图像去噪的发展历程与方法简介93
上亿文档资料，等你来发现
图像去噪的发展历程与方法简介93
图像去噪的发展历程与方法简介1图像去噪的概念；2图像去噪的发展历程与现状；2.1图像去噪传统方法；2.2全变分去噪的提出；1图像去噪的概念；图像去噪指的是利用各种滤波模型，通过传统滤波、小；图像恢复问题是图像处理中最基本的问题，图像恢复以；对图像进行去噪是对图像作进一步处理的可靠保证，如；在对有噪声图像和模糊图像恢复时，除了去除噪声外，；图像是人类视觉的基础
图像去噪的发展历程与方法简介 1
图像去噪的概念2
图像去噪的发展历程与现状2.1图像去噪传统方法2.2全变分去噪的提出 1
图像去噪的概念图像去噪指的是利用各种滤波模型，通过传统滤波、小波、偏微分方程等多种方法从已知的含有噪声的图像中去掉噪声部分。图像去噪从整个图像分析的流程上来讲属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，它的存在有着非常重要的意义。图像恢复问题是图像处理中最基本的问题，图像恢复以图像退化的数学模型为基础，通过退化现象的某种先验知识来重建、恢复原来的图像。其中图像退化的原因主要是源于图像的获取和传输的过程中受到各种因素的干扰。对图像进行去噪是对图像作进一步处理的可靠保证，如果对含有噪声的图像进行特征提取、图像融合等处理后的结果，显然不能令人满意。另外，由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。噪声严重的时候，图像几乎变形，更使得图像失去了存储信息的本质意义。显然，对图像进行去噪处理，是正确识别图像信息的必要特征。在对有噪声图像和模糊图像恢复时，除了去除噪声外，一个很重要的目标是保护图像的重要细节(包括几何形状细节如纹理、细线、边缘和对比度变化细节)。但是噪声的去除和细节的保护是一对矛盾关系，因为噪声和细节都属于图像信号中的高频部分，很难区分出它们，所以在滤除图像噪声的同时，也会对图像的特征造成破坏，致使图像模糊。为了抑制图像中的噪声，更好地复原因噪声污染引起的图像质量退化，有必要寻找更好的去噪方法，保证在去除噪声的同时，还能保持边缘和纹理信息。近年来，为了解决这一问题，研究者们提出了很多模型和方法。图像是人类视觉的基础，而视觉是人类最重要的感知手段，图像恰恰又客观的反映了自然景物，成为了人类认识世界和人类本身的重要源泉。随着科技的日新月异，数字图像也于20世纪50年代诞生。而所谓的数字图像，可以将其看成是一个矩阵或是一个二维数组，在计算机上表示的方式。每个像素取值为0~255的整数。取值越大，表明这个格子越亮;反之，这个格子越暗。而数字图像所载有的信息就是每个像素的取值。利用计算机对数字图像所带信息进行处理的过程，称之为数字图像处理。其作为一门学科可追溯到20世纪60年代初期。图像增强是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显，如强化低频分量可减少图像中噪声影响。图像复原同样是提高图像质量，不同于增强的是要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。图像是自然界景物的客观反映，图像处理技术是人类认识世界和改造世界的重要工具之一。随着计算机和网络技术的迅速发展，今天我们面对的大部分图像是离散化的，并且以数字的形式存储在计算机中，这样的图像我们称为数字图像。在计算机中对数字图像的处理和操作我们称为数字图像处理。图像处理技术的内容非常丰富，根据抽象程度和研究方法等的不同可以分为三个层次:图像处理、图像分析和图像理解。低层的图像处理着重强调在图像之间进行的变换，如对图像进行加工改善图像的视觉效果，或对图像进行压缩编码以满足所需存储的空间、传输时间或传输通路的要求。作为中层的图像分析主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立对图像的描述，它是一个从图像到数据的过程。最高层的图像理解是在图像分析的基础上，进一步研究图像中各个目标的性质及其相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释，从而指导和规划行为。在本文中我们主要考虑的是低层图像处理，对于低层的图像处理包含两个主要内容:图像增强和图像复原。图像增强技术的目的是将被模糊的图像的细节或者图像中感兴趣的部分显现出来。而图像复原是以图像退化的数学或概率模型为基础，通过退化现象的某种先验知识来重建、复原已经退化的图像。本文考虑的就是这样一个问题，即将一个被噪声污染的图像更好的还原。 2
图像去噪的发展历程与现状图像去噪是图像处理领域中一项基本，而又十分关键的技术，一直是图像处理领域的一个难题。在图像的获取、传输和存贮的过程中总是不可避免地受到各种噪声源的干扰。图像去噪是数字图像处理领域一个古老的研究课题，是目标提取和模式识别的前期工作。人们根据实际图像的特点、噪声的统计特征和频谱的分布规律，提出了各种去噪方法一种好的去噪方法在平滑图像的同时不应模糊图像边缘。数字图像处理技术是随着计算机技术发展而开拓出来的一个新的应用领域，汇聚了光学、电子学、数学、摄影技术、计算机技术等学科的众多方面。它把图像转换成一个数据矩阵，在计算机上对其进行处理.计算机图像处理和计算机图形学的结合已经成为计算机辅助设计的主要基础。可以预计，随着计算机规模和速度的大幅度提高，数字图像处理技术的发展前途和应用领域将更加广阔。人们可以通过多种不同方法获取图像，对这些图像进行数字化处理，可以使图像的视觉效果得到增强或者得到特殊的效果，以满足人们不同的需要。从遥感、遥测、医学等许多重要的民用和军事成像领域，很多因素会导致图像质量的退化，比如图像的混叠、降晰和扭曲.噪声更是无处不在，图像在采集、传输和转换中常常受到成像设备和外部环境的干扰，在原图像中夹杂了噪声的干扰，使得图像降质，影响了图像的视觉效果，而且对图像进行进一步的处理也带来了不利。传统的线性去噪方法虽然可以达到去除噪声提高图像质量的目的，但是它已不能适合更高图像质量的要求，比如说在某些后续处理当中，要求原图像要有很好的边缘信息，但是经线性滤波去噪后在去除噪声的同时也平滑模糊了图像的边缘特征。变分法的引入给计算机视觉和图像图形处理领域的研究提供了一个有力的工具。全变分图像去噪模型的解属于有界变差函数类，允许有不连续的点，在去噪的同时能有效的保持图像的边缘特征，因此在图像去噪领域得到了更加广泛的应用和研究。基于变分的图像处理这一方法形成以后，很多相关领域的学者致力于它的研究。近年来，相关研究人员有的从能量函数或者欧拉方程的意义上提出新的模型，或对已有模型进行改进，有的致力于寻找高精度稳定的离散格式，以得到快速高效的求解算法，来满足特定的图像处理目的。?u?0它成功的运用在许多图像复原问题中，是图像处理和计算机视觉中一个活跃的研究领域。但是求解它比较困难，主要是TV泛函在
处不可微，且Euler-Lagrange方程含有一个高度非线性的项。2.1图像去噪传统方法本文考虑的图像是灰度图像，通常一幅图像中大多数像素的灰度与其相邻像素的灰度差别不大，这样图像的能量主要集中在低频区域中，只有图像的细节部分的能量才处于高频区域，同时噪声也集中高频区域，图像去噪的主要目的就是去除或衰减图像的高频分量，增强低频分量。图像去除噪声的处理从整个图像分析的流程上来讲属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，对图像进行去噪处理的意义主要表现在:(1)由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的观察，干扰人们对图像信息的理解。噪声严重的时候，图像几乎产生变形，更使得图像失去了存储信息的本质意义。显然，对图像进行去噪处理，是正确识别图像信息的必要保证。(2)除了能提高人视觉识别信息的准确性，对图像进行去噪的意义还在于它是对图像作进一步处理的可靠保证。如果对一幅含有噪声的图像进行特征提取、配准或者图像融合等处理其结果肯定不能令人满意，所以图像去噪是必需的。
在这样的学术背景下依然研究图像去噪的意义在于:(1)在图像去噪领域，传统方法呈百花齐放之态，但是这些方法并非十全十美，主要表现在去噪的同时对图像细节的丢失。因此，进一步研究新的去噪方法或者完善已有的算法意义依然重大。(2)不同算法都有着不同的数学理论基础，对图像去噪的效果也表现不同。探求它们的内部机理，寻求相应的关系，研究不同算法之间如何取长补短，以达到更好的去噪效果，也是很有意义的。(3)研究图像去噪对数字图像其他处理环节性能的提升也有着促进作用。 鉴于上述3方面的意义，我们更关注的是如何去噪。就目前而言，在数字图像处理领域，有不少传统的图像去噪方法，它们可能已经被提出以至被应用很久了。在这里我们只对以下几种主流的去噪方法做一些简要的描述：1. 传统滤波方法传统的图像去噪恢复方法有空间域滤波和频率域滤波两类方法。空间域滤波是把图像信号和滤波函数进行卷积来完成的，这个过程很多情况下可利用模板进行处理，不同的滤波函数得到不同的模板，比如均值滤波、中值滤波等；频率域滤波是在频率域内用图像的频域信号与传递函数相乘来完成的，这个过程是通过傅里叶变换来处理的。传统方法的缺点要么不能很好地去噪，要么去除噪声的同时丢失大量细节。2. 小波方法由于小波的紧支性和分解的层次性，使得小波方法在研究和实践中被广泛地采用。小波变换能把图像分解为不同尺度的低频系数和高频系数，噪声一般集中在高频系数中，通过对高频系数进行阈值处理，就可达到降噪目的。利用小波方法去噪就是选择合适的小波对图像进行分解，对高频系数进行处理，然后重构恢复原始图像。整个过程主要在于如何选择小波函数、如何选择阈值并进行量化。小波分析方法应用在图像去噪领域，主要针对图像信号与噪声信号经过小波变换后在不同分辨率下呈现不同规律，通过调整小波系数，达到图像去噪目的；另外将小波变化与传统图像去噪算法相结合，利用小波变换的多分辨率特性和时频局部化特性，提高图像去噪算法的性能。因为小波具有自适应的时频局部化功能，利用小波对突变信号和非平稳信号能较好的进行去噪，但是对图像去噪效果不是很理想。3. 几种常见空域图像去噪算法通常可以选择空域滤波的方法进行去噪处理。常见的空域滤波器有均值滤波器、顺序统计滤波器、自适应滤波器等。滤波器的输入为受噪声n(x , y)污染而退化的图像g(x , y)。而滤波器的输出为恢复后的图像即原始图像f (x , y)的近似?估计。下面分别予以介绍。f(x,y)? median?g(s,t)?(s,t)?Sxy(s,t)?Sxy
均值滤波器包括算术均值滤波器、几何均值滤波器、谐波均值滤波器和逆谐?波均值滤波器。 f(x,y)?max?g(s,t)?(s,t)?Sxy
算术均值滤波器简单地平滑了一幅图像的局部变化，在模糊了结果的同时减?f(x,y)?ming(s,t)少了噪声。几何均值滤波器所达到的平滑度可以与算法均值滤波器相比，但在滤波过程中会丢失更少的图像细节。谐波均值滤波器善于处理高斯噪声，它对于正??脉冲(即盐点)噪声效果比较好，但是不适用于负脉冲(即胡椒点)噪声。逆谐波均值滤波器适合减少或者消除脉冲噪声，当Q值为正数时，滤波器适用于消除“胡椒”噪声;当Q值为负数时，滤波器适用于消除“盐”噪声。当Q=0时，逆谐波均值滤波器蜕变为算术均值滤波器，当Q=－1时，它蜕变为谐波均值滤波器。
顺序统计滤波器顺序统计滤波器的输出基于由滤波器包围的图像区域中像素点的排序，滤波器在任意点的输出由排序结果决定。下面列出几种常见的顺序滤波器的I/O方程: 中值滤波器: (1) (1) (1) (1)
最大值滤波器:
最小值滤波器:
?1??中点滤波:
f ( x , y ) ?
? g ( s ,t ) ? ?
t ) ? ?gs,?
(s,t)?Sxy(s,t)?Sxy?2?其中最著名的顺序统计滤波器是中值滤波器，因为它对很多随机噪声都有很好的去噪能力，且在相同尺寸下比线性平滑滤波器引起的模糊更小，所以中值滤波器应用很普遍。中值滤波器对单极或双极脉冲噪声效果非常好。最大值滤波器在发现图像中的最亮点时非常有用，同时特别适用于滤除胡椒噪声；而最小滤波器在发现图像中的最暗点时非常有用，同时特别适用于滤除盐噪声。中点滤波器将顺序统计和求均值相结合，对于高斯和均匀随机分布噪声有最好的效果。
另一种有特色的顺序统计滤波器是修正后的阿尔法均值滤波器。假设在Sxy邻域内去掉d/2个最高灰度值和d/2个最低灰度值，用gr(s, t)表示剩余的mn-d个像素，则修正后的阿尔法均值滤波器就由这些剩余像素点的平均灰度值来代替点(x ,
y)的灰度值。即包含各类专业文献、行业资料、幼儿教育、小学教育、文学作品欣赏、生活休闲娱乐、外语学习资料、图像去噪的发展历程与方法简介93等内容。　
　图像去噪方法及发展_信息与通信_工程科技_专业资料。图像去噪方法及其发展概述 ...图像噪声看成是多维随机过程是合适的, 因而描述噪声的方法完全可以借用随机过程的... 　小波去噪的发展历程 ………8 小波去噪的研究现状 ...18 4.2 4.3 基于 MATLAB 的小波去噪函数简介……...其中图像的小波阈值去噪方法可以说是众多图像去噪... 　噪方法的研究一、拟选题目 在图像处理中,图像通常...的有关小波应用的基础上,简单介绍去噪图像质量的...简单介绍小波去噪的发展历程和小波去 噪的分类,在... 　18 4.2 4.3 基于 MATLAB 的小波去噪函数简介???19...34 前言 图像在生成和传输过程中常常因受到各种噪声...和频 谱分布的规律, 发展了各式各样的去噪方法。... 　《图像去噪方法的研究》开题报告_电子/电路_工程科技...的底层处理,噪声可能在图像采 集、量化等过程中产生...首先介绍图像处理应用时的常用函数及其用 法; 其次... 　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...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 ... 　传输过程中常常因受到各种噪声的干扰和影响而使图像...和频 谱分布的规律, 发展了各式各样的去噪方法。...全文安排具体如下: 第一章主要介绍噪声的特性和噪声... 　图像去噪方法_IT/计算机_专业资料。本文介绍了用滤波对图像去噪的方法图像...图像信号在产生、传输过程中都 可能会受到噪声的污染,一般数字图像系统中的常见... 　论文的主要工作就是对图像的去噪方法进行初步的介绍...图像在生 成和传输的过程中会受到各种各样的噪声的...1.2.2 图像去噪的发展趋势 在目前的去噪方法中...维库欢迎您!
微信扫一扫关注我们
当前位置：&>>&&>>&&>>&MATLAB应用在基于噪声检测的图像均值去噪法
　　图像是用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视知觉的实体，是人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。研究表明，人类获取的视觉图像信息在人类接受的信息中的比重达到75％，“百闻不如一见”便是非常形象的例子之一。在高度信息化条件下的今天，数字图像越来越得到普及和应用。
　　然而，人们在获取和传输数字图像的同时，难免于图像数据被外界噪声所污染，妨碍了人们对图像信息的理解。由此，图像去噪技术应运而生。图像去噪，即在尽可能地不损失原图像细节的前提下，去除图像中无关的噪点。现有的图像去噪方法[11很多，如：
　　1 均值滤渡器
　　均值是一种典型的线性去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声。因而适用面较广。
　　许多滤除噪声方法都是在此基础上发展而来的。其缺点是严重破坏了图像的边缘，模糊了图像。
　　低通，信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的；而在较高频段，感兴趣的信息常被噪声所淹没。因此。一个能降低高频成分幅度的滤波器就能减弱噪声的看的见的影响。这是一种频域处理法。在分析图像信号的频率特性时，一幅图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表低频分量。用滤渡的方法滤除其高频部分就能去掉噪声，使图像得到平滑。但同时，有用的高频成分也滤除了。因此这种处理是以牺牲清晰度为代价的。
　　3 中值滤波器
　　中值滤波器是一种消除噪声的非线性处理方法，它是由Tueky在1971年提出的。它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻近各点值的中值代替。中值定义如下：对一个数字序列的元素进行排序，如果元素个数为奇数，则取排序后序列的中间值。如果序列元素个数为偶数，则取排序后序列的中间两个值的均值。
　　把一个点的特定长度或形状的领域称作窗口。在一维情况下，中值滤波器是一个含有奇数个像素的滑动窗口。窗口正中问那个像素的值用窗口内各像素值的中值代替。
　　该滤波器是一种典型的非线性处理方法。它的优势在对图像中脉冲噪声消除极为有效，且能够较好地保护图像边缘信息。
　　弱点是因为涉及大量排序运算，运算速度较慢，对图像的实时处理有影响。图像一般要传化成数字图像后才可以使用计算机对其进行各种处理。数字图像，是以数字的形式而存在的。利用MATLAB（矩阵实验室）进行处理时，我们简单地理解它为一定大小的。矩阵中的每个效字代表图像的一个像索点。由此可以知道，对数字图像的处理，实际上就是对一个数字矩阵的运算处理。
　　为了研究方便，我们的方法是人工的给原图像添加噪声?主要是不同强度的正态分布随机噪声和脉冲噪声。在MATLAB中，正态分布噪声是由randn函数实现的，而脉冲噪声，即平常所说的椒盐噪声，是由imnoise（Io，’saIt 8L pepper，i）实现的。其中Io是原图像矩阵，i取值。至1之间，表示噪声的强度。
　　通过研究，发现一种新的改进的均值滤波器[2]。在考虑如何对图像的噪声进行处理时，难以避免的，需要面临噪声点的检测问题。因为一张含噪图像中，只有一部分的像素受到了噪声的污染，而其余的像素仍保持原值。无条件地对所有的像素点进行滤波，显然在去除噪点的同时，使原图像发生了失真。所以为了更有针对性地处理图像中的躁点，最好的做法就是先对噪声进行检测。然后利用非噪声点的平均值来代替每个像素的灰度，而不是上面传统方法中的盲目运算。其计算公式为：
　　式中，S为（x，y）点领域中坐标的*，但不包括其本身，M为*内坐标点的点数。下面通过实例来验证这种方法的优越性：
　　采用尺寸大小为162×120的图像文件shoes.jpg。使用im-眦d函数将其载人到MATLAB中，为了简便。我们先用瑁b29ray函数将其转换为单维的灰度图像，灰度范围[o，255]
　　（见图1）。在原图基础上加入噪声密度为o.2的脉冲噪声，可以用imnoise函数加入椒盐噪声，也可以用randn加入正态分布的随机噪声，这样就得到了含噪的图像。芝麻盐状的雪*点随机地分布在图像矩阵巾（见图2）。
　　一般来说，图像中像素的灰度值是连续渐变的。
　　而如果存在噪点，那么在原图像素和噪点之间的灰度值会发生突然的变化。基于此，首先取待检测点的上、下、左、右四个邻域大小为3×3，计算各邻域的平均值，如果四个邻域的均值都与待检测点的差的绝对值大于既定的阈值，则判断该点为噪点，反之，有一个邻域的均值与待测点的差小于阈值。则判断该点为正常像素点。其中；阕值是我们根据图像的含噪情况人为设定的一个值，一般在100和200之问。同时。建立与待检测图像大小相同的矩阵，称为噪声标识矩阵。其中的点与原图像矩阵中的点一一对应。并预设该矩阵中的值全为1，如果一像素被判断为噪声，则置标识矩阵中相应元素为o.这样，就可以实现前面判断过程所得出的结果被后续的检测所使用，已经被判定为噪声的像素不再参与领域均值的计算。
　　这样，我们就可以用一个循环，来对图像矩阵中的每个像素逐个进行判断，方便地检测到了噪声点。
　　接下来，就可以利用中值滤波的方法，去除图像中的噪点了，将预先判断为噪点的图像矩阵中的点，如（a。b）=（70.S5）的点的值是230，与邻域点的均值的差大于两值150。因此翔断它是一个噪点。这样，我们就用它邻域内的八个点中有效的点来取均值代入。依次执行，挨个计算、代人。这样就得到了一个新的图像数据矩阵，最后我们用i眦Ilow函数显示处理后的图像（见图3）。可以看到。效果非常明显。
　　4 结语
　　去噪后的图像不仅噪声强度受到限制，而且图像细节得到了最大限度的保持，解决了妨碍人们获取图像信息的同胚。在航空航天、通信工程、生物医学、军事公安、文化艺术等领域都具有一定意义。&&来源:
技术资料出处:hbicecream
该文章仅供学习参考使用，版权归作者所有。
因本网站内容较多，未能及时联系上的作者，请按本网站显示的方式与我们联系。
【】【】【】【】
上一篇：下一篇：
本文已有(0)篇评论
发表技术资料评论，请使用文明用语
字符数不能超过255
暂且没有评论!
12345678910
暂且没有信息...
12345678910
360奇酷手机旗舰版是一款相当成功的产品，在粉丝、媒体的口中收到了颇多称赞，而青春版还创造了惊人的销售记录。不过，在9月8日这个在中国的老黄历中的黄道吉日，早上老周大战酷派跟乐视，360宣传酷派行使卖出期权的新闻成功的抢占了各种头条，整整一天老周跟酷派的高管蒋超两人在微博、微...[][][][][][][][][][]MATLAB应用在基于噪声检测的图像均值去噪法
> MATLAB应用在基于噪声检测的图像均值去噪法
MATLAB应用在基于噪声检测的图像均值去噪法
引言本文引用地址：　　是用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视知觉的实体，是人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。研究表明，人类获取的视觉信息在人类接受的信息中的比重达到75％，&百闻不如一见&便是非常形象的例子之一。在高度信息化条件下的今天，数字越来越得到普及和应用。　　然而，人们在获取和传输数字图像的同时，难免于图像数据被外界噪声所污染，妨碍了人们对图像信息的理解。由此，图像技术应运而生。图像，即在尽可能地不损失原图像细节的前提下，去除图像中无关的噪点。现有的图像方法[11很多，如：　　1 均值滤渡器　　均值滤波器是一种典型的线性去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声。因而适用面较广。　　许多滤除噪声方法都是在此基础上发展而来的。其缺点是严重破坏了图像的边缘，模糊了图像。　　2 低通滤波器　　低通滤波器，信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的；而在较高频段，感兴趣的信息常被噪声所淹没。因此。一个能降低高频成分幅度的滤波器就能减弱噪声的看的见的影响。这是一种频域处理法。在分析图像信号的频率特性时，一幅图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表低频分量。用滤渡的方法滤除其高频部分就能去掉噪声，使图像得到平滑。但同时，有用的高频成分也滤除了。因此这种处理是以牺牲清晰度为代价的。　　3 中值滤波器　　中值滤波器是一种消除噪声的非线性处理方法，它是由Tueky在1971年提出的。它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻近各点值的中值代替。中值定义如下：对一个数字序列的元素进行排序，如果元素个数为奇数，则取排序后序列的中间值。如果序列元素个数为偶数，则取排序后序列的中间两个值的均值。　　把一个点的特定长度或形状的领域称作窗口。在一维情况下，中值滤波器是一个含有奇数个像素的滑动窗口。窗口正中问那个像素的值用窗口内各像素值的中值代替。　　该滤波器是一种典型的非线性处理方法。它的优势在对图像中脉冲噪声消除极为有效，且能够较好地保护图像边缘信息。　　弱点是因为涉及大量排序运算，运算速度较慢，对图像的实时处理有影响。图像一般要传化成数字图像后才可以使用计算机对其进行各种处理。数字图像，是以数字的形式而存在的。利用（矩阵实验室）进行处理时，我们简单地理解它为一定大小的数字矩阵。矩阵中的每个效字代表图像的一个像索点。由此可以知道，对数字图像的处理，实际上就是对一个数字矩阵的运算处理。　　为了研究方便，我们的方法是人工的给原图像添加噪声&主要是不同强度的正态分布随机噪声和脉冲噪声。在中，正态分布噪声是由randn函数实现的，而脉冲噪声，即平常所说的椒盐噪声，是由imnoise（Io，&saIt 8L pepper，i）实现的。其中Io是原图像矩阵，i取值。至1之间，表示噪声的强度。
分享给小伙伴们：
我来说两句……
微信公众号二
微信公众号一查看: 6919|回复: 18|关注: 0
请教Matlab彩色图像如何去除噪声？
附件是一幅用近场光学显微镜拍下的图片。图中的亮点是用荧光标记的。
想请教以下几个问题：1、图像是bmp格式的，应该用什么格式的图像处理才比较方便？
& && && && && && && && && && && &&&2、图像是行扫描得出来的。用什么方式可以图像的噪声是什么类型？
& && && && && && && && && && && &&&3、能不能举一个彩色图像去噪声的例子。彩色图片去噪声的理论有哪些？怎样利用灰度图的方法进行彩色图像去噪声？
谢谢各位高手指点迷津~~~！！！
12:01 上传
点击文件名下载附件
88.58 KB, 下载次数: 124
你可以试试平滑去噪和小波去噪
大律法+二值化＋还原
关注者： 72
I = imread('c:\\NSOM_fluorescence.bmp');
imshow(I, 'border', 'tight');
I1 = rgb2gray(I);
I2 = imclose(I1, strel('disk',3));
I2 = medfilt2(I2, [3 3]);
I2 = imclearborder(I2);
I2 = im2bw(I2, graythresh(I2));
I2 = imclose(I2, strel('disk',8));
L = bwlabel(I2);
stats = regionprops(L, 'Area');
ar = [];
for i = 1 : length(stats)
& & ar = [ar, stats(i).Area];
end
[m, ind] = max(ar);
L(find(L~=ind)) = 0;
I2(~logical(L)) = 0;
I3 = bwperim(I2);
I3 = imfill(I3, 'holes');
I1(~I3) = 0;
I1 = medfilt2(I1, [3 3]);
Ir = I(:, :, 1); Ig = I(:, :, 2); Ib = I(:, :, 3);
Ir(~I3) = 255; Ig(~I3) = 0; Ib(~I3) = 0;
Ir(I3) = I1(I3); Ig(I3) = I1(I3); Ib(I3) = I1(I3);
I = cat(3, Ir, Ig, Ib);
imshow(I, 'border', 'tight');
复制代码
未命名1.bmp (1.11 MB, 下载次数: 4)
19:01 上传
回复 4# lyqmath 的帖子
I=imread('E:\Matlab_code\DIP\NSOM_fluorescence.bmp');
figure,imshow(I);
I1 = rgb2gray(I);
%figure,imshow(I1);
I2 = imopen(I1, strel('disk',3));
figure,imshow(I2);
I2 = medfilt2(I2, [3 3]);
I2 = imclearborder(I2);
figure,imshow(I2);
I2 = im2bw(I2, graythresh(I2));
figure,imshow(I2);
I2 = imopen(I2, strel('disk',3));
figure,imshow(I2);
I1(~I2) = 0;
I1 = medfilt2(I1, [3 3]);
figure,imshow(I1);
I1=imopen(I1, strel('disk',1));
figure,imshow(I1);
这是我修改后的code
处理后的图像
前面的是用开操作的，这里的是闭操作的
回复 4# lyqmath 的帖子
这是我的做法，请楼主指导，谢谢~
还有楼主代码中后面那部分是有什么用的？
用形态学方面的操作进行区域选择，这个方法挺不错的
I=imread('E:\Matlab_code\DIP\NSOM_fluorescence.bmp');
%figure,imshow(I);
I_r=I(:,:,1);
I_g=I(:,:,2);
I_b=I(:,:,3);
I1 = rgb2gray(I);
[r,c]=find(II&180);
for i=1:size(r)
& & II(r(i),c(i))=0;
I_r(~II) = 0;
I_g(~II) = 0;
I_b(~II) = 0;
I_1 = cat(3, I_r, I_g, I_b);%在彩图去对原图进行选择
figure,imshow(I_1);
I_r1=I_1(:,:,1);
I_g1=I_1(:,:,2);
I_b1=I_1(:,:,3);
%figure,imshow(I1);
I2 = imopen(I1, strel('diamond',3));
%figure,imshow(I2);
I2 = medfilt2(I2, [3 3]);
%figure,imshow(I2);
I2 = imclearborder(I2);
%figure,imshow(I2);
I2 = im2bw(I2, graythresh(I2));
%figure,imshow(I2);
I2 = imclose(I2, strel('disk',3));
%figure,imshow(I2);
I_r1(~I2) = 0;
I_g1(~I2) = 0;
I_b1(~I2) = 0;
I_1 = cat(3, I_r1, I_g1, I_b1)
figure,imshow(I_1);
修改以后的程序
Powered by