數(shù)字圖像處理源代碼

1、數(shù)字圖像去噪典型算法及matlab實現(xiàn)希望得到大家的指點和幫助圖像去噪是數(shù)字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響到后續(xù)的圖像處理工作如圖像分割、邊緣檢測等。圖像信號在產(chǎn)生、傳輸過程中都可能會受到噪聲的污染，一般數(shù)字圖像系統(tǒng)中的常見噪聲主要有：高斯噪聲（主要由阻性元器件內(nèi)部產(chǎn)生）、椒鹽噪聲（主要是圖像切割引起的黑圖像上的白點噪聲或光電轉(zhuǎn)換過程中產(chǎn)生的泊松噪聲）等；目前比較經(jīng)典的圖像去噪算法主要有以下三種：均值濾波算法：也稱線性濾波，主要思想為鄰域平均法，即用幾個像素灰度的平均值來代替每個像素的灰度。有效抑制加性噪聲，但容易引起圖像模糊，可以對其進行改進，主要避開對景物邊緣的平滑處理

2、。中值濾波：基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性平滑濾波信號處理技術(shù)。中值濾波的特點即是首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，也可以為圓形、十字形等等，然后將鄰域中各像素的灰度值排序，取其中間值作為中心像素灰度的新值，這里領(lǐng)域被稱為窗口，當(dāng)窗口移動時，利用中值濾波可以對圖像進行平滑處理。其算法簡單，時間復(fù)雜度低，但其對點、線和尖頂多的圖像不宜采用中值濾波。很容易自適應(yīng)化。Wiener維納濾波：使原始圖像和其恢復(fù)圖像之間的均方誤差最小的復(fù)原方法，是一種自適應(yīng)濾波器，根據(jù)局部方差來調(diào)整濾波器效果。對于去除高斯噪聲效果明顯。實驗一：均值濾波對高斯噪聲的效果I=imread(C

3、:Documents and SettingsAdministrator桌面1.gif);%讀取圖像 J=imnoise(I,gaussian,0,0.005);%加入均值為0，方差為0.005的高斯噪聲 subplot(2,3,1);imshow(I); title(原始圖像); subplot(2,3,2); imshow(J); title(加入高斯噪聲之后的圖像); %采用MATLAB中的函數(shù)filter2對受噪聲干擾的圖像進行均值濾波 K1=filter2(fspecial(average,3),J)/255; %模板尺寸為3 K2=filter2(fspecial(average,

4、5),J)/255;% 模板尺寸為5 K3=filter2(fspecial(average,7),J)/255; %模板尺寸為7 K4= filter2(fspecial(average,9),J)/255; %模板尺寸為9 subplot(2,3,3);imshow(K1); title(改進后的圖像1); subplot(2,3,4); imshow(K2); title(改進后的圖像2); subplot(2,3,5);imshow(K3); title(改進后的圖像3); subplot(2,3,6);imshow(K4); title(改進后的圖像4); PS：filter2用法：

5、filter2用法fspecial函數(shù)用于創(chuàng)建預(yù)定義的濾波算子，其語法格式為：h = fspecial(type)h = fspecial(type,parameters)參數(shù)type制定算子類型，parameters指定相應(yīng)的參數(shù)，具體格式為：type=average，為均值濾波，參數(shù)為n，代表模版尺寸，用向量表示，默認(rèn)值為3,3。type= gaussian，為高斯低通濾波器，參數(shù)有兩個，n表示模版尺寸，默認(rèn)值為3,3，sigma表示濾波器的標(biāo)準(zhǔn)差，單位為像素，默認(rèn)值為0.5。type= laplacian，為拉普拉斯算子，參數(shù)為alpha，用于控制拉普拉斯算子的形狀，取值范圍為0,1，默

6、認(rèn)值為0.2。type= log，為拉普拉斯高斯算子，參數(shù)有兩個，n表示模版尺寸，默認(rèn)值為3,3，sigma為濾波器的標(biāo)準(zhǔn)差，單位為像素，默認(rèn)值為0.5type= prewitt，為prewitt算子，用于邊緣增強，無參數(shù)。type= sobel，為著名的sobel算子，用于邊緣提取，無參數(shù)。type= unsharp，為對比度增強濾波器，參數(shù)alpha用于控制濾波器的形狀，范圍為0,1，默認(rèn)值為0.2。據(jù)我目測，使用均值濾波去噪（高斯噪聲）效果選用的鄰域半徑越大效果越好，當(dāng)然其代價也會更大，另外確切的去噪效果的好壞還需要用SNR等數(shù)據(jù)來度量。實驗二：二維自適應(yīng)維納濾波對高斯噪聲的濾除效果I=

7、imread(C:Documents and SettingsAdministrator桌面1.gif); %讀取圖像 J=imnoise(I,gaussian,0,0.005); %加入均值為0，方差為0.005的高斯噪聲 K2=wiener2(J,3 3); %對加噪圖像進行二維自適應(yīng)維納濾波 K2=wiener2(J,5 5); %對加噪圖像進行二維自適應(yīng)維納濾波 K2=wiener2(J,7 7); %對加噪圖像進行二維自適應(yīng)維納濾波 K2=wiener2(J,9 9); %對加噪圖像進行二維自適應(yīng)維納濾波 subplot(2,3,1);imshow(I); title(原始圖像);

8、subplot(2,3,2);imshow(J); title(加噪圖像); subplot(2,3,3);imshow(K1); title(恢復(fù)圖像1); subplot(2,3,4);imshow(K2); title(恢復(fù)圖像2); subplot(2,3,5);imshow(K3); title(恢復(fù)圖像3); subplot(2,3,6);imshow(K4); title(恢復(fù)圖像3); PS：維納濾波的兩個函數(shù)wiener2與deconvwnr都能夠完成維納濾波的功能， deconvwnr強調(diào)圖象復(fù)原方面，wiener2強調(diào)圖象空間域銳化的作用，其中J=wiener2(I,m,

9、n)返回有噪聲圖像I經(jīng)過wierner(維納)濾波后的圖像，m,n指定濾波器窗口大小為m*n,默認(rèn)值為3*3，J=wiener2(I,m,n,noise)指定噪聲的功率，J,noise=wiener2(I,m,n)在圖像濾波的同時，返回噪聲功率的估計值noise。：維納濾波的兩個函數(shù)wiener2與deconvwnr都能夠完成維納濾波的功能， deconvwnr強調(diào)圖象復(fù)原方面，wiener2強調(diào)圖象空間域銳化的作用，其中J=wiener2(I,m,n)返回有噪聲圖像I經(jīng)過wierner(維納)濾波后的圖像，m,n指定濾波器窗口大小為m*n,默認(rèn)值為3*3，J=wiener2(I,m,n,no

10、ise)指定噪聲的功率，J,noise=wiener2(I,m,n)在圖像濾波的同時，返回噪聲功率的估計值noise。imnoise的語法格式為J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回對原始圖像I添加典型噪聲的有噪圖像J。參數(shù)type和parameters用于確定噪聲的類型和相應(yīng)的參數(shù)。下面的命令是對圖像1.gif分別加入高斯噪聲、椒鹽噪聲和乘性噪聲，其結(jié)果實驗三：對加入椒鹽噪聲的圖像分別作均值、中值和維納濾波I=imread(1.gif); J1=imnoise(I,gaussian,0,

11、0.02); J2=imnoise(I,salt & pepper,0.02); J3=imnoise(I,speckle,0.02); 運行效果見圖2 I=imread(C:Documents and SettingsAdministrator桌面1.gif); J=imnoise(I,salt & pepper,0.02); %h=ones(3,3)/9;%產(chǎn)生3*3的全1數(shù)組 %B=conv2(J,h);%卷積運算 K2=filter2(fspecial(average,3),J)/255; %均值濾波模板尺寸為3 K= medfilt2(J);%采用二維中值濾波函數(shù)medfilt2對受

12、椒鹽噪聲干擾的圖像濾波 K1=wiener2(J,3 3); %對加噪圖像進行二維自適應(yīng)維納濾波 subplot(2,3,1);imshow(I); title(原始圖像); subplot(2,3,2);imshow(J); title(加噪圖像); subplot(2,3,3);imshow(K2); title(均值濾波后的圖像); subplot(2,3,4);imshow(K); title(中值濾波后的圖像); subplot(2,3,5);imshow(K1); title(維納濾波后的圖像); PS：MATLAB中提供了卷積運算的函數(shù)命令conv2，其語法格式為：MATLAB中

13、提供了卷積運算的函數(shù)命令conv2，其語法格式為：C = conv2(A,B)C = conv2(A,B)返回矩陣A和B的二維卷積C。若A為mana的矩陣，B為mbnb的矩陣，則C的大小為(ma+mb+1)(na+nb+1)。MATLAB圖像處理工具箱提供了基于卷積的圖象濾波函數(shù)filter2，filter2的語法格式為：Y = filter2(h,X)其中Y = filter2(h,X)返回圖像X經(jīng)算子h濾波后的結(jié)果，默認(rèn)返回圖像Y與輸入圖像X大小相同。例如：其實filter2和conv2是等價的。MATLAB在計算filter2時先將卷積核旋轉(zhuǎn)180度，再調(diào)用conv2函數(shù)進行計算。Fsp

14、ecial函數(shù)用于創(chuàng)建預(yù)定義的濾波算子，其語法格式為：h = fspecial(type)h = fspecial(type,parameters)參數(shù)type制定算子類型，parameters指定相應(yīng)的參數(shù)，具體格式為前文已有敘述。ones產(chǎn)生全1數(shù)組，zeros產(chǎn)生全零數(shù)組。ones(a,b)產(chǎn)生a行b列全1數(shù)組ones(a)產(chǎn)生a行a列全1數(shù)祖 通過圖3我們也可得出結(jié)論，即中值濾波對于去除椒鹽噪聲效果最好，而維納濾波去除效果則較差。中值濾波對于去除椒鹽噪聲效果明顯，是因為椒鹽噪聲只在畫面上的部分點隨機出現(xiàn)，而中值濾波根據(jù)數(shù)據(jù)排序，將未被污染的點代替噪聲點的值的概率較大，所以抑制效果好。對

15、點、線和尖頂較多的圖像不宜采用中值濾波，因為一些細(xì)節(jié)點可能被當(dāng)成噪聲點。實驗四: 分別使用二維統(tǒng)計濾波對椒鹽噪聲和高斯噪聲進行濾波I=imread(C:Documents and SettingsAdministrator桌面1.gif); J1=imnoise(I,salt & pepper,0.004); subplot(2,3,1);imshow(I); title(原始圖像); subplot(2,3,2);imshow(J1); title(加椒鹽噪聲后的圖像); J= ordfilt2(J1,5,ones(3,4);% 進行二維統(tǒng)計順序過濾 subplot(2,3,3);imsho

16、w(J); title(椒鹽噪聲濾波后的圖像); J2=imnoise(I,gaussian,0,0.004); subplot(2,3,4);imshow(J2); title(加高斯噪聲后的圖像); J3= ordfilt2(J2,5,ones(3,4); subplot(2,3,5);imshow(J3); title(高斯噪聲濾波后的圖像); PS: PS：MATLAB小波分析工具箱提供的用于圖像去噪的函數(shù)有wrcoef2和wpdencmp，其語法格式分別為：X=wrcoef2(type,C,S,wname)xd,treed,datad,perf0,perfl2=wpdencmp(x,

17、sorh,N,wname,crit,par,keepapp)其中，X=wrcoef2(type,C,S,wname)返回基于小波分解結(jié)構(gòu)，的小波重構(gòu)圖像。參數(shù)“type”等于a表示重構(gòu)近似系數(shù)；等于h表示重構(gòu)水平細(xì)節(jié)系數(shù)；等于v表示重構(gòu)垂直細(xì)節(jié)系數(shù)，等于d表示重構(gòu)對角細(xì)節(jié)系數(shù)。xd,treed,datad,perf0,perfl2=wpdencmp(x,sorh,N,wname,crit,par,keepapp)是通過小波包定限（閾值化），返回輸入信號或圖像的除噪結(jié)果xd。輸入?yún)?shù)中，treed,datad為xd的最佳小波包分解結(jié)構(gòu)；perfl2和perf0表示L2復(fù)原和壓縮百分?jǐn)?shù)；perf1

18、2=100*(xd的小波包系數(shù)向量范數(shù)/X的小波包系數(shù)向量范數(shù)) 2。Keepapp=1表示近似系數(shù)不能閾值化，否則可以閾值化；sorh=s為軟閾值化，h為硬閾值化。 實驗五：利用wrcoef2函數(shù)進行圖像去噪其程序代碼如下：I=imread(C:Documents and SettingsAdministrator桌面1.gif); 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); subplot(2,2,1);imshow(I); title(原始圖像); subplot