数字图像处理_期末作业_降噪解答.doc

一、实验目的： 1、掌握图像采样中降采样的matlab实现； 2、掌握对图像添加噪声的方法以及用滤波器对图像去噪的matlab实现； 3、掌握图像变换编码的matlab实现并用直方图评估编码。 二、实验环境： Matlab 7 三、实验内容： 1、对图像的降采样 降采样函数：t=g(1:8:size_a(1),1:8:size_a(2)); 结果： 通过观察原图与降采样后图像的对比，可以发现通过降低采样像素的个数降低了图像的分辨率，导致图像出现了棋盘格。对于不同的采样比例，分辨率降低的幅度也不同。Type为噪声类型，可以为gaussian、localvar、passion、salt pepper、speckle 给图片添加高斯噪声： 3、滤波 滤波函数： H=fspecial(type); H=fspecial(type,parameters); Type为滤波器类型，可以为 average、disk、gaussian、laplacian等。 用邻域平均法去噪： 对于不同的模板，平滑滤波的去噪效果不同，模板越大，效果越好，但是对图像本身的模糊影响也越大。 中值滤波不像平滑滤波那样使图像边界模糊，他在衰减噪声的同时，保持了图像细节的清晰。 4、对图像变换编码 用DCT对图像进行变换编码： 计算二维DCT矩阵函数：T=dctmtx(n); 结果： 均方根误差erms =0.0625 通过对比原图与压缩后的图像可以发现，DCT变换方法对重建图像品质在视觉上影响很小。但是对于系数的丢弃还是导致了图像细节的丢失。 通过对比原图的直方图与预测误差直方图，图片的熵有一定的减少，与图片的细节损失有直接性关联。 四、总结： 附： 以上实验所用代码： 降采样： I=imread(sunflower.jpg); I=rgb2gray(I); % 生成高斯滤波器的核 w=fspecial(gaussian,3,0.5); size_a=size(I); % 进行高斯滤波 g=imfilter(I,w,conv,symmetric,same); % 降采样 t=g(1:8:size_a(1),1:8:size_a(2)); % 显示处理结果 figure; imshow(I);axis on;gtext(原图); figure; imshow(t);axis on;gtext(降采样后图像); 加噪去噪： %给图像添加高斯噪声 I=imread(sunflower.jpg); I=rgb2gray(I); II=imnoise(I,gaussian,0,0.01); figure; imshow(I);axis on;gtext(原图); figure; imshow(II);axis on;gtext(添加高斯噪声图像) %邻欲平均法去噪 k1=filter2(fspecial(average,3),II); k2=filter2(fspecial(average,7),II); figure; subplot(121),imshow(uint8(k1));axis on;gtext(3x3模板平滑滤波); subplot(122),imshow(uint8(k2));axis on;gtext(7x7模板平滑滤波); %中值滤波去噪 k3=medfilt2(II); k4=medfilt2(II,[5 5]); figure; subplot(121),imshow(uint8(k3));axis on;gtext(3x3模板中值滤波); subplot(122),imshow(uint8(k4));axis on;gtext(5x5模板中值滤波); DCT变换编码： initialimage=imread(sunflower.jpg); initialimage=rgb2gray(initialimage); initialimage=double(initialimage)/255; figure(1); imshow(initialimage);axis on;title(原图); %对图像进行DCT t=dctmtx(8); dctcoe=blkproc(initialimage,[8 8],P1*x*P2,t,t); coevar=im2col(dctcoe,[8 8],distinct); coe=coevar; [y,ind]=sort(coevar); [m,n]=size(coevar); %舍去不重要的系数 snum=64-64*cr; for i=1:n coe(ind(1:snum),i)=0; end b2=col2im