matlab數字圖像處理源代碼

1、數字圖像去噪典型算法及matlab 實現期望得到大家的教導和掛念圖像去噪是數字圖像處理中的重要環(huán)節(jié)和步驟。去噪效果的好壞直接影響 到后續(xù)的圖像處理工作如圖像分割、邊緣檢測等。圖像信號在產生、傳輸過 程中都可能會受到噪聲的污染，一般數字圖像系統(tǒng)中的常見噪聲主要有：高 斯噪聲（主要由阻性元器件內部產生）、椒鹽噪聲（主要是圖像切割引起的黑 圖像上的白點噪聲或光電轉換過程中產生的泊松噪聲）等；目前比較經典的圖像去噪算法主要有以下三種：均值濾波算法：也稱線性濾波，主要思想為鄰域平均法，即用幾個像素灰度的平均值來代替每個像素的灰度。 有效抑制加性噪聲，但簡潔引起圖像模糊， 可以對其進行改進，主要避開對景物

2、邊緣的平滑處理。中值濾波：基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性平滑濾波信號 處理技術。中值濾波的特點即是首先確定一個以某個像素為中心點的鄰域， 一般為方形鄰域，也可以為圓形、十字形等等，然后將鄰域中各像素的灰度 值排序，取其中間值作為中心像素灰度的新值，這里領域被稱為窗口，當窗 口移動時，利用中值濾波可以對圖像進行平滑處理。其算法簡潔，時間簡單 度低，但其對點、線和尖頂多的圖像不宜接受中值濾波。很簡潔自適應化。wiener 維納濾波：使原始圖像和其恢復圖像之間的均方誤差最小的復原方法， 是一種自適應濾波器，依據局部方差來調整濾波器效果。對于去除高斯噪聲 效果明顯。試驗一：均值濾波對高斯

3、噪聲的效果l=imread（”c:documents像and桌面 1.gif”）;% 讀取 圖j=imnoise(l,”gaussian”,0,0.005);%加入均值為 0 ,方差為0.005 的高斯噪聲subplot(2,3,1);imshow(l); title(”原始圖像”);subplot(2,3,2);imshow(j);ti tle(”加入高斯噪聲之后的圖像；)%接受 matlab 中的函數 filter2對受噪聲干擾的圖像進行均值濾波k1=filter2(fspecial(”average”,3),j)/255;% 模板尺寸為 3 k2=filter2(fspecial(”av

4、erage”,5),j)/255;%模板尺寸為 5k3=filter2(fspecial(”average”,7),j)/255;% 模板尺寸為 7 k4= filter2(fspecial(”average”,9),j)/255;% 模板尺寸為 9 subplot(2,3,3);imshow(k1);ti tle(”改進后的圖像 1”); subplot(2,3,4);imshow(k2); title(”改進后的圖像 2”); subplot(2,3,5);imshow(k3);title(”改進后的圖像 3”);subplot(2,3,6);imshow(k4); title(”改進后的

5、圖像 4”);3歡迎下載j=imnoise(l,”gaussian”,0,0.005);%加入均值為 0 ,方差為0.005 的高斯噪聲ps:filter2 用法：filter2 用法 fspecial 函數用于創(chuàng)建預定義的濾波算子，其語法格式為:h = fspecial(type)h = fspecial(type,parameters)參數type 制定算子類型，parameters 指定相應的參數，具體格式為：k2=wiener2(j,77);%對加噪圖像進行二維自適應維納濾波type=”average”，為均值濾波，參數為n,代表模版尺寸，用向量表示，默認值為3,3。type= ”ga

6、ussian”，為高斯低通濾波器，參數有兩個，n 表示模版尺寸，默認值為3,3，sigma 表示濾波器的標準差，單位為像素，默認值為0.5。4歡迎下載type= ”laplacian”，為拉普拉斯算子，參數為外形，取值范圍為0,1，默認值為 0.2。alpha，用于把握拉普拉斯算子的type= ”log”，為拉普拉斯高斯算子，參數有兩個，n 表示模版尺寸，默認值為3,3，sigma 為濾波器的標準差，單位為像素，默認值為type= ”prewitt”，為prewitt 算子，用于邊緣增加，無參數。type= ”sobel”，為有名的sobel 算子，用于邊緣提取，無參數。0.5type= ”u

7、nsharp”，為對比度增加濾波器，參數范圍為0,1，默認值為 0.2。alpha 用于把握濾波器的外形，據我目測，使用均值濾波去噪(高斯噪聲)效果選用的鄰域半徑越大效果越好，固然其代價也會更大，另外精確的去噪效果的好壞還需要用 來度量。試驗二：二維自適應維納濾波對高斯噪聲的濾除效果snr 等數據l=imread(”c:documents圖像and桌面 1.gif”);% 讀取j=imnoise(l,”gaussian”,0,0.005);% 加入均值為 0，方差為 0.005 的高斯噪聲k2=wiener2(j,33);%對加噪圖像進行二維自適應維納濾波k2=wiener2(j,5 k2=w

8、iener2(j,95);9);%對加噪圖像進行二維自適應維納濾波%對加噪圖像進行二維自適應維納濾波5歡迎下載subplot(2,3,1);imshow(l);title(”原始圖像”);subplot(2,3,2);imshow(j); title(”加噪圖像”); subplot(2,3,3);imshow(k1);ti tle(”恢復圖像 1”);subplot(2,3,4);imshow(k2); title(”恢復圖像 2”); subplot(2,3,5);imshow(k3); title(”恢復圖像 3”); subplot(2,3,6);imshow(k4);title(”恢

9、復圖像 3”);ps:維納濾波的兩個函數 wiener2 與 deconvwnr 都能夠完成維納濾波的功能，deconvwnr 強調圖象復原方面，wiener2 強調圖象空間域銳化的作用，其中 j=wiener2(l,m,n)返回有噪聲圖像i 經過 wierner(維納)濾波后的圖像，m,n指定濾波器窗口大小為m*n,默認值為 3*3，j=wiener2(l,m,n,noise)指定噪聲的功率，j,noise=wiener2(l,m,n)在圖像濾波的同時，返回 噪聲功率的估量值noise。:維納濾波的兩個函數 wiener2 與 deconvwnr 都能夠完成維納濾波的功能，deconvwnr

10、 強調圖象復原方面，wiener2 強調圖象空間域銳化的作用，其中j=wiener2(l,m,n)返回有噪聲圖像 i經過 wierner(維納)濾波后的圖像，m,n指定濾波器窗口大小為m*n,默認值為 3*3，j=wiener2(l,m,n,noise)指定噪聲的功率，j,noise=wiener2(l,m,n)在圖像濾波的同時，返回 噪聲功率的估量值 noise。imnoise 的語法格式為k2=wiener2(j,77);%對加噪圖像進行二維自適應維納濾波j = imno ise(l,type)j = imn oise(l,type,parameters)其中j = imnoise(l,t

11、ype)返回對原始圖像i 添加典型噪聲的有噪圖像j。參數type 和parameters 用于確定噪聲的類型和相應的參數。f 面的命令是對圖像 1.gif 分別加入高斯噪聲、椒鹽噪聲和乘性噪聲，其結果試驗三：對加入椒鹽噪聲的圖像分別作均值、中值和維納濾波l=imread(1.gif”);j1=im noise(l,”gaussia n”,0,0.02); j2=imnoise(l,”salt& pepper”,0.02); j3=im no ise(l,”speckle”,0.02);運行效果見圖 2l=imread(”c:documentsand桌面 1.gif”); j=imnoi

12、se(l,”salt& pepper”,0.02);%h=ones(3,3)/9%產生 3*3 的全 1 數組%b=co nv2(j,h);%卷積運算k2=filter2(fspecial(”average”,3),j)/255;% 均值濾波模板尺寸為 3k= medfilt2(j);%接受二維中值濾波函數medfilt2 對受椒鹽噪聲干擾的圖像濾波k1=wiener2(j,33);%對加噪圖像進行二維自適應維納濾波subplot(2,3,1);imshow(l);title(”原始圖像”); subplot(2,3,2);imshow(j); title(”加噪圖像”);subplo

13、t(2,3,3);imshow(k2);6歡迎下載ti tle(”均值濾波后的圖像”); subplot(2,3,4);imshow(k); ti tle(”中值濾波后的圖像”);8歡迎下載subplot(2,3,5);imshow(k1);ti tle(” 維納濾波后的圖像”);ps:matlab 中供應了卷積運算的函數命令:matlabconv2,其語法格式為：中供應了卷積運算的函數命令co nv2,其語法格式為：c = con v2(a,b)c = conv2(a,b)返回矩陣a 和b 的二維卷積 c。若a 為ma x na 的矩陣，b 為 mb x nb 的矩陣，貝u c 的大小為(m

14、a+mb+1) x (na+nb+1)。matlab 圖像處理工具箱供應了基于卷積的圖象濾波函數filter2 , filter2 的語法格式為：y = filter2(h,x)其中丫 = filter2(h,x)返回圖像x 經算子h 濾波后的結果，默認返回圖像 丫與輸 入圖像x 大小相同。例如：其實filter2 和conv2 是等價的。matlab 在計算filter2 時先將卷積核旋轉 180 度，再調用conv2 函數進行計算。fspecial 函數用于創(chuàng)建預定義的濾波算子，其語法格式為：h = fspecial(type)h = fspecial(type,parameters)參數

15、type 制定算子類型，parameters 指定相應的參數，具體格式為前文已有 敘述。ones 產生全 1 數組，zeros 產生全零數組。ones(a,b)產生 a 行b 列全 1 數組ones(a)產生a 行a 列全 1 數祖通過圖 3 我們也可得出結論，即中值濾波對于去除椒鹽噪聲效果最好，而 維納濾波去除效果則較差。中值濾波對于去除椒鹽噪聲效果明顯，是由于椒 鹽噪聲只在畫面上的部分點隨機消滅，而中值濾波依據數據排序，將未被污 染的點代替噪聲點的值的概率較大，所以抑制效果好。對點、線和尖頂較多 的圖像不宜接受中值濾波，由于一些細節(jié)點可能被當成噪聲點。試驗四： 分別使用二維統(tǒng)計濾波對椒鹽噪

16、聲和高斯噪聲進行濾波l=imread(”c:documentsand桌面 1.gif”); j1=imnoise(l,”salt& pepper”,0.004);subplot(2,3,1);imshow(l);title(”原始圖像”); subplot(2,3,2);imshow(j1);ti tle（”加椒鹽噪聲后的圖像”）;j= ordfilt2(j1,5,o nes(3,4);%進行二維統(tǒng)計挨次過濾subplot(2,3,3);imshow(j);ti tle（” 椒鹽噪聲濾波后的圖像”）; j2=im noise(l,”gaussia n”,0,0.004); subplo

17、t(2,3,4);imshow(j2);ti tle（”加高斯噪聲后的圖像”）; j3=ordfilt2(j2,5,o nes(3,4); subplot(2,3,5);imshow(j3);ti tle（”高斯噪聲濾波后的圖像”）;ps:10歡迎下載ps: matlab 小波分析工具箱供應的用于圖像去噪的函數有wrcoef2 和wpdencmp，其語法格式分別為：x=wrcoef2( type ；c,s,”wname ”xd,treed,datad,perf0,perfl2=wpdencmp(x,sorh,n,”wname ；crit,par,keepapp)其中，x=wrcoef2( ty

18、pe ；c,s,”w name ”返回基于小波分解結構c,s 的小 波重構圖像x。參數“ type ”等于a 表示重構近似系數；等于 h 表示重構水 平細節(jié)系數；等于v 表示重構垂直細節(jié)系數，等于d 表示重構對角細節(jié)系數。xd,treed,datad,perf0,perfl2=wpdencmp(x,sorh,n,”wname ；crit,par,keepapp)是通過小波包定限(閾值化)，返回輸入信號或圖像x 的除噪結果xd。輸入參數中，treed,datad 為 xd 的最佳小波包分解結構；perfl2 和 perfo 表示 la 2復原和壓縮百分數；perf12=100*(xd 的小波包系數向量范數/x 的小波包系數 向量范