图像信息处理之噪声和滤波

图像信息处理一、实验内容1、练习添加不同种类的噪声及不同滤波方法进行噪声抑制（可直接调用matlab相关函数）;2、写出N*N模板的对称近邻平滑滤波算法的具体实现程序;3、写出N*N模板的K近邻平滑滤波算法的具体实现程序;4、取一张个人近照（面部应占整个图片空间四分之一以上），用matlab 分别添加方差为0.01的高斯噪声和椒盐噪声，然后在PS里对面部（仅对面部，背景不处理）做模糊处理，写出简要步骤;5、在数据库中检索文献，给出最近5年中，至少3种以上图像滤波去噪的方法，简述方法原理及应用，给出文献出处。

二、实验原理1、椒盐噪声：幅值相同，但噪声出现的位置是随机的；2、高斯噪声：每一点都存在噪声，但噪声的幅值分布是随机的；3、均值滤波：用均值代替原图像中的各个像素值；3、中值滤波：对一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，非线性处理技术；4、K近邻平滑滤波：在一个与待处理像素邻近范围内，寻找出其中像素值与之最接近的K个邻点，将该K个邻点的均值（或中值）替代原像素值。

5、对称邻近均值滤波器：在一个局部范围内，通过几对对称点像素值的比较，获得对相同区域及不同区域的判别，然后将均值计算在所判定的同一区域内进行，这样可以使边界的保持更加灵活的同时又可以降低计算量。

三、实验方法及程序1、椒盐噪声具体程序：I=imread('L:\图像处理上机图\flower.jpg');J=imnoise(I,'salt & pepper',0.02);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);实验结果：2、高斯噪声程序：I=imread('L:\图像处理上机图\flower.jpg');J=imnoise(I,'gauss',0.02);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);实验结果：3、对椒盐噪声进行滤波抑制均值滤波的程序：I = imread('L:\图像平滑\Fig58.bmp');J = imnoise(I,'salt & pepper',0.02);h1= fspecial('average',3),K1 = filter2(h1,J); h2= fspecial('average',5),K2 = filter2(h2,J); h3= fspecial('average',7),K3 = filter2(h3,J); subplot(221);imshow(J,[]);subplot(222);imshow(K1,[]);subplot(223);imshow(K2,[]);subplot(224);imshow(K3,[]);实验结果如下图：对其进行中值滤波的程序：I = imread('L:\图像平滑\Fig58.bmp'); J = imnoise(I,'salt & pepper',0.02);K = medfilt2(J);subplot(221);imshow(I);subplot(222);imshow(J);subplot(223);imshow(K);滤波结果：实验结果分析：由实验的结果对比可知，中值滤波对椒盐噪声的抑制效果较好，而且滤波后的图像也较为清晰，而均值滤波后图像较模糊。

4、对高斯噪声进行均值滤波：I = imread('L:\图像平滑\Fig58.bmp');J = imnoise(I,'gauss',0.02);h1= fspecial('average',3),K1 = filter2(h1,J);h2= fspecial('average',5),K2 = filter2(h2,J);h3= fspecial('average',7),K3 = filter2(h3,J);subplot(221);imshow(J,[]);subplot(222);imshow(K1,[]);subplot(223);imshow(K2,[]);subplot(224);imshow(K3,[]);对高斯噪声进行中值滤波：I = imread('L:\图像平滑\Fig58.bmp'); J = imnoise(I,'gauss',0.02);K = medfilt2(J);subplot(221);imshow(I);subplot(222);imshow(J);subplot(223);imshow(K);实验结果：分析：中值、均值滤波对高斯噪声的抑制效果均不好。

5、对称近邻均值滤波的实现程序：I=imread('L:\图像平滑\Fig58.bmp');J = imnoise(I,'gauss',0.02);subplot(2,2,1),imshow(I);title('原图');subplot(2,2,2),imshow(J);title('高斯噪声图');[m,n]=size(I);x1=double(I);x2=zeros(m-2,n-2);a1=0.0;a2=0.0;a3=0.0;a4=0.0;for i=2:m-1for j=2:n-1if(abs(x1(i-1,j-1)-x1(i,j))>abs(x1(i,j)-x1(i+1,j+1))) a1=x1(i+1,j+1);else a1=x1(i-1,j-1);endif(abs(x1(i,j-1)-x1(i,j))>abs(x1(i,j)-x1(i,j+1)))a2=x1(i,j+1);else a2=x1(i,j-1);endif(abs(x1(i+1,j-1)-x1(i,j))>abs(x1(i,j)-x1(i-1,j+1))) a3=x1(i-1,j+1);else a3=x1(i+1,j-1);endif(abs(x1(i+1,j)-x1(i,j))>abs(x1(i,j)-x1(i-1,j)))a4=x1(i-1,j);else a4=x1(i+1,j);endx2(i-1,j-1)=(a1+a2+a3+a4)/4;endendd=uint8(x2);subplot(2,2,3),imshow(d);title('对称近邻均值去噪'); 结果图：6、K近邻平滑滤波实现F=imread('L:\图像平滑\Fig58.bmp');[row,col]=size(F);F=double(F);G=F;for i=4:row-4;for j=4:col-4;for n1=1:7;for n2=1:7;A1(n1,n2)=F(i-4+n1,j-4+n2);end;end;A2=zeros(7,7);A2=A1-F(i,j);A3=reshape(A2,49,1);for n3=1:49;A(n3,2)=A3(n3,1);end;for k=1:49;A(k,1)=abs(A(k,2));end;A=sortrows(A);sum=0;for n4=2:26;sum=sum+A(n4,2);end;G(i,j)=(F(i,j)*25+sum)/25;end;end;G=uint8(G);F=uint8(F);subplot(1,2,1);imshow(F);subplot(1,2,2);imshow(G);结果图：四、ps对含椒盐噪声的我的照片进行模糊处理1、添加椒盐噪声2、添加高斯噪声3、对自己的有椒盐噪声的图片进行模糊步骤：滤镜——模糊——高斯模糊4、对自己含高斯噪声图片进行模糊滤镜——模糊——高斯模糊——动感模糊五：文献1：混合噪声图像的去噪算法研究[学位论文] 杜晖， 2009 - 南京邮电大学：模式识别与智能系统在数字图像处理领域，图像噪声的滤除一直是最重要、最基本的研究课题之一。

由高斯噪声和脉冲噪声叠加而成的混合噪声是数字图像中存在的一种典型噪声。

而传统方法对于这种类型噪声的处理效果往往是不尽如人意的，主要表现在滤除图像噪声的同时会对图像细节产生丢失。

本文主要研究脉冲噪声和高斯噪声混合情形下的图像去噪问题。

α-平衡均值的滤波器能较好的兼顾均值滤波器和中值滤波器的特点，对被混合噪声污染的图像有着较好处理效果。

本文选用基于α-平衡均值的滤波方法来进行图像去噪，并针对现有此类型相关滤波方法复杂度高的问题，提出了一种基于像素统计分布的自适应α-平衡均值算法，可以在保持原有的滤波性能的基础上降低运算复杂度。

另外，本文还研究了脉冲耦合神经网络(PCNN)，将它用于对图像中噪声的定位。

针对原有阈值函数的不足，将原来的指数衰减函数改进为更为简单的线性衰减函数，并在此基础上推导阈值初始值的选取。

综合上述两个部分，本文提出了一种基于脉冲耦合神经网络和自适应α-平衡均值滤波的组合算法。

在Matlab平台下的多组仿真实验结果表明，该算法具有较低的运算复杂度，对图像中的混合噪声有着较好的抑制能力，且能够比较有效地保护细节信息。

2:基于中值滤波和小波变换的改进型图像去噪研究[学位论文] 王立， 2009 - 北京邮电大学：通信与信息系统社会已经进入了数字化的信息时代，而占存储空间最大的信息量则是图像。

图像信号在产生、传输和记录过程中，由于受到各种噪声的干扰变得模糊，这对于后期进行图像分割、特征提取等有很大影响。

因此在进行后续处理前首先要对图像进行预处理来减少噪声，图像滤波是一种重要的手段。

图像噪声有很多种，主要表现为脉冲噪声和高斯噪声。

中值滤波是广泛用于去除脉冲噪声的一种非线性去噪方法；小波变换是继Fourier变换之后又一强有力的数学分析工具，近年来在图像去噪领域得到了广泛应用，产生了许多基于高斯白噪声假设的优秀小波图像去噪算法。

本文对图像中最常见的脉冲噪声、高斯噪声的滤除进行了比较深入的研究。

首先基于中值滤波算法，结合线性滤波器和非线性滤波器各自的优点，提出了一种基于线性、非线性的混合滤波改进算法，称之为混合中值滤波算法，并进行了可行性实验验证。

然后对小波图像去噪方法做了一定量的研究工作，在分析自然图像小波系数特点的基础上，给出一种基于高斯混合模型的小波图像去噪算法，与其他小波去噪算法的对比实验结果表明，该算法去除高斯白噪声有较好效果。