《基于Matlab的数字图像处理降噪方法.ppt》由会员分享，可在线阅读，更多相关《基于Matlab的数字图像处理降噪方法.ppt（17页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于基于Matlab的数字图像处理降噪的数字图像处理降噪方法方法0101研究背景与意义研究背景与意义0303四种去噪方法四种去噪方法0202图像噪声图像噪声0404实验结果图对比实验结果图对比0505结论结论Contents目录0606源代码及函数源代码及函数现实中的图像由于种种原因都是带噪声的。噪声恶化了现实中的图像由于种种原因都是带噪声的。噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来困难。为了去除噪声，会引起图像边缘的模析和识别带来困难。为了去除噪声，会引起图像边缘的模糊和一些纹理细节的丢失。反之，进行图像边缘增
2、强也会糊和一些纹理细节的丢失。反之，进行图像边缘增强也会同时增强图像噪声。同时增强图像噪声。本次实验用四个方法进行去噪，基于本次实验用四个方法进行去噪，基于MATLAB实现了均实现了均值滤波法、中值滤波法、基于离散余弦变换的图像去噪法、值滤波法、中值滤波法、基于离散余弦变换的图像去噪法、基于小波变换的图像去噪法的去噪实验，并对实验结果进基于小波变换的图像去噪法的去噪实验，并对实验结果进行了分析比较行了分析比较。容请写在这里您的内容请写在这里您的内容请写在这里您的内容您的内容请写在这里研究背景研究背景图像去噪是图像处理研究领域中的一个基础而图像去噪是图像处理研究领域中的一个基础而又重要的问题。在
3、农业信息化、智能化、自动化又重要的问题。在农业信息化、智能化、自动化分级与检测和机器视觉等领域，涉及到大量的图分级与检测和机器视觉等领域，涉及到大量的图像处理问题，图像去噪作为重要的图像预处理步像处理问题，图像去噪作为重要的图像预处理步骤之一骤之一。图像降噪处理的目的是对给定的图像进行有效图像降噪处理的目的是对给定的图像进行有效的改善，提高图像的质量。因此图像降噪处理是的改善，提高图像的质量。因此图像降噪处理是非常重要的研究方向。非常重要的研究方向。研究意义研究意义5图像噪声是指存在于图像数据中的不必要的图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。图像的噪声在图像的采或多余的干扰信
4、息。图像的噪声在图像的采集和处理的全过程中都会产生，主要是由于集和处理的全过程中都会产生，主要是由于器件的灵敏性、量化过程产生的误差、空气器件的灵敏性、量化过程产生的误差、空气的波动等原因造成的。本文主要讨论用四种的波动等原因造成的。本文主要讨论用四种方法去除密度为方法去除密度为0.2的的椒盐噪声。椒盐噪声。图像噪声图像噪声2022/12/26均值滤波法均值滤波法 也称线性滤波，即用几个像素灰度的平均值来代替每也称线性滤波，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，避开对景物边缘的平滑处
5、理。糊，可以对其进行改进，避开对景物边缘的平滑处理。主要思想为邻域平均法，这类做法的实质是简单平均了主要思想为邻域平均法，这类做法的实质是简单平均了模板所包含的像素，该像素原来的灰度被平均值所代替模板所包含的像素，该像素原来的灰度被平均值所代替 首先要选择模板的尺寸，也就是领域半径，本次选首先要选择模板的尺寸，也就是领域半径，本次选择领域半径为择领域半径为3和和9的两个不同尺寸模板进行实验。可明的两个不同尺寸模板进行实验。可明显看出领域半径越大效果越好，但是成本就越高。显看出领域半径越大效果越好，但是成本就越高。7实验结果实验结果2022/12/26中值滤波法中值滤波法 该方法基于排序统计理论
6、的一种能有效抑制噪声的非线该方法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
7、杂度低，但其对点、线和尖滑处理。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。顶多的图像不宜采用中值滤波。很容易自适应化。9实验结果实验结果2022/12/26基于离散余弦变换的图像去燥基于离散余弦变换的图像去燥 我们一般认为图像的噪声在离散余弦变换结果中处我们一般认为图像的噪声在离散余弦变换结果中处在其高频部分，而高频部分的幅值一般很小，利用这一在其高频部分，而高频部分的幅值一般很小，利用这一性质，就可以实现去噪。变换性质，就可以实现去噪。变换去除高频噪声去除高频噪声反变换。反变换。然而，这样同时会失去图像的部分细节。只能对图像进然而，这样同时会失去图
8、像的部分细节。只能对图像进行行“粗糙粗糙”去噪去噪,保留图像平滑部分与主要信息，对于保留图像平滑部分与主要信息，对于细节要求高的不适用。我们来看一下实验结果细节要求高的不适用。我们来看一下实验结果11实验结果实验结果2022/12/26基于小波变换的图像去噪基于小波变换的图像去噪 本次本次实验实验使用使用Matlab提供的用于图像去噪函数提供的用于图像去噪函数：wrcoef2其语法格式为：其语法格式为：X=wrcoef2(type,C,S,wname)。其中，其中，X=wrcoef2(type,C,S,wname)返回基于小波分解结构，返回基于小波分解结构，的小波重构图像。参数的小波重构图像。
9、参数“type”等于等于a表示重构近似系表示重构近似系数；等于数；等于h表示重构水平细节系数；等于表示重构水平细节系数；等于v表示重构垂直细节表示重构垂直细节系数，等于系数，等于d表示重构对角细节系数。表示重构对角细节系数。13实验结果实验结果14四种方法实验结果对比图四种方法实验结果对比图15通过上图对比我们可以直观看出，对于椒盐通过上图对比我们可以直观看出，对于椒盐噪声，中值去噪效果总是最好的。具体的客噪声，中值去噪效果总是最好的。具体的客观参数评价有平均绝对误差，均方误差，信观参数评价有平均绝对误差，均方误差，信噪比等，本文不做详细统计对比。噪比等，本文不做详细统计对比。结论结论主要源代
10、码主要源代码I=imread(C:UsersAdministratorDesktop1.jpg);%读取图像读取图像I=rgb2gray(I);subplot(2,3,1);imshow(I);title(原始图像原始图像);J=imnoise(I,salt&pepper,0.2);%加入椒盐噪声，密度为加入椒盐噪声，密度为0.2subplot(2,3,2);imshow(J);title(加入椒盐噪声之后的图像加入椒盐噪声之后的图像);%采用采用MATLAB中的函数中的函数filter2对受噪声干扰的图像进行均值滤波对受噪声干扰的图像进行均值滤波K1=filter2(fspecial(ave
11、rage,9),J)/255;%模板尺寸为模板尺寸为9subplot(2,3,3);imshow(K1);title(均值滤波，尺寸均值滤波，尺寸9);K2=medfilt2(J);%采用二维中值滤波函数采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波对受椒盐噪声干扰的图像滤波%采用采用MATLAB中的函数中的函数filter2对受噪声干扰的图像进行中值滤波对受噪声干扰的图像进行中值滤波subplot(2,3,4);imshow(K2);title(中值滤波中值滤波);m,n=size(I);%读取图像尺寸读取图像尺寸Y=dct2(J);A=zeros(m,n);%DCT变换变换A(1:m/3,1:n/3)=1;Ydct=Y.*A;%高频屏蔽高频屏蔽Y=uint8(idct2(Ydct);%逆逆DCT变换变换subplot(2,3,5);imshow(Y);用到的相关函数用到的相关函数2022/12/26小波分解：小波分解：sym4()函数；函数；wavedec2()函数函数小波重构小波重构:提取细节提取细节wrcoef2()函数。函数。