数字图像处理 图像去噪方法
数字图像去噪技术及其应用
浅议数字图像去噪技术及其应用摘要：数字图像去噪技术一直以来都是数字图像处理研究领域的一个热点问题，该技术在当代已经越来越重要，并广泛应用到人们生活的方方面面。
笔者在数字图像去噪技术方面也做了一点粗浅的研究，本文就结合笔者的认识和体会谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。
关键词：数字图像；图像噪声；去噪技术；中值滤波；小波滤波在数字化发展的今天，信息在人们生活和工作中的作用越来越突出，并逐渐改变着人们的生活和工作方式，其中最主要、最直观的信息就是图像信息。
然而，在实际应用中数字图像经常会由于元器件、电阻、电磁干扰等设备因素，温度、光照等外界环节因素以及人为因素的影响产生图像噪声，从而使得图像质量不理想，偏离了原始图片。
因此，数字图像去噪就成为一个亟待解决的问题，具有很强的现实意义。
下面笔者就谈一谈几种数字图像去噪方法和数字图像去噪技术在现实中的应用。
1 数字图像去噪方法当前，数字图像去噪的方法有很多，从本质上讲这些方法都是低通滤波的方法。
低通滤波既有有利的地方，也有不利的地方，它既能消除图像噪声，又能消除图像中一些有用的高频信息。
因而，我们所研究的各种数字图像去噪方法从根本上来说就是权衡去噪和保留高频信息。
在数字图像去噪方法中，我们比较常见的有以下几种方法：1.1 中值滤波算法中值滤波算法最早是由turky于1971年提出来的，是一种典型的非线性空间域去噪算法。
其算法利用了像素点和噪声点之间的灰度值差别很大这一特性。
中值滤波算法的主要原理是：以一个像素为中心取其邻域，然后对邻域中各像素的灰度值进行排序，取中值作为中心像素的灰度值，换句话说就是中心像素点的灰度值被邻域像素点灰度值的中值所替代。
这种方法能很好的消灭噪声，但同时也损坏了图像的边缘，造成了部分细节的丢失。
因此，部分科学家和学者在此基础上又提出了中心加权中值滤波算法、开关中值滤波算法、极值中值滤波算法等等，这些方法都是针对中值滤波算法的缺陷提出来的，具有很强的实用价值。
基于小波变换的图像去噪算法研究与应用
基于小波变换的图像去噪算法研究与应用一、引言图像去噪是图像处理领域的重要问题，随着数字图像处理技术的发展与应用，对图像的去噪要求越来越高。
因此，在图像领域中，图像去噪一直是研究的热点之一。
二、小波变换小波变换是一种信号处理方法，可以用于信号的压缩、去噪、特征提取等。
小波变换通过分析信号中的局部细节信息，可以将信号分解为不同频率的子带，从而更好地处理信号中的各个部分。
三、小波变换在图像去噪中的应用1.小波阈值去噪法小波阈值去噪法是一种基于小波分解的图像去噪方法，该方法通过分解图像为不同频率的小波子带，再对各自的子带进行去噪处理，最后将各子带结果合成为一张图像。
该方法的核心在于确定小波子带的阈值，目前常用的方法有软阈值和硬阈值两种。
软阈值和硬阈值的区别在于，软阈值会使小于阈值的子带信号变为0，但不会对大于阈值的信号做限制；硬阈值和软阈值类似，只是会使小于阈值的子带信号全部变为0。
2.双阈值小波去噪法双阈值小波去噪法是一种基于小波变换的两阶段去噪方法，该方法首先通过小波分解将图像分解为不同频率的小波子带，然后采用两个阈值对各子带进行去噪处理，其中一个阈值用于对高频子带进行去噪，另一个阈值用于对低频子带进行去噪。
该方法的主要优点在于，可以有效地去除噪声的同时，尽可能地保留图像中的细节和纹理信息。
四、实验分析与结果本文选择了几组不同的噪声图像进行去噪处理，将分别采用小波阈值去噪法和双阈值小波去噪法进行实验处理。
实验结果表明，采用小波阈值去噪法能够显著地去除高斯噪声和椒盐噪声；双阈值小波去噪法在去除图像噪声的同时，能够有效地保留图像中的细节信息。
五、结论小波变换是一种重要的信号处理方法，在图像去噪方面得到了广泛的应用。
通过实验对比，小波阈值去噪法和双阈值小波去噪法均能达到不错的去噪效果，可根据不同的噪声类型和噪声强度进行选择和应用。
未来，小波变换方法预计将得到更广泛的应用，为图像处理及相关领域的研究提供更有力的工具和技术。
图像处理中的降噪方法与效果评估
图像处理中的降噪方法与效果评估概述：在图像处理中，噪声常常存在，它会降低图像质量并影响后续分析和处理任务。
因此，降噪是图像处理的一个重要环节。
本文将介绍图像处理中常用的降噪方法，并对它们的效果进行评估。
一、图像噪声的分类图像噪声可以分为两大类：本质噪声和随机噪声。
本质噪声是在图像获取或传输过程中引入的，如热噪声、偏振噪声等。
随机噪声主要是由于电子设备的限制产生，如高ISO拍摄引入的噪声、扫描仪添加的噪声等。
二、降噪方法1. 统计滤波统计滤波是一种常用的降噪方法，它通过计算像素点周围像素的统计特征来实现降噪。
常见的统计滤波器有均值滤波、中值滤波和高斯滤波。
均值滤波计算像素周围像素的平均值作为滤波结果，适合对高斯噪声进行降噪。
中值滤波计算像素周围像素的中值作为滤波结果，适合对椒盐噪声进行降噪。
高斯滤波通过卷积操作对图像进行模糊处理，可以在降噪的同时保留图像的细节。
2. 自适应滤波自适应滤波是一种根据图像的局部特征自适应地调整滤波参数的方法。
常见的自适应滤波器有自适应中值滤波和自适应高斯滤波。
自适应中值滤波器通过动态调整滤波器的窗口尺寸和阈值，可以在保留图像细节的同时有效降噪。
自适应高斯滤波器则根据局部像素的方差信息自适应地调整高斯滤波的参数，适用于各种类型的噪声。
3. 小波降噪小波降噪是一种通过小波变换实现降噪的方法。
小波变换可以将信号分解成不同频率的子带，通过对子带系数的阈值处理可以实现降噪。
小波降噪方法有硬阈值法和软阈值法。
硬阈值法将子带系数小于阈值的置零，并重新合成图像，适用于处理椒盐噪声。
软阈值法将子带系数的绝对值减去阈值后，大于零的保留，小于零的置零，再重新合成图像，适用于处理高斯噪声。
三、降噪效果评估评估降噪方法的效果是一项重要的任务，它可以帮助我们选择合适的降噪方法并优化参数。
常用的评估方法有主观评估和客观评估。
1. 主观评估主观评估是通过人眼观察和比较图像质量来评估降噪结果。
常用的主观评估方法有A/B测试和实验评估。
图像去噪技术的研究进展
图像去噪技术的研究进展图像去噪是数字图像处理中的一个基本问题，因为在数字图像的采集，传输和保存过程中，都会受到各种的干扰，产生噪声。
这些噪声严重影响了图像的质量，从而增加了诸如图像处理，分析甚至是识别等方面的难度。
因此，对于数字图像去噪技术的研究一直是图像处理领域非常热门的话题，也是众多研究人员关注的焦点之一。
在数字图像处理中，图像去噪技术被广泛应用于多种问题的解决，如数字信号处理，机器视觉，计算机图形学等。
图像去噪主要目的是从图像中消除不必要的噪声，从而使其更加清晰和易于处理。
传统的图像去噪方法主要包括基于滤波的方法和基于小波变换的方法。
但是，随着数值计算和算法的不断发展以及对图像信息处理的需求日益增长，近年来涌现出了许多新的图像去噪技术。
本文将从以下三个方面，介绍图像去噪技术的研究进展。
一、深度学习在图像去噪中的应用深度学习已经成为计算机视觉领域的热门话题。
其成功应用有力地推动了现代计算机视觉的发展。
同样，深度学习在图像去噪中也取得了非常出色的效果。
该方法是先将加噪和对应的清晰图像作为训练集，然后使用网络将这些示例编码成内部表示。
深度学习算法的优点在于能够自适应地恢复噪声，从而具有很强的“智能”。
二、基于字典学习的图像去噪方法字典学习也是近年来被广泛研究的新领域。
其基本思想是，用一个字典集合来表示一组数据。
当一个新的信号向量来了，我们可以从字典集中选出一些基本构成的组合来表示它，也就是，对新信号进行一个线性映射，实现由信号到编码的过程。
另一方面，我们也可以用这个编码恢复原信息。
因此，字典学习能很好地解决图像去噪当中的问题，将图像局部信息表示为局部基函数的合成。
能够适应不同图像去噪的需求，提高图像去噪的效果。
三、基于稀疏表示的图像去噪方法基于稀疏表示理论的数字图像去噪方法将图像分解为基本信号和噪声两部分，基于基本信号的稀疏表示来抑制噪声。
该方法可以适用于任何种类的数字图像，且不局限于特定的噪声信号类型。
去除图像噪声方法
去除图像噪声方法去除图像噪声是图像处理领域中一个重要的任务，它可以提高图像的质量和细节，并改善后续图像分析和处理的准确性。
目前，有许多方法可以用来去除图像噪声。
下面我将介绍一些常见的方法。
1. 统计滤波器：统计滤波器是一种简单而有效的方法，它利用邻域像素值的统计信息来去除噪声。
常见的统计滤波器包括中值滤波器、均值滤波器和高斯滤波器。
中值滤波器通过取邻域像素的中值来去除噪声，适用于椒盐噪声和脉冲噪声；均值滤波器通过取邻域像素的平均值来去除噪声，适用于高斯噪声；高斯滤波器通过卷积操作将图像模糊，从而去除噪声。
2. 基于波let变换的方法：波let变换是一种多分辨率分析方法，可以将图像分解为不同尺度的频带。
通过对小波系数进行阈值处理，可以减小较小的波动，从而去除噪声。
常见的基于波let变换的方法包括小波阈值去噪和小波软阈值去噪。
小波阈值去噪通过选择适当的阈值来将小波系数除噪，适用于高斯噪声；小波软阈值去噪通过对小波系数进行软阈值处理，适用于椒盐噪声和脉冲噪声。
3. 基于偏微分方程的方法：偏微分方程方法是一种基于偏微分方程的图像去噪方法。
它通过定义偏微分方程来描述图像中的噪声和边缘特征，并通过迭代求解偏微分方程来去除噪声。
常见的基于偏微分方程的方法包括非线性扩散滤波和总变差去噪。
非线性扩散滤波通过改变图像的梯度来去除噪声，适用于高斯噪声；总变差去噪通过最小化图像的总变差来去除噪声，适用于椒盐噪声和脉冲噪声。
4. 基于深度学习的方法：深度学习是一种机器学习方法，近年来在图像去噪任务中取得了很大的成功。
通过构建深度卷积神经网络，并通过大量的图像数据对其进行训练，可以实现高效的图像去噪。
常见的基于深度学习的方法包括基于卷积自编码器的方法和基于生成对抗网络的方法。
卷积自编码器是一种将输入图像压缩到较小维度编码，再通过解码恢复图像的神经网络，它可以学习到图像的低层特征，从而去除噪声；生成对抗网络是一种通过博弈的方式训练生成器和判别器网络的方法，可以生成逼真的去噪图像。
图像去噪技术的研究与改进
图像去噪技术的研究与改进随着数字图像在我们日常生活中的广泛应用，图像去噪技术愈发重要。
去噪是一种图像处理方法，可以使得图片更加清晰、锐利，同时去除图片中的噪点和瑕疵。
在实际应用中，如果一张图片含有过多的噪点，那么我们很难从中提取出有用的信息，这就使得图像去噪技术变得至关重要。
本文将介绍图像去噪技术的研究与改进。
一、传统图像去噪方法在过去的几十年里，图像去噪技术凭借着不断的研究和改进，涌现出许多方法。
最早的图像去噪方法包括中值滤波、高斯滤波和双边滤波等。
这些方法的基本思想是通过对图片像素的处理，达到去除噪点的目的。
中值滤波是一种常见的去噪技术，其原理是将每个像素周围的像素值进行排序，然后取其中值作为当前像素的值。
这样可以有效地去除图片中的椒盐噪声和斑点噪声。
但是，中值滤波也会降低整个图像的亮度和对比度。
高斯滤波是一种以高斯分布函数为权重进行像素加权平均的滤波方法。
使用高斯核对图像进行卷积，可以去除图片中的高斯噪声和高频噪声。
但是，高斯滤波也会造成图片的细节丢失，导致图像模糊。
双边滤波是一种结合了空间域和灰度值域的滤波方法。
它通过计算像素之间的相似性，对图像进行平滑处理，保留图像中的边缘和细节信息。
虽然双边滤波方法在保留细节方面表现良好，但是其计算量比较大，在实际应用中效率较低。
二、基于深度学习的图像去噪方法近年来，随着深度学习技术的快速发展，基于深度学习的图像去噪方法也取得了重要进展。
相比传统的图像去噪方法，基于深度学习的方法可以更好地保留图像细节，并且具有更高的计算效率。
深度学习技术的优势在于可以从大量的数据中学习到更加复杂的特征和规律。
因此，基于深度学习的图像去噪方法通常需要大量的标注数据。
最近，一项名为DnCNN的工作提出了一种基于深度卷积神经网络的图像去噪方法。
DnCNN方法通过对输入图像进行多个卷积层的特征提取，然后将提取的特征传递给反卷积层，得到最终的输出图像。
除了DnCNN以外，还有很多其他的基于深度学习的图像去噪方法。
图像降噪处理
图像降噪处理学生姓名：刘丽娇学院：信息与通信工程学院专业：电子信息工程题目：数字图像处理：图像降噪处理2011 年 12 月 26日二、均值滤波去噪2.1均值滤波器原理在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。
将模板中的全体像素的均值来代替原来的像素值的方法。
对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。
邻域平均法是空间域平滑技术。
这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f(x,y),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。
经过平滑处理后得到一副图像 g(x,y), 其表达式如下：∑∈=s n m n m f My x g ),(),(/1),(式中： x,y=0,1,2,…，N-1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。
领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。
为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。
其公式如下： ⎪⎩⎪⎨⎧>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f Tn m f M y x f n m f M y x g s n m s n m式中：T 为规定的非负阈值。
上述方法也可称为算术均值滤波器，除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图像细节。
谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。
它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
降低盐粒噪声的方法
降低盐粒噪声的方法
盐粒噪声是数字图像处理中常见的一种噪声类型，其形成原因是图像信号与噪声混合后，产生了像盐粒一样颜色较亮的像素点。
这些噪声点会影响图像的质量和清晰度，因此需要采用一些方法进行降噪处理。
1. 中值滤波
中值滤波是一种常用的降噪方法，其基本原理是将图像中的每个像素点与其邻域内的像素值排序，然后取中间值作为该像素点的像素值。
中值滤波可以有效地去除盐粒噪声，同时保留图像的边缘信息。
2. 均值滤波
均值滤波是另一种常用的降噪方法，其原理是将图像中的每个像素点与其邻域内的像素值取平均值作为该像素点的像素值。
均值滤波虽然可以去除盐粒噪声，但是会对图像的细节信息进行模糊处理，因此在实际应用中需要根据具体情况进行选择。
3. 自适应中值滤波
自适应中值滤波是一种根据像素点邻域内像素值的分布情况来
动态选择中值滤波窗口大小的降噪方法，可以有效地去除盐粒噪声，并能保留图像的细节信息。
4. 小波去噪
小波去噪是一种基于小波变换的降噪方法，其原理是将图像分解成不同频率的小波系数，然后根据小波系数的幅值和相位信息进行去噪处理。
小波去噪可以有效地去除盐粒噪声，并能保留图像的细节信
息。
综上所述，针对不同的图像处理需求，可以根据实际情况选择不同的降噪方法。
在实际应用中，还需要根据图像的特点和噪声类型进行调整和优化，以达到更好的降噪效果。
- 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)。
图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的内容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件内部产生。 2、椒盐噪声：主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。 一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。
三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y),即g(x,y)=1M∑fϵsf(x,y),其中,s为模板,M
为该模板中包含当前像素在内的像素总个数。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。 （均值滤波对加高斯、椒盐噪声图像处理后的对比图） 2、中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。其实现原理如下:将某个像素邻域中的像素按灰度值进行排序,然后选择该序列的中间值作为输出的像素值,让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点。利用中值滤波算法可以很好地对图像进行平滑处理。这种算法简单，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。
（中值滤波对加高斯、椒盐噪声图像处理后的对比图） 3、小波变换 小波变换是一种窗口大小固定但其形状可改变的时频局部化分析方法。小波变换利用非均匀的分辨率，即在低频段用高的频率分辨率和低的时间分辨率（宽的分析窗口）；而在高频段利用低的频率分辨率和高的时间分辨率（窄的分析窗口），这样就能有效地从信号（如语言、图像等）中提取信息，较好地解决了时间和频率分辨率的矛盾。对于一副图像，我们关心的是它的低频分量，因为低频分量是保持信号特性的重要部分，高频分量则仅仅起到提供信号细节的作用，而且噪声也大多属于高频信息。这样，利用小波变换,噪声信息大多集中在次低频、次高频、以及高频子块中,特别是高频子块,几乎以噪声信息为主,为此,将高频子块置为零,对次低频和次高频子块进行一定的抑制,则可以达到一定的噪声去除效果。
（小波变换对加高斯、椒盐噪声图像处理后的对比图） 四、结果分析 1、对于均值滤波：均值滤波对高斯噪声的抑制是比较好的,处理后的图像边缘模糊较少。但对椒盐噪声的影响不大,因为在削弱噪声的同时整幅图像内容总体也变得模糊，其噪声仍然存在。 2、对于中值滤波：由图像处理的结果可以看出,它只影响了图像的基本信息,说明中值滤波对高斯噪声的抑制效果不明显。这是因为高斯噪声使用随机大小的幅值污染所有的点,因此无论怎样进行数据选择,得到的始终还是被污染的值。而由图还可以看出,中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现,所以根据中值滤波原理可知,通过数据排序的方法,将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果很好,同时画面的轮廓依然比较清晰。由此看来，对于椒盐噪声密度较小时,尤其是孤立噪声点,用中值滤波的效果非常好的。 3、对于小波变换：由图可以看出,小波变换对高斯噪声有比较好的抑制作用,而且,在去除噪声的同时可以较好地保持图像的细节。由图可以看出,图像上的“椒盐”噪声很明显,说明小波变换对“椒盐”噪声的去除效果不大。小波变换是一种时频局部化分析方法。即随着分辨率的降低,噪声的小波变换值逐渐减小,信号占主导地位;而随着分辨率的提高,噪声的小波变换值增大,信号被噪声淹没。所以,对小波变换,提高分辨率和有效去除噪声,两者不可兼得。 五、总结体会 该报告是基于第一次报告中提出的在图像处理中噪声污染的问题，分析三种去噪方法对两种图像噪声的滤波处理。分析结果可以得到：均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；小波变换对分辨率低的高斯噪声去除有不错的效果。 六、参考文献 冈萨雷斯.数字图象处理（第二版）[M].北京:电子工业出版社,2007. 基于Matlab的数字图像典型去噪算法. 齐齐哈尔大学. 齐齐哈尔大学. TP391.72 附件程序 均值滤波程序： clc;close all;clear all; image=imread('cameraman.tif'); [m,n]=size(image); J=imnoise(image,'gaussian',0,0.005); %加高斯噪声 J=double(J); figure(1),imagesc(J),colormap(gray) title('加高斯噪声图像') image1=J; H=1/2*[0 1/4 0; 1/4 1 1/4; 0 1/4 0]; for i=2:m-1 for j=2:n-1 temp=J(i-1:i+1,j-1:j+1); image1(i,j)=sum(sum(H.*temp)); end end figure(2),imagesc(image1),colormap(gray) title('3x3高斯噪声均值滤波') K=imnoise(image,'salt & pepper',0.02); %加椒盐噪声 K=double(K); figure(3),imagesc(K),colormap(gray) title('加椒盐噪声图像') image2=K; for i=2:m-1 for j=2:n-1 temp=K(i-1:i+1,j-1:j+1); image2(i,j)=sum(sum(H.*temp)); end end figure(4),imagesc( image2),colormap(gray) title('3x3椒盐噪声均值滤波')
中值滤波程序： clc;close all;clear all; image=imread('cameraman.tif'); [m,n]=size(image); J=imnoise(image,'gaussian',0,0.005); %加高斯噪声 figure(1),imagesc(J),colormap(gray) title('加高斯噪声图像') image1=J; for i=2:m-1 for j=2:n-1 temp=J(i-1:i+1,j-1:j+1); temp=sort(temp(:)); image1(i,j)=temp(5); end end figure(2),imagesc(image1),colormap(gray) title('3x3高斯噪声中值滤波') K=imnoise(image,'salt & pepper',0.02); %加椒盐噪声 figure(3),imagesc(K),colormap(gray) title('加椒盐噪声图像') image2=K; for i=2:m-1 for j=2:n-1 temp=K(i-1:i+1,j-1:j+1); temp=sort(temp(:)); image2(i,j)=temp(5); end end figure(4),imagesc( image2),colormap(gray) title('3x3椒盐噪声均值滤波')
小波变换程序： load sinsin b=imread('cameraman.tif'); J=imnoise(b,'salt & pepper',0.02); [thr,sorh,keepapp]=ddencmp('den','wv',J); xd=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp); subplot(221),imshow(J) title('加椒盐噪声图像') subplot(222),imshow(xd,[0,255]) title('椒盐噪声小波去噪')
K=imnoise(b,'gaussian',0,0.005); [thr,sorh,keepapp]=ddencmp('den','wv',K); xd=wdencmp('gbl',K,'sym4',2,thr,sorh,keepapp); subplot(223),imshow(K) title('加高斯噪声图像') subplot(224),imshow(xd,[0,255]) title('高斯噪声小波去噪')