2. 程式人生 > >數字影象處理，經典濾波演算法去噪對比實驗（Matlab實現）

數字影象處理，經典濾波演算法去噪對比實驗（Matlab實現）

阿新 • • 發佈：2019-01-02

一，經典濾波演算法的基本原理

1，中值濾波和均值濾波的基本原理

參考以前轉載的部落格：http://blog.csdn.net/ebowtang/article/details/38960271

2，高斯平滑濾波基本原理

參考以前轉載的部落格：http://blog.csdn.net/ebowtang/article/details/38389747

二，噪聲測試效果

1，不同噪聲效果

三幅圖各噪聲濃度分別是0.01 0.03,0.05（比如第一副圖均是加入0.01的噪聲濃度）


2，實驗程式碼

<span style="font-size:12px;">%讀入原始影象並顯示
image_original=imread('dog.bmp');
figure(1)
subplot(2,4,1);
imshow(image_original);
title('原輸入影象');
axis square;

%生成含高斯噪聲影象並顯示
pp=0.05;
image_gaosi_noise=imnoise(image_original,'gaussian',0,pp);
subplot(2,4,2);
imshow(image_gaosi_noise);
title('新增高斯噪聲後圖像');
axis square;

%生成含椒鹽噪聲影象並顯示
d=0.05;
image_saltpepper_noise=imnoise(image_original,'salt & pepper',d);
subplot(2,4,3);
imshow(image_saltpepper_noise);
title('新增椒鹽噪聲後圖像');
axis square;

%生成含乘性噪聲影象並顯示
var=0.05;
image_speckle_noise=imnoise(image_original,'speckle',var);
subplot(2,4,4);
imshow(image_speckle_noise);
title('新增乘性噪聲後圖像');
axis square;

%原影象直方圖
r=0:255;  
bb=image_original(:); 
pg=hist(bb,r);  
pgr1=pg/length(bb);  
subplot(245);bar(pgr1);title('源輸入影象的直方圖');

r=0:255;  
bl=image_gaosi_noise(:); 
pg=hist(bl,r);  
pgr2=pg/length(bl);  
subplot(246);bar(pgr2);title('高斯噪聲汙染後的直方圖');

r=0:255;  
bh=image_saltpepper_noise(:); 
pu=hist(bh,r);  
pgr3=pu/length(bh);  
subplot(247);bar(pgr3);title('椒鹽噪聲汙染後的直方圖');

r=0:255;  
ba=image_speckle_noise(:); 
pa=hist(ba,r);  
pgr4=pa/length(ba);  
subplot(248);bar(pgr4);title('乘性噪聲汙染後直方圖');</span>

三，椒鹽噪聲去除能力對比

1，三大去噪效果

三幅圖椒鹽噪聲濃度分別是0.01 0.03,0.05（比如第一副圖均是加入0.01的椒鹽噪聲去噪對比）


2，實現程式碼

<span style="font-size:12px;"></span><pre name="code" class="cpp">%讀入原始影象並顯示
image_original=imread('dog.bmp');
figure(1)
subplot(2,4,1);
imshow(image_original);
title('原輸入影象');
axis square;

%生成含高斯噪聲影象並顯示
%pp=0.05;
%image_gaosi_noise=imnoise(image_original,'gaussian',0,pp);

%生成含椒鹽噪聲影象並顯示
dd=0.05;
image_saltpepper_noise=imnoise(image_original,'salt & pepper',dd);

%生成含乘性噪聲影象並顯示
%var=0.05;
%image_speckle_noise=imnoise(image_original,'speckle',var);


image_saltpepper_noise_after1=medfilt2(image_saltpepper_noise,[3,3]);
subplot(2,4,2);
imshow(image_saltpepper_noise_after1);title('中值濾波去椒鹽噪聲效果圖');
axis square;

h_gaosi1=fspecial('gaussian',3,1);
image_saltpepper_noise_after2=imfilter(image_saltpepper_noise,h_gaosi1);
subplot(2,4,3);
imshow(image_saltpepper_noise_after2);title('高斯平滑去椒鹽噪聲效果');
axis square;

image_saltpepper_noise_after3=wiener2(image_saltpepper_noise,[5 5]);
subplot(2,4,4);
imshow(image_saltpepper_noise_after3);title('維納濾波去椒鹽噪聲效果');
axis square;


%原影象直方圖
r=0:255;  
bb=image_original(:); 
pg=hist(bb,r);  
pgr1=pg/length(bb);  
subplot(245);bar(pgr1);title('源輸入影象的直方圖');

r=0:255;  
bl=image_saltpepper_noise_after1(:); 
pg=hist(bl,r);  
pgr2=pg/length(bl);  
subplot(246);bar(pgr2);title('中值濾波去椒鹽噪聲後的直方圖');

r=0:255;  
bh=image_saltpepper_noise_after2(:); 
pu=hist(bh,r);  
pgr3=pu/length(bh);  
subplot(247);bar(pgr3);title('高斯平滑去椒鹽噪聲後的直方圖');

r=0:255;  
ba=image_saltpepper_noise_after3(:); 
pa=hist(ba,r);  
pgr4=pa/length(ba);  
subplot(248);bar(pgr4);title('維納濾波去除椒鹽噪聲後的直方圖');

四，高斯噪聲去除能力對比

1，去噪效果對比

2，實驗程式碼

<span style="font-size:12px;"></span><pre name="code" class="cpp">%讀入原始影象並顯示
image_original=imread('dog.bmp');
figure(1)
subplot(2,4,1);
imshow(image_original);
title('原輸入影象');
axis square;

%生成含高斯噪聲影象並顯示
pp=0.05;
image_gaosi_noise=imnoise(image_original,'gaussian',0,pp);

%生成含椒鹽噪聲影象並顯示
%dd=0.01;
%image_saltpepper_noise=imnoise(image_original,'salt & pepper',dd);

%生成含乘性噪聲影象並顯示
%var=0.05;
%image_speckle_noise=imnoise(image_original,'speckle',var);


image_gaosi_noise_after1=medfilt2(image_gaosi_noise,[3,3]);
subplot(2,4,2);
imshow(image_gaosi_noise_after1);title('中值濾波去高斯噪聲效果圖');
axis square;

h_gaosi1=fspecial('gaussian',3,1);
image_gaosi_noise_after2=imfilter(image_gaosi_noise,h_gaosi1);
subplot(2,4,3);
imshow(image_gaosi_noise_after2);title('高斯平滑去高斯噪聲效果');
axis square;

image_gaosi_noise_after3=wiener2(image_gaosi_noise,[5 5]);
subplot(2,4,4);
imshow(image_gaosi_noise_after3);title('維納濾波去高斯噪聲效果');
axis square;


%原影象直方圖
r=0:255;  
bb=image_original(:); 
pg=hist(bb,r);  
pgr1=pg/length(bb);  
subplot(245);bar(pgr1);title('源輸入影象的直方圖');

r=0:255;  
bl=image_gaosi_noise_after1(:); 
pg=hist(bl,r);  
pgr2=pg/length(bl);  
subplot(246);bar(pgr2);title('中值濾波去高斯噪聲後的直方圖');

r=0:255;  
bh=image_gaosi_noise_after2(:); 
pu=hist(bh,r);  
pgr3=pu/length(bh);  
subplot(247);bar(pgr3);title('高斯平滑去高斯噪聲後的直方圖');

r=0:255;  
ba=image_gaosi_noise_after3(:); 
pa=hist(ba,r);  
pgr4=pa/length(ba);  
subplot(248);bar(pgr4);title('維納濾波去除高斯噪聲後的直方圖');

五，乘性噪聲去除能力對比

1，去噪效果對比

2，實驗程式碼

<span style="font-size:12px;">%讀入原始影象並顯示
image_original=imread('dog.bmp');
figure(1)
subplot(2,4,1);
imshow(image_original);
title('原輸入影象');
axis square;

%生成含高斯噪聲影象並顯示
%pp=0.01;
%image_gaosi_noise=imnoise(image_original,'gaussian',0,pp);

%生成含椒鹽噪聲影象並顯示
%dd=0.01;
%image_saltpepper_noise=imnoise(image_original,'salt & pepper',dd);

%生成含乘性噪聲影象並顯示
var=0.01;
image_speckle_noise=imnoise(image_original,'speckle',var);


image_speckle_noise_after1=medfilt2(image_speckle_noise,[3,3]);
subplot(2,4,2);
imshow(image_speckle_noise_after1);title('中值濾波去乘性噪聲效果圖');
axis square;

h_gaosi1=fspecial('gaussian',3,1);
image_speckle_noise_after2=imfilter(image_speckle_noise,h_gaosi1);
subplot(2,4,3);
imshow(image_speckle_noise_after2);title('高斯平滑去乘性噪聲效果');
axis square;

image_speckle_noise_after3=wiener2(image_speckle_noise,[5 5]);
subplot(2,4,4);
imshow(image_speckle_noise_after3);title('維納濾波去乘性噪聲效果');
axis square;


%原影象直方圖
r=0:255;  
bb=image_original(:); 
pg=hist(bb,r);  
pgr1=pg/length(bb);  
subplot(245);bar(pgr1);title('源輸入影象的直方圖');

r=0:255;  
bl=image_speckle_noise_after1(:); 
pg=hist(bl,r);  
pgr2=pg/length(bl);  
subplot(246);bar(pgr2);title('中值濾波去乘性噪聲後的直方圖');

r=0:255;  
bh=image_speckle_noise_after2(:); 
pu=hist(bh,r);  
pgr3=pu/length(bh);  
subplot(247);bar(pgr3);title('高斯平滑去乘性噪聲後的直方圖');

r=0:255;  
ba=image_speckle_noise_after3(:); 
pa=hist(ba,r);  
pgr4=pa/length(ba);  
subplot(248);bar(pgr4);title('維納濾波去除乘性噪聲後的直方圖');</span>

六，PNSR客觀對比

（PNSR客觀對比越高越好）

本對比也囊括了其他常見去噪方式的對比


參考資源

【1】《百度百科》

【2】《維基百科》

【3】岡薩雷斯《數字影象處理》

【4】http://blog.csdn.net/ebowtang/article/details/38960271

相關推薦

數字影象處理，經典濾波演算法去噪對比實驗（Matlab實現）

一，經典濾波演算法的基本原理 1，中值濾波和均值濾波的基本原理 參考以前轉載的部落格：http://blog.csdn.net/ebowtang/article/details/38960271

數字影象處理，經典對比度增強演算法

clc; close all; clear all; % -------------Gamma Transformations----------------- %f = imread('Fig0316(4)(bottom_left).tif'); f = imread('seed.tif

數字影象處理，相位相關演算法解決影象的剛性平移問題

#include <stdio.h> #include <iostream> #include "fftw3.h" #include "vector" #include <opencv2/legacy/legacy.hpp> #include <opencv2/no

【數字影象處理】pbm/pgm/ppm圖片的讀寫（Matlab）

Ø  【作業要求】 1. Get your matlab platform ready. Payspecial attention to the image processing toolbox.

K-means聚類演算法的典型簡單應用（Matlab實現）

%matlab code % K-means Cluster %load data.dat %x,y的範圍為0~50，x_data是一個1行100列的行矩陣 x_data = 50*rand(1,100); y_data = 50*rand(1,100); % x_da

【數字影象處理】線性濾波、最大值濾波，最小值濾波、中值濾波、高頻補償濾波（vs2017+openCV）

一、實驗原理 1、線性濾波 ① 不管是低通線性濾波還是高通線性濾波原理都是一樣的，用圖一所示的濾波器模板進行加權處理，將最終得到的R值賦給w5對應的畫素。 ②低通線性濾波和高通線性濾波不同之處就在於： 低通線性濾波w1+w2+…+w9 = 1,且w1~w9全

數字影象處理，一維訊號小波閾值去噪的C++實現

本文程式碼的實現嚴重依賴前面的一篇文章： 一，小波閾值去噪基本理論       本博文根據小波的分解與重構原理，實現了基於硬閾值和軟閾值函式的一維小波閾值去噪的C++版本，最終結果與matlab庫

數字影象處理，基於小波變換的影象對比度增強演算法

      小波變換下的影象對比度增強技術實質上是通過小波變換把影象訊號分解成不同子帶，針對不同子帶應用不同的演算法來增強不同頻率範圍內的影象分量，突出不同尺度下的近似和細節，從而達到增強影象層次感的

[數字影象處理]頻域濾波(2)--高通濾波器，帶阻濾波器與陷波濾波器

close all; clear all; clc; %% ---------------------Add Noise------------------------- f = imread('left.tif'); f = mat2gray(f,[0 255]); [M,N] = size(f); P

數字影象處理，自適應中值濾波的C++實現

自適應中值濾波的原理      自適應中值濾波的思想是根據噪聲密度改變濾波視窗的大小，同時對噪聲點和訊號點採取不同的處理方法。對噪聲點進行中值濾波，對訊號點保持其灰度值不變。        設為fij

數字影象處理——中值濾波

原理：模板中心對準待處理畫素，對模板下的對應畫素進行灰度值排序，將中值賦給當前畫素 Matlab程式碼： clear,clc; car = imread('sport car.pgm'); noise_car = imnoise(car,'salt & pepper',0.02);

數字影象處理 維納濾波

function [f,noise] = mywiener2(g, nhood, noise) if (nargin<3) noise = []; end % Estimate the local mean of f. localMean = fil

數字影象處理，讀懂頻域處理的“傅立葉變換”

轉載自：https://blog.csdn.net/ebowtang/article/details/39004979 以下部分文字資料整合於網路，本文僅供自己學習用！ 這是一幅很絕的一維傅立葉變換動態圖 一，讀懂傅立葉變換 一個訊號能表示成傅立葉級數

經典數字影象處理（matlab 實現）

Multi-Scale EPLL Linearized Kernel Dictionary Learning Trainlets: Dictionary Learning in High Dim

剛學數字影象處理，請指教

以學習數字影象處理第三版為主 第一章 數字處理的影象來源：伽馬射線（pet），x射線（ct），紫外波段（熒光顯微），可見光和紅外線，微波波段（雷達），聲波（超聲波探測胎兒）。 ct和pet等透射型的，看https://www.zhihu.com/question/24978900 兩步&nb

數字影象處理-頻率域濾波原理

寫在前面的話 作者是一名在讀的碩士研究僧，方向是影象處理。由於影象處理是一門相對複雜的學科，作者在課堂上學到的東西只是非常淺顯的內容，我們老師說是，領我們進了個門。現在打算利用圖書館和網路上的資源進行自學。由於是剛開始寫自己的部落格，並且所具備的專業知識非常的

數字影象處理，初識壓縮感知Compressive Sensing

話說一天，當時是加州理工學院教授（現在去了斯坦福）的Emmanuel Candès在研究名叫Shepp-Logan Phantom的影象，這種標準影象常被電腦科學家和工程師測試影象演算法。Candès檢查的影象質量非常差，充滿了噪聲，他認為名叫L1-minimization的數學演算法能去除掉噪聲條紋，結果演

《數字影象處理》岡薩雷斯版 讀書筆記（一）

      博主之前保研差一名，去考了個研，許久不更。本次考研準備三個月，三跨（跨學校跨地區跨專業），自學了一波數字影象處理，考完自知不妙，修身養性一個月（實習+打遊戲）。現在百無聊賴，正好來分享一下我考研專業課的學習筆記。     &nbs

影象處理（四）——快速均值濾波（MATLAB實現）

均值濾波是典型的線性濾波演算法，它是指在影象上對目標畫素給一個模板，該模板包括了其周圍的臨近畫素（以目標畫素為中心的周圍8個畫素，構成一個濾波模板，即去掉目標畫素本身），再用模板中的全體畫素的平均值來代替原來畫素值。 快速均值濾波要求： 在這裡就要先解釋一下積分圖

數字影象處理筆記——二維離散傅立葉變換（2D Discrete Fourier Transform）

二維傅立葉變換 我們先來看看一維情況的傅立葉變換。在訊號系統中講過連續時間的傅立葉變換和離散時間的傅立葉變換，連續時間傅立葉變換在頻譜上時非週期的，離散時間傅立葉變換（DTFT）在頻譜上是週期的。在DSP中講了離散傅立葉變換，它的思想是將時域週期化，反映在頻域上就是對連續的週期頻譜進行抽樣