实习7添加噪声平滑降噪.docVIP

实习7：添加噪声与平滑降噪 1．添加噪声 要求：为了便于观察平滑降噪的效果，先使用噪声函数给图像p5.jpg添加噪声。 提示：噪声发生函数imnoise( ) 的语法： J=imnoise(I,type,para) 将矩阵I添加噪声后赋值给J。 type用于指定噪声类型，para指定相应的参数，噪声类型不同，参数个数和含义不同。type可取的值和相应的参数为： gaussian：高斯噪声，有两个参数：M代表均值，默认值为0；V代表方差，默认值为0.01； localvar：均值为0、方差为V的高斯白噪声； poisson：泊松噪声，无参数； saltpepper：椒盐噪声，参数D为噪声强度，默认值为0.04； speckle：均值为0、方差为V的均匀分布随机噪声，参数V的默认值为0.04；使用的随机公式为：J=I+n*I 参考输出结果： 2．平滑降噪 平滑降噪可采用定制的模板做滤波运算（就是卷积运算）来获得中心像素的新值，也可以对指定大小的邻域进行某些运算作为中心像素的新值。常用的降噪算法有： 线性平滑滤波/均值滤波 以取邻域均值（算术平均值）为特征。 一些常用的加权平均滤波器： 在预制了滤波器后，可以用conv2( )对图像做卷积（滤波）。语法： F=conv2(J,H) %使用模板H对矩阵J求卷积后，赋值给F 本例建议采用H1滤波。 预制滤波模板的语句为：H1=[1,1,1;1,2,1;1,1,1]/10 非线性平滑滤波/中值滤波 以取邻域中值（像素值排序后取居中者）为特征。中值滤波对极限像素值（与邻域像素亮度相差较大的像素）不像均值滤波那么敏感，所以，中值滤波产生的模糊较少，更适合于消除图像内的孤立噪声点。 中值滤波函数medfilt2( )的语法： J= medfilt2(I,[m,n]) %对矩阵I求做中值滤波后，赋值给J m,n指定窗口大小，默认值[3,3]，通常窗口越大平滑效果越好，但图像越模糊。 （3）自适应滤波（维纳滤波） 根据中心像素及其邻域像素亮度值的某些统计特性，来决定中心像素的取值。 MATLAB提供了wiener2( )函数来估计每个像素的局部均值与方差，以实现图像噪声的自适应滤除。 wiener2( )函数的语法： J=wiener2(I,[m,n]) %将含噪图像I经维纳滤波后返回给J J=wiener2(I,[m,n],noise) %事先指定噪声功率noise [J,noise]=wiener2(I,[m,n]) %在维纳滤波同时，返回噪声功率noise的估计值 [m,n]指定窗口大小，默认值3*3。 注意：中值滤波和自适应滤波不需要定制滤波模板。 为了获得反差较大的显示结果，建议在imshow( )中使用[ ]参数显示结果。 要求：对原图像加均值为0方差为0.005的高斯噪声， 然后采用加权均值模板滤波和中值滤波，并试验多种自适应滤波（维纳滤波），包括：自动噪声功率（观察系统返回的自动噪声功率估计值）、将噪声功率设定为指定值，和将模板设定为5*5。 参考输出结果：