高斯白噪声滤波.docVIP

西安电子科技大学课程论文 数字图像处理 高斯白噪声滤波 班级：070821 作者：董文凯 学号 时间：2011-06-30 高斯白噪声滤波 实验要求 对实际Lena图像分别加入噪声标准差=15，20，25的高斯白噪声，用理想低通滤波器、高斯低通滤波器、算术均值滤波器和中值滤波器对实际Lena图像进行去噪，比较其去噪效果。 实验内容 1.对Lena图像加高斯白噪声 1.1原始图例： 采用经典Lena图像作为实验样例进行本实验的操作，原始Lena图像见图1. 图1 原始Lena图 1.2加噪结果： 图2 的噪声图 图3 的噪声图 图4 的噪声图 结论：经过对以上三图的分析知越大图像越不清晰。 1.3源程序： X=imread(Lena.jpg); J1=imnoise(X,gaussian,0,0.15^2); imshow(J1)； J2=imnoise(X,gaussian,0,0.20^2); imshow(J2)； J2=imnoise(X,gaussian,0,0.25^2); imshow(J2) 2.1.1滤波原理 理想低通滤波器：其传递函数为： 理想低通滤波器的冲激响应为： 2.1.2滤波结果 图5 不同值下对图2的滤波结果 图6 不同值下对图3的滤波结果 图7 不同值下对图4的滤波结果 2.1.3源代码 X=imread(Lena(25).jpg);%读取图像 I=rgb2gray(X);%将图像变为灰度图 figure;%创建图形图像对象 imshow(I);%显示灰度图像 title(原始图像);%加标题 %将灰度图像的二维不连续Fourier变换的零频率成分引导频谱的中心 s=fftshift(fft2(I)); figure;%创建图形图像对象 imshow(log(abs(s)),[]);%显示对s的绝对值取对数后的图像 title(傅里叶频谱图);%加标题 [M,N]=size(s);%分别返回s的行数到M中，列数到N中 n1=floor(M/2);%对M/2进行取整 n2=floor(N/2);%对N/2进行取整 %ILPF滤波，d0=5,15,30 d0=XX;%初始化d0 for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2);%点(i,j)到傅里叶变换中心的距离 if d=d0 %点(i,j)在通带内的情况 h=1;%通带变换函数 else %点(i,j)在阻带内的情况 h=0;%阻带变换函数 end s(i,j)=h*s(i,j);%ILPF滤波后的频域表示 end end s=ifftshift(s);%对s进行反FFI移动 %对进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数 s=uint8(real(ifft2(s))); figure; imshow(s);%显示ILPF滤波后的图像 title(ILPF滤波（d=XX）); 2.2 2.2.1滤波原理 由于高斯函数的傅里叶变换仍是高斯函数，因此高斯函数能够成为在时域和频域都具有平滑性能的低通滤波器。 2.2.2滤波结果 图8 均值为1，方差依次为0.01,0.02,0.03,0.04,0.05,0.06的高斯低通滤波 对图2滤波的结果 图9 均值为1，方差依次为0.01,0.02,0.03,0.04,0.05,0.06的高斯低通滤波 对图3滤波的结果 图10 均值为1，方差依次为0.01,0.02,0.03,0.04,0.05,0.06的高斯低通滤波 对图4滤波的结果 2.2.3源代码 function d=gaussfilt(k,n,s) %s是需要滤波的图像，n是均值，k是方差 Img=double(s); n1=floor((n+1)/2);%计算图像中心 b=zeros(n,n); for i=1:n for j=1:n b(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*k))/(4*pi*k); end end %生成高斯序列 Img1=conv2(Img,b,same);%用生成的高斯序列卷积运算，进行高斯滤波 d=uint8(Img1)