【图像去噪】非线性扩散PM算法图像去噪【含Matlab源码 2130期】

最新推荐文章于 2024-07-09 22:51:38 发布

Matlab武动乾坤

最新推荐文章于 2024-07-09 22:51:38 发布

阅读量370

点赞数 8

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135881700

版权

Matlab图像处理（进阶版）专栏收录该内容

833 篇文章 15 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、PM模型图像降噪简介

1 引言
数字图像在获取、存储和传输中总会受到噪声的影响，因此图像去噪一直是备受关注的研究问题。作为图像处理技术的一大分支，基于偏微分方程的方法在图像去噪领域发挥着功不可没的作用。其中，PM (Perona-Malik, PM）模型是一种典型的非线性扩散模型，
在这里插入图片描述
其中，k表示噪声阈值，用来控制沿着梯度方向的扩散量。

PM模型的显式离散解为：
在这里插入图片描述
PM模型利用图像的梯度模对扩散系数进行调节，在平坦区域进行大的扩散，在边沿区域主要沿着边沿的切线方向进行扩散，具有很好保持边沿的作用。然而，PM去噪后图像却存在明显的阶梯效应，且容易引入斑点噪声。

2 本文算法
在PM模型中，扩散系数直接影响去噪效果。经典PM模型中，扩散系数直接依赖于待求像素点的梯度模，而受到噪声的影响，尤其随着噪声水平的提高，梯度的计算将产生很大的误差。文献[6]提出利用噪声和图像边沿在邻域范围内的不同结构特征，使用待求像素点的邻域像素值来构造水平和垂直两个方向的扩散函数，达到更好的保护边沿的作用，然而该方法仍然会在去噪图像中引入斑点噪声。受到文献[6]的启发，本文从水平、垂直，45°对角和135°对角4个方向来构造扩散函数：
在这里插入图片描述
其中，I1和I2是像素点s在沿p方向上的两个相邻像素点值，d是预设的参数，用于防止小噪声区域被误当为边沿。是符号函数，即

使用公式（5）-（8）对水平、垂直，45°对角和135°对角方向的扩散系数进行计算，然后使用公式（4）在待求像素点的3×3邻域的8个方向进行扩散，经过多次迭代，得到最后的去噪图像。

⛄二、部分源代码

close all
clear
clc

%原始图像的读取与显示
%im=imread(‘lenna.bmp’);
im=imread(‘VV.jpg’);

imshow(im);
title(‘原始图像’);

% %高斯低通滤波得到模糊图像
% h=fspecial(‘gaussian’,[3,3],1);%高斯低通滤波器（采用33的模板，标准差为1（默认的为33模板，标准差为0.5））
% imA=imfilter(im,h);
% figure;
% imshow(uint8(imA));
% title(‘模糊图像’);

%添加高斯白噪声
imB=imnoise(im,‘gaussian’,0,0.003);
SNR(im,imB)
%imB=imA+randn(size(imA))*5;
figure(1);
imshow(imB);
title(‘含噪图像’);

PM_image=PM(imB,200,0.02,2);
SNR(im,PM_image)
figure(2);
imshow(uint8(PM_image));
title(‘50次迭代后的效果图’);

PM_image=PM(imB,300,0.02,2);
SNR(im,PM_image)
figure(3);
imshow(uint8(PM_image));
title(‘100次迭代后的效果图’);

PM_image=PM(imB,500,0.02,2);
SNR(im,PM_image)
figure(4);
imshow(uint8(PM_image));
title(‘200次迭代后的效果图’);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]贾丽娜,张志恒.一种改进的非线性扩散图像去噪算法[J].电子技术与软件工程. 2019,(17)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合