基于Matlab的数字图像处理降噪方法

在Matlab中进行噪声抑制和降噪处理的方法引言：噪声是信号处理中的一个常见问题，它可以由多种因素引起，如传感器本身的噪声、电磁干扰等。

噪声的存在会影响到信号的质量和准确性，因此在许多应用中，我们需要进行噪声抑制和降噪处理。

对于Matlab来说，它提供了多种方法和工具来实现这一目标。

本文将介绍在Matlab中进行噪声抑制和降噪处理的方法。

一、频域滤波方法在Matlab中，频域滤波方法是一种常见且有效的噪声抑制和降噪处理方法。

该方法的基本思想是将信号从时域转换到频域，在频域中对信号进行滤波，并将滤波后的信号再转换回时域。

Matlab提供了丰富的频域滤波函数和工具，如fft、ifft、fftshift等。

通过这些函数，我们可以实现低通滤波、高通滤波、带通滤波等各种滤波操作，从而有效抑制和降噪信号。

二、时域滤波方法时域滤波方法是另一种常用的噪声抑制和降噪处理方法。

该方法的基本思想是在时域中对信号进行滤波，直接对信号进行抽样和滤波处理。

与频域滤波不同的是，时域滤波方法更加直观和易于理解。

在Matlab中，我们可以使用filter函数和fir1函数实现时域滤波。

其中，filter函数可以对信号进行FIR滤波，而fir1函数可以设计并生成FIR滤波器。

三、小波变换方法小波变换是一种非常有用的信号处理方法，它可以将信号在时间和频率上进行局部分析。

在噪声抑制和降噪处理中，小波变换可以帮助我们将信号分解成不同的频率成分，并对噪声进行抑制。

在Matlab中，我们可以使用wavelet函数和wdenoise函数来实现小波变换。

通过这些函数，我们可以选择不同的小波基函数，并设置适当的阈值来实现噪声抑制和降噪处理。

四、自适应滤波方法自适应滤波是一种根据信号特性自动调整滤波器参数的滤波方法。

它可以自动识别和适应信号中的噪声，并对其进行抑制和降噪处理。

在Matlab中，自适应滤波可以通过nlms函数和rls函数来实现。

这些函数基于LMS算法和RLS算法，可以快速、准确地对信号进行自适应滤波。

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

课程设计任务书学生姓名：专业班级：指导教师：工作单位：信息工程学院题目:利用MATLAB仿真软件实现图像的去噪处置初始条件:①MATLAB软件②数字信号处置与图像处置基础知识要求完成的主要任务:①较全面了解常常利用的数据分析与处置原理及方式；②能够运用相关软件进行模拟分析；③掌握大体的文献检索和文献阅读的方式；④提高正确地撰写论文的大体能力。

参考书目:刘大杰陶本藻主编《实用测量数据处置方式》北京测绘出版社2000王全录《matlab实用图像处置》科学出版社2006-5-1贾兴泉《matlab数据处置与分析》国防工业出版社2005-08-01闫建华《高效matlab数据处置大全》人民邮电出版社2006-7-1牟永光《图像数据处置方式》石油工业出版社2007-8-1潘丽军陈锦权主编《实验设计与数据处置》2008-2-1时刻安排第1周，安排任务（鉴主15楼实验室）第1-17周，仿真设计（鉴主13楼运算机实验室）第18周，完成（答辩，提交报告，演示）指导教师签名：__________________2011年月日系主任（或责任教师）签名：____________2011年月日目录Abstract ........................................................................................................................... I I摘要MATLAB是现今国际上公认的在科技领域方面最为优秀的应用软件和开发环境。

在欧美各高等院校，MATLAB已经成为应用线性代数、自动控制理论、数据统计、数字信号处置、时刻序列分析、动态系统仿真、图形处置等高级课程的大体数学工具，是攻读学士的大学生、硕士生、博士生必需掌握的大体技术。

在设计研究单位和工业部门，MATLAB已经超出实验室，并普遍用于研究和解决具体的工程问题。

Matlab图像去噪与图像增强技术解析Matlab（Matrix Laboratory）是一种强大的数学软件，特别适用于科学与工程领域。

在图像处理方面，Matlab提供了丰富的函数和工具箱，可以用于图像的去噪和增强。

本文将对Matlab图像去噪和图像增强技术进行解析。

一、图像去噪技术图像去噪是图像处理中一个重要的环节，旨在去除图像中的噪声，提高图像的质量和细节。

Matlab提供了多种图像去噪的方法，包括均值滤波、中值滤波、高斯滤波和小波去噪等。

1. 均值滤波均值滤波是一种简单的线性滤波方法，通过计算邻域像素的平均值来去除噪声。

Matlab中可以使用函数`imfilter`来实现均值滤波。

下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = imfilter(img, ones(3,3)/9);imshow(filtered_img);```2. 中值滤波中值滤波是一种非线性滤波方法，通过计算邻域像素的中值来去除噪声。

对于椒盐噪声等突发性噪声，中值滤波效果较好。

Matlab中可以使用函数`medfilt2`来实现中值滤波。

下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = medfilt2(img, [3,3]);imshow(filtered_img);```3. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波方法，可以有效地去除高斯噪声。

Matlab中可以使用函数`imgaussfilt`来实现高斯滤波。

下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = imgaussfilt(img, 2);imshow(filtered_img);```4. 小波去噪小波去噪是一种基于小波变换的非线性滤波方法，可以提取图像的频域信息，并根据阈值去除噪声。

2010年 11月 Journal of Science of Teachers′College and University Nov. 2010文章编号：1007-9831（2010）06-0010-04基于Matlab 的数字图像典型去噪算法丁永胜1，李朝红2，张水胜1（1. 齐齐哈尔大学 理学院, 黑龙江 齐齐哈尔 161006；2. 齐齐哈尔高等师范专科学校 数学系, 黑龙江 齐齐哈尔 161005） 摘要：针对数字图像处理中的典型去噪算法，利用Matlab 进行分析处理，并从主观和客观2个角度对数字图像的去噪效果进行分析．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．关键词：Matlab ；去噪；滤波中图分类号：TP391.72 文献标识码：A doi：10.3969/j.issn.1007-9831.2010.06.0041 图像中的噪声与图像去噪噪声可以理解为妨碍人们感觉器官对所接收的信源信息理解的因素．例如：一幅黑白图片，其平面亮度分布假定为) ,(y x f ，那么对其接收起干扰作用的亮度分布) ,(y x h 即可称为图像噪声[1]．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．在Matlab 中常用的去噪函数有filter2( ), wiener2( ), medfilt2( ), ordfilt2( )以及小波分析工具箱提供的wrcoef2( )和wpdencmp( )等[2]．本文基于Matlab 提供的去噪函数，针对数字图像处理中的典型去噪算法，利用Matlab 进行分析处理，并从主观和客观2个角度对数字图像的去噪效果进行分析．2 图像质量的评价方法图像质量的评价方法有主观评价和客观评价2种．图像的主观评价就是通过人来观察图像，对图像的优劣作主观评定，然后对评分进行统计平均，就得出评价的结果．这时评价出的图像质量与观察者的特性及观察条件等因素有关．由于主观评价带有较强的个人因素特征，并且在一些研究场合，或者由于实验条件的限制，也希望对图像质量有一个定量的客观评价．最常用的客观评价有均方误差（MSE）、峰值信噪比（PSNR）和信噪比（SNR）等．本文主要以信噪比（SNR）进行客观评价． 信噪比主要由公式⎟⎟⎠⎞⎜⎜⎝⎛××=∑∑==M i N j j i g MSE N M SNR 112) ,(1log 10定义，其中：N M ×为图像矩阵的大小；) ,(j i g 为小波变换后的图像在) ,(j i 位置处的像素值；) ,(j i f 为原始图像在) ,(j i 位置处的像素值；收稿日期：2010-04-20作者简介：丁永胜（1974-），男，黑龙江讷河人，副教授，硕士，从事计算机图形学、计算机辅助几何设计研究．E-mail：dysnwpu@()∑∑==−××=M i N j j i f j i g M N MSE 112) ,() ,(11． 根据以上所述，在Matlab 仿真过程中，可以利用SNR 函数得到各去噪方法作用过的图像的信噪比，程序如下：[m n]=size(I1);for i=1:m;for j=1:n;s=s+double(I2(i,j))^2;n=n+(double(I1(i,j))-double(I2 (i,j)))^2;endendSNR=10*log10((s/n))3 Matlab 仿真去噪及分析3.1 均值滤波去噪首先加入均值为0、方差为0.005的高斯白噪声，然后采用函数fspecial(type, parameters)且type='average'，创建均值滤波算子并进行滤波去噪，通过改变模板尺寸，得到不同去噪效果（见图1）．部分Matlab代码如下:I=imread('qqhru.bmp');I2=imnoise(I,'gaussian',0,0.005);K1=filter2(fspecial('average',3), I2)/255;K2=filter2(fspecial('average',5), I2)/255;K3=filter2(fspecial('average',7), I2)/255;K4= filter2(fspecial('average',9),J)/255;图1 均值滤波去噪从图1中可以看出，使用均值滤波去噪（高斯噪声）时选用的模板尺寸（邻域半径）越大效果越好．3.2 3种去噪算法对比分析对图像qqhru.bmp分别加入高斯噪声、椒盐噪声，然后对加入2类噪声的图像分别作二维统计、中值和维纳滤波，并对去噪后图像（见图2）进行对比分析．部分Matlab代码如下:I=imread('qqhru.bmp');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02) ;K1=filter2(fspecial('average',3),J1)/255;K2= medfilt2(J1);K3=wiener2(J1,[3 3]);Ks1=filter2(fspecial('average',3),J2)/255;Ks2=medfilt2(J2);Ks3=wiener2(J2,[3 3]);图2 3种去噪算法对比通过图2可以看出，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，而二维统计滤波去除效果较差．二维统计滤波与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．通过SNR 函数得到3种去噪方法的信噪比（见表1），也可以说明以上的结论是正确的．3.3 小波分析工具图像去噪Matlab 小波分析工具箱提供于图像去噪的有wrcoef 2和wpdencmp 等函数．X=wrcoef 2('type ',C,S, 'wname ')返回基于小波分解结构[C,S]的小波重构图像X（见图3）．[xd,treed,datad,perf0,perfl2]=wpdencmp(x,sorh,N, 'wname ',crit,par,keepapp)是通过小波包定限（阈值化），返回输入信号或图像X 的除噪结果xd（见图4）．部分Matlab 代码如下:I=imread(' qqhru.bmp');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',2,thr,sorh,keepapp);J4=medfilt2(J3);表1 3种去噪方法的信噪比 噪声类型二维统计滤波 中值滤波 维纳滤波高斯噪声16.504 8 19.184 3 19.574 4椒盐噪声22.238 3 26.492 8 19.158 3图3 wrcoef2函数去噪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[3]. 从图3、图4可以看出，wrcoef 2和wpdencmp等函数可以有效地进行去噪处理．基于Matlab 给出qqhru.bmp 图像来考察各种去噪模型的去噪效果，同时从主观和客观2个角度对数字图像的去噪效果进行分析．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．参考文献：[1] Rafael C，Gonzalez，Richard E．数字图像处理[M]．2版．阮秋琦，译．北京：电子工业出版社，2007：276-303．[2] 高成．Matlab 图像处理与应用[M]．北京：国防工业出版社，2007：81-127．[3] 王登位，李炜．基于小波变换的图像去噪研究[J]．计算机与数字工程，2007，35（9）：131-132．The typical de-noising algorithms for digital image by MatlabDING Yong-sheng 1，LI Zhao-hong 2，ZHANG Shui-sheng 1（1. School of Science，Qiqihar University，Qiqihar 161006，China；2. Department of Mathematics，Qiqihar Normal Technological Academy，Qiqihar 161005，China） Abstract：According to the typical de-noising algorithm for the digital image processing researched de-noising results in Matlab，and analyzed digital image de-noising effect from two angles of the subjective and the objective．Through the analysis of the results can be known, choosing corresponding filtering de-noising algorithm can obtain better result according to different types of noise.Key words：Matlab；de-noising；filtering 图4 wpdencmp 函数去噪。

Matlab中的图像降噪算法与技术摘要随着数字图像处理的快速发展，图像降噪成为实际应用中一个重要的问题。

在本文中，我们将探讨Matlab中的图像降噪算法与技术。

首先，我们将介绍图像降噪的基本原理和方法。

然后，我们将深入研究Matlab中常用的图像降噪算法，包括均值滤波、中值滤波、高斯滤波等。

最后，我们将讨论图像降噪的一些进一步扩展和应用。

一、图像降噪的基本原理和方法图像降噪是指通过一系列算法和技术，减少或去除数字图像中的噪声信号，以使图像更清晰、更易于识别和分析。

图像噪声主要来自于图片采集过程中的环境噪声、传感器噪声以及信号传输中的干扰等。

图像降噪的基本原理是通过对图像进行滤波处理，使噪声信号受到抑制，同时尽量保留图像的有用信息。

常用的图像降噪方法包括空域滤波和频域滤波。

空域滤波是指对图像的像素直接进行操作的滤波方法，例如均值滤波、中值滤波等。

频域滤波是指将图像转换到频域进行处理的滤波方法，例如傅里叶变换和小波变换。

二、Matlab中常用的图像降噪算法1. 均值滤波均值滤波是一种最简单、最常用的图像降噪方法。

它通过计算像素周围邻域内像素的平均值，将当前像素的值替换为该平均值。

在Matlab中，我们可以使用imfilter函数来实现均值滤波。

具体步骤如下：（1）读取图像，并将其转换为灰度图像。

（2）选择适当的滤波器大小和模板类型。

（3）使用imfilter函数进行滤波处理。

（4）显示并保存结果图像。

2. 中值滤波中值滤波是一种非线性图像滤波方法，它通过将像素周围邻域内像素的灰度值进行排序，然后选择中间值作为当前像素的灰度值。

这种方法对于椒盐噪声等脉冲性噪声有很好的抑制效果。

在Matlab中，我们可以使用medfilt2函数来实现中值滤波。

3. 高斯滤波高斯滤波是一种线性平滑滤波方法，它通过将像素周围邻域内的像素值与高斯函数进行加权平均来实现图像降噪。

在Matlab中，我们可以使用fspecial和imfilter函数来实现高斯滤波。

图像去噪是数字图像处理中的重要环节与步骤。

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、线与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：使原始图像与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3K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7K4= 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');subplot(2,3,5);imshow(K3);title('改进后的图像3');subplot(2,3,6);imshow(K4);title('改进后的图像4');PS：filter2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='average'，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]。

1.列出常用的卷积模板2.基于3×3的模板，编写均值滤波的处理程序，处理含有加性高斯噪声和椒盐噪声的图像，观察处理结果3.编写中值滤波程序，处理相同的图像与均值滤波进行比较；改变模板尺寸观察处理结果4.编程实现利用一阶微分算子和二阶拉普拉斯算子进行图像锐化的程序5.对比不同的邻域运算结果，体会图像锐化与图像平滑的区别均值滤波处理含有椒盐噪声图像程序代码（1）：模板运算f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像（2）：mean函数均值滤波f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像（3）可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像均值滤波处理含有加性高斯噪声图像程序代码（1）：模板运算f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')加性高斯噪声图像均值滤波处理后的图像（2）：mean函数均值滤波f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像（3）：可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像中值滤波（椒盐噪声图像处理）f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')R=1时的图像原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像中值滤波（加性高斯噪声）f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像不同领域运算结果比较r=2f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=2;g=size(f);for i=r+1:row-rfor j=r+1:col-rs=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像R=3椒盐噪声图像均值滤波处理后的图像R=8椒盐噪声图像均值滤波处理后的图像。

2011级毕业设计（论文） 基于MATLAB的图像滤波中值算法研究

年 级: 2011级 学 号: 姓 名: 专 业:电子信息工程 指导老师:

二零一五年六月 \\

大学本科毕业设计

第II页 共28页 摘 要

数字图像在其形成、传输记录过程中经常会受到各种各样噪声的污染，影响了图像的视觉效果，妨碍了人们的正常识别，严重时会影响图像中的有用信息。所以，消除图像采集和传输过程中产生的噪声，降低噪声对原图像的干扰，提高图像质量，增强图像视觉效果，成为了数字图像处理领域里的重要部分。 本文首先对噪声的几种类型进行了介绍，重点讨论了几种经典的图像去除噪声的滤波算法，然后本文主要研究分析均值滤波法、中值滤波法、维纳滤波法，并进行相应的仿真。对图像处理应用时的常用函数及其主要用法进行分析，详细阐述了这三种去噪算法原理及特点，最后运用Matlab软件对多张图片进行仿真去噪，并对去噪效果进行评价与分析。并在此基础上，提出了一种改进的中值滤波去噪方法。 关键词：图像去噪；均值滤波； 中值滤波； 维纳滤波

程序代码抠叩82 192 8248

大学本科毕业设计

第III页 共28页 Abstract

The digital image in the formation transmission and recording process is often polluted by various noises, affect the visual effects of the image, and impede the normal people's recognition, seriously affecting the useful information of a image. Therefore, eliminate the noise of image acquisition and transmission processing, reduce the noise disrupt original image, improve image quality, enhance the visual effect of the image, has become an important part of the field of digital image processing. In this paper, firstly, several types of noise were introduced, emphasis on discussing several classical filter algorithm for image denoising, and then this paper focuses on the analysis of the average filtering, median filtering, Wiener filtering denoising, and the corresponding simulation. The common function of image processing applications and usage analysis, elaborated the principle and characteristics of this three image denoising method, finally using Matlab software to simulate some map of noise to image denoising, evaluate and analysis the effect of denoising. On this basis,an improved median filtering denoising method are proposed. Keywords: Image denoising; Average filtering; Median filtering; Wiener filtering

数字图像去噪典型算法及matlab实现 希望取得大伙儿的指点和帮忙 图像去噪是数字图像处置中的重要环节和步骤。去噪成效的好坏直接阻碍到后续的图像处置工作如图像分割、边缘检测等。图像信号在产生、传输进程中都可能会受到噪声的污染，一样数字图像系统中的常见噪声要紧有：高斯噪声（要紧由阻性元器件内部产生）、椒盐噪声（主若是图像切割引发的黑图像上的白点噪声或光电转换进程中产生的泊松噪声）等； 目前比较经典的图像去噪算法要紧有以下三种： 均值滤波算法：也称线性滤波，要紧思想为邻域平均法，即用几个像素灰度的平均值来代替每一个像素的灰度。有效抑制加性噪声，但容易引发图像模糊，能够对其进行改良，要紧躲开对景物边缘的滑腻处置。 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滑腻滤波信号处置技术。中值滤波的特点即是第一确信一个以某个像素为中心点的邻域，一样为方形邻域，也能够为圆形、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，那个地址领域被称为窗口，当窗口移动时，利用中值滤波能够对图像进行滑腻处置。其算法简单，时刻复杂度低，但其对点、线和尖顶多的图像不宜采纳中值滤波。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恢复方式，是一种自适应滤波器，依照局部方差来调整滤波器成效。关于去除高斯噪声成效明显。 实验一：均值滤波对高斯噪声的成效 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('加入高斯噪声以后的图像'); %采纳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('改良后的图像1');

使用MATLAB进行图像去噪处理的基本原理图像去噪处理是数字图像处理的一个重要领域，它的目标是从图像中去除噪声，提高图像的质量和清晰度。

在实际应用中，图像往往会受到各种因素的影响而产生噪声，如传感器噪声、信号传输中的干扰等。

为了准确地还原图像的细节和信息，我们需要使用一些图像处理算法，而MATLAB作为一种强大的数学软件，提供了丰富的图像处理工具箱，可以帮助我们实现图像去噪处理。

在使用MATLAB进行图像去噪处理之前，首先需要了解一些基本的原理和概念。

图像噪声可以分为两种类型：加性噪声和乘性噪声。

加性噪声是指噪声与原始图像的像素值相加，而乘性噪声是指噪声与原始图像的像素值相乘。

常见的加性噪声有高斯噪声、盐噪声和椒盐噪声，而乘性噪声则包括了泊松噪声等。

对于加性噪声的去噪处理，最常用的方法是使用滤波器。

滤波器可以通过对图像进行空间域或频域的操作，抑制噪声的同时保留图像的细节。

在MATLAB中，我们可以使用各种滤波器函数，如均值滤波器、中值滤波器、高斯滤波器等。

这些滤波器可以通过对图像的像素进行加权平均、中值选取或高斯加权等方式，来实现对噪声的抑制。

而对于乘性噪声的去噪处理，一种常用的方法是使用非线性滤波器。

非线性滤波器可以通过对图像的像素进行非线性变换，来抑制噪声并保留图像的细节。

在MATLAB中，我们可以使用一些非线性滤波器函数，如中值滤波器、双边滤波器等。

这些滤波器通过对图像的像素进行排序、加权平均等方式，来实现对噪声的抑制。

除了滤波器方法，MATLAB还提供了其他一些图像去噪处理的算法。

例如，基于小波变换的去噪方法可以通过对图像的小波系数进行阈值处理，来实现对噪声的抑制。

MATLAB中的小波变换函数可以将图像分解为不同尺度的频带，然后通过对各个频带的小波系数进行阈值处理，来实现去噪处理。

此外，MATLAB还提供了一些基于统计学原理的去噪方法。

例如，基于最小均方误差的去噪方法可以通过对图像的像素进行统计分析，来估计噪声的概率分布，并通过最小化均方误差的方式，来实现对噪声的抑制。

基于小波图像去噪的MATLAB 实现一、 论文背景数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。

数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。

在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。

然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。

如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。

根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。

通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。

小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。

本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。

二、 课题原理1.小波基本原理在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。

一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成：())(1,ab x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。

当a=2j 和b=ia 的情况下，一维小波基函数序列定义为：()()1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：()dx ab x a x f f x W b a b a )(1)(,,,-ψ=ψ=⎰+∞∞- （3） 与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4）可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。

利用Matlab进行图像去噪与复原的方法与技巧引言随着科技的不断发展和图像的广泛应用，图像的质量要求也越来越高。

然而，在实际应用中，由于环境的干扰等因素，图像往往会受到噪声的污染，导致图像质量下降。

因此，图像去噪与复原成为了图像处理领域的关键问题之一。

本文将介绍如何使用Matlab进行图像去噪与复原，并探讨其中的方法与技巧。

一、图像去噪的基本概念图像去噪是指通过各种方法将图像中的噪声信号剔除或减弱，以提高图像质量的过程。

常见的图像噪声有高斯噪声、椒盐噪声等。

在Matlab中，我们可以利用一些函数实现图像去噪的操作。

其中，最常用的就是使用均值滤波器和中值滤波器。

1.1 均值滤波器均值滤波器是一种简单的图像平滑技术，通过计算像素周围的邻域像素的平均值来进行滤波。

在Matlab中，我们可以使用"imfilter"函数来实现均值滤波器。

具体步骤如下：（1）读取图像，将其转化为灰度图像；（2）使用"imfilter"函数，定义一个滤波器模板，例如3*3的矩阵；（3）调用"imfilter"函数，将原始图像和滤波器模板作为输入，得到滤波后的图像。

1.2 中值滤波器中值滤波器是一种非线性滤波技术，它将像素周围邻域像素的中值作为滤波后的像素值。

相比于均值滤波器，中值滤波器对于椒盐噪声等异常值有较好的抑制作用。

在Matlab中，我们可以使用"medfilt2"函数来实现中值滤波器。

具体步骤如下：（1）读取图像，将其转化为灰度图像；（2）调用"medfilt2"函数，设置滤波器的大小，例如3*3的矩阵；（3）将原始图像作为输入，得到滤波后的图像。

二、图像复原的基本概念图像复原是指通过各种方法将受损的图像恢复到原始的清晰状态的过程。

图像的损伤可以是由于传感器噪声、图像压缩等原因导致的。

在Matlab中，我们可以利用一些函数实现图像复原。

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3K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9subplot(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');subplot(2,3,5);imshow(K3);title('改进后的图像3');subplot(2,3,6);imshow(K4);title('改进后的图像4');PS：filter2用法：filter2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='average'，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]。

__________________________________________________ 小波变换图像去噪MATLAB实现基于小波图像去噪的MATLAB实现一、论文背景数字图像处理(Digital Image Processing，DIP)是指用计算机辅助技术对图像信号进行处理的过程。

数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP技术成为信息技术中最重要的学科分支之一。

在现实生活中，DIP应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。

然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。

如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。

根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。

通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。

小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。

本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。

二、 课题原理1.小波基本原理在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。

一组小波基函数，()}{,x ba ψ，可以通过缩放和平移基本小波 来生成：())(1,ab x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。

当a=2j 和b=ia 的情况下，一维小波基函数序列定义为：()()1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：()dx ab x a x f f x W b a b a )(1)(,,,-ψ=ψ=⎰+∞∞- （3）与时域函数对应，在频域上则有：())(,ωωa e a x j b a ψ=ψ- （4）可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。

matlab小波去噪函数小波去噪是一种通过使用小波变换来减少图像或信号中噪声的技术。

在处理信号时，小波变换可以将信号分解成多个频带。

这些频带可以在不同尺度上进行分析，并且可以通过移除某些频带来提高信号的清晰度。

Matlab是一种流行的用于数学计算和数据可视化的软件。

Matlab 中有很多小波去噪函数，可以用于处理不同类型的信号和图像。

这些函数可以帮助用户快速准确地完成小波去噪的任务。

在Matlab中，最常用的小波去噪函数是wdenoise和wden。

这些函数都可以用于去除信号或图像中的噪声，并且可以通过设置参数来调整去噪的效果。

wdenoise函数可以对一维和二维信号进行去噪。

该函数使用离散小波变换来分解信号，并使用软阈值技术来减少噪声。

软阈值技术可以通过将小于某个阈值的系数设置为零来减少噪声。

这可以帮助保留信号中的重要信息，并去除噪声。

wden函数可以对一维信号进行去噪。

该函数使用小波变换和硬阈值技术来减少噪声。

硬阈值技术将小于某个阈值的系数设置为零，从而减少噪声。

与软阈值技术不同的是，硬阈值技术可能会导致信号中出现一些不连续的点。

因此，该技术更适用于信号中的高频噪声。

除了上述函数之外，Matlab中还有许多其他小波去噪函数，例如wpdencmp和modwpt。

这些函数可以帮助用户根据不同的需求进行去噪，并且可以通过设置参数来调整去噪的效果。

在使用小波去噪函数进行处理之前，用户需要了解信号或图像的特征，例如信号的频率和振幅，以及图像的亮度和对比度。

这可以帮助用户选择合适的小波去噪函数，并设置合适的参数来最大程度地减少噪声，同时保留信号或图像中的重要信息。

Matlab提供了许多小波去噪函数，可以帮助用户快速准确地处理信号和图像中的噪声。

在使用这些函数进行处理之前，用户需要了解信号或图像的特征，并选择合适的函数和参数来实现最佳的去噪效果。

使用MATLAB进行图像滤波与去噪处理引言：图像处理是现代科技中一个重要的领域，它在许多领域中发挥着关键作用，包括医学影像、遥感图像以及工业检测等。

图像滤波与去噪处理是图像处理中的一个核心问题，它能够提高图像质量、增强图像细节以及减少图像中的噪声。

MATLAB作为一个强大的科学计算软件，在图像处理领域也有着广泛的应用。

本文将介绍使用MATLAB进行图像滤波与去噪处理的方法和技巧。

一、图像滤波的基本概念和原理图像滤波是对图像进行平滑处理或者增强处理的一种方法。

其基本原理是通过在图像上应用一个滤波器，对图像的像素进行加权平均操作，以达到平滑或者增强的效果。

常见的滤波器包括均值滤波器、中值滤波器和高斯滤波器等。

其中，均值滤波器通过计算邻域像素的平均值来进行平滑操作，中值滤波器则通过计算邻域像素的中位数来进行平滑操作，而高斯滤波器则根据高斯函数来计算加权平均值。

在MATLAB中，可以使用imfilter函数来实现不同类型的图像滤波操作。

二、图像去噪的基本概念和原理图像噪声是由于图像获取、传输、存储或者显示等过程中引入的随机干扰信号。

去噪处理旨在恢复出原始图像并减少噪声的影响。

常见的图像去噪方法包括空域滤波方法和频域滤波方法。

其中，空域滤波方法是在图像的空间域上进行滤波操作，常用的方法有均值滤波、中值滤波和双边滤波等。

频域滤波方法则是在图像的频域上进行滤波操作，常用的方法有傅里叶变换和小波变换等。

在MATLAB中，可以使用medfilt2函数和wiener2函数来实现空域滤波方法。

三、MATLAB中的图像滤波和去噪函数MATLAB提供了多种用于图像滤波和去噪的函数，可以根据不同的需求选择合适的函数进行操作。

以下是对几个常用函数的简要介绍：1. imfilter函数：imfilter函数实现了各种图像滤波操作，包括线性和非线性滤波。

该函数可以接受多种滤波器类型，包括方形、圆形和自定义形状的滤波器。

用户可以根据具体需求选择不同的滤波器类型和参数。

图像在获取和传输过程中会受到各种噪声的干扰，从而使得图像退化，造成图像质量下降。

图像退化会引起图像模糊和特征淹没，从而不利于图像分析。

为了去除噪声并改善图像质量，需要对图像进行去噪处理，从而有必要研究图像去噪算法。

图像去噪算法有很多种，可以分别在空间域和频率域中进行。

论文综述了平均值滤波、中值滤波、空间域低通滤波、多幅图像求平均法和频域低通滤波去噪算法。

首先介绍了噪声的概念、产生的原因、分类及其特点。

接着介绍了平均值滤波和中值滤波算法的基本原理及其适用范围，最后介绍了空间域低通滤波、频率域低通滤波和多幅图像求平均算法的基本原理。

论文遵循理论联系实践，理论实践并重的研究思路。

不仅对各种去噪算法的理论基础和滤波原理作了详细的论述，而且使用MATLAB程序进行仿真并分析了去噪效果。

论文最后设计了图形用户界面来评价各种算法的去噪效果。

MATLAB仿真结果表明：各种去噪算法各有其优缺点。

因此，在对一幅图像去噪之前，首先要分析噪声类型及其产生原因，然后再选择恰当的去噪算法，这样才能得到比较令人满意的去噪效果。

关键词：图像噪声；图像去噪算法；MATLAB；图形用户界面The image can be affected by noise during the process of acquisition and transmission. The image noise leads to image degeneration and drop in quality. Image degeneration can cause image blur as well as characteristic masking so that unfit for image analysis. In order to remove noise and improve image quality, noise reduction is needed. Therefore, it is necessary to study image noise reduction algorithms.There are many kinds of image noise reduction algorithms and they can be implemented in spatial domain and frequency domain respectively. This paper summarizes such algorithm as mean filter, median filter, low pass filter in spatial domain, mean of multi-image adding and low pass filter in frequency domain. Firstly, conception, causing, classification and characteristic of noise are introduced. Secondly, the basic principle and application range of mean filter and median filter algorithm is introduced. Finally, the basic principle of low pass filter in spatial domain, low pass filter in frequency domain and mean of multi-image adding algorithm is introduced.This paper pays both attention to theory and practice. It not only summarizes the theory and filter principle of different image noise reduction algorithms in detail, but also simulates them using MATLAB procedure and analyzes their noise reduction results. The graphic user interface is designed to evaluate the result of noise reduction to different image noise reduction algorithms The MATLAB simulation results demonstrate that different noise reduction algorithms are of different advantages and disadvantages. Therefore, type and causing of noise should be analyzed first and then appropriate noise reduction algorithm is selected before image noise reduction so as to acquire satisfactory results.Key words: image noise；image noise reduction algorithm；MTALAB；graphic user interface毕业论文（设计）原创性声明本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。

毕业设计基于MATLAB的图像消噪处理摘要随着计算机技术的飞速发展，数字图像处理技术也获得了飞速的发展，并形成了许多分支，其中图像消噪就是图像处理中的一个重要分支。

高斯噪声和脉冲噪声在图像形成和传输过程中最为常见，且容易导致图像质量下降，为减小噪声影响，各种线性、非价标准。

其次，介绍了数字滤波器的基础知识。

数字滤波器可以分为两大类，一种是线性滤波器，一种是非线性滤波器。

线性滤波器从冲击响应的时域特征可以分为FIR滤波器和IIR滤波器。

非线性滤波器主要介绍了中值滤波器，给出了中值滤波的原理和主要特性。

最后，选取标准的Lena图像，对其添加不同强度的高斯噪声和脉冲噪声，分别通过线性的FIR滤波器和非线性的中值滤波器对其进行噪声滤除。

文中给出了在Matlab平台下波图像的峰值信噪比。

非线性中值滤波器在滤除脉冲噪声方面，表现尤为突出，随着脉冲噪声强度的增加，PSNR提高的幅度也有所增加。

关键字：图像处理；消噪；FIR滤波器；中值滤波器；峰值信噪比AbstractAlong with the rapid development of computer technology, the digital image processing technology also wins the rapid development, and formed many branches, image denoising is an important branch in image processing. Gaussian noise and impulse noise is very common in image formation and transport process, which easy to cause the image quality, in order to reduce the noise influence, all sorts of linear and nonlinear filtering method iswidely used. In this paper, we used the digital filter to wipe out Gaussian noise and impulse noise in the image on the Matlab, through the peak signal to noise ratio and subjective feeling to evaluate the effect of filter.This paper first briefly stated the basic theory of digital images, including image classification, type, common image formats, and illustrated the significance of image filtering, image filterFinally, we selected the criteria image of Lena, add Gaussian noise and impulse noise with different strength, next make use of the linear FIR filters and non-linear median filter to filter the noise. The paper showed simulation results and the experimental data under Matlab platform. Test results showed that the linear FIR filter and non-linear median filter both have certain effect on digital image noise eliminating, and improved the peak signal to noise ratio of filtered image. Non-linear median filter works better on impulse noise. Particularly, with the increase of impulse noise intensity,the PSNR also increases.Key words:Image processing; Denoising; FIR filter; Median filter; The peak signal to noise -ratio目录第1章绪论 (4)1.1引言 (4)1.2图像的基本理论 (4)1.2.1 图像的基本分类 (4)1.2.2 图像的类型 (5)1.2.3 图像的常见格式 (6)1.3研究图像消噪的意义 (7)1.4噪声种类与图像质量评价标准 (8)1.5图像滤波处理方法 (9)1.6本文工作 (10)第2章数字滤波器理论分析122.1线性滤波器 (12)2.1.1 低通、高通及带通、带阻滤波器 (12)2.1.2 IIR滤波器 (15)2.1.3 FIR滤波器 (15)2.2非线性滤波器 (16)2.2.1 中值滤波器 (16)2.2.2 中值滤波的主要特性 (17)2.3本章小结 (18)第3章噪声图像的线性滤波仿真 (19)3.1M ATLAB简介 (19)3.2FIR滤波器的噪声滤除 (19)3.2.1 高斯噪声的滤除 (20)3.2.2 脉冲噪声的滤除 (21)3.3本章小结 (21)第4章噪声图像的非线性滤波仿真 (22)4.1中值滤波器的噪声滤除 (22)4.1.1 高斯噪声的滤除 (23)4.1.2 脉冲噪声的滤除 (23)4.2本章小结......................................... 错误！未定义书签。

Matlab技术图像去噪与去模糊方法总结引言图像的噪声和模糊经常会影响到图像的质量和可用性。

在现实生活中，由于环境的不可控因素或图像传感器本身的限制，我们常常会面对图像存在噪声和模糊的情况。

因此，如何有效地去除图像中的噪声和模糊成为了图像处理中的重要问题。

本文将总结Matlab技术中常用的图像去噪和去模糊方法，并介绍它们的原理和应用场景。

一、图像去噪方法1. 均值滤波均值滤波是一种常见的图像去噪方法，它基于图像中的像素局部平均值来代替原始像素的值。

均值滤波器将一个像素的值设置为相邻像素的平均值，从而实现去除图像中的噪声。

2. 中值滤波中值滤波是一种非线性滤波器，它在处理噪声图像时非常有效。

该方法通过使用像素值的中值来替换像素值，从而去除图像中的噪声。

中值滤波器对于椒盐噪声和脉冲噪声有很好的去除效果。

3. 小波去噪法小波去噪法是一种基于小波变换的图像处理方法。

它将图像分解为不同尺度的子图像，并通过阈值处理去除子图像中的噪声。

小波去噪法可以有效地保留图像细节，并在去除噪声的同时保持图像的清晰度。

二、图像去模糊方法1. 维纳滤波维纳滤波是一种常用的图像去模糊方法，它通过最小化图像的噪声和失真之间的均方误差来恢复原始图像。

维纳滤波器在频域或空域中操作，可以根据图像的特点选择最适合的滤波器。

2. 直方图均衡化直方图均衡化是一种将图像的像素强度值映射到特定范围的方法。

在去模糊处理中，直方图均衡化可以增强图像的对比度，减少图像的模糊程度。

3. 傅里叶变换傅里叶变换是一种将图像从时域转换到频域的方法。

在图像去模糊中，可以使用傅里叶变换来将图像转换到频域，然后应用滤波器来去除模糊。

三、图像去噪和去模糊方法的应用场景1. 医学影像医学影像中的噪声和模糊会影响到医生对病情的判断。

因此，图像去噪和去模糊在医学影像中具有重要意义。

例如，在CT扫描中，可以使用均值滤波和小波去噪法来去除图像中的噪声；而在MRI影像中，可以使用维纳滤波和傅里叶变换来恢复图像的清晰度和细节。