圖像信息處理之噪聲和濾波(共17頁)

1、圖像(t xin)信息處理一、實驗(shyn)內(nèi)容1、練習(xí)添加不同種類的噪聲及不同濾波方法(fngf)進(jìn)行噪聲抑制（可直接調(diào)用matlab相關(guān)函數(shù)） ;2、寫出N*N模板的對稱近鄰平滑濾波算法的具體實現(xiàn)程序;3、寫出N*N模板的K近鄰平滑濾波算法的具體實現(xiàn)程序;4、取一張個人近照（面部應(yīng)占整個圖片空間四分之一以上），用matlab分別添加方差為0.01的高斯噪聲和椒鹽噪聲，然后在PS里對面部（僅對面部，背景不處理）做模糊處理，寫出簡要步驟;5、在數(shù)據(jù)庫中檢索文獻(xiàn)，給出最近5年中，至少3種以上圖像濾波去噪的方法，簡述方法原理及應(yīng)用，給出文獻(xiàn)出處。二、實驗原理1、椒鹽噪聲：幅值相同，但噪聲出現(xiàn)的位

2、置是隨機(jī)的；2、高斯噪聲：每一點都存在噪聲，但噪聲的幅值分布是隨機(jī)的；3、均值濾波：用均值代替原圖像中的各個像素值；3、中值濾波：對一個滑動窗口內(nèi)的諸像素灰度值排序，用中值代替窗口中心像素的原來灰度值，非線性處理技術(shù)；4、K近鄰平滑濾波：在一個與待處理像素鄰近范圍內(nèi)，尋找出其中像素值與之最接近的K個鄰點，將該K個鄰點的均值（或中值）替代原像素值。5、對稱鄰近均值濾波器：在一個局部范圍內(nèi)，通過幾對對稱點像素值的比較，獲得對相同區(qū)域及不同區(qū)域的判別，然后將均值計算在所判定的同一區(qū)域內(nèi)進(jìn)行(jnxng)，這樣可以使邊界的保持更加靈活的同時又可以降低計算量。三、實驗方法(fngf)及程序1、椒鹽(ji

3、oyn)噪聲具體程序：I=imread(L:圖像處理上機(jī)圖flower.jpg);J=imnoise(I,salt & pepper,0.02); subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);實驗結(jié)果：2、高斯噪聲程序：I=imread(L:圖像處理上機(jī)圖flower.jpg);J=imnoise(I,gauss,0.02); subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(J);實驗(shyn)結(jié)果：3、對椒鹽(jioyn)噪聲進(jìn)行濾波抑制均值濾波(lb)的程序：I = imread(L:圖

4、像平滑F(xiàn)ig58.bmp);J = imnoise(I,salt & pepper,0.02);h1= fspecial(average,3),K1 = filter2(h1,J);h2= fspecial(average,5),K2 = filter2(h2,J);h3= fspecial(average,7),K3 = filter2(h3,J);subplot(221);imshow(J,);subplot(222);imshow(K1,);subplot(223);imshow(K2,);subplot(224);imshow(K3,);實驗結(jié)果如下圖：對其進(jìn)行中值濾波(lb)的程序：

5、I = imread(L:圖像(t xin)平滑F(xiàn)ig58.bmp);J = imnoise(I,salt & pepper,0.02);K = medfilt2(J);subplot(221);imshow(I);subplot(222);imshow(J);subplot(223);imshow(K);濾波(lb)結(jié)果：實驗(shyn)結(jié)果分析：由實驗的結(jié)果對比可知，中值濾波對椒鹽噪聲的抑制效果較好，而且濾波后的圖像也較為清晰，而均值濾波后圖像較模糊。對高斯噪聲(zoshng)進(jìn)行均值濾波：I = imread(L:圖像(t xin)平滑F(xiàn)ig58.bmp);J = imnoise(I,g

6、auss,0.02);h1= fspecial(average,3),K1 = filter2(h1,J);h2= fspecial(average,5),K2 = filter2(h2,J);h3= fspecial(average,7),K3 = filter2(h3,J);subplot(221);imshow(J,);subplot(222);imshow(K1,);subplot(223);imshow(K2,);subplot(224);imshow(K3,);對高斯噪聲進(jìn)行(jnxng)中值濾波：I = imread(L:圖像(t xin)平滑F(xiàn)ig58.bmp);J = imn

7、oise(I,gauss,0.02);K = medfilt2(J);subplot(221);imshow(I);subplot(222);imshow(J);subplot(223);imshow(K);實驗(shyn)結(jié)果：分析：中值、均值濾波對高斯(o s)噪聲的抑制效果均不好。5、對稱近鄰均值(jn zh)濾波的實現(xiàn)程序(chngx)：I=imread(L:圖像平滑F(xiàn)ig58.bmp);J = imnoise(I,gauss,0.02);subplot(2,2,1),imshow(I);title(原圖);subplot(2,2,2),imshow(J);title(高斯噪聲圖);m

8、,n=size(I);x1=double(I);x2=zeros(m-2,n-2);a1=0.0;a2=0.0;a3=0.0;a4=0.0;for i=2:m-1 for j=2:n-1 if(abs(x1(i-1,j-1)-x1(i,j)abs(x1(i,j)-x1(i+1,j+1) a1=x1(i+1,j+1); else a1=x1(i-1,j-1); end if(abs(x1(i,j-1)-x1(i,j)abs(x1(i,j)-x1(i,j+1) a2=x1(i,j+1); else a2=x1(i,j-1); end if(abs(x1(i+1,j-1)-x1(i,j)abs(x1

9、(i,j)-x1(i-1,j+1) a3=x1(i-1,j+1); else a3=x1(i+1,j-1); end if(abs(x1(i+1,j)-x1(i,j)abs(x1(i,j)-x1(i-1,j) a4=x1(i-1,j); else a4=x1(i+1,j); end x2(i-1,j-1)=(a1+a2+a3+a4)/4; endendd=uint8(x2);subplot(2,2,3),imshow(d);title(對稱近鄰(jn ln)均值去噪);結(jié)果(ji gu)圖：6、K近鄰平滑(pnghu)濾波實現(xiàn)F=imread(L:圖像平滑F(xiàn)ig58.bmp);row,col=

10、size(F);F=double(F);G=F;for i=4:row-4; for j=4:col-4; for n1=1:7; for n2=1:7; A1(n1,n2)=F(i-4+n1,j-4+n2); end; end; A2=zeros(7,7); A2=A1-F(i,j); A3=reshape(A2,49,1); for n3=1:49; A(n3,2)=A3(n3,1); end; for k=1:49; A(k,1)=abs(A(k,2); end; A=sortrows(A); sum=0; for n4=2:26; sum=sum+A(n4,2); end; G(i,j

11、)=(F(i,j)*25+sum)/25; end; end; G=uint8(G); F=uint8(F); subplot(1,2,1);imshow(F); subplot(1,2,2);imshow(G);結(jié)果(ji gu)圖：四、ps對含椒鹽噪聲(zoshng)的我的照片進(jìn)行模糊處理添加椒鹽(jioyn)噪聲添加高斯噪聲對自己的有椒鹽噪聲的圖片(tpin)進(jìn)行模糊步驟(bzhu)：濾鏡模糊(m hu)高斯模糊對自己含高斯噪聲圖片進(jìn)行模糊濾鏡模糊(m hu)高斯(o s)模糊動感(dn n)模糊五：文獻(xiàn)1：混合噪聲圖像的去噪算法研究學(xué)位論文 HYPERLINK /Locate.ashx

12、?ArticleId=Y1591069&Name=杜暉 杜暉， 2009 - 南京郵電大學(xué)：模式識別與智能系統(tǒng) 在數(shù)字圖像處理領(lǐng)域，圖像噪聲的濾除一直是最重要、最基本的研究課題之一。由高斯噪聲和脈沖噪聲疊加而成的混合噪聲是數(shù)字圖像中存在的一種典型噪聲。而傳統(tǒng)方法對于這種類型噪聲的處理效果往往是不盡如人意的，主要表現(xiàn)在濾除圖像噪聲的同時會對圖像細(xì)節(jié)產(chǎn)生丟失。 本文主要研究脈沖噪聲和高斯噪聲混合情形下的圖像去噪問題。-平衡均值的濾波器能較好的兼顧均值濾波器和中值濾波器的特點，對被混合噪聲污染的圖像有著較好處理效果。本文選用基于-平衡均值的濾波方法來進(jìn)行圖像去噪，并針對現(xiàn)有此類型相關(guān)濾波方法復(fù)雜度高

13、的問題，提出了一種基于像素統(tǒng)計分布的自適應(yīng)-平衡均值算法，可以在保持原有的濾波性能的基礎(chǔ)上降低運算復(fù)雜度。另外，本文還研究了脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)，將它用于對圖像中噪聲的定位。針對原有閾值函數(shù)的不足，將原來的指數(shù)衰減函數(shù)改進(jìn)為更為簡單的線性衰減函數(shù)，并在此基礎(chǔ)上推導(dǎo)閾值初始值的選取。綜合上述兩個部分，本文提出了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和自適應(yīng)-平衡均值濾波的組合算法。在Matlab平臺下的多組仿真實驗結(jié)果表明，該算法具有較低的運算復(fù)雜度，對圖像中的混合噪聲有著較好的抑制能力，且能夠比較有效地保護(hù)細(xì)節(jié)信息。2: 基于中值濾波和小波變換(binhun)的改進(jìn)型圖像去噪研究學(xué)位(xuwi)論文

14、 HYPERLINK /Locate.ashx?ArticleId=Y1567708&Name=王立 王立， 2009 - 北京郵電大學(xué)：通信(tng xn)與信息系統(tǒng) HYPERLINK javascript:void(0); HYPERLINK javascript:void(0); 社會已經(jīng)進(jìn)入了數(shù)字化的信息時代，而占存儲空間最大的信息量則是圖像。圖像信號在產(chǎn)生、傳輸和記錄過程中，由于受到各種噪聲的干擾變得模糊，這對于后期進(jìn)行圖像分割、特征提取等有很大影響。因此在進(jìn)行后續(xù)處理前首先要對圖像進(jìn)行預(yù)處理來減少噪聲，圖像濾波是一種重要的手段。 圖像噪聲有很多種，主要表現(xiàn)為脈沖噪聲和高斯噪聲。中

15、值濾波是廣泛用于去除脈沖噪聲的一種非線性去噪方法；小波變換是繼Fourier變換之后又一強(qiáng)有力的數(shù)學(xué)分析工具，近年來在圖像去噪領(lǐng)域得到了廣泛應(yīng)用，產(chǎn)生了許多基于高斯白噪聲假設(shè)的優(yōu)秀小波圖像去噪算法。 本文對圖像中最常見的脈沖噪聲、高斯噪聲的濾除進(jìn)行了比較深入的研究。首先基于中值濾波算法，結(jié)合線性濾波器和非線性濾波器各自的優(yōu)點，提出了一種基于線性、非線性的混合濾波改進(jìn)算法，稱之為混合中值濾波算法，并進(jìn)行了可行性實驗驗證。然后對小波圖像去噪方法做了一定量的研究工作，在分析自然圖像小波系數(shù)特點的基礎(chǔ)上，給出一種基于高斯混合模型的小波圖像去噪算法，與其他小波去噪算法的對比實驗結(jié)果表明，該算法去除高斯白

16、噪聲有較好效果。 最后針對實際圖像中常見的高斯、脈沖混合噪聲，本文給出了將混合中值濾波和基于高斯混合模型的小波去噪算法相結(jié)合的圖像去噪算法。仿真實驗表明，對于被高斯、脈沖混合噪聲污染的圖像，該算法的去噪效果顯然比單一的中值濾波和小波去噪法好得多。3:多尺度改進(jìn)非局部平均(pngjn)圖像去噪算法學(xué)位(xuwi)論文 HYPERLINK /Locate.ashx?ArticleId=Y2066842&Name=路陽 路陽， 2012 - 西安電子科技大學(xué)：計算(j sun)數(shù)學(xué) 數(shù)字圖像處理是數(shù)學(xué)技術(shù)和計算機(jī)技術(shù)交叉領(lǐng)域的一門新學(xué)科，圖像去噪一直是該領(lǐng)域的研究熱點。數(shù)字圖像在其形成、傳輸和記錄的

17、過程中，由于成像系統(tǒng)、傳輸介質(zhì)和記錄設(shè)備的不完善而往往導(dǎo)致圖像受到多種噪聲的污染。而在模式識別、圖像分析和視頻編碼等領(lǐng)域中，噪聲圖像的前期去噪十分重要，它從整個圖像分析的流程上來講屬于圖像的預(yù)處理階段，從數(shù)字圖像處理的技術(shù)角度來說屬于圖像恢復(fù)的技術(shù)范疇，因此具有非常重要的地位，其去噪效果的好壞直接影響到后續(xù)處理的質(zhì)量和效果。 本文我們首先對噪聲的背景知識以及小波基本理論和小波閾值去噪算法做了系統(tǒng)的闡述；然后我們討論了雙邊濾波和非局部平均濾波這兩類經(jīng)典的去噪模型，并對其各自的優(yōu)缺點進(jìn)行分析；接著我們針對傳統(tǒng)非局部平均濾波計算量大以及去噪后留有噪聲痕跡這兩方面缺陷，對其做了進(jìn)一步的研究，從而介紹了快速非局部平均算法以及一種改進(jìn)的非局部平均濾波算法，大大節(jié)省了它的計算時間，并且增加了其去噪效果；然后我們又介紹了一種最新的去噪方法，即引導(dǎo)圖像濾波方法，它的濾波輸出是參照一幅引導(dǎo)圖像來獲得的，其去噪效果堪比非局部平均，并且該算法與非局部平均算法的計算時間相比要少很多，從而很好的體現(xiàn)了該算法的優(yōu)越性；而本文最后我們介紹基于小波分