目前比较经典的图像去噪算法主要有以下三种:
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。
- %x是需要滤波的图像,n是模板大小(即n×n)
- function
d=avg_filter(x,n) - a(1:n,1:n)=1;
%a即n×n模板,元素全是1 - [height,
width]=size(x); %输入图像是hightxwidth的,且hight>n,width>n - x1=double(x);
- x2=x1;
- for
i=1:hight-n+1 -
for j=1:width-n+1 -
c=x1(i:i+(n-1),j:j+(n-1)).*a; %取出x1中从(i,j)开始的n行n列元素与模板相乘 -
s=sum(sum(c)); %求c矩阵中各元素之和 -
x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n); %将与模板运算后的各元素的均值赋给模板中心位置的元素 -
end - end
- %未被赋值的元素取原值
- d=uint8(x2);
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
- %自编的中值滤波函数。x是需要滤波的图像,n是模板大小(即n×n)
- function
d=mid_filter(x,n) - [height,
width]=size(x); %输入图像是p×q的,且p>n,q>n - x1=double(x);
- x2=x1;
- for
i=1:height-n+1 -
for j=1:height-n+1 -
c=x1(i:i+(n-1),j:j+(n-1)); %取出x1中从(i,j)开始的n行n列元素,即模板(n×n的) -
e=c(1,:); %是c矩阵的第一行 -
for u=2:n -
e=[e,c(u,:)]; %将c矩阵变为一个行矩阵 -
end -
mm=median(e); %mm是中值 -
x2(i+(n-1)/2,j+(n-1)/2)=mm; %将模板各元素的中值赋给模板中心位置的元素 -
end - end
- %未被赋值的元素取原值
- d=uint8(x2);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
另一个版本:
- a=imread('lena_0.005.bmp');
- a=double(a);
- [dep,wide]=size(a);
- new_image=ones(size(a));
- for
i=3:dep-2 -
for j=3:wide-2 -
new_image(i,j)=median([a(i-2,j-2) a(i-2,j-1) a(i-2,j) a(i-2,j+1) a(i-2,j+2) a(i-1,j-2) a(i-1,j-1) a(i-1,j) a(i-1,j+1) a(i-1,j+2) a(i,j-2) a(i,j-1) a(i,j) a(i,j+1) a(i,j+2) a(i+1,j-2) a(i+1,j-1) a(i+1,j) a(i+1,j+1) a(i+1,j+2) a(i+2,j-2) a(i+2,j-1) a(i+2,j) a(i+2,j+1) a(i+2,j+2)]); -
end - end
-
- for
i=3:dep-2 %处理每一行的最头上两个和最边上2个 -
new_image(i,1)=new_image(i,3); -
new_image(i,2)=new_image(i,3); new_image(i,wide)=new_image(i,wide-2); -
new_image(i,wide-1)=new_image(i,wide-2); - end
-
- new_image(1,:)=new_image(3,:);
%把第三行的所有元素赋值给第一行 - new_image(2,:)=new_image(3,:);
- new_image(dep,:)=new_image(dep-2,:);%把倒数第二行的所有元素值赋给最后一行
- new_image(dep-1,:)=new_image(dep-2,:);
-
-
figure -
imshow(uint8(a)) -
figure -
imshow(uint8(new_image)) -
-
% imwrite(uint8(new_image),'lena_0.005_median_5.bmp','bmp') -
-
-
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
。
Wiener
维纳滤波:使原始图像和其恢复图像之间的均方误差最小的复原方法,
是一种自适应滤波器,根据局部方差来调整滤波器效果。对于去除高斯噪声
效果明显。
另: 高斯滤波函数:
- %自编的高斯滤波函数,S是需要滤波的图象,n是均值,k是方差
- function
d=gaussfilt(k,n,s) - Img
= double(s); - n1=floor((n+1)/2);%计算图象中心
- for
i=1:n -
for j=1:n -
b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*k))/(4*pi*k); -
end - end
- %生成高斯序列b。
- Img1=conv2(Img,b,'same');
%用生成的高斯序列卷积运算,进行高斯滤波 - d=uint8(Img1);
主函数:
- %此为程序主文件,包含主要功能单元,以及对子函数进行调用
- try
- %实验步骤一:彩色、灰度变换
- h=imread('photo.jpg');
%读入彩色图片 - c=rgb2gray(h);
%把彩色图片转化成灰度图片,256级 - figure,imshow(c),title('原始图象');
%显示原始图象 - g=imnoise(c,'gaussian',0.1,0.002);
%加入高斯噪声 - figure,imshow(g),title('加入高斯噪声之后的图象');
%显示加入高斯噪声之后的图象 -
- %实验步骤二:用系统预定义滤波器进行均值滤波
- n=input('请输入均值滤波器模板大小\n');
- A=fspecial('average',n);
%生成系统预定义的3X3滤波器 - Y=filter2(A,g)/255;
%用生成的滤波器进行滤波,并归一化 - figure,imshow(Y),title('用系统函数进行均值滤波后的结果');
%显示滤波后的图象 -
- %实验步骤三:用自己的编写的函数进行均值滤波
- Y2=avefilt(g,n);
%调用自编函数进行均值滤波,n为模板大小 - figure,imshow(Y2),title('用自己的编写的函数进行均值滤波之后的结果');
%显示滤波后的图象 -
- %实验步骤四:用Matlab系统函数进行中值滤波
- n2=input('请输入中值滤波的模板的大小\n');
- Y3=medfilt2(g,[n2
n2]); %调用系统函数进行中值滤波,n2为模板大小 - figure,imshow(Y3),title('用Matlab系统函数进行中值滤波之后的结果');
%显示滤波后的图象 -
- %实验步骤五:用自己的编写的函数进行中值滤波
- Y4=midfilt(g,n2);
%调用自己编写的函数进行中值滤波, - figure,imshow(Y4),title('用自己编写的函数进行中值滤波之后的结果');
-
- %实验步骤六:用matlab系统函数进行高斯滤波
- n3=input('请输入高斯滤波器的均值\n');
- k=input('请输入高斯滤波器的方差\n');
- A2=fspecial('gaussian',k,n3);
%生成高斯序列 - Y5=filter2(A2,g)/255;
%用生成的高斯序列进行滤波 - figure,imshow(Y5),title('用Matlab函数进行高斯滤波之后的结果');
%显示滤波后的图象 -
- %实验步骤七:用自己编写的函数进行高斯滤波
- Y6=gaussfilt(n3,k,g);
%调用自己编写的函数进行高斯滤波,n3为均值,k为方差 - figure,imshow(Y6),title('用自编函数进行高斯滤波之后的结果');
%显示滤波后的图象 -
- catch
%捕获异常 -
disp(lasterr); %如果程序有异常,输出 - end