[维纳、卡尔曼滤波简介及MATLAB实现.docxVIP

维纳滤波从噪声中提取信号波形的各种估计方法中，维纳（Wiener）滤波是一种最基本的方法，适用于需要从噪声中分离出的有用信号是整个信号（波形），而不只是它的几个参量。设维纳滤波器的输入为含噪声的随机信号。期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差。因此均方误差越小，噪声滤除效果就越好。为使均方误差最小，关键在于求冲激响应。如果能够满足维纳－霍夫方程，就可使维纳滤波器达到最佳。维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的情况，对于向量情况应用也不方便。因此，维纳滤波在实际问题中应用不多。下面是根据维纳滤波器给出的图像处理matlab实例，在下面实例中维纳滤波和均值滤波相比较，并且做了维纳复原、边缘提取、图像增强的实验：%****************维纳滤波和均值滤波的比较*********************I=imread(lena.bmp);J=imnoise(I,gaussian,0,0.01);Mywiener2 = wiener2(J,[3 3]);Mean_temp = ones(3,3)/9;Mymean = imfilter(J,Mean_temp); figure(1);subplot(121),imshow(Mywiener2),title(维纳滤波器输出);subplot(122),imshow(uint8(Mymean),[]),title(均值滤波器的输出);%***********************维纳复原程序********************figure(2);subplot(231),imshow(I),title(原始图像);LEN = 20;THETA =10;PSF = fspecial(motion,LEN,THETA); Blurred = imfilter(I,PSF,circular);subplot(232),imshow(Blurred),title(生成的运动的模糊的图像);noise = 0.1*randn(size(I));subplot(233),imshow(im2uint8(noise)),title(随机噪声);BlurredNoisy=imadd(Blurred,im2uint8(noise));subplot(234),imshow(BlurredNoisy),title(添加了噪声的模糊图像);Move=deconvwnr(Blurred,PSF);subplot(235),imshow(Move),title(还原运动模糊的图像);nsr = sum(noise(:).^2)/sum(im2double(I(:)).^2);wnr2 = deconvwnr(BlurredNoisy,PSF,nsr);subplot(236),imshow(wnr2),title(还原添加了噪声的图像);%****************维纳滤波应用于边缘提取*********************N = wiener2(I,[3,3]);%选用不同的维纳窗在此修改M = I - N;My_Wedge = im2bw (M,5/256);%化二值图像BW1 = edge(I,prewitt);BW2 = edge(I,canny);BW3 = edge(I,zerocross);BW4 = edge(I,roberts); figure(3)subplot(2,4,[3 4 7 8]),imshow(My_Wedge),title(应用维纳滤波进行边沿提取);subplot(241),imshow(BW1),title(prewitt);subplot(242),imshow(BW2),title(canny);subplot(245),imshow(BW3),title(zerocross);subplot(246),imshow(BW4),title(roberts);%*************************维纳滤波应用于图像增强***************************fori = [1 2 3 4 5] K = wiener2(I,[5,5]);end K = K + I;figure(4);subplot(121),imshow(I),title(原始图像);subplot(122),imshow(K),title(增强后的图像);卡尔曼滤波卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列预测出物体的坐标