lms自适应滤波器matlab_【图像基础教程】均值滤波器

最新推荐文章于 2024-06-28 06:58:39 发布

weixin_39997037

最新推荐文章于 2024-06-28 06:58:39 发布

阅读量982

点赞数

消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。

而对滤波处理的要求也有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。

平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。

空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。关于滤波器，一种形象的比喻法是：我们可以把滤波器想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口放到图像之上，透过这个窗口来看我们得到的图像。

1、均值滤波器

假设我们有一个3*3的模板，系数全为1，那么欲求的中心点像素值就是以该模板为中心的9个像素的平均值来代替。

根据定义可知，该滤波器具有模糊边缘的负面效应。通过空间均值处理来模糊图像，可以突出感兴趣的物体，即将较部分图像融入背景中，部分图像‘突出显示’出来，达到平滑图像的作用，重点理解平滑对于图像的意义。均值滤波器可以减小图像灰度的“尖锐”变化，也减小噪声，但是由于图像边缘是由图像灰度尖锐变化

引起的，所以也存在边缘模糊的问题。

set(gca,'Fontname','Monospaced');I=imread('a.tif');   subplot(231),imshow(I), title('origin image');  %I=rgb2gray(I);  %I1=imnoise(I,'salt & pepper',0.02);  %subplot(2 3 2)  %imshow(I1)  %title('添加椒盐噪声的图像');I1 = I;k1=filter2(fspecial('average',3),I1)/255; %进行3*3模板平滑滤波k2=filter2(fspecial('average',5),I1)/255; %进行5*5模板平滑滤波  k3=filter2(fspecial('average',7),I1)/255; %进行7*7模板平滑滤波  k4=filter2(fspecial('average',9),I1)/255; %进行9*9模板平滑滤波  k5=filter2(fspecial('average',15),I1)/255; %进行15*15模板平滑滤波  subplot(232),imshow(k1);title('3*3 smoothing filtering');  subplot(233),imshow(k2);title('5*5 smoothing filtering');  subplot(234),imshow(k3);title('7*7 smoothing filtering');  subplot(235),imshow(k4);title('9*9 smoothing filtering');  subplot(236),imshow(k5);title('15*15 smoothing filtering');