数字图像处理(10)：图像复原（去噪，C语言）

已于 2024-01-26 09:36:24 修改
阅读量3.4k 收藏 21
点赞数 1
分类专栏： 数字图像处理 文章标签： c语言 计算机视觉 图像处理
于 2020-06-26 23:43:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ZhaoDongyu_AK47/article/details/106976443
版权

文章目录

1. 复原被加性高斯噪声污染的图像

在数字图像中的高斯噪声的主要来源出现在采集期间。 由于不良照明和/或高温引起的传感器噪声。在数字图像处理中，可以使用空间滤波器来降低高斯噪声，但是当对图像进行平滑时，结果可能导致精细缩放的图像边缘和细节的模糊，因为它们也对应于被阻挡的高频。

用于噪声去除的常规空间滤波技术包括：平均（卷积）滤波，中值滤波和高斯平滑。
在这里插入图片描述

分析：对于加性高斯噪声污染的图像分别用了3x3算术均值滤波，3x3几何均值滤波，3x3中值滤波。可以看到几何均值滤波相对于算术均值滤波要更清晰一些。相比而言，中值滤波效果不如均值滤波效果好（在高斯噪声污染情况下）。

2. 复原被椒盐噪声污染的图像

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。盐和胡椒噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。
在这里插入图片描述

分析：对于椒盐噪声污染的图像分别用了3x3算术均值滤波，3x3几何均值滤波，3x3中值滤波。可以看到对于椒盐噪声来讲，中值滤波是三个当中最好的选择。其中几何均值滤波效果最差，不适合用于此种情况。

3. 代码实现

平台：vs2015
语言：C语言
3x3算术均值滤波关键代码
在这里插入图片描述

3x3几何均值滤波关键代码
在这里插入图片描述

3x3中值滤波关键代码
在这里插入图片描述

遇到的问题

在进行3x3几何均值滤波的时候，得到的输出图像是这样的
在这里插入图片描述

经检查，打印其中的累乘结果，发现是因为是溢出了（用的double型）。

想了想也是，8个0~255的数相乘，结果是挺大的。于是对像素的值进行了归一化操作。

归一化操作后能出结果，但结果也不对——
在这里插入图片描述
最后发现是由于改成归一化后用了*=进行累乘。却忘记了赋值1 的操作。导致当有一个计算结果是0的话，后面的计算结果全是零。
在这里插入图片描述

添加之后，问题解决。

本工程源码已更新至github，欢迎star，欢迎PR:)

Zhao Dongyu
关注
  • 1
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
图像复原三个算法的代码
04-14
数字图像在获取的过程中，由于光学系统的像差、 光学成像衍射、 成像系统的非线性畸变、 摄影胶片的感光的非线性、 成像过程的相对运动、 大气的湍流效应、环境随机噪声等原因， 图像会产生一定程度的退化。因此，必须采取一定的方法尽可能地减少或消除图像质量的下降，恢复图像的本来面目， 这就是图像复原， 也称为图像恢复。 图像复原与图像增强有类似的地方， 都是为了改善图像。但是它们又有着明显的不同。图像复原是试图利用退化过程的先验知识使已退化的图像恢复本来面目，即根据退化的原因， 分析引起退化的环境因素，建立相应的数学模型， 并沿着使图 像降质的逆过程恢复图像。从图像质量评价的角度来看， 图像 复原就是提高图像的可理解性。而图像增强的目的是提高视感 质量，图像增强的过程基本上是一个探索的过程， 它利用人的心理状态和视觉系统去控制图像质量， 直到人们的视觉系统满意为止。 图像复原是利用退化现象的某种先验知识，建立退化现象的数学模型，再根据模型进行反向的推演运算，以恢复原来的景物图像。因而，图像复原可以理解为图像降质过程的反向过程。建立图像复原的反向过程的数学模型，就是图像复原的主 要任务。经过反向过程的数学模型的运算，要想恢复全真的景物图像比较困难。所以， 图像复原本身往往需要有一个质量标 准， 即衡量接近全真景物图像的程度，或者说，对原图像的估 计是否到达最佳的程度。 由于引起退化的因素众多而且性质不同，为了描述图像退化过程所建立的数学模型往往多种多样，而恢复的质量标准也往往存在差异性，因此图像复原是一个复杂的数学过程，图像复原的方法、技术也各不相同。
图像噪声与被噪声污染图像的恢复
长夜漫漫，无心睡眠
04-23 5513
图像噪声去除/降低是图像处理技术中，图像增强与图像恢复的交叉研究问题，一般认为是一种图像预处理技术。 为了在有噪声的情况下恢复图像，就需要了解噪声的统计性质，以及噪声与图像之间的相关性质。 图像噪声通常是一种空间上不相联系的离散和孤立的像素的变化现象。 图像噪声也是一种图像退化因素。 对信号/图像来说，噪声是一种外部干扰。但噪声本身也是一种信号(携带了噪声源的信息)。 ...
MatLab 数字图像处理实验 图像复原
weixin_44223180的博客
05-18 2768
实验内容 实验（1）使用给定的图像cameraman做实验，添加高斯噪声，所使用的均值滤波器包括算术均值滤波器、几何均值滤波器和逆谐波滤波器，参考教材110页至112页的算法原理和程序例6.2 close all clear all I = imread('D:/cameraman.tif'); I_noise=double(imnoise(I,'gaussian',0.06)); I_mean1=imfilter(I_noise,fspecial('average',3)); I_mean2=exp(
使用C语言修图（实训学习三）
hhcgn的博客
05-29 115
bmp图片前54字节存放的是图片的熟悉描述，不能随意修改，图片后面的内容就全是图像信息，一般都是bgr的顺序存放三基色，简单的处理就只需要对rgb值进行修改（一般都是24位，每个基色占用1字节，范围0-255）3 拼接（暂时只能拼相同宽度的图片，不同宽度会错乱）只需要把新生成的图片前一部分图像填充其中一张，后一部分填充另一张。实训安排的任务是用C语言实现bmp图片的拼接（Linux环境）按照亮度转换公式，把三基色合成亮度赋给rgb，即rgb都等于y。1 将原图全变为白色，
C语言数字图像处理（七）：图像噪声&降噪算法，同态滤波器和带阻滤波器
最新发布
Wilson_Lin_01的博客
11-19 1054
可以根据噪声分布的位置和距离构造带阻滤波器，以阻止这些频率范围内的信号通过来降噪。修改后的alpha均值滤波器去除最高值和最低值，即对过滤范围内的数据进行排序，按照从大到小的顺序去除𝑑个数据，按照从小到大的顺序去除𝑑个数据，计算剩余数据的均值。对于椒盐噪声比较合适的方式是中值滤波，但是经过实践，发现自适应滤波器的效果更好，因为它的细节保留表现和降噪效果更好。定义：𝒁𝒎𝒊𝒏：掩码中的最小值，𝒁𝒎𝒂𝒙：掩码中的最大值，𝒁𝒙𝒚：掩码中的中心值，𝒁𝒎𝒆𝒅：掩码中的中值。
opencv c++ 图像噪声及去噪
lucust的博客
12-01 4598
两种常用类型的图像传感器CCD和CMOS采集图像过程中，由于受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声，如电阻引起的热噪声、场效应管的沟道热噪声、光子噪声、暗电流噪声、光响应非均匀性噪声。d——双边模糊近邻选用像素点半径，和sigmaSpace一起控制卷积核大小，如果为0，则只由sigmaSpace制卷积核大小。对像素点进行处理时，对周围像素点赋予权值，像素值相近的周边点赋予较高权值，像素值差距大的赋予较低权值。inputMat——在生成噪声图像时的输入矩阵为与原始图像。
数字图像处理实验三：图像复原-实验材料
04-13
川北医学院数字图像处理（实验三：图像复原）实验材料
数字图像处理第6章图像复原PPT课件
07-07
数字图像处理第6章图像复原，数字图像处理第6章图像复原课件，数字图像处理第6章图像复原PPT
matlab 数字图像处理 图像复原入门
11-07
matlab编程实现MSE、MAE、PSNR、SNR、GMG图像复原指标； matlab编程实现维纳滤波自相关、维纳滤波噪信比、约束最小二乘复原、逆滤波复原方法；
数字图像处理：Ch1 绪论.pptx
07-07
图像质量和效果改善是指通过数字图像处理来提高图像的质量和效果，例如图像去噪、图像增强等。基于图像的场景数据处理是指通过数字图像处理来处理和分析图像中的数据，例如智能识别、内容安全判断等。 数字图像处理...
数字图像处理：4第五章 图像复原.pdf
06-12
数字图像处理：图像复原 本章节主要介绍了数字图像处理中图像复原的概念和技术。图像复原是指将退化的图像恢复到原始状态的过程，退化是指由于成像系统各种因素的影响，使得图像质量降低。图像复原技术可以使用...
图像去噪简单介绍—并给出示例代码
百年孤独百年的博客
05-02 2594
图像去噪是指在图像中移除噪声，以使其更加清晰。在本教程中，我们将深入介绍图像去噪的基本原理、常见噪声类型，以及几种常用的去噪方法，包括传统的滤波方法和深度学习方法。
【图像处理】只存在噪声的基础图像复原
artzers的专栏
05-16 2992
只存在噪声干扰的情况下，实际图像可以表示为g(x,y)=f(x,y)+n(x,y)，这种情况下图像复原要容易许多。 一、空间域滤波方法 空间域滤波方法主要有均值滤波方法和统计排序方法。 1、均值滤波方法包括： a谐波均值滤波器，公式：，当Q=0，谐波均值滤波器变为普通均值滤波器；当Q>0,原式称为逆谐波滤波器；当Q=-1，原式称为谐波滤波器。 b几何滤波器，公式，其中m和n是模板S(x,
c语言程序图片马赛克,震惊，被马赛克的图片竟然还可以恢复
weixin_39575775的博客
05-17 358
其实之前在我用马赛克对图片进行模糊处理的时候，我就思考过这个问题，这些被马赛克的地方能不能被恢复出来，万一能恢复，当时就觉得细思极恐。你说巧不巧还真能恢复。在介绍今天的项目之前，我们先来看一下以下这张图片，相信你也会跟我一样震惊的。被马赛克后的图片真的被还原了，不可思议。当然大家也不要过度的恐慌哈，这个项目还是有挺多局限的。目前来看该项目关注的更多是文字项目的马赛克恢复，因为文字有更多的规则可寻，...
智能老旧模糊照片修复——C++实现GFPGAN模型推理
知来者逆的博客
02-09 2855
老旧照片修复，基于深度学习，C++实现模型部署
第四章：图像复原
m0_64357419的博客
05-06 436
在频域中，维纳滤波可以表示为 O(u, v) = J(u, v) * (H*(u, v) / (|H(u, v)|² + K))，其中O(u, v)、J(u, v)和H(u, v)分别是输出图像、输入图像和模糊函数的傅里叶变换，H*(u, v)表示H(u, v)的共轭，K是维纳滤波参数，用于控制去噪的程度。设原始图像为I(x, y)，噪声为N(x, y)，受噪声影响的图像为J(x, y)，则有 J(x, y) = I(x, y) + N(x, y)，其中N(x, y)服从正态分布。4.3.2. 维纳滤波。
图像处理——去除图像上杂乱的干扰(庖丁解牛)
JonNoah的博客
06-25 4432
图像处理——去除图像上杂乱的干扰(庖丁解牛) 源码地址：图像处理——去除图像上杂乱的干扰 庖丁解牛 1. #include <opencv2/opencv.hpp> 2. #include <opencv2/highgui/highgui_c.h> 3. #include <iostream> 前三行是将库文件的头文件加载进来,头文件里包含着大量的声明，面向...
图像的复原与重建（3）：图像去噪（中值、均值、谐波均值、自适应、带通、带阻、陷波滤波器）
dugudaibo的博客
10-30 3586
图像去噪的各种滤波器
图像复原 之 噪声
Row Row Row your boat
01-22 1542
使用imnoise函数给图像加噪声 clc; clear; close all; f=imread('lena.jpg'); f=rgb2gray(f); subplot(121); imshow(f); g=imnoise(f,'gaussian',0.01,0.01); subplot(122); imshow(g); 自己写的噪声产生函数，效果如下： %% 使用自己写的噪声产生函数
c语言实现图像中值滤波去噪
06-01
以下是使用C语言实现图像中值滤波的示例代码： ```c #include <stdio.h> #include <stdlib.h> #define WIDTH 512 #define HEIGHT 512 int main() { // 读取图像 FILE* fp; fp = fopen("lena_noise.raw", "rb"); unsigned char* img = (unsigned char*)malloc(sizeof(unsigned char) * WIDTH * HEIGHT); fread(img, sizeof(unsigned char), WIDTH * HEIGHT, fp); fclose(fp); // 中值滤波 unsigned char* res = (unsigned char*)malloc(sizeof(unsigned char) * WIDTH * HEIGHT); int window_size = 3; // 窗口大小 int half_win = window_size / 2; int* values = (int*)malloc(sizeof(int) * window_size * window_size); int index = 0; for (int i = half_win; i < HEIGHT - half_win; i++) { for (int j = half_win; j < WIDTH - half_win; j++) { index = 0; for (int k = -half_win; k <= half_win; k++) { for (int l = -half_win; l <= half_win; l++) { *(values + index) = *(img + (i + k) * WIDTH + (j + l)); index++; } } // 对窗口内像素值进行排序 for (int k = 0; k < window_size * window_size - 1; k++) { for (int l = k + 1; l < window_size * window_size; l++) { if (*(values + l) < *(values + k)) { int tmp = *(values + k); *(values + k) = *(values + l); *(values + l) = tmp; } } } // 取中值并保存 *(res + i * WIDTH + j) = (unsigned char)*(values + window_size * window_size / 2); } } // 输出图像 fp = fopen("lena_median.raw", "wb"); fwrite(res, sizeof(unsigned char), WIDTH * HEIGHT, fp); fclose(fp); return 0; } ``` 这个示例代码读取一张名为lena_noise.raw的灰度图像，使用中值滤波进行去噪，最终将结果图像保存为lena_median.raw。在中值滤波中，我们使用一个窗口对每个像素进行处理，将窗口内的像素值进行排序，取中值作为该像素的新值。窗口大小可以根据实际需要进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值