第04章图像增强2.pptVIP

图像噪声的概念 所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。 常见的有椒盐噪声和高斯噪声。 椒盐噪声的特征: 出现位置是随机的，但噪声的幅值是基本相同的。 高斯噪声的特征： 出现在位置是一定的（每一点上），但噪声的幅值 是随机的。 椒盐噪声示例 高斯噪声示例 图像噪声的抑制方法 设计噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。 均值滤波器 中值滤波器 边界保持类滤波器 均值滤波器 —— 原理 在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。 均值滤波器滤椒盐噪声的效果 均值滤波器滤高斯噪声的效果 均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。 为了改善效果，就可采用加权平均的方式来构造滤波器。 加权均值滤波器的效果(H1) 加权均值滤波器的效果（H2） 加权均值滤波器的效果(H3) 加权均值滤波器的效果(H4) 中值滤波器 —— 设计思想 因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。 如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。 取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。 中值滤波器 —— 原理示例 中值滤波器 —— 处理示例 例：模板是一个1?5大小的一维模板。 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 中值滤波器 —— 滤波处理方法 与均值滤波类似，做3*3的模板，对9个数排序，取第5个数替代原来的像素值。 中值滤波器 —— 例题 中值滤波器的效果（椒盐噪声） 中值滤波器的效果（高斯噪声） 中值滤波与均值滤波效果比较 （椒盐噪声） 中值滤波与均值滤波效果比较（高斯噪声） 中值滤波器与均值滤波器的比较 原因： 椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。 中值滤波是选择适当的点来替代污染点的值，所以处理效果好。 因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。 例：用滤波器祛除图象噪声（分别用均值滤波,中值滤波,及维纳滤波 器祛除加入高斯噪声的图象） I=imread(miss.bmp); J=imnoise(I,gaussian,0,0.02); %加入高斯噪声 %——均值滤波—— h=fspecial(average,3); %fspecial函数用于产生预定义滤波器 I2=uint8(round(filter2(h,I))); %——中值滤波 —— I3=medfilt2(J,[3,3]); %medfilt2函数用于图像的中值滤波 %——维纳滤波 —— I4=wiener2(J,[3,3]); %进行一次维纳滤波 I5=wiener2(I4,[3,3]); %进行二次维纳滤波 subplot(2,3,1), imshow(I), title(原图象) subplot(2,3,2), imshow(J), title(加噪声图象) subplot(2,3,3), imshow(I2), title(均值滤波后图象) subplot(2,3,4), imshow(I3),t itle(中值滤波后图象) subplot(2,3,5), imshow(I4), title(维纳滤波后图象) subplot(2,3,6), imshow(I5),t itle(两次维纳滤波后图象) KNN均值滤波器的效果 KNN中值滤波器的效果 KNN均值滤波器的效果（椒盐噪声） KNN均值滤波器的效果（高斯噪声） %频域滤波_巴特沃斯低通滤波? clear ;clc; I0 = imread(fig2-3.bmp); figure(1);imshow(I0);title(原图); J0 = fft2(I0);? ? %FFT J0 = fftshift(J0);? %FFT移动 [m,n]=size(I0); dd=zeros(m,n); for a=1:m ? for b=1:n ? dd(a,b)=sqrt((a-m/2)^2+(b-n/2)^2); ? end end HUV=zeros(m,n); d0=input(请输入半径：); HUV=1./