看了一些资料，自己整理记录下：

大致可以分为两种典型的图像噪声：
–椒盐噪声：噪声的幅值基本相同，但是噪声出现的位置是随机的。
–随机噪声：每一点都存在噪声，但噪声的幅值是随机的。
随机噪声根据其幅值的概率密度函数，还可分成：高斯噪声、瑞利噪声


椒盐噪声




高斯噪声





设计噪声抑制滤波方法时，应尽可能保持原图信息的基础上，抑制噪声。
最常见的8种滤波方式

1、均值滤波器
2、中值滤波器
3、高斯滤波         
4、KNN滤波
5、高通滤波         
6、低通滤波（3*3）
7、最大均值性平滑滤波
8、梯度倒数加权滤波及低通滤波（5*5、7*7、9*9、11*11）



均值滤波

在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。











均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。
为了改善效果，就可采用加权平均的方式来构造滤波器。

11.1  暗通道优先的图像去雾算法

图像增强与图像修复二者之间有一定交叉，尽管它们一个强调客观标准，一个强调主观标准，但毕竟最终的结果都改善了图像的质量。图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声，那么去除雾霾的标准显然是非常客观的，也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种图像本来的面貌，那么去雾显然就是人们为了改善主观视觉质量而对图像所进行的一种增强。早期图像去雾的研究并没有得到应有的重视，很多人认为它的实际意义不大，甚至觉得所谓的去雾算法多是些华而不实的花拳绣腿，缺乏学术上的价值。然而，斗转星移，时易世变。一方面随着大气污染的日益严重，设法改善自动获取的图像质量其意义不言而喻。另一方面，随着数码设备的普及，消费类电子产品的市场也催生出许多新的需求，其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。说到图像去雾，就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注，相关论文也曾于2009年荣获CVPR最佳论文奖，同时也是该奖设立以来，首次由亚洲学者获颁此殊荣。









 



 

现在结果已经比较细腻了，但是显然图像有些暗。何博士在论文中也有提及直接暗通道算法的结果会是比较暗的。下一篇文章中，我们将给出在MATLAB中实现的源代码，并对过暗的图像增加曝光和自动色阶，从而得到完美的去雾图像。

未完，待续。。。

 

 

基于Matlab的图像的平滑滤波
DIP实验2：图像的平滑滤波
实验目的
实验内容
参考代码
实验结果

DIP实验2：图像的平滑滤波
实验目的
平滑的目的是减少噪声对图像的影响。掌握线性滤波和中值滤波两种最典型、最常用的图像平滑方法，对输出结果加以比较、加深理解。
实验内容
1）编写并调试窗口为3×3、5×5的平滑滤波函数；

（如[1 1 1; 1 1 1 ; 1 1 1]/9、[1 2 1; 2 4 2; 1 2 1]/16等）

2）编写并调试窗口为3×3、5×5的中值滤波函数。

3）比较均值滤波和中值滤波的优缺点，分析窗口尺寸对滤波结果的影响。
附：可供参考的Matlab函数有imnoise、imfilter、medfilt2
输出图像排列格式如下：




含噪图像
3×3标准平均
5×5标准平均




3×3加权平均
3×3中值滤波
5×5中值滤波



参考代码
figure('NumberTitle', 'off', 'Name', '实验2：图像的平滑滤波');

OI = imread('lena.bmp');    % 原始图像读取 
NI = imnoise(OI,'salt & pepper',0.02);    % 含噪图像 Noise Image（加椒盐噪声）
W1 = ones(3)/9;    % 模版
W2 = ones(5)/9; 
W3 = [1 2 1; 2 4 2; 1 2 1] / 16;         

subplot(2,3,1);
imshow(NI);
title('含噪图像'); 

subplot(2,3,2);
Box3 = AvgFilter(NI, W1, 256, 256,  3); %3×3标准平均，调用均值滤波函数
imshow(Box3);
title('3×3标准平均');
 
subplot(2,3,3);
Box5 = AvgFilter(NI, W2, 256, 256, 5); %5×5标准平均，调用均值滤波函数
imshow(Box5);
title('5×5标准平均');

subplot(2,3,4);
Weigh3 = AvgFilter(NI, W3, 256, 256, 3); %3×3加权平均，调用加权平均函数 
imshow(Weigh3);
title('3×3加权平均');

subplot(2,3,5);
Med3 = MedFilter(NI, 256, 256, 3); %3×3中值滤波，调用中值滤波函数
imshow(Med3);
title('3×3中值滤波');

subplot(2,3,6);
Med5 = MedFilter(NI, 256, 256, 5); %5×5中值滤波，调用中值滤波函数
imshow(Med5);
title('5×5中值滤波');

% 平均滤波函数 AvgFilter
function PI = AvgFilter(NI, W, M, N, tem)
    % PI    滤波后图像矩阵
    % NI    含噪图像矩阵
    % W     模版
    % M、N   含噪图像像素矩阵行、列
    % tem   均值滤波窗口大小  template
    f = zeros(M+tem-1, N+tem-1);
    % 将原图像移到f中间部分，四周仍有(tem-1)/2的边缘
    f((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:M,1:N);
    % 用与边界相邻(tem-1)/2行（或列）元素的像素值将模版四周(tem-1)/2的边缘补全
    f(1:(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:(tem-1)/2, : ) ;     % 上侧
    f(M+(tem-1)/2:M+tem-1, (tem-1)/2+1:N+(tem-1)/2) = NI(M-(tem-1)/2:M, : );    % 下侧
    f((tem-1)/2+1:M+(tem-1)/2, 1:(tem-1)/2) = NI( : , 1:(tem-1)/2);     % 左侧
    f((tem-1)/2+1:M+(tem-1)/2, N+(tem-1)/2:N+tem-1) = NI( : , N-(tem-1)/2:N);   % 右侧
    g = zeros(M+tem-1, N+tem-1);
    Img = zeros(M, N);
    %根据公式计算出处理后g(x,y)的像素值
     for x=(tem-1)/2+1 : M+(tem-1)/2
        for y=(tem-1)/2+1 : N+(tem-1)/2
            for s=-(tem-1)/2:(tem-1)/2
                for t=-(tem-1)/2:(tem-1)/2
                    g(x, y) = g(x, y) + f(x+s, y+t) * W(s+(tem+1)/2,t+(tem+1)/2);
                end
            end
        end
     end
    Img(1:M,1:N) = g((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2);   
    PI = mat2gray(Img);
end

% 中值滤波函数 MedFilter
function PI = MedFilter(NI, M, N, tem)
    % PI    滤波后图像矩阵
    % NI    含噪图像矩阵
    % M、N     含噪图像像素矩阵行、列
    % tem      均值滤波窗口大小  template
    f = zeros(M+tem-1, N+tem-1);
    % 将原图像移到f中间部分，四周仍有(tem-1)/2的边缘
    f((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:M,1:N);
    % 用与边界相邻(tem-1)/2行（或列）元素的像素值将模版四周(tem-1)/2的边缘补全
    f(1:(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:(tem-1)/2, : );    % 上侧
    f(M+(tem-1)/2:M+tem-1, (tem-1)/2+1:N+(tem-1)/2) = NI(M-(tem-1)/2:M, : );    % 下侧
    f((tem-1)/2+1:M+(tem-1)/2, 1:(tem-1)/2) = NI( : , 1:(tem-1)/2);     % 左侧
    f((tem-1)/2+1:M+(tem-1)/2, N+(tem-1)/2:N+tem-1) = NI( : , N-(tem-1)/2:N);    % 右侧
    g = zeros(M+tem-1, N+tem-1);
    Img = zeros(M, N);
    for x=(tem-1)/2+1 : M+(tem-1)/2
        for y=(tem-1)/2+1 : N+(tem-1)/2
            tr = 1;
            for s=-(tem-1)/2:(tem-1)/2
                for t=-(tem-1)/2:(tem-1)/2
                    A(tr) = f(x+s, y+t);    % 未能使用中值函数，将二维数组变换为一维的
                    tr = tr + 1;
                end
            end
            g(x,y) = Median(A, tem);    % 调用中值函数
        end
     end
Img(1:M,1:N) = g((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2);   
PI = mat2gray(Img);
end

% 计算中值函数 Median
% 采用冒泡排序方法将窗口像素值从小到大排列，返回中间像素值
function mid = Median(mat, tem)
    % mid      排序后的中值
    % mat      待排序窗口（一个矩阵）
    % tem      窗口大小(变长)
    % 冒泡排序
    for p = 1 : (tem * tem)
        for q = p : (tem * tem)
            if mat(q) < mat(p)
            	t = mat(q);
                mat(q) = mat(p);
                mat(p) = t;
            end
        end
    end
    mid = mat(( tem * tem + 1) / 2);
end

实验结果

  转自：http://blog.csdn.net/baimafujinji/article/details/27206237

11.1  暗通道优先的图像去雾算法


图像增强与图像修复二者之间有一定交叉，尽管它们一个强调客观标准，一个强调主观标准，但毕竟最终的结果都改善了图像的质量。图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声，那么去除雾霾的标准显然是非常客观的，也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种图像本来的面貌，那么去雾显然就是人们为了改善主观视觉质量而对图像所进行的一种增强。早期图像去雾的研究并没有得到应有的重视，很多人认为它的实际意义不大，甚至觉得所谓的去雾算法多是些华而不实的花拳绣腿，缺乏学术上的价值。然而，斗转星移，时易世变。一方面随着大气污染的日益严重，设法改善自动获取的图像质量其意义不言而喻。另一方面，随着数码设备的普及，消费类电子产品的市场也催生出许多新的需求，其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。说到图像去雾，就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注，相关论文也曾于2009年荣获CVPR最佳论文奖，同时也是该奖设立以来，首次由亚洲学者获颁此殊荣。

















现在结果已经比较细腻了，但是显然图像有些暗。何博士在论文中也有提及直接暗通道算法的结果会是比较暗的。
下一篇文章中，我们将给出在MATLAB中实现的源代码，并对过暗的图像增加曝光和自动色阶，从而得到完美的去雾图像。


我们已经了解了暗通道图像去雾算法的基本原理，下面我们来编程实现，然后对结果再做一些讨论。



上述代码中调用了几个函数，限于篇幅这里仅给出其中的暗通道处理函数，其余函数读者可以尝试自己写写看，当然其中最关键的就是暗通道处理函数，这也是算法的核心内容。






另外，代码里我们使用了导向滤波函数，导向滤波代码来自何恺明博士，读者可以访问他的网页获得源码，已经论文的原文，链接如下：

http://research.microsoft.com/en-us/um/people/kahe/

另外，下面这个博客里有一些关于导向滤波的比较通俗的讨论，可以作为阅读论文原文时的辅助材料：

http://blog.csdn.net/aichipmunk/article/details/20704681






最后一个小讨论，我们所采用的方法英文叫 Dark Channel Prior，很多人困惑 Prior该怎么翻译，我标题里采用了优先这个叫法，这个是一个比较常见的叫法，我也随世流俗了，因为Prior在英文里确实有这个意思。但是这个通常的叫法其实欠妥，最好翻成 “先验”。在上一篇文章中，我们讨论过这个算法的原理，其实算法是把 暗通道的有关结论作为一个先验条件来使用的，就像我们以前做 数学证明题，会有一些 结论或者定理 即使题目中没给我们也可以直接用，那些结论或者定理就是
 先验的 条件，是不需要直接给出也可以使用的。