精华内容
下载资源
问答
  • matlab图像去噪 滤波 锐化 边缘检测案例,包括详细的代码资料和讲解注释
  • MATLAB图像去噪[多方法,GUI界面,万字文稿]
  • 实用文案 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...
  • Matlab图像去噪(中值和均值)

    万次阅读 多人点赞 2017-12-21 14:41:51
    简单概念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...

    简单概念

    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;这里用一个函数实现 :imnoise函数。(见文末

    这里说明两种图像去噪算法:

    1. 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。

    1. 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。


    话不多说附代码:

    
    I=imread('C:\Users\wpc\Pictures\1.jpg');%读取图像
    
    I = rgb2gray(I);%灰度处理
    
    J=imnoise(I,'salt & pepper',0.2);%加入椒盐噪声,密度为0.2
    
    subplot(2,3,1);imshow(I);
    
    title('原始图像');
    
    subplot(2,3,2); imshow(J);
    
    title('加入椒盐噪声之后的图像');
    
    %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波
    
    K1= medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波
    
    %采用MATLAB中的函数filter2对受噪声干扰的图像进行中值滤波
    
    K2=filter2(fspecial('average',3),J)/255; %模板尺寸为3
    
    K3=filter2(fspecial('average',5),J)/255;% 模板尺寸为5
    
    K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9
    
    subplot(2,3,3);imshow(K1);
    
    title('中值滤波');
    
    subplot(2,3,4); imshow(K2);
    
    title('均值滤波,尺寸3');
    
    subplot(2,3,5);imshow(K3);
    
    title('均值滤波,尺寸5');
    
    subplot(2,3,6);imshow(K4);
    
    title('均值滤波,尺寸9'); 
    
    
    
    

    运行结果
    分析与总结

    通过目测?

    • 中值滤波效果要比均值好
    • 使用均值滤波去噪效果选用的邻域半径越大效果越好,当然其代价也会更大。

    PS:

    1. fspecial函数

    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. imnoise函数
    imnoise(I,type)
    

    I:为处理的后的图像矩阵
    type:添加噪声的类型,包含 ‘gaussian’ 、‘salt & pepper’…(不会自己查。。。啦啦啦)

    展开全文
  • 课题题目:MATLAB图像去噪算法研究课题介绍在信息化的社会里,图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。本文...

    课题题目:

    MATLAB图像去噪算法研究

    1. 课题介绍

    在信息化的社会里,图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。

    本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了三种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪,通过分析仿真结果得出:均值滤波是典型的线性滤波,对高斯噪声抑制是比较好的;中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效;对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

    三、目录提纲

    摘 要

    Abstract

    目 录

    第1章 概 述

    1.1 课题研究背景

    1.2 图像去噪的研究现状

    1.3 本文主要工作

    第2章 图像去噪算法

    2.1 图像噪声概述

    2.2 邻域平均法图像去噪

    2.3 中值滤波法图像去噪

    2.4 基于小波变换法图像去噪

    2.5 本章小结

    第3章 基于Matlab的图像去噪算法仿真

    3.1 邻域平均法的仿真

    3.2 中值滤波的仿真

    3.3 基于小波变换法的仿真

    3.4 几种去噪方法的比较分析

    3.5 本章小结

    第4章 GUI系统的设计

    4.1 GUI界面介绍

    4.2 GUI界面设计

    4.3 运行效果

    参考文献

    致 谢

    四、图像去噪算法仿真过程

    本章仿真时选取一张灰度图片“lena.png”,并在图片中加入两种噪声:高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声,属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法进行仿真,将应用邻域平均法、中值滤波法和小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较,从而得到相应结论。

    邻域平均法的仿真

    本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪,并用Matlab软件仿真。

    (1)给图像加入噪声系数为0.01的的椒盐噪声去噪

    Matlab部分代码:


    v2-e92a0713fbaedff69c28c2536882c968_b.jpg


    仿真结果如图4-1所示。



    v2-69663ac20c5b03b0e44cd3643a84bcd9_b.jpg

    v2-f547d0750051b4da4834eaef47756a09_b.jpg

    v2-9849b4a82bc2783b243434306ed5a3f7_b.jpg


    原图 加椒盐噪图 去噪图

    图4-1 邻域平均法对椒盐噪声去噪的仿真结果

    (2)给图像加入噪声系数为0.01的高斯噪声去噪

    Matlab部分代码:


    v2-72827e6bd988d089a1e08b9cce559714_b.jpg


    仿真结果如图4-2所示。



    v2-c3958d08d3404ee05e8c5b9ee625ffc7_b.jpg

    v2-39fbfedbb0440744563e85f7d498b983_b.jpg

    v2-91827e5e15854ae501d622507c609699_b.jpg



    原图 加高斯噪声图 去噪图






    图4-2 邻域平均法对椒盐噪声去噪的仿真结果

    中值滤波的仿真

    本节选用中值滤波法对含有高斯噪声和椒盐噪声的图像进行去噪,并用Matlab软件仿真。

    (1)给图像加入系数为0.01的椒盐噪声去噪

    Matlab部分代码:


    v2-a7ddececfbe9802c33e5baadba3c8813_b.jpg


    仿真结果如图4-3所示。



    v2-b2409c82d0b7cc9fe9cbe1926df5ca3c_b.jpg

    v2-ac255c38fd1ce47cdfb2aff21280ae0d_b.jpg

    v2-f7c5a4f2777b622f7384b5518465898a_b.jpg

    原图 加噪图 去噪图

    图4-3 中值滤波法对高斯噪声去噪的仿真结果


    (2)给图像加入噪声系数为0.01的高斯噪声去噪

    Matlab部分代码:



    v2-b95d3f8c053da11587de99d4e35c915c_b.jpg



    仿真结果如图4-4所示。



    v2-6750eb9c960d2b65f4acec61285bf519_b.jpg

    v2-21bc527291185f7b857bb423bacc4f7d_b.jpg

    v2-e87cb5ea10d31cb1973505fb40ae0e1c_b.jpg


    原图 加噪图 去噪图


    图4-4 中值滤波法对椒盐噪声去噪的仿真结果


    基于小波变换法的仿真

    选用小波变换法对含有高斯噪声和椒盐噪声的图像进行去噪,并用Matlab软件仿真。

    (1)给图像加入系数为0.01的高斯噪声,用小波函数coif2对图象进行2层分解进行去噪


    仿真结果如图4-7所示。


    v2-1f86e138da147fa6e2d19a2f00cb3bd1_b.jpg

    v2-862e7c5aaf7c49413474118b1e4edfa8_b.jpg

    v2-5c63bd9c1906fa8b9be30c931f190764_b.jpg



    原图 加噪图 去噪图



    图4-7 小波变换法对高斯噪声去噪的仿真结果

    (2)给图像加入噪声系数为0.01的高斯噪声去噪

    仿真结果如图4-8所示。



    v2-6750eb9c960d2b65f4acec61285bf519_b.jpg

    v2-21bc527291185f7b857bb423bacc4f7d_b.jpg

    v2-e87cb5ea10d31cb1973505fb40ae0e1c_b.jpg


    原图 加噪图 去噪图


    图4-8 小波变换法对椒盐噪声去噪的仿真结果


    几种去噪方法的比较分析

    均值滤波是典型的线性滤波算法,其采用的主要方法为邻域平均法。即对待处理的当前像索点

    v2-0fe0b3dcdb47da7cd9ec28e37dc002ef_b.jpg

    ,选择一个模板,该模板由其近邻M个像素组成,求模板中所有像素的均值,再把该均值赋予当前像素的算术平均值

    v2-f507b28e493f6be0b7427faf228ffeb8_b.jpg

    ,作为邻域平均处理后的灰度。该方法运算简单,对高斯噪声具有良好的去噪能力。均值滤波可归结为矩形窗加权的有限冲激响应线性滤波器。因此,均值滤波相当于低通滤波器。这种低通性能在平滑噪声的同时,必定也会信号的细节和边缘,即在消除噪声的同时也会对图像的高频细节成分造成破坏和损失,使图像,由以上处理后的图像可以看到:邻域平均法消弱了图像的边缘,使图像变得有些。均值滤波时高斯噪声抑制是比较好的,但对椒盐噪声的抑制作用不好,椒盐噪声仍然存在,只不过被削弱了而已,如仿真结果图4-2所示。为了改善均值滤波细节对比度不好、区域边界的缺陷,常用门限法来抑制椒盐噪声和保护细小纹理,用加权法来改善图像的边界,用选择平均的自适应技术来保持图像的边界。

    中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术。它可以克服线性滤波器给图像带来的,在有效清除颗粒噪声的同时,又能保持良好的边缘特性,从而获得较满意的滤波效果,特别适合于去除图像的椒盐噪声,如仿真结果图4-4所示。当窗口在图像中上下左右进行移动后,利用中值滤波算法可以很好地对图像进行平滑处理。由以上图像可以看到:中值滤波法较好地保留了图像的边缘,使其轮廓比较清晰。中值滤波对椒盐噪声特别有效,取得了很好的效果,而对高斯噪声效果不佳。对一些复杂的图像,可以使用复合型中值滤波,如:中值滤波线性组合、高阶中值滤波组合、加权中值滤波以及迭代中值滤波等来改善单纯中值滤波的一些不足,从而达到更好的滤波效果。

    小波阈值去噪方法是研究最广泛的方法。这种非线性滤波方法之所以特别有效, 就是由于小波变换具有一种“ 集中”的能力, 它可以使一个信号的能量在小波变换域集中在少数系数上, 因此这些系数的幅值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的幅值。这就意味着对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号, 然后运用小波逆变换, 得到去噪后的重建图像。如图4-7、4-8所示,使用小波变换都得到了较好的消噪效果。

    上述滤波方法虽都有一定的降噪效果,但都有其局限性。事实上,不管滤波器具有什么样的频率响应,均不可能做到噪声完全滤掉,使信号波形不失真。但我们可以不断地改进滤波的技术,如实际应用中常用一些改进型的滤波方法如小波导向、多级门限检测来提高去噪的效果从而最大可能地恢复出原始图像。


    五、 GUI系统的设计

    5.1 GUI界面介绍

    图形用户接口GUI是用户和计算机程序之间进行信息交流的方式。通过图形用户界面,用户不需要输入脚本或命令,不需要了解任务的内部运行方式,计算机在屏幕显示图形和文本,若有扬声器还可产生声音。用户通过输入设备,键盘,鼠标,麦克风等与计算机进行通信。图形用户界面GUI中包含多个图形对象,如图标,菜单,文本的用户界面。以某种方式选择或激活这些对象,引起相应的动作或变化,最常用的激活方式是用鼠标控制屏幕上的鼠标指针运动。

    图形用户界面GUI具有操作方便,控制灵活的特点,已成为现代应用程序的主要方式。

    5.2 GUI界面设计

    5.2.1 需求分析

    1、预期中,应该设计三个axes,用于显示原图,加噪图以及去噪后的图。

    2、设计五个按钮,用于选择图像,关闭界面,均值滤波,中值滤波,小波变换等去噪方法;

    3、设计一个下拉框,用于噪声类型的选择;

    4、设计一个编辑框,用于噪声系数的输入;


    v2-8061058bff2586dae71a7d182a0294ed_b.jpg


    5.3 运行效果


    v2-e9e106db98fb2d69d9a16cfb0bc1c487_b.jpg


    0.01椒盐噪声均值滤波


    v2-5ad29f1f8708d9c92ef6d840b52d8768_b.jpg

    0.01高斯噪声均值滤波


    v2-d084f22991f1fae37a10357bc4aa5d58_b.jpg


    0.01椒盐噪声中值滤波


    v2-651b40f18505474e3485ed6707dc9e74_b.jpg


    0.01高斯噪声中值滤波


    v2-76ee97f96c4e56b8a56e94a157b2c8c4_b.jpg


    0.01椒盐噪声的小波变换去噪


    v2-77faf1647aa0062a5b5d8355d482c78a_b.jpg


    0.01高斯噪声的小波去噪

    展开全文
  • 二、研究内容本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了三种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯...

    一.应用背景

    在信息化的社会里,图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。

    二、研究内容

    本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了三种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪,通过分析仿真结果得出:均值滤波是典型的线性滤波,对高斯噪声抑制是比较好的;中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效;对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

    三、目录推荐

    摘 要 I

    Abstract II

    目 录 III

    第1章 概 述 1

    1.1 课题研究背景 1

    1.2 图像去噪的研究现状 1

    1.3 本文主要工作 2

    第2章 图像去噪算法 5

    2.1 图像噪声概述 5

    2.2 邻域平均法图像去噪 6

    2.3 中值滤波法图像去噪 7

    2.4 基于小波变换法图像去噪 11

    2.5 本章小结 17

    第3章 基于Matlab的图像去噪算法仿真 18

    3.1 邻域平均法的仿真 18

    3.2 中值滤波的仿真 20

    3.3 基于小波变换法的仿真 22

    3.4 几种去噪方法的比较分析 25

    3.5 本章小结 26

    第4章 GUI系统的设计 27

    4.1 GUI界面介绍 27

    4.2 GUI界面设计 27

    4.3 运行效果 29

    参考文献 36

    致 谢 37

    四、GUI界面设计

    4.1 GUI界面介绍

    图形用户接口GUI是用户和计算机程序之间进行信息交流的方式。通过图形用户界面,用户不需要输入脚本或命令,不需要了解任务的内部运行方式,计算机在屏幕显示图形和文本,若有扬声器还可产生声音。用户通过输入设备,键盘,鼠标,麦克风等与计算机进行通信。图形用户界面GUI中包含多个图形对象,如图标,菜单,文本的用户界面。以某种方式选择或激活这些对象,引起相应的动作或变化,最常用的激活方式是用鼠标控制屏幕上的鼠标指针运动。

    图形用户界面GUI具有操作方便,控制灵活的特点,已成为现代应用程序的主要方式。

    4.2 GUI界面设计

    4.2.1 需求分析

    1、预期中,应该设计三个axes,用于显示原图,加噪图以及去噪后的图。

    2、设计五个按钮,用于选择图像,关闭界面,均值滤波,中值滤波,小波变换等去噪方法;

    3、设计一个下拉框,用于噪声类型的选择;

    4、设计一个编辑框,用于噪声系数的输入;

    v2-8061058bff2586dae71a7d182a0294ed_b.jpg
    GUI设计

    5.部分代码

    % 初始化参数值
    R       = 5;                                    % 窗口大小
    alpha   = 0.1;                                  % 控制小波系数缩减的程度
    beta    = 0.3;
    delta   = DELTA(x);                             % 噪方差σ
    lambda2 = 4 * delta^2 * log(R);                 % 局部阈值(?) λ^2
    [C, S] = wavedec2(x, n, wname);                 % 对图像进行小波分解
    % 提取每层系数并进行处理
    for i = n : -1 : 1
        cH = detcoef2('h', C, S, i);                % 水平细节系数
        cV = detcoef2('v', C, S, i);                % 垂直细节系数
        cD = detcoef2('d', C, S, i);                % 对角线细节系数
     
        dim = size(cH);
        % 分别处理三个方向的系数
        for j = 1 : dim(1)
            for k = 1 : dim(2)
                S_jk2 = energy(cH, j, k, R);
                cH(j, k) = shrink(cH(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cV, j, k, R);
                cV(j, k) = shrink(cV(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cD, j, k, R);
                cD(j, k) = shrink(cD(j, k), S_jk2, alpha, beta, lambda2);
            end
        end
     
        % 再把系数放回去……  
        k     = size(S,1) - i;
        first = S(1,1)*S(1,2) + 3 * sum(S(2:k-1, 1).*S(2:k-1, 2)) + 1;  % 起始位置
        add   = S(k,1)*S(k,2);                                          % 系数长度
     
        C(first : first + add - 1) = reshape(cH, 1, add);
        C(first + add : first + 2*add - 1) = reshape(cV, 1, add);
        C(first + 2*add : first + 3*add - 1) = reshape(cD, 1, add);
    end
     
    X = waverec2(C, S, wname);                      % 重构图像
    %%% delta
    function delta = DELTA(x)
    %   估计噪声方差σ
    
    [C, S] = wavedec2(x, 1, 'db1');                             % 小波分解
    d = C( prod( S(1,:) ) + 2 * prod( S(2,:) ) + 1 : end);      % HH子带系数
    delta = median( abs(d) ) / 0.6745;                          % 计算delta
    %%% energy
    %%%
    function S_jk2 = energy(cM, j, k, R)
    %   计算小波系数附近的能量
    %
    dim = size(cM);
     
    % 边界判断
    row_min = (j-1 < fix(R/2)) * (1-j) + (j-1 >= fix(R/2)) * fix(-R/2);
    row_max = (dim(1)-j < fix(R/2)) * (dim(1)-j) + (dim(1)-j >= fix(R/2)) * fix(R/2);
    col_min = (k-1 < fix(R/2)) * (1-k) + (k-1 >= fix(R/2)) * fix(-R/2);
    col_max = (dim(2)-k < fix(R/2)) * (dim(2)-k) + (dim(2)-k >= fix(R/2)) * fix(R/2); 
    s = 0;
    for m = row_min : row_max
        for n = col_min : col_max
            s = cM(j + m, k + n)^2 + s;
        end
    end
    S_jk2 = s / R^2; 
    %%% shrink
    function d_jk = shrink(d, S_jk2, alpha, beta, lambda2)
    %   处理小波系数
    %
    if S_jk2 >= beta * lambda2
        d_jk = d * (1 - alpha * lambda2 / S_jk2);
    else
        d_jk = 0;
    end

    六、结 论

    在当代高度信息化的社会里,图形和图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。本文的主要工作就是研究四种常用去噪方法:邻域平均法、中值滤波法、维纳滤波法和小波变换法的原理,利用Matlab仿真软件对四种方法编写代码,对一张图片做去噪处理,得出以下结论:

    (1)均值滤波是典型的线性滤波,对高斯噪声的抑制是比较好的,但对椒盐噪声的抑制作用不好,椒盐噪声仍然存在,只不过被削弱了而已。

    (2)中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效,取得了很好的效果,而对高斯噪声效果不佳。

    (3)小波阈值去噪方法是研究最广泛的方法。对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号,效果最好。

    若图像中含有多种类型噪声,可把几种去噪方法结合起来使用。另外,在利用上述方法去噪声时效果越好,图像就越,所以在对图像的处理过程中要二者兼顾。图像去噪问题一直以来都是一个较难解决的问题,很难既去除噪声又较好地保留原图的信息。但是,随着小波理论体系的不断完善与发展,小波变换必将以其良好的时频分析特性,得天独厚的优势,更加广泛地应用于图像去噪领域。

    七.参考文献

    [1] MALLATS.A Tour Guide of Signal Processing[M].Beijing:Machine Industry Press,2003.95-150.

    [2] DONOHODL,VETTERLIM,DEVORERA Data compression and harmonic analysis[J].IEEE Trans on Information Theory,1998,244(6):2435-2476.

    [3] STACK JL,CANDESE J,DONOHOD L,The curvelet transform for image denoising[J].IEEE Trans on Image Proccessing,2002,11(6):670-684.

    [4] STACK JL,MURTAGH F.Gray and color image constrast enhancement by the curvelet transform [J].IEEE Trans on Image Processing,2003,12(6):706- 716.

    [5] CAITT,SILVERMANBW.Incorporating information on Neighbouring Coefficients into wavelet estimation [J].The Indian Journal of Statistics,2001,63(2):127-148.

    [6] 杨群生,陈敏等.基于技术的随机噪声消除算法[J].华南理工大学学报,2000,28(8):82-87.

    [7] L.K.Shark and C.Yu.Denoising by optimal fuzzy thresholding in wavelet domain [J].IEEE Electronics letters,2000,36(6):581-582.

    [8] S.Mallat,Sifen Zhong,Characterization of signals from multiscale edges[J].IEEE Trans on PAMI,1992,PAMI-14(7):710-732.

    [9] Keesok J.Han and Ahmed H.Tewfik.Hybnd Wavelet Transform Fllter for Image Recovery[J].IEEETrans.Image Processing,1998,l540-544.

    [10] H.K .Kwan .Fuzzy filters for noise image filtering [J].IEEE.2003,161-164.

    [11] 杨晋生,蔡靖等.一种具有鲁棒性的基于小波变换的滤波方法[J].电子与信息学报,2002,24(3):413-417.

    [12] 张磊,潘泉,张洪才等.小波域滤波阈值参数的选取[J].电子学报,2001,29(3):400-402.

    [13] Mallat and Zhong S.Characterization of signals from multiscale edges[J].IEEE Trans on PAMI,1992.7.14(7):710- 732.

    展开全文
  • 二、研究内容本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了三种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯...

    c82d293ba163476d4908180501883ea9.png

    一.应用背景

    在信息化的社会里,图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。

    二、研究内容

    本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法;其次详细阐述了三种去噪算法原理及特点;最后运用Matlab软件对一张含噪图片(含高斯噪声或椒盐噪声)进行仿真去噪,通过分析仿真结果得出:均值滤波是典型的线性滤波,对高斯噪声抑制是比较好的;中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效;对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

    三、目录推荐

    摘 要 I

    Abstract II

    目 录 III

    第1章 概 述 1

    1.1 课题研究背景 1

    1.2 图像去噪的研究现状 1

    1.3 本文主要工作 2

    第2章 图像去噪算法 5

    2.1 图像噪声概述 5

    2.2 邻域平均法图像去噪 6

    2.3 中值滤波法图像去噪 7

    2.4 基于小波变换法图像去噪 11

    2.5 本章小结 17

    第3章 基于Matlab的图像去噪算法仿真 18

    3.1 邻域平均法的仿真 18

    3.2 中值滤波的仿真 20

    3.3 基于小波变换法的仿真 22

    3.4 几种去噪方法的比较分析 25

    3.5 本章小结 26

    第4章 GUI系统的设计 27

    4.1 GUI界面介绍 27

    4.2 GUI界面设计 27

    4.3 运行效果 29

    参考文献 36

    致 谢 37

    四、GUI界面设计

    4.1 GUI界面介绍

    图形用户接口GUI是用户和计算机程序之间进行信息交流的方式。通过图形用户界面,用户不需要输入脚本或命令,不需要了解任务的内部运行方式,计算机在屏幕显示图形和文本,若有扬声器还可产生声音。用户通过输入设备,键盘,鼠标,麦克风等与计算机进行通信。图形用户界面GUI中包含多个图形对象,如图标,菜单,文本的用户界面。以某种方式选择或激活这些对象,引起相应的动作或变化,最常用的激活方式是用鼠标控制屏幕上的鼠标指针运动。

    图形用户界面GUI具有操作方便,控制灵活的特点,已成为现代应用程序的主要方式。

    4.2 GUI界面设计

    4.2.1 需求分析

    1、预期中,应该设计三个axes,用于显示原图,加噪图以及去噪后的图。

    2、设计五个按钮,用于选择图像,关闭界面,均值滤波,中值滤波,小波变换等去噪方法;

    3、设计一个下拉框,用于噪声类型的选择;

    4、设计一个编辑框,用于噪声系数的输入;

    b4e8926b0e1b7ac755c4d0ac955600fe.png
    GUI设计

    5.部分代码

    % 初始化参数值
    R       = 5;                                    % 窗口大小
    alpha   = 0.1;                                  % 控制小波系数缩减的程度
    beta    = 0.3;
    delta   = DELTA(x);                             % 噪方差σ
    lambda2 = 4 * delta^2 * log(R);                 % 局部阈值(?) λ^2
    [C, S] = wavedec2(x, n, wname);                 % 对图像进行小波分解
    % 提取每层系数并进行处理
    for i = n : -1 : 1
        cH = detcoef2('h', C, S, i);                % 水平细节系数
        cV = detcoef2('v', C, S, i);                % 垂直细节系数
        cD = detcoef2('d', C, S, i);                % 对角线细节系数
     
        dim = size(cH);
        % 分别处理三个方向的系数
        for j = 1 : dim(1)
            for k = 1 : dim(2)
                S_jk2 = energy(cH, j, k, R);
                cH(j, k) = shrink(cH(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cV, j, k, R);
                cV(j, k) = shrink(cV(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cD, j, k, R);
                cD(j, k) = shrink(cD(j, k), S_jk2, alpha, beta, lambda2);
            end
        end
     
        % 再把系数放回去……  
        k     = size(S,1) - i;
        first = S(1,1)*S(1,2) + 3 * sum(S(2:k-1, 1).*S(2:k-1, 2)) + 1;  % 起始位置
        add   = S(k,1)*S(k,2);                                          % 系数长度
     
        C(first : first + add - 1) = reshape(cH, 1, add);
        C(first + add : first + 2*add - 1) = reshape(cV, 1, add);
        C(first + 2*add : first + 3*add - 1) = reshape(cD, 1, add);
    end
     
    X = waverec2(C, S, wname);                      % 重构图像
    %%% delta
    function delta = DELTA(x)
    %   估计噪声方差σ
    
    [C, S] = wavedec2(x, 1, 'db1');                             % 小波分解
    d = C( prod( S(1,:) ) + 2 * prod( S(2,:) ) + 1 : end);      % HH子带系数
    delta = median( abs(d) ) / 0.6745;                          % 计算delta
    %%% energy
    %%%
    function S_jk2 = energy(cM, j, k, R)
    %   计算小波系数附近的能量
    %
    dim = size(cM);
     
    % 边界判断
    row_min = (j-1 < fix(R/2)) * (1-j) + (j-1 >= fix(R/2)) * fix(-R/2);
    row_max = (dim(1)-j < fix(R/2)) * (dim(1)-j) + (dim(1)-j >= fix(R/2)) * fix(R/2);
    col_min = (k-1 < fix(R/2)) * (1-k) + (k-1 >= fix(R/2)) * fix(-R/2);
    col_max = (dim(2)-k < fix(R/2)) * (dim(2)-k) + (dim(2)-k >= fix(R/2)) * fix(R/2); 
    s = 0;
    for m = row_min : row_max
        for n = col_min : col_max
            s = cM(j + m, k + n)^2 + s;
        end
    end
    S_jk2 = s / R^2; 
    %%% shrink
    function d_jk = shrink(d, S_jk2, alpha, beta, lambda2)
    %   处理小波系数
    %
    if S_jk2 >= beta * lambda2
        d_jk = d * (1 - alpha * lambda2 / S_jk2);
    else
        d_jk = 0;
    end

    六、结 论

    在当代高度信息化的社会里,图形和图像在信息传播中所起的作用越来越大。所以,消除在图像采集和传输过程中而产生的噪声,保证图像受污染度最小,成了数字图像处理领域里的重要部分。本文的主要工作就是研究四种常用去噪方法:邻域平均法、中值滤波法、维纳滤波法和小波变换法的原理,利用Matlab仿真软件对四种方法编写代码,对一张图片做去噪处理,得出以下结论:

    (1)均值滤波是典型的线性滤波,对高斯噪声的抑制是比较好的,但对椒盐噪声的抑制作用不好,椒盐噪声仍然存在,只不过被削弱了而已。

    (2)中值滤波是常用的非线性滤波方法,对椒盐噪声特别有效,取得了很好的效果,而对高斯噪声效果不佳。

    (3)小波阈值去噪方法是研究最广泛的方法。对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号,效果最好。

    若图像中含有多种类型噪声,可把几种去噪方法结合起来使用。另外,在利用上述方法去噪声时效果越好,图像就越,所以在对图像的处理过程中要二者兼顾。图像去噪问题一直以来都是一个较难解决的问题,很难既去除噪声又较好地保留原图的信息。但是,随着小波理论体系的不断完善与发展,小波变换必将以其良好的时频分析特性,得天独厚的优势,更加广泛地应用于图像去噪领域。

    七.参考文献

    [1] MALLATS.A Tour Guide of Signal Processing[M].Beijing:Machine Industry Press,2003.95-150.

    [2] DONOHODL,VETTERLIM,DEVORERA Data compression and harmonic analysis[J].IEEE Trans on Information Theory,1998,244(6):2435-2476.

    [3] STACK JL,CANDESE J,DONOHOD L,The curvelet transform for image denoising[J].IEEE Trans on Image Proccessing,2002,11(6):670-684.

    [4] STACK JL,MURTAGH F.Gray and color image constrast enhancement by the curvelet transform [J].IEEE Trans on Image Processing,2003,12(6):706- 716.

    [5] CAITT,SILVERMANBW.Incorporating information on Neighbouring Coefficients into wavelet estimation [J].The Indian Journal of Statistics,2001,63(2):127-148.

    [6] 杨群生,陈敏等.基于技术的随机噪声消除算法[J].华南理工大学学报,2000,28(8):82-87.

    [7] L.K.Shark and C.Yu.Denoising by optimal fuzzy thresholding in wavelet domain [J].IEEE Electronics letters,2000,36(6):581-582.

    [8] S.Mallat,Sifen Zhong,Characterization of signals from multiscale edges[J].IEEE Trans on PAMI,1992,PAMI-14(7):710-732.

    [9] Keesok J.Han and Ahmed H.Tewfik.Hybnd Wavelet Transform Fllter for Image Recovery[J].IEEETrans.Image Processing,1998,l540-544.

    [10] H.K .Kwan .Fuzzy filters for noise image filtering [J].IEEE.2003,161-164.

    [11] 杨晋生,蔡靖等.一种具有鲁棒性的基于小波变换的滤波方法[J].电子与信息学报,2002,24(3):413-417.

    [12] 张磊,潘泉,张洪才等.小波域滤波阈值参数的选取[J].电子学报,2001,29(3):400-402.

    [13] Mallat and Zhong S.Characterization of signals from multiscale edges[J].IEEE Trans on PAMI,1992.7.14(7):710- 732.

    展开全文
  • 本文涉及分别使用均值滤波器和中值滤波器来除去高斯噪声、椒盐噪声以及sobel边缘检测...xlabel('原始图像'); b=imnoise(I,'salt & pepper',0.01);%添加椒盐噪声 subplot(3,3,2);imshow(b); xlabel('椒盐噪声'); k1
  • MATLAB图像去噪(1)

    2020-02-27 12:29:24
    (1)图像读取及添加噪声 clc; clear all; close all; filename = fullfile(pwd, 'images/im2.jpg'); %fullfile函数是利用文件各部分信息如磁盘名、目录名和文件名创建合成完整的 %文件名。方法式为f = fullfile...
  • matlab图像复原技术 matlab图像增强技术
  • 基于小波图像去噪MATLAB实现 一 论文背景 数字图像处理(Digital Image ProcessingDIP)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...
  • matlab开发-图像去噪噪声噪声滤波器及其方法噪声阈值保持。基于gbfmt的matlab图像去噪代码
  • 基于MATLAB图像去噪

    2014-02-18 15:10:36
    基于MATLAB图像去噪处理源程序,采用不同的阈值函数对图像进行去噪处理,程序已经通过运行。
  • 图像去噪matlab

    2017-11-03 21:26:09
    matlab图像去噪 选择lena作为测试,添加高斯白噪声进行去噪验证
  • 基于MATLAB.图像去噪 滤波 锐化 边缘检测,简单实用的一个图片MATLAB处理形式。
  • 采用MATLAB,对三幅经典的图像分别加上高斯噪声、乘性噪声、椒盐噪声,并分别使用均值滤波、中值滤波、高斯低通滤波、巴特沃斯滤波、PCA、小波变换、DCT等去噪方法对其进行处理。去除噪声方法效果以PSNR(峰值信噪比...
  • 基于Matlab图像去噪算法仿真 在信息化的社会里图像在信息传播中所起的作用越来越大所以消除在图像采集和传输过程中而产生的噪声保证图像受污染度最小成了数字图像处理领域里的重要部分 本文主要研究分析邻域平均法...
  • MATLAB图像滤波去噪分析及其应用.MATLAB图像滤波去噪分析及其应用
  • matlab开发-图像去噪进化算法。此代码使用自组织迁移算法(SOMA)执行图像去噪
  • 实验二 图像去噪 一实验目的 熟悉图像高斯噪声和椒盐噪声的特点 掌握利用均值滤波和中值滤波去除图像噪声的方法 二实验内容 打开 Matlab 编程环境 读入图像在图像上分别添加高斯噪声和椒盐噪声 显示原图像和噪声图像...
  • matlab开发-图像去噪Visushrink。确定阈值以最小化MSE,
  • 结合【中值滤波,均值滤波,高斯滤波】和【laplacian算子,sobel算子。prewitt算子】对图片进行去噪和边缘增强处理。通过视觉对比和MSE/SNR/PSNR数值对比,得到9种组合的处理效果。
  • matlab开发-目标图像去噪。基于目标数据库的自适应图像去噪
  • 基于Matlab图像去噪算法的研究与实现
  • matlab开发-pureletforpoisson图像去噪。这是一个纯let的实现,最近提出用于泊松图像去噪

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 641
精华内容 256
关键字:

matlab图像去噪

matlab 订阅