图像信息处理之噪声和滤波.docx
《图像信息处理之噪声和滤波.docx》由会员分享，可在线阅读，更多相关《图像信息处理之噪声和滤波.docx（13页珍藏版）》请在冰点文库上搜索。
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;
fori=2:
m-1
forj=2:
n-1
if（abs（x1（i-1,j-1）-x1（i,j））>abs（x1（i,j）-x1（i+1,j+1）））
a1=x1（i+1,j+1）;
elsea1=x1（i-1,j-1）;
end
if（abs（x1（i,j-1）-x1（i,j））>abs（x1（i,j）-x1（i,j+1）））
a2=x1（i,j+1）;
elsea2=x1（i,j-1）;
end
if（abs（x1（i+1,j-1）-x1（i,j））>abs（x1（i,j）-x1（i-1,j+1）））
a3=x1（i-1,j+1）;
elsea3=x1（i+1,j-1）;
end
if（abs（x1（i+1,j）-x1（i,j））>abs（x1（i,j）-x1（i-1,j）））
a4=x1（i-1,j）;
elsea4=x1（i+1,j）;
end
x2（i-1,j-1）=（a1+a2+a3+a4）/4;
end
end
d=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;
fori=4:
row-4;
forj=4:
col-4;
forn1=1:
7;
forn2=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）;
forn3=1:
49;
A（n3,2）=A3（n3,1）;
end;
fork=1:
49;
A（k,1）=abs（A（k,2））;
end;
A=sortrows（A）;
sum=0;
forn4=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。
最后针对实际图像中常见的高斯、脉冲混合噪声，本文给出了将混合中值滤波和基于高斯混合模型的小波去噪算法相结合的图像去噪算法。
仿真实验表明，对于被高斯、脉冲混合噪声污染的图像，该算法的去噪效果显然比单一的中值滤波和小波去噪法好得多。
3:
多尺度改进非局部平均图像去噪算法
[学位论文]路阳，2012-西安电子科技大学：
计算数学
数字图像处理是数学技术和计算机技术交叉领域的一门新学科，图像去噪一直是该领域的研究热点。
数字图像在其形成、传输和记录的过程中，由于成像系统、传输介质和记录设备的不完善而往往导致图像受到多种噪声的污染。
而在模式识别、图像分析和视频编码等领域中，噪声图像的前期去噪十分重要，它从整个图像分析的流程上来讲属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，因此具有非常重要的地位，其去噪效果的好坏直接影响到后续处理的质量和效果。
本文我们首先对噪声的背景知识以及小波基本理论和小波阈值去噪算法做了系统的阐述；然后我们讨论了双边滤波和非局部平均滤波这两类经典的去噪模型，并对其各自的优缺点进行分析；接着我们针对传统非局部平均滤波计算量大以及去噪后留有噪声痕迹这两方面缺陷，对其做了进一步的研究，从而介绍了快速非局部平均算法以及一种改进的非局部平均滤波算法，大大节省了它的计算时间，并且增加了其去噪效果；然后我们又介绍了一种最新的去噪方法，即引导图像滤波方法，它的滤波输出是参照一幅引导图像来获得的，其去噪效果堪比非局部平均，并且该算法与非局部平均算法的计算时间相比要少很多，从而很好的体现了该算法的优越性；而本文最后我们介绍基于小波分解的图像去噪方法，分别介绍了基于双尺度小波分解去噪和基于多尺度的小波分解去噪，并对不同的去噪方法进行了横向的比较，并且还对基于双尺度和基于多尺度这两种分解方法所产生的去噪效果进行了纵向的比较，并结合实验数据进行了详细分析。
升级会员 