特性,实际应用非常广泛,将小波用于去噪也得到很多学者的重视。小波去噪利用了不同中心频率的带通滤波器对信号滤波,把主要反映噪声频率的那些尺度的系数去掉,再把剩余各尺度的系数综合起来做反变换,从而使噪声得到较好的抑制。小波变换具有时频局域化特性,能够检测到局部突变的边缘特性,而且可将图像结构和纹理分别表现在不同分辨率层次上。
其中，小波域值算法是利用信号和噪声小波系数幅值上的差异, 通过选择合适的域值对小波系数进行处理,以达到去除噪声又保留有用信号的目的。此方法中, 小波系数域的处理方法及阈值的估计是两个关键技术。在此方法基础上又开发出了,基于Bayes 方法的小波去噪和基于假设检验的小波去噪。
5.2小波变换滤波的算法
小波变换的MATLAB算法为：
X=imread('lenna.jpg');
I=rgb2gray(X);
J=imnoise(I,'gaussian',0,0.005);
[c,l]=wavedec2(J,2,'sym4');
J1= wrcoef2('a',c,l,'sym4',1);
J2= wrcoef2('a',c,l,'sym4',2);
[thr,sorh,keepapp] = ddencmp('den','wv',J);
J3=wdencmp('gbl',J,'sym4',1,thr,sorh,keepapp);
J4=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp);
J5=medfilt2(J3);
J6=medfilt2(J4);
figure;
subplot(2,3,1);imshow(I);title('原始图像');
subplot(2,3,2);imshow(J);title('加入高斯噪声后的图像'); subplot(2,3,3);image(J1);title('第一次wrcoef2去噪'); subplot(2,3,4);image(J2);title('第二次wrcoef2去噪'); subplot(2,3,5);image(J3);title('第一次阈值去噪图像'); subplot(2,3,6);image(J4);title('第二次阈值去噪图像'); figure;
subplot(2,3,1);imshow(I);title('原始图像');
subplot(2,3,2);imshow(J);title('加入高斯噪声后的图像'); subplot(2,3,4);image(J5);title('第二次滤波1');
subplot(2,3,5);image(J6);title('第二次滤波2');
5.3通过小波变换滤波的实验结果
通过小波分解的图像以及全局阈值滤波后的图像如下所示：
将经过小波变换并经过全局阈值处理的图像再用中值滤波进行第二次滤波，以加强滤波效果。结果如下所示：
六、 Contourlet 变换的图像去噪
6.1 Contourlet 变换的基本思想
Contourlet 变换可以满足曲线的各向异性尺度关系，能够很好地抓住图像的几何结构。Contourlet 变换是一种新的图像二维表示方法，具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质，其基函数分布于多尺度、多方向上，少量系数即可有效地捕捉图像中的边缘轮廓，而边缘轮廓正是自然图像中的主要特征。
Contourlet 变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点，再根据方向信息将位置相近的奇异点汇集成轮廓段。选用Burr 和Adelson 于1983年提出的拉普拉斯塔式滤波器结构(LP)对图像多分辨率分解来捕捉奇异点。
6.2 Contourlet 变换的算法
由于Contourlet 变换缺乏平移不变性"因此在应用它进行去噪时会带来人为的视觉效果。为克服这些人为视觉效果"这里引入了基于循环平移的平移不变Contourlet 去噪算法。 假设含噪图像f(i,j),0<=i,j<=N 。定义F 为平移n 位的平移算子
)]mod(),[()],([N n j n i f j i f F n ++=
由于F 是一一对应的"所以其反变换因子可以设为1
--=n n F F ，一幅图像中包含许多奇异点"对某个奇异点来说是效果最佳的平移量"而对另一个奇异点来说效果可能很差。为了解决这个问题"在一定范围内进行循环平移运算"再将平移运算的所有结果求平均值。 具体算法描述如下：
1） 对含噪图像f(i,j)进行循环平移；
2） 对每次平移后的图像做离散Contourlet 变换，可以得到各尺度各方向上的Contourlet 变换系数c 。
3） 对Contourlet 变换系数c 进行阈值处理，得到去噪后的系数c^。
4） 利用c^进行离散Contourlet 反变换，得到去
噪后图像f^。
七、 全变差正则化的Shearlet 收缩去噪
7.1 Shearlet 收缩去噪原理简介
收缩法是变换域中最为广泛的图像去噪方法。阈值收缩主要基于以下事实，比较大的系数一般都是以实际信号为主，而比较小的系数则很大程度上是噪声。即在系数中，低频分量中含有大量的信息，应该给予保留；同时在高频分量中，一些绝对值大的重要的系数并不是噪声，而是边缘信息，也应保留。
硬阈值收缩法的收缩函数为：
??????????<>=T x T x x x S n
0)( 式中r 为收缩的阈值。硬阈值是将绝对值小于阈值的系数置为零，而将绝对值大于阈值的系数不加任何处理给予保留。硬阈值的优点是运算速度快，能取得较好的去噪效果。但由于其收缩函数是不连续的，所以在图像中会产生许多“人为”噪声，图像会出现振铃、伪吉布斯效应等视觉失真。图3给出了硬阈值函数示意图。图中的小正方形是代表绝对值小于阈值的系数，因为在硬阈值处理中将小于阈值的系数直接置零，这样就丢失了图像的一部分信息。 伪吉布斯现象可以视为一种整体振荡，而全变差正则化对整体振荡有很好的抑制作用。为了避免硬阈值收缩去噪丢失的图像信息，以及更好地消除伪吉布斯现象，本文引入全变差正则化。
7.2 Shearlet 收缩去噪算法
1)Shearlet 硬阈值估计
(1)对含噪图像进行Shearlet 变换，得到shearlet 系数)(^,f d l j 和尺度系数)(^,f C l j ；
(2)对Shearlet 系数进行硬阈值去噪，用M 来表示保留系数的指标集。
(3)用Shearlet 反变换得到图像的初始估计f ’。
2)迭代修正
初始化1max =L ，N 代表迭代次数，max 0L =λ，N L d i /max =。
(1)计算)(f J β的次梯度)()(n f f
J β?； (2)将)()(n f f J β?投影到V 空间得到))(()(n f V f J P β
?； (3)利用式(13)计算))(()()1(n f V n n n f J P f f
βλ?-=+； (4)n=n+l ，λλλd n n -=+1，当0≥n λ时转至步骤2)中第(1)步循环执行，否则结束迭代退出循环。
八、 结果分析及自己的收获
8.1结果分析
通过所有滤波设计及结果对比，我们可以得到：
在处理服从高斯分布的一类噪声时，维纳滤波与中值滤波去除效果较好一些；中值滤波对于去除椒盐噪声效果好，而维纳滤波去除效果差，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。
而且均值滤波，中值滤波都在一定程度上模糊了图像边缘，提高滤波效果是以模糊边缘为代价的。
小波分解可以把图像分层次按照小波基展开，并且可以根据图像的性质及给定的处理标准确定展开到哪一级为止，还可以把细节分量和近似分量分开。
由图可得：wrcoef 2 和wpdencmp等函数可以有效地进行去噪处理。
而且在小波变换的基础上再利用中值滤波可以进一步增加去噪效果。因此对边缘具有很好的保留,不会模糊边缘。因此滤波效果最好。
在分析过程中可以看出，针对不同类型的噪声需要相应的滤波去噪算法才能取得较好的效果，才能使后续的图像处理工作得以更加优质的进行。
8.2自己的收获
通过这次对图像滤波去噪处理的了解，以及对所有方法基本思想的了解，进一步激发了自己对该课题的兴趣，也拓宽了自己的知识面，也巩固了自己所学的数字信号处理方面相关的知识。
在整个课题中，通过对不同的去噪算法的分析，以及结果的比较，更好地了解了在不同
情况下应利用不同的方法来解决问题，了解每一个滤波器的优缺点，在遇到不同问题时，可以根据各个滤波方法的优缺点选择合适的滤波方法，从而使我们的效果达到最好，在了解滤波器的原理的过程中，我了解到许多数字信号处理的知识。对于数字图像信号，噪声表现为或大或小的极值，这些极值通过加减作用于图像象素的真实灰度值上，在图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图识别等后继工作的进行。要构造一种有效抑制噪声的滤波机必须考虑两个基本问题能有效地去除目标和背景中的噪声;同时，能很好地护图像目标的形状、大小及特定的几何和拓扑结构特征。图像频率域去噪方法是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的，例如小波变换。
通过这次综述，对图像的处理有了进一步的理解，并学会了在网上查找自己所需的资料，可以很好的有利于自己理解自己所做的课题以及各种算法的利弊。
参考文献：
[1] 胡海智，孙辉，邓承志，陈习，柳枝华．全变差正则化的she盯let收缩去噪[J]．中国图象图形学报，20ll，16(2)：l醴-173
[2] 郭蕾，田松，许悦雷，等．一种小波自适应比例萎缩去噪改进算法[J]．电视技术，2012，36(1I)
[3]Yi S;Labate D;Easley G R A shearlet approach to edge analysis and detection 2009(05)
[4] 胡海智.孙辉.邓承志.陈习.柳枝华.占惠星.HU Hai-zhi.SUN Hui.DENG Cheng-zhi.CHEN Xi.LIU Zhi-hua.ZHAN,Hui-xing 基于Shearlet变换的图像去噪算法[期刊论文]-计算机应用2010,30(6)
[5] 夏良正．数字图像处理[M]南京：东南大学出版社，1999
[6]Jeong B．Lee Y H． Design of weighted order statistic fIIterusing the perception aIgorilhm[J]．IEEE Transactions on Signal Processjng，1994
[7]谢杰成，张大力，徐文立．小波去噪综述[J]．中国图象图形学报，2002，7(3)
[8] 费佩燕，郭宝龙．基于多小波的去噪技术研究[J]．中国图象图形学报，2005，10(1)
[9]Levent Sendur , I. van W. Selesnick. Bivariate shrinkage functions for wavelet2based denoising exploiting interscale dependency [ J ] . IEEE Trans. Signal Processing , 2002 , 50(11) : 2744～2756
[10]梁栋;沈敏;高清维一种基于Contourlet递归Cycle Spinning的图像去噪方法[期刊论文]-电子学报 2005(11)
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。
1 改变图像质量的几种滤波方法比较 一、概述 滤波是图像处理重要技术之一，是提高图像质量的主要手段。对输入的图像实现直方图均衡化；设计完成同态滤波器，并用之改善图象质量；对某图像加入不同类型﹑不同强度的噪声（周期﹑椒盐噪声），并分别用空间域和频率域的方法抑制噪声。 二、图像处理过程 1.直方图均衡化 输入一幅图片，统计原图直方图数组，用一个数组hf 记录hf(i)；i 从0到255，令pa(i)=pa(i-1)+hf(i)，其中hf(i)为灰度值为i 的像素点占总像素点的概率；一个数组F 记录新的索引值，即令F(i,j)= (pa(f(i,j)+1))*255；依次循环每一个像素，取原图的像素值作为数组F 的下标值，取该下标对应的数组值为均衡化之后的像素值。结果显示原图图像、原图直方图，均衡化后的图像和直方图，并用于对比。 其中图像中灰度级出现的概率近似为： ()n n r p k k r =，k=0,1,2,…,L -1。而变换函数为：00()(),0,1,2,,1 k k j k k r j j j n s T r p r k L n ======-∑∑ 2.巴特沃斯同态滤波器： 图像f(x,y)是由光源照度场(入射分量)fi(x,y)和场景中物体反射光(反射分量)的反射场fr(x,y)两部分乘积产生，关系式为： f(x,y)=fi(x,y)*fr(x,y); fi(x,y)的性质取决于照射源，fr(x,y)取决于成像物体的特性。一般情况下,照度场f i ( x , y) 的变化缓慢,在频谱上其能量集中于低频;而反射场f r ( x , y) 包含了所需要的图像细节信息,它在空间的变化较快,其能量集中于高频. 这样就可以根据照度—反射模型将图像理解为高频分量与低频分量乘积的结果。由于两个函数乘积的傅立叶变换是不可分的，故不能直接对照度和反射的频率部分分别进行操作。
实验四、频域滤波 一、实验目的 1．了解频域滤波的方法； 2．掌握频域滤波的基本步骤。 二、实验内容 1．使用二维快速傅立叶变换函数fft2( )及其反变换函数ifft2( )对图象进行变换； 2．自己编写函数生成各种频域滤波器； 3．比较各种滤波器的特点。 三、实验步骤 1．图象的傅立叶变换 a.对图象1.bmp 做傅立叶变换。 >> x=imread(‘1.bmp’); f=fft2(x); imshow(real(f)) %显示变换后的实部图像 figure f1=fftshift(f); imshow(real(f1))
变换后的实部图像 中心平移后图像 b.对图象cameraman.tif 进行傅立叶变换，分别显示变换后的实部和虚 部图象。 思考：
对图象cameraman.tif 进行傅立叶变换，并显示其幅度谱|F(U,V)|。结果类似下图。 显示结果命令imshow（uint8（y/256）） 程序如下： x=imread('cameraman.tif'); f=fft2(x); f1=fftshift(f); y0=abs(f); y1=abs(f1); subplot(1,3,1),imshow(x) title('sourceimage') subplot(1,3,2),imshow(uint8(y0/256)) title('F|(u,v)|') subplot(1,3,3),imshow(uint8(y1/256)) title('中心平移')
2．频域滤波的步骤 a.求图象的傅立叶变换得F=fft2(x) b.用函数F=fftshit(F) 进行移位 c.生成一个和F 一样大小的滤波矩阵H . d.用F和H相乘得到G , G=F.*H e.求G的反傅立叶变换得到g 就是我们经过处理的图象。 这其中的关键就是如何得到H 。 3．理想低通滤波器 a.函数dftuv( )在文件夹中，它用生成二维变量空间 如：[U V]=dftuv(11,11) b.生成理想低通滤波器 >>[U V]=dftuv(51,51); D=sqrt(U.^2+V.^2); H=double(D<=15); Mesh(U,V,H) c.应用以上方法，对图象cameraman.tif进行低通滤波;
实验三常用图像滤波方法 一、实验目的 1、熟悉并掌握MATLAB图像处理工具箱的使用； 2、理解并掌握常用的图像的滤波技术。 二、实验环境 MATLAB 6.5以上版本、WIN XP或WIN7计算机 三、相关知识 1 imnoise imnoise函数用于对图像生成模拟噪声，如： i=imread('e:\w01.tif'); j=imnoise(i,'gaussian',0,0.02);模拟均值为0方差为0.02的高斯噪声，j=imnoise(i,'salt&pepper', 0.04) 模拟叠加密度为0.04的椒盐噪声 2 fspecial fspecial函数用于产生预定义滤波器，如： h=fspecial('sobel');%sobel水平边缘增强滤波器 h=fspecial('gaussian');%高斯低通滤波器 h=fspecial('laplacian');%拉普拉斯滤波器 h=fspecial('log');%高斯拉普拉斯（LoG）滤波器 h=fspecial('average');%均值滤波器 3 基于卷积的图像滤波函数 imfilter函数，filter2函数，二维卷积conv2滤波,都可用于图像滤波，用法类似，如： i=imread('e:\w01.tif'); h=[1,2,1;0,0,0;-1,-2,-1];%产生Sobel算子的水平方向模板
j=filter2(h,i); 或者： h = fspecial(‘prewitt’) I = imread('cameraman.tif'); imshow(I); H = fspecial('prewitt‘); %预定义滤波器 M = imfilter(I,H); imshow(M) 或者： i=imread('e:\w01.tif'); h=[1,1,1;1,1,1;1,1,1]; h=h/9; j=conv2(i,h); 4 其他常用滤波举例 （1）中值滤波 medfilt2函数用于图像的中值滤波，如： i=imread('e:\w01.tif'); j=medfilt2(i，[M N]);对矩阵i进行二维中值滤波，领域为M*N，缺省值为3*3 （2）利用拉氏算子锐化图像, 如: i=imread('e:\w01.tif'); j=double(i); h=[0,1,0;1,-4,0;0,1,0];%拉氏算子 k=conv2(j,h,'same');
几种中值滤波去噪方法分析 在数字图像的转换、存储和传输等过程中，经常性由于电子设备工作环境的不稳定，由于设备中含有一些污染物等原因，导致数字图像中一些像素点的灰度值发生非常大的变化，变得非常小或者非常大；而且大气环境很容易干扰无线数据传输，从而让传输信号混入噪声，接收到的无线信号恢复成传输过来的数字图像较原图像相比也会有很大的不同。在这些过程中，椒盐噪声很容易就会对数字图像造成感染。客户满意的数字图像尽可能少或者没有受到椒盐噪声的污染。所以我们需要去噪处理。 在现阶段处理椒盐噪声方面的研究成果方面，因为中值滤波有其非线性的特性，对比其他线性滤波方法可以取得更好的效果，同切同时还可以更好的保留图像的边缘信息。很多学者在研究通过中值滤波消除椒盐噪声的影响，希望可以得到更好的去噪效果。 第一节标准中值滤波方法 标准中值滤波是把这个窗口内的像素点按灰度值大小进行排列，把灰度值的平均值当作标准值。 我们以一个8位的图像作为例子，因为椒盐噪声会让受影响的像素点灰度值改为亮点，即灰度值为255；或者暗点，即灰度值为0。我们在排序的时候，把收到污染的像素点的灰度值大小排列出来，取中间值为所有噪点值，那么就可以消除噪声污染对这个点的影响。其具体步骤如下： ①把窗口在图像中滑动，然后让窗口中心与某一像素点重合 ②记录下窗口中所有像素点的灰度值 ③将这些灰度值从小到大排序 ④记录下该灰度值序列中间的值 ⑤将所记录下的中间值替代窗口中心像素点的灰度值 因为中值滤波的输出灰度值大小是由窗口的中值大小所决定的，所以中值滤
波对于窗口内脉冲噪声远远没有均值滤波敏感。因此相对于均值滤波，中值滤波可以在有效去除脉冲噪声的同时，减小更多的模糊图像。由于由于中值滤波所采用的窗口大小会直接决定去噪效果和图像模糊程度，而且图像去噪后的用途也就决定了窗口的形式。以5*5窗口为例，常见的形状如图2.1所示： 图 2.1 常见的尺寸为5*5的中值滤波窗口 尽管标准中值滤波方法称得上是现在市面上的一种最简单有效的去除椒盐噪声的方法。但是它判断像素点是否被噪声影响的机制不明确，尽管采用该方法时已经对所有像素点进行了一次滤波操作，还是会在一定程序上对图像的边缘、细节信息产生破坏。 第二节带权值的中值滤波方法 Brownrigg提出了一种改进的中值滤波方法：带权值的中值滤波方法。这个滤波的步骤和SM基本一样，不同的地方在于：WM在排序取中值的时候要在
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 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 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 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');
龙源期刊网 https://www.doczj.com/doc/3a16880797.html, 常用图像去噪方法比较及其性能分析 作者：孟靖童王靖元 来源：《信息技术时代·下旬刊》2018年第02期 摘要：本文介绍了噪声的分类模型，之后又分别介绍了空间域去噪、傅里叶去噪算法以及小波去噪中的部分算法，并分别对相似算法进行了分析比较。同时为了更好的比较出各算法之间的去噪差别针对其中部分去噪算法进行了用matlab的实现，比较了去噪的效果。 关键词：数字图像；噪声；滤波 一、引言 随着当今社会数字化的普及，人们传递图像信息的方式已经从之前单纯的实物传递变为当今的数字图像的传递。然而由于各种原因会导致数字图像真实性减弱。针对这种问题，数字图像处理技术应运而生。数字图像处理技术的产生，不仅满足了人们的视觉，同时经过处理的图像还可以更好的应用于图像加密，图像识别等领域。 二、空间域去噪算法 （一）均值滤波去噪 通过计算某一滤波目标区域内的算数平均值来替代目标区域中心所对应的像素值的方法来达到去除噪声的目的。而加权均值滤波则是在原有均值滤波的基础上，通过对某些更趋进于真实像素的点进行加权的方法来达到更好的去噪效果，使最终区域中心像素更加趋近于真实像素。 利用均值滤波可以很好的去除由高斯噪声带来的对于图像的影响，然而对于由于椒盐噪声带来的对于图像的影响，均值滤波去除的效果并不很好。同时，由于均值滤波的算法是通过取目标范围内一小区域中点灰度值的平均值，来决定区域中心点灰度值的，所以不可避免的造成图像经过均值滤波后会导致图像部分原始真实细节被滤掉，造成视觉上细节不清楚的情况。并且所取范围越大，图像中细节部分越不清晰，图像越平滑。 （二）中值滤波去噪 通过求区域中心点及其周围点灰度值的中值，来代替该中心点的灰度值。因此利用中值去噪的方法可以较好的弥补均值滤波对于图像边缘不清晰处理的缺点。然而由于中值滤波对于所选滤波区域的选择要求较高，因此对于滤波区域大小形状的选择需要根据具体图像来确定。此外，与均值滤波相比，中值滤波对于椒盐噪声的处理比对于高斯噪声的处理更好。 （三）维纳滤波去噪
图像去噪 甘俊霖 噪声是图像干扰的重要原因。一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。因此，正是为了处理这种问题，是有噪声的图片变得更加清晰，人们研究出各种各样的方式去除图像中的噪声。 首先，为了让本报告易懂，我先解释几个名词的含义。 线性滤波算法：利用图像原始的像素点通过某种算术运算得到结果像素点的滤波算法，如均值滤波、高斯滤波，由于线性滤波是算术运算，有固定的模板，因此滤波器的算法函数是确定并且唯一的。 非线性滤波算法：原始数据域处理结果数据之间存在的是一种逻辑关系，即采用逻辑运算实现的，如最大值滤波器、最小值滤波器、中值滤波器，通过比较领域内灰度值大小来实现的，它没有固定的模板和特定的转移函数。 高斯噪声：噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以采用线性滤波器滤除掉。 椒盐噪声：类似把胡椒和盐撒到图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声。椒盐噪声可以认为是一种逻辑噪声，采用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。 白噪声：指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等。由于白光是各个频率的单色光混合的，因此我们把这种性质叫做“白色的”，就把这种噪声称作白噪声。 现在介绍，我采用的去噪算法。 （1）均值滤波：均值滤波是典型的线性滤波算法。其采用的主要方法为领域平均法，即对待处理的某个像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，
数字图像处理高通滤波器 姓名：*** 学号：********** 高通滤波是常见的频域增强的方法之一。高通滤波与低通滤波相反，它是高频分量顺利通过，使低频分量受到削弱。这里考虑三种高通滤波器：理想高通滤波器、巴特沃斯高通滤波器和高斯高通滤波器。这三种滤波器涵盖了从非常尖锐(理想)到非常平坦(高斯)范围的滤渡器函数，其转移函数分别为： 1、理想高通滤波器（IHPF ） ),(),(10),(D v u D D v u D v u H >≤???= 2、巴特沃斯高通滤波器（BHPF ） n v u D D v u H 20),()12(11),(?? ????-+= 3、高斯高通滤波器（GHPF ） 2022/v ,u D 1),(D e v u H ）（--= 一、数字图像高通滤波器的实验过程： 1、理想高通滤波器程序 clear all ;clc; image = imread('test.jpg'); gimage_15 = func_ihpf(image,15); gimage_30 = func_ihpf(image,30); gimage_80 = func_ihpf(image,80); figure subplot(221),imshow(image); title('Original'); subplot(222),imshow(gimage_15); title('d0=15'); subplot(223),imshow(gimage_30); title('d0=30'); subplot(224),imshow(gimage_80); title('d0=80'); %被调函数子函数G(u,v)=F(u,v)H(u,v) function gimage = func_ihpf(image,d0) image = double(image); f = fftshift(fft2(image)); [M,N]=size(f); a0 = fix(M/2);
图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。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。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。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、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泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法
是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在 f?sf(x,y),其中,s为模板,M为该点上的灰度g(x,y),即g x,y=1 M 该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。
昆明理工大学信息工程与自动化学院学生实验报告 （2015—2016学年第一学期） 课程名称：图形图像基础程序设计开课实验室： 2015年 12月 1 日 一、实验目的及内容 目的：掌握和熟悉Matlab编程环境及语言；掌握图像降噪算法和用途。 内容： 在课程教学和查阅相关文献资料的基础上，选择下面一个数字图像处理技术专题，实现相应算法进行仿真实验，并完成大作业报告。专题如下： (1)图像增强处理技术； (2)图像降噪处理技术。 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）通过自己输入数值，实现图像的旋转。 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）能对图像加入各种噪声， 5)并通过几种滤波算法实现去噪并显示结果。 6）将图像转化成灰度图像。
3.总体设计 软件的总体设计界面布局如上图所示 分为显示区域与操作区域。 上边为显示区域：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。 设计完成后运行的软件界面如下：
4、具体设计 现介绍各个功能模块的功能与实现。 4.1图像的读取和保存： （1）利用matlab中“ uigetfile”、“imread”“imshow”实现图像文件的读取与显示： 实现代码： function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
摘要 图像是信息社会人们获取信息的重要来源之一。在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。 因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录 摘要 (2) 一、图像滤波的应用 (4) 二、均值滤波 (5) 2.1 均值滤波的思想 2.2 均值滤波的算法 2.3 均值滤波的实验结果 三、中值滤波 (7) 3.1 中值滤波的思想 3.2 中值滤波的算法 3.3 中值滤波的实验结果 四、维纳滤波 (8) 4.1 维纳滤波的思想 4.2 维纳滤波的算法 4.3 维纳滤波的实验结果 五、小波变换 (9) 5.1 小波变换滤波的思想 5.2 小波变换滤波的算法 5.3 小波变换滤波的实验结果 六、Contourlet变换的图像去噪 (11) 6.1 Contourlet变换的基本思想 6.2Contourlet变换的算法 七、全变差正则化的Shearlet收缩去噪 (12) 7.1 Shearlet收缩去噪原理简介 7.2 Shearlet收缩去噪算法 八、结果分析及自己的收获 (12) 8.1结果分析 8.2自己的收获 参考文献 (13)
实践二:理想高通滤波器、Butterworth高通滤波器、高斯高通滤波器 2.1.1理想高通滤波器实践代码： I=imread(''); subplot(221),imshow(I); title('原图像'); s=fftshift(fft2(I)); subplot(223), imshow(abs(s),[]); title('图像傅里叶变换所得频谱'); subplot(224), imshow(log(abs(s)),[]); title('图像傅里叶变换取对数所得频谱'); [a,b]=size(s); a0=round(a/2); b0=round(b/2); d=10; p=;q=; fori=1:a forj=1:b distance=sqrt((i-a0)^2+(j-b0)^2); ifdistance<=dh=0; elseh=1; end; s(i,j)=(p+q*h)*s(i,j); end; end; s=uint8(real(ifft2(ifftshift(s)))); subplot(222), imshow(s);title('高通滤波所得图像'); I=imread(''); [f1,f2]=freqspace(size(I),'meshgrid'); Hd=ones(size(I)); r=sqrt(f1.^2+f2.^2); Hd(r<=0; figure surf(Hd,'Facecolor','interp','Edgecolor','none','Facelighting','phong');%画三维曲面（色）图 2.1.2理想高通滤波器实践结果截图： 2.2.1Butterworth高通滤波器实践代码： I1=imread(''); subplot(121),imshow(I1);
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
《MATLAB图像滤波去噪分析及其应用》,双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波、Wiener 滤波、Kuwahara滤波、Beltrami流滤波、Lucy Richardson滤波、NoLocalMeans滤波等研究内容。 《MATLAB图像滤波去噪分析及其应用》全面而系统地讲解了MATLAB图像滤波去噪分析及其应用;结合算法理论,详解算法代码（代码全部可执行且验证通过）,以帮助读者更好地学习本书内容。对于网上讨论的大部分疑难问题,本书均有涉及。 第1章图像颜色空间相互转换与MATLAB实现 1．1图像颜色空间原理 1．1．1RGB颜色空间 1．1．2YCbCr颜色空间 1．1．3YUV颜色空间 1．1．4YIQ颜色空间 1．1．5HSV颜色空间 1．1．6HSL颜色空间 1．1．7HSI颜色空间 1．1．8CIE颜色空间 1．1．9LUV颜色空间 1．1．10LAB颜色空间 1．1．11LCH 颜色空间 1．2颜色空间转换与MATLAB实现 1．2．1图像YCbCr与RGB空间相互转换及MATLAB实现 1．2．2图像YUV与RGB空间相互转换及MATLAB实现 1．2．3图像YIQ与RGB空间相互转换及MATLAB实现 1．2．4图像HSV与RGB空间相互转换及MATLAB实现 1．2．5图像HSL与RGB空间相互转换及MATLAB实现 1．2．6图像HSI与RGB空间相互转换及MATLAB实现 1．2．7图像LUV与RGB空间相互转换及MATLAB实现 1．2．8图像LAB与RGB空间相互转换及MATLAB实现 1．2．9图像LCH 与RGB空间相互转换及MATLAB实现 第2章图像噪声概率密度分布与MATLAB实现 2．1噪声概率密度分布函数 2．1．1均匀分布 2．1．2正态分布 2．1．3卡方分布 2．1．4F分布 2．1．5t分布 2．1．6Beta分布 2．1．7指数分布 2．1．8Gamma分布 2．1．9对数正态分布 2．1．10瑞利分布 2．1．11威布尔分布
数字图像处理高通滤波器 姓名:*** 学号:********** 高通滤波就是常见的频域增强的方法之一。高通滤波与低通滤波相反,它就是高频分量顺利通过,使低频分量受到削弱。这里考虑三种高通滤波器:理想高通滤波器、巴特沃斯高通滤波器与高斯高通滤波器。这三种滤波器涵盖了从非常尖锐(理想)到非常平坦(高斯)范围的滤渡器函数,其转移函数分别为: 1、理想高通滤波器(IHPF) ),(),(10),(D v u D D v u D v u H >≤???= 2、巴特沃斯高通滤波器(BHPF) n v u D D v u H 20),()12(11),(?? ????-+= 3、高斯高通滤波器(GHPF) 2022/v ,u D 1),(D e v u H ）（--= 一、数字图像高通滤波器的实验过程: 1、理想高通滤波器程序 clear all ;clc; image = imread('test 、jpg'); gimage_15 = func_ihpf(image,15); gimage_30 = func_ihpf(image,30); gimage_80 = func_ihpf(image,80); figure subplot(221),imshow(image); title('Original'); subplot(222),imshow(gimage_15); title('d0=15'); subplot(223),imshow(gimage_30); title('d0=30'); subplot(224),imshow(gimage_80); title('d0=80'); %被调函数子函数G(u,v)=F(u,v)H(u,v) function gimage = func_ihpf(image,d0) image = double(image); f = fftshift(fft2(image)); [M,N]=size(f); a0 = fix(M/2); b0 = fix(N/2); for i=1:M for j=1:N
中值滤波原理及MATLAB实现 摘要：图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。本文将纯净的图像加入椒盐噪声,然后采用中值滤波的方法对其进行去噪。中值滤波是一种常用的非线性信号处理技术，在图像处理中，它对滤除脉冲干扰噪声最为有效。文章阐述了中值滤波的原理、算法以及在图像处理中的应用。MATLAB 是一种高效的工程计算语言，在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。 关键词：图像,中值滤波,去噪,MATLAB 1.引言 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。 为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤波器,低通滤波器,维纳滤波器,最小失真法等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。 2.中值滤波 在图像滤波中，常用的方法是线性滤波技术和非线性滤波技术，线性滤波以其完美的理论基础，数学处理简单、易于采用和硬件实现等优点，一直在图像滤波领域中占有重要的地位。线性滤波对加性高斯噪声有较好的平滑作用，但对脉冲信号和其它形式的高频分量抑制效果较差，且模糊信号边缘。非线性滤波是基于对输入信号序列的一种非线性投影关系，常把某一特定的噪声近似为零而保留信号的重要特征，一定程度上克服线性滤波器的不足，非线性滤波早期运用较多的是中值滤波器，其应用于多维信号处理时，对窄脉冲信号具有良好的抑制能力，但中值滤波器对中拖尾（如均匀分布噪声）和短拖尾分布噪声（如高斯噪声）,滤波性能较差,且拖尾越短,其滤波能力越差。
数字图像处理实验三 均值滤波、中值滤波的计算机实现12281166 雪莹计科1202班 一、实验目的： 1）熟悉均值滤波、中值滤波处理的理论基础； 2）掌握均值滤波、中值滤波的计算机实现方法； 3）学习VC++ 6。0 的编程方法； 4）验证均值滤波、中值滤波处理理论； 5）观察均值滤波、中值滤波处理的结果。 二、实验的软、硬件平台： 硬件：微型图像处理系统，包括：主机， PC机；摄像机； 软件：操作系统：WINDOWS2000或WINDOWSXP应用软件：VC++ 6.0 三、实验容： 1）握高级语言编程技术； 2）编制均值滤波、中值滤波处理程序的方法； 3）编译并生成可执行文件； 4）考察处理结果。 四、实验要求： 1）学习VC++确6。0 编程的步骤及流程； 2）编写均值滤波、中值滤波的程序；
3）编译并改错； 4）把该程序嵌入试验二给出的界面中（作适当修改）； 5）提交程序及文档； 6）写出本次实验的体会。 五、实验结果截图 实验均值滤波采用的是3X3的方块，取周围的像素点取得其均值代替原像素点。边缘像素的处理方法是复制边缘的像素点，增加一个边框，计算里面的像素值得均值滤波。
六、实验体会 本次实验在前一次的实验基础上增加均值滤波和中值滤波，对于椒盐噪声的处理，发现中值滤波的效果更为好一点，而均值滤波是的整个图像变得模糊了一点，效果差异较大。本次实验更加增加了对数字图像处理的了解与学习。 七、实验程序代码注释及分析 // HistDemoADlg.h : 头文件 // #include "ImageWnd.h" #pragma once // CHistDemoADlg 对话框 class CHistDemoADlg : public CDialogEx { // 构造
课程大作业实验报告2.1 图像滤波方法的比较 课程名称：数字图像处理 组长：张佳林学号：200830460232 年级专业班级： 08 自动化 2 班 （ppt 制作，数据整 理） 成员一：卢洪炬学号：200830460222 年级专业班级：08 自动化 2 班（实验报告，编程） 成员二：余嘉俊学号： 200830460231 年级专业班级： 08 自动化 2 班（编程，程序整理） 指导教师邓继忠 报告提交日期2010 年 12 月 4 日项目答辩日期2010 年 12 月 5 日
目录 1项目要求 (3) 2项目开发环境 (3) 3系统分析·························································3 3.1 系统的主要功能分析 (3) 3.2 系统的基本原理 (4) 3.1 系统的关键问题及解决方法 (9) 4系统设计····························· ···························10 4.1 程序流程图及说明····························· (10) 4.2 程序主要模块功能介 绍 (11) 5实验结果与分析··················································11 5.1 实验结果····························· (11) 5.2 项目的创新之 处 (15) 5.3 存在问题及改进设 想 (15)
6心得体会························································15 6.1 系统开发的体会····························· (15) 6.2 对本门课程的改进意见或建议 (15)
MATLAB实现频域平滑滤波以及图像去噪代码用MATLA实现频域平滑滤波以及图像去噪代码 悬赏分:50 - 解决时间 :2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在 MATLAE t运行成功，必然给分。具体的实验指导书上的要求如下 : 频域平滑滤波实验步骤 1. 打开 Matlab 编程环境 ; 2. 利用’imread '函数读入图像数据； 3. 利用' imshow' 显示所读入的图像数据 ; 4. 将图像数据由' uint8 ' 格式转换为' double ' 格式，并将各点数据乘以 (-1)x+y 以便 FFT 变换后的结果中低频数据处于图像中央； 5. 用' fft2 ' 函数对图像数据进行二维 FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用' imshow' 显示频率域图像； 7. 在频率图像上去除滤波半径以外的数据 (置 0)； 8. 计算频率域图像的幅值并进行对数变换，利用' imshow' 显示处理过的 频域图像数据； 9. 用' ifft2 ' 函数对图像数据进行二维 FFT 逆变换，并用' real '函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以 (-1)x+y； 11. 利用' imshow' 显示处理结果图像数据； 12. 利用' imwrite '函数保存图像处理结果数据。 图像去噪实验步骤 : 1. 打开 Matlab 编程环境；
2. 利用' imread' 函数读入包含噪声的原始图像数据 ; 3. 利用' imshow' 显示所读入的图像数据 ; 4. 以 3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声图像进行滤波处理 ; 5. 利用' imshow' 显示处理结果图像数据 ; 6. 利用' imwrite ' 函数保存图像处理结果数据。 即使不是按这些步骤来的也没关系，只要是那个功能，能实现就0K谢谢大家%%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .A ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2)); Y = fftshift(Y); % obtain frequency (cycles/pixel) f0 = floor([m n] / 2) + 1; fy = ((m: -1: 1) - f0(1) + 1) / m; fx = ((1: n) - f0(2)) / n; [mfx mfy] = meshgrid(fx, fy); % calculate radius SF = sqrt(mfx .A 2 + mfy .A 2);