【深度学习】基于形态学的权重自适应图像去噪（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

针对去除周期性噪声的同时容易造成图像的失真或降噪效果不理想的问题，提出了一种基于权重自适应形态学的周期性噪声去除方法。该方法使用不同尺度的结构元素对图像的周期性噪声进行串行处理,再将串行处理的结果并行处理,并通过自适应权值算法来构建复合级联滤波器，使用该滤波器滤除图像的周期性噪声。为了验证该算法的去噪性能,对周期性噪声及混合噪声进行了常用去噪算法的对比性实验。结果表明，视觉上，使用该算法去噪后的图像去噪效果较好且图像边缘和细节比较清晰;定量评价标准上，使用该算法去噪后的图像的PSNR和SSIM都较高。因此,一方面该算法有效地抑制了图像中的周期性噪声，同时较好地保持了图像的几何特征，具有更好的鲁棒性，另一方面该算法首先在同一尺度下用多个结构元素分别进行边缘检测，并得到该尺度下的边缘图像，利用形态学结构元素"探针"原理和不同尺度结构元素抗噪性能来确定加权值的大小，然后对不同尺度下的边缘图像进行加权求和,再经过二值化、去噪等处理,得到最后的边缘检测结果。仿真结果表明，该方法具有较好的抗干扰性和定位准确性，得到的边缘更为完整。

📚2 运行结果

 

 部分代码：

clc; clear all; close all;
filename = fullfile(pwd, 'images/im.jpg');
Img = imread(filename);
if ndims(Img) == 3
    I = rgb2gray(Img);
else
    I = Img;
end
Ig = imnoise(I,'poisson');
s = GetStrelList();
e = ErodeList(Ig, s);
f = GetRateList(Ig, e);
Igo = GetRemoveResult(f, e);
figure;
subplot(1, 2, 1); imshow(I, []); title('原图像');
subplot(1, 2, 2); imshow(Ig, []); title('噪声图像');
figure;
subplot(2, 2, 1); imshow(e.eroded_co12, []); title('串联1处理结果');
subplot(2, 2, 2); imshow(e.eroded_co22, []); title('串联2处理结果');
subplot(2, 2, 3); imshow(e.eroded_co32, []); title('串联3处理结果');
subplot(2, 2, 4); imshow(e.eroded_co42, []); title('串联4处理结果');
figure;
subplot(1, 2, 1); imshow(Ig, []); title('噪声图像');
subplot(1, 2, 2); imshow(Igo, []); title('并联去噪图像');
psnr1 = PSNR(I, e.eroded_co12);
psnr2 = PSNR(I, e.eroded_co22);
psnr3 = PSNR(I, e.eroded_co32);
psnr4 = PSNR(I, e.eroded_co42);
psnr5 = PSNR(I, Igo);
psnr_list = [psnr1 psnr2 psnr3 psnr4 psnr5];
figure; 
plot(1:5, psnr_list, 'r+-');
axis([0 6 18 24]);
set(gca, 'XTick', 0:6, 'XTickLabel', {'', '串联1', '串联2', '串联3', ...
    '串联4', '并联', ''});
grid on;
title('PSNR曲线比较');

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]戴丹,张兴刚.基于权重自适应形态学的周期性噪声去除方法[J].计算机技术与发展,2018,28(05):9-12.

[2]亢洁,杨刚.自适应权重形态学边缘检测算法仿真研究[J].计算机工程与应用,2010,46(17):163-165+168.

🌈4 Matlab代码实现