图像去噪实验报告
实验一图像去噪
实验一图像去噪在现代医学中，医学影像技术广泛应用于医学诊断和临床治疗，成为医生诊断和治疗的重要手段和工具。
如今，医学图像在医疗诊断中起着不可低估的重要作用，核磁共振，超声，计算机X射线断层扫描以及其他的成像技术等，都是无侵害的器官体外成像的有效手段。
这些技术丰富了正常的何病态的解剖知识，同时也成为诊断和医疗体系的重要组成部分。
然而，由于不同的成像机理，医学图像往往存在时间、空间分辨率和信噪比的矛盾。
医学成像收到各种实际因素的影响，如患者的舒适度，系统的要求等等，需要快速成像。
图像中的噪声大大降低了图像的质量，使一些组织的边界变得模糊，细微结构难以辨认，加大了对图像细节识别和分析的难度，影响医学诊断。
因此医学图像的去噪处理既要能有效的去处噪声，又要能很好的保留边界和结构信息。
本实验通过对测试图像加不同类型的噪声，然后分别用各种滤波法处理，然后以定量分析各种滤波方法的特点。
一．实验原理1.噪声的分类根据噪声的统计特征可分为平稳随机噪声和非平稳随机噪声两种。
根据噪声产生的来源，大致可以分为外部噪声和内部噪声两类。
外部噪声主要有四种常见的形式：（1）光和电的基本性质引起的噪声。
如电流可看作电子或空穴运动，这些粒子运动产生随机散粒噪声，导体中的电子流动的热噪声，光量子运动的光量子噪声等。
（2）由机械运动引起的噪声。
如接头震动使电流不稳，磁头或磁带抖动等。
（3）设备元器件及材料本身引起的噪声。
（4）系统内部电路的噪声。
而在图像中，噪声主要有三个特点：（1）叠加性（2）随机性（3）噪声和不同图像区域之间的相关性。
医学图像中，典型的噪声有：高斯噪声，锐利噪声，指数噪声，均匀噪声，脉冲噪声等等。
2.去噪的方法人们根据实际图像的特点、噪声的统计特征和频谱分布规律, 发展了各式各样的去噪方法, 其中最为直观的方法是根据噪声能量一般集中于高频、而图像频谱则分布于一个有限区间的这一特点, 采用低通滤波来进行去噪的方法, 从本质上讲, 图像去噪的方法都是低通滤波的方法, 而低通滤波是一把双刃剑, 它在消除图像噪声的同时, 也会消除图像的部分有用的高频信息, 因此, 各种去噪方法的研究实际是在去噪和保留高频信息之间进行的权衡。
毕业设计-图像去噪法研究
题目：图像去噪算法的研究目录摘要 (1)ABSTRACT (2)第一章绪论 (3)1.1 数字图像的基本概念 (3)1.2 数字图像处理的基本理论 (3)1.3 数字图像去噪处理的意义 (4)1.4 图像去噪处理的研究历史与现状 (5)1.5 问题的产生 (5)1.6 本文所作的工作 (6)第二章图像去噪基本方法 (7)2.1图像噪声的分类和概念 (7)2.2图像去噪基本方法 (8)2.2.1 均值滤波 (8)2.2.2中值滤波 (9)2.2.3频域低通滤波法 (10)2.3实验结果 (13)2.3.1 均值滤波 (13)2.3.2 中值滤波 (14)第三章滤波算法的改进 (17)3.1针对脉冲噪声的滤波改进算法 (17)3.1.1 算法实现 (18)3.1.2 实验结果与分析 (18)3.1.3 结论 (19)3.2自适应小波阈值去噪算法 (20)3.2.1算法实现 (20)3.2.2实验结果与分析 (21)3.2.3 结论 (22)3.3几种算法的比较 (23)第四章结论 (24)参考文献 (25)后记 (26)摘要图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。
图像信号在获取和传输过程中，不可避免地受到各种噪声的污染，从而导致图像质量退化，对图像的后续处理，如边缘检测、图像分割、特征提取、模式识别等产生严重的影响，因此图像去噪是图像预处理的一个非常重要的环节。
数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。
本文首先介绍了图像去噪的研究背景和意义、图像滤波算法的发展概况及方法;然后介绍了图像噪声的分类和数学模型，并着重介绍了传统的图像去噪算法：均值滤波器、中值滤波器和自适应滤波器以及对应的去噪算法。
对常用的几种阈值去噪方法进行了分析比较和仿真实现。
图像的小波降噪实验报告
图像的小波降噪实验报告孙玉祥314113002432一．背景在图像处理过程中，图像的采集、转换和传输常常受到成像设备与外部环境噪声干扰等影响，产生降质。
图像噪声对数字图像的后续处理影响较大，因此对图像噪声的去除有很重要的显示意义。
传统的降噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是降噪效果不够好。
随着小波理论的日益完善，它以自身良好的时频特性在图像降噪领域受到越来越多的关注，开辟了用非线性降噪的先河。
二.原理2.1 小波在图像处理方面的优点小波降噪主要是利用噪声与图像信号在频率上分布的不同，图像信号主要分布在低频区域，而噪声主要分布在高频区域。
小波去噪使得原始图像的结构信息和细节信息很容易被提取是因为小波具有以下特点：（1）低熵性。
小波洗漱的稀疏分布，使得图像变换后的熵降低；多分辨率性。
优于采用了多分辨率分析，因此可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；（2）去相关性。
因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比空域更利于去噪；（3）选基灵活性。
优于小波变换可以灵活选取变换基，从而对不同的应用场合，不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。
2.2 小波去噪方法到目前为止，小波去噪的方法大概分为三大类：第一类方法是基于小波变换模极大值原理，根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号；第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的模型，从而进行取舍，然后直接重构信号；第三类方法是阈值方法，该方法就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出降噪后的图像。
2.3 小波阈值去噪小波阈值去噪法有着很好的数学理论支持，实现简单而又非常有效，因此取得了非常大的成功，并吸引了众多学者对其作进一步的研究与改进。
利用Ising模型先验对图像去噪实验报告
æ 1 p (x | y ) µ p (y | x) p (x) µ exp ç - 2 ç ç ç è 2s
下面给出一些具体的概率的计算： Metropolis-Hastings 方法
1) 令 x
(t )
å( y
m,n
mn
ö 2 ÷ exp (-2 Jd x ) - xmn ) ÷ ÷ ÷ ø
= x 作为马尔可夫链的当前状态，并随机选择一个像素 (u, v ) 并改变其颜色，
(
å(
m , n)~(m ¢ , n ¢)
xmn xm¢n¢ = exp (-2 Jd x ) ，偏向于图像中
)
有成块的区域出现，即图像比较平滑，这样可以去除小块噪声。块的大小取决于参数 J 。当
J = 0 时，图像没有平滑； J 越大，更倾向于选择一些有相同颜色区域的图像。
根据贝叶斯公式，后验分布为：
J = 0.50
J = 0.85
J = 1.1
J = 1.3
比较以上结果，可以得到以下结论（先验分布的作用） ： 1 只有当选取的先验分布比较合理的情况下，算法能够较快的收敛，而当参数偏离时（偏大 或是偏小） ，算法的收敛速度都会下降； 2 先验分布的对去噪效果的影响：合理的参数下，能够有效过滤除图像中的噪声点，而当参 数偏离时，试验对于噪声的滤除效果也变坏； 2 Gibbs采样算法流程图 以下两图分别为使用Gibbs算法前后的对比土，我们可以看到该算法能够有效的去除图像中 的噪声点，图像的质量也有明显的改善，
MN
种状态。假设观测到的图像 ymn = xmn + emn ，其中 emn ~ 0, s
(
2
)为
噪。则该问题中似然函数为 p y | x, s
数字图像处理实验二_图像的噪声抑制及锐化处理
数字图像处理实验报告（二）班级：测控1002姓名：刘宇学号：06102043实验二图像的噪声抑制及锐化处理1. 实验任务（1）了解并掌握图像的噪声抑制及锐化处理的基本原理；（2）编写程序使用均值滤波、中值滤波方法进行图像噪声抑制，根据实验结果分析效果；（3）编写程序使用一阶微分锐化、二阶微分锐化方法进行图像的锐化处理，根据实验结果分析效果；（4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。
2. 实验环境及开发工具Windws2000/XPMATLAB 7.x实验原理线性平滑滤波器线性低通平滑滤波器也称为均值滤波器，这种滤波器的所有系数都是正数，对3×3的模板来说，最简单的是取所有系数为1，为了保持输出图像任然在原来图像的灰度值范围内，模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板，并提供filter2 函数用指定的滤波器模板对图像进行运算。
函数fspecial 的语法格式为：h=fspecial(type);h=fspecial(type,parameters);其中参数type 指定滤波器的种类，parameters 是与滤波器种类有关的具体参数。
MATLAB 提供了一个函数imnoise 来给图像增添噪声，其语法格式为：J=imnoise(I,type);J=imnoise(I,type,parameters);非线性平滑滤波器中值滤波器是一种常用的非线性平滑滤波器，其滤波原理与均值滤波器方法类似，但计算的非加权求和，而是把领域中的图像的象素按灰度级进行排序，然后选择改组的中间值作为输出象素值。
MATLAB 提供了medfilt2 函数来实现中值滤波，其语法格式为：B=medfilt2(A,[m n]);B=medfilt2(A);其中，A 是原图象，B 是中值滤波后输出的图像。
[m n]指定滤波模板的大小，默认模板为3×3。
图像的噪声处理
实验名称：图像的噪声处理一、实验目的1、用中值滤波法对图像进行处理2、通过对算法和代码的修改，从而用另一种方法——噪声消除法对图像进行处理二、基本原理1、中值滤波：是对一个滑动窗口（模板）内的诸像素灰度值排序，然后用中间的一个值来代替窗口中心像素的原来的灰度值。
2、噪声消除法：顺序检测每一个像素，如果一个像素的幅度大于或小于起领域平均值，且达到一定的程度，即一个像素的幅度和其领域平均值的差值的绝对值达到一定的程度，则判定该像素为噪声，继而用其领域平均值来代替该像素。
数学表达三、实验步骤1、打开Matlab，在工作区中敲入如下的代码：代码解释：>>clear；clc; 清空工作区>> A=imread('pout.tif'); 打开图片>> B=imnoise(A,'salt & pepper',0.25); 加入噪声>> C=B;>> [height,width]=size(C); 对工作区的高宽进行定义>> for j=2:height-1 因为图像的边缘不用处理，所以从第二行的第二个像素点开始进行处理for i=2:width-1 同上一样，从第二列的第二个像素点开始m=1;n=1;for yy=j-1:j+1 这几行是利用循环制造出一个for xx=i-1:i+1 3*3的矩阵出来,并利用循环对block(m,n)=B(yy,xx); 图像中的所有像素点进行处理n=n+1;endm=m+1;n=1;endOne=reshape(block,9,1); 将表格中9个像素值列出来sequece=sort(One); 对9个像素值从小到大进行排序media=sequece(5); 取中间的一个像素值赋给mediaC(j,i)=media; 在将media的值赋予表格中间的一个值endendfigure(1); 控制出现一个窗口subplot(1,3,1); 设置子图，表示有1行3列共3个子图，正在绘制第1个imshow(A); 显示A所表示的图axis('square');title('原始图像'); 标题“原始图像”subplot(1,3,2); 设置子图，表示有1行3列共3个子图，正在绘制第2个imshow(B); 显示B所表示的图axis('square');title('加入噪声后的图像'); 标题“加入噪声后的图像”subplot(1,3,3); 设置子图，表示有1行3列共3个子图，正在绘制第3个imshow(C); 显示C所表示的图axis('square');title('中值滤波后的图像'); 标题“中值滤波后的图像”2、对上述代码的第18到21行进入如下的修改：将原代码替换成如下的代码即可：avg=mean(mean(block)); 求表格中9个像素值的平均值dif=avg-C(j,i); 求某个像素值和其领域像素平均值的差值dif=abs(dif); 求差值的绝对值if dif>T 进行判断，如果差值的绝对值大于所设定的C(j,i)=avg; T值，就将领域的平均值赋予这个像素值。
图像去噪技术研究与实践
图像去噪技术研究与实践一、前言图像的质量是图像处理的重要指标之一。
而高噪声图像一直被认为会影响到图像质量，严重影响的图像的可视化效果和信号处理的结果。
因此，图像去噪一直是图像处理领域中研究的热点之一。
本文将详细介绍图像去噪技术的概念、方法、应用和发展趋势。
二、图像去噪的概念图像去噪是指用图像处理的方法，去除图像中的噪声信息。
图像噪声是指随机性波动信号，产生原因主要是图像传感器、存储设备等因素。
噪声的存在使得图像的质量下降，严重影响了图像的应用价值。
图像去噪的目的就是将图像噪声减小到一定程度，以提高图像的质量和可靠性。
三、图像去噪的方法1、基于滤波的图像去噪方法基于滤波的图像去噪方法是最基础的图像去噪方法之一。
它利用滤波器或滤波算法，对图像中的噪声进行过滤和平滑，以达到提高图像质量的目的。
常用的滤波器包括均值滤波器、中值滤波器、高斯滤波器等。
不同的滤波器有不同的性能和适用条件。
例如，均值滤波器能够去除图像中的高斯噪声，但是在处理噪声密集的图像时会出现模糊现象。
2、基于小波变换的图像去噪方法小波变换是一种用于将信号的时域和频域分析方法相结合的方法。
基于小波变换的图像去噪方法利用小波变换对图像进行分解，并利用小波系数对噪声进行滤波和去噪。
不同类型的小波和小波滤波器可以构建不同性能的小波去噪算法，包括作为阈值选择、软阈值选择以及并行处理。
3、基于边缘保留的图像去噪方法基于边缘保留的图像去噪方法是一类结合了去噪和边缘保留的算法。
这类方法主要的思想是在去噪的同时，尽量保留图像中的边缘信息，以保持图像的清晰度和细节。
基于边缘保留的图像去噪算法有许多，例如基于双边滤波器的算法，具有很好的保留边缘信息的能力和抗噪性。
四、图像去噪的应用1、医学影像医学影像是指用于医学诊断和治疗的图像。
医学影像中的噪声主要来自于照射器和器材等因素。
利用图像去噪的方法，可以去除医学影像中的噪声，以提高诊断的准确性。
2、视觉识别在计算机视觉领域，对图像的质量要求较高。
图像余弦噪声处理实验报告
·任务2：周期噪声的傅里叶分析噪声图像boy_noisy.gif中加入了cos函数噪声，去掉该类噪声的干扰。
boy_noisy.gif实验原理：实验步骤：将原噪声图像进行傅里叶变换并求其频谱，观察频谱图像有两条线缺失，利用循环找出这两条白线使其变为黑线，再将其逆变换后即能显示去噪后图像。
实验程序：clc;clear;a=imread('boy_noisy.gif');b=double(a);%数据类型转换便于傅立叶变换F=fftshift(fft2(b));%傅立叶变换A=abs(F);%求频谱A=(A-min(min(A)))/(max(max(A))-min(min(A)))*255;%频谱归一化for i=1:511 %频域去噪，用循环找出这两条白线使其变为黑线for j=273F(j,i) =0;endendfor i=1:511for j=241F(j,i) =0;endendB=abs(F);B=(B-min(min(B)))/(max(max(B))-min(min(B)))*255;f=ifft2(ifftshift(F));%反变换c=uint8(f);%数据类型还原subplot(2,2,1),imshow(a);title('原始图像');subplot(2,2,2),imshow(A);title('归一化的傅里叶频谱');subplot(2,2,3),imshow(B);title('处理后频谱');subplot(2,2,4),imshow(c);title('去噪后图像');实验结果：实验思考：经过论坛的询问和探讨，处理此问题必需对傅里叶变换的意义以及空间域频域的坐标关系有非常深刻的认识，并且必须对滤波的原理和方法有深刻的认识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
姓名：学号：
图像去噪
——数字图像处理实验二报告
一、实验目的
1. 熟悉图像高斯噪声和椒盐噪声的特点；
2. 掌握利用均值滤波和中值滤波去除图像噪声的方法。
二、实验内容
1. 打开Matlab 编程环境。
2. 读入图像，在图像上分别添加高斯噪声和椒盐噪声。
3. 显示原图像和噪声图像。
4. 对噪声图像进行均值滤波和中值滤波处理。
5. 显示处理效果图。
三、实验程序及结果
1.实验程序
2.实验结果
图 1. 原图像
图2. 加入噪声后的图像
图3. 处理后的图像
四、实验思考：
1. 比较均值滤波和中值滤波的对高斯噪声和椒盐噪声图像的处理效果，分析原理？答：(1).从实验结果可以看出：
○1对于加了椒盐噪声的图像，利用中值滤波抑制噪声得到的效果更好；
○2对于加了高斯噪声的图像，利用均值滤波抑制噪声得到的效果更好；
○3均值滤波是图像变得平滑、模糊；
○4中值滤波对高斯噪声的抑制作用更差，中值滤波适合处理含椒盐噪声的图像。
(2).分析如下：
○1椒盐噪声包含椒噪声（低灰度值）和盐噪声（高灰度）。
若进行中值滤波，对模板中的像素从小到大排列，取模板中排在中间位置的像素值来替代原来的像素值，则最亮和最暗的点一定被排在两侧，排在中间位置的像素值接近原像素值，这样就能达到滤除噪声的目的。
若进行均值滤波，用模板中全体像素点均值来替代原来的像素值，则较大和较小的像素值对结果影响大，这样就把椒盐噪声平均到了最终结果中，不利于滤除噪声。
○2高斯噪声是服从高斯分布（即正态分布）的噪声。
若进行中值滤波，则随机地将噪声像素点的灰度值加到了最终得到的像素值中，不利于滤除噪声。
若进行均值滤波，则可以将高斯噪声取平均隐含于最终得到的像素值中，能较好地滤除噪声。
○3由于均值滤波是用模板中全体像素点均值来替代原来的像素值，所以它在降低噪声的同时会使图像模糊，特别是边缘和细节处。
而且邻域越大，在去噪能力增强的同时模糊程度也越严重。
○4由于中值滤波对模板中的像素从小到大排列，取模板中排在中间位置的像素值来替代原来的像素值，则最亮和最暗的点一定被排在两侧，排在中间位置的像素值接近原像素值，所以中值滤波对去除椒盐噪声有奇效。