图像的滤波方法比较与仿真设计

摘 要摘 要图像滤波在现代社会中是一种十分重要的技术手段，在电视、报纸、航空、航天、电影等等大众生活领域和高科技研发领域均有极其广泛的应用。图像在传输和储存过程中不可能是将信息完美无缺的传输和储存的，在整个过程中肯定会受到外界各种噪声信息的干扰和内在内容的降质。例如，在老的黑白电影中经常见到各种划痕和斑点，而且随着时间的推移会愈加严重。因此，对于这种严重影响图像质量、破坏图像信息的问题就要有一个相应的解决手段，经过长时间的研究，人们开发出了降噪滤波器，对已被一定程度损坏的图像进行还原和修复。在对影响图像的噪声进行分析后发现，其噪声主要分为椒盐噪声和高斯噪声。而对应这两种噪声开发出来了两大类不同的滤波方法：空间域滤波和频率域滤波。其中均值滤波法是空间域滤波方法的代表，而高斯滤波是频率域滤波方法的代表。在实际应用当中，这两种方法针对不同的噪声有着不同的滤波效果，但总的来说是十分有效的。另外，这两种滤波的算法简单清晰，编程也并不复杂，且应用广泛，故本文主要研究这两种方法。关键词：滤波，均值，高斯IAbstractAbstractImage filtering in modern society is a kind of very important technical means in modern society.It has an extremely wide range of applications in the field of public life and high-tech research and development of television,newspapers,aviation and aerospace,film,etc.Image in transmisson and storage process is probably not the information will be perfect transmisson and storage.In the whole process will certainly get the outside noise interference of information and the inherent quality of the contents of the drop.For example,in the old black-and-white films often see all kinds of scratch and spots,and with the passage of time will become increasingly serious.Therefore,this seriously affected the image quality,and undermine the image information there should be an appropriate means of settlement.After a long time of study,people developed noise filter.To restore and repair the image has been damaged to a certain extent.Analyze the impact of image noise,the noise is mainly divided into salt and pepper noise and Gaussian noise.And the corresponding the two noise developed two kinds of different filter method:space domain filtering and frequency domain filtering.Which mean filtering method is representative of the space domain filtering methods.And Gaussian filtering is representative of the frequency domain.In practical applications,these two kinds of methods for different noise have different filtering effect,but in general they are both effective.In addition,the two filtering algorithm is simple and clear,the programming is not complicated,and widely used,so the paper studies these two methods.Key words:filtering,mean,gaussian-36-目录目录摘 要IAbstractII目录III第一章 绪论11.1图像噪声11.2数字图像处理概述21.3数字图像去噪效果的判定31.3.1主观评价法31.3.2客观评价法4第二章 滤波的基本知识62.1几种滤波方式的介绍62.2均值滤波72.2.1均值滤波的原理72.2.2均值滤波的实现算法72.2.3均值滤波的应用72.2.4均值滤波器82.3高斯滤波92.3.1高斯滤波器的原理92.3.2高斯函数的性质92.3.3高斯滤波器的设计112.4中值滤波112.4.1中值滤波简介112.4.2标准形式的中值滤波原理112.4.3加权中值滤波12第三章 图像滤波程序143.1matlab程序介绍143.2用系统预定义滤波器进行滤波153.2.1matlab均值滤波去除椒盐噪声的测试153.2.2matlab均值滤波去除高斯噪声的测试233.2.3matlab高斯滤波去除椒盐噪声的测试263.3自编图像滤波程序313.4调用自编图像滤波程序进行滤波32结束语33致谢35参考文献36第一章 绪论第一章 绪论现代研究表明：对于外界信息的获得，80%以上靠人的双眼捕获的。而视觉神经信号传递到大脑中的视觉中枢时就产生的图像的概念。在计算机技术发明之前，图像仅仅存在于人的视觉印象和单纯的图画当中，并没有量化的概念。而当照相机、摄影机和随之而来的计算机技术革命的飞速发展，图像由单纯的色彩转变为可以由二进制代码表示的纯技术领域的范畴，而计算机强大的处理能力也为图像处理技术飞速发展提供的前提。时至今日，数字电影、3D电影、PS等技术早已进入千家万户，和人们的生活紧紧的联系在一起，而这一切都离不开数字图像处理技术的蓬勃发展。本文就会带你一起领略数字图像处理发展的关键期也是一项极其重要的应用：图像的滤波和仿真。1.1图像噪声数字图像是经过照相机、摄影机或者扫描仪等仪器提取一种数字代码，在经过处理器的处理后表现为人眼可以接受的图像。而老式胶片获得的图像是由于光感在介质上产生的化学反应而得到的图像，如需要处理胶片图像，就需要将模糊图像转换为数字图像进行处理。但无论是模糊图像还是数字图像，在获取、传输、储存的过程中均会受到外界噪声的干扰和内在数据的损坏影响，针对数字图像，这些噪声表现为一些极值，这些极值由于噪声来源的不同也有着不同的性质。但总体来说会叠加在原始图像的像素上，造成图像像素灰度值的变化，使图像信息受到破坏。主要的破坏效应有以下方面：（1）使得图像的观看效果下降。由于噪声改变了图像中某些像素的灰度值，所以图像在宏观上会显现出局部与周围背景反差比较大的色差，人眼在看到这种色差时会感到明显的不适。（2）在现代数字图像定义中，图像分为三个层次：低层（数据层），中层（信息层），高层（知识层）。这三个层次是逐次递进的。噪声改动了图像某些像素的灰度值，即改变了图像的数据层，导致了图像的信息层和知识层均受到影响，无法提取出全部的信息和知识。而且使得信息层和知识层之间的处理无法进行下去。除此之外，这种数据的破坏使得很多对于图像的技术处理无法正确有效的进行，如边缘检测。根据噪声的特点，研究人员对噪声进行了分类。这里介绍三种常见的噪声：椒盐噪声、脉冲噪声和高斯噪声。椒盐噪声的特点是：在图像中分布随机但幅值大体一致，视觉上观测很像随意撒上去的胡椒和盐，故称为椒盐噪声。脉冲噪声：分为正脉冲和负脉冲两种，分布随机。高斯噪声：全图随机分布，但是强度值服从高斯函数或者是正态分布。这三种噪声是目前图像噪声领域最常见的三种噪声，对它们的处理对于图像滤波技术而言意义重大。 1.2数字图像处理概述由于数字图像的处理技术是依附于现代计算机技术的，所以其发展轨迹也是紧随计算机技术的进步而前进的。1950年以后，电脑已经经过人们的努力得到了较大的改进，于是人们开始利用其强大的数学运算能力来应用于各个领域：其中就包括图像滤波技术。1960年以后，图像滤波称为了一门独立的学科。那时图像滤波技术仅仅用于提高图像的质量，使得人们在观看有噪声图像时不再那么不适。其中一项最为伟大的应用是美国航空航天局利用当时新兴的图像处理技术将徘徊者七号拍摄的大量照片进行还原、优化，并考虑了宇宙空间问题，地月位置，太阳月亮位置，宇宙射线对于图像的影响等等问题，将月球的全景图、地形图绘制了出来，并在其后接受到的数万副照片中进行了数字图像滤波技术和各种其他的复杂计算机处理技术，并获得极大的成功。这次历史性的突破不仅为数字图像处理技术开辟了广阔的空间，也为计算机技术在人类历史上的发展提供了巨大的动力。在其后的宇宙空间探测中，传输的图像均会受到宇宙射线的影响，而成熟完备的数字图像处理技术为解决这一问题提供了有力的技术支持。二十世纪七十年代初，英国工程师发明了应用X射线对于头部进行诊断的计算机处理装置，也就是CT。三年后，CT被开发成为可以对全身进行扫描和代建数字图像模型的高科技医疗设备，并于数年后被授予诺贝尔奖。这一医学上的应用再一次说明了图像滤波技术在社会各个领域的广泛应用，对于现代社会的发展起到了不可估量的推动作用。在1980年以后，数字图像处理技术进入了全新的发展阶段，其发展根基依然是现代计算机技术的发展进步，更加强大的计算能力、更加优化的兼容环境和为图像处理而开发的各种软件都对这种出现仅仅几十年的新技术提供了深厚的发展潜力。人工视觉和图像评判系统成为一类发展方向。图像评判是自图像处理技术出现之后的即随之出现的一种概念，其作用是评判各种图像处理技术对于图像的处理效果到底怎样的一种标准。原始的评判标准是简单依据人眼的观察，主观性较大，没有量化的、科学的评判标准。随后几十年里人们提出了多种评价标准，均有一定的效果，但因为人类对于自身的视觉系统了解的尚且不完全，所以无法确定一个大家都能接受的标准，这说明图像处理技术还是一定程度上依附于其他技术的发展而发展的。1.3数字图像去噪效果的判定 数字图像在经过滤波技术的处理后要经过人们的观测和算法的评估来检测这种滤波技术是否有效可靠。而这种对于去噪效果的判定也成为了数字图像滤波中十分重要的一个环节，因为它能有效的反映滤波效果，并能有根据对算法进行改进。从观测角度来看，主要从三个方面来考察滤波效果：1.对噪声的滤除情况2.对边缘的保持情况3.经过处理后的图像是否能保持平滑。从概念上来说，评价去噪效果的方法分为两大类：以主观评价为主体的方法和以客观评价为主体的方法。1.3.1主观评价法主观评价是图像滤波技术发明以来最为原始最为简洁的处理方法，从某种程度来说，也是十分有效的一种方法。主观评价法大体分为两种：一种是邀请一组人对原始图像和处理后的图像进行直观观察，并对图像处理效果做出评估和总结，最后一组人进行讨论，得出关于处理结果和此滤波算法特点的报告。这种评价方法完全由人眼得出，且每个人得出的结论不可能完全相同，但经过综合之后基本可以得到对图像的一致看法，比较贴近实际。但缺点也很明显：由于人的个体差异性和非定量性，无法对滤波效果的具体特性和量化指标作出判断，容易有偏差。另一种方法是根据专家制定的量化公式来对图像进行一定的计算，但其获取的数据依旧由人的主观感觉得出，且量化公式的参数大多由专家设定，仍然具有主观性。并不能非常准确给出合适的建议。在进行主观评价的时候要注意一点：图像一旦被噪声污染就无法完全的恢复原状态，因为在污染过程中图像中的信息有一定程度的丢失，而这些丢失的信息是无法找回的。所以在判定算法优劣的时候不能将还原度作为唯一的标准。1.3.2客观评价法由于主观评价方法有如上所述诸多问题，所以作为现代科学一部分的图像滤波技术的判定自然会有客观评价的方法。假设有一张灰度图像，大小为MN，单个像素表示为f（i,j),g(i,j)为去除图像噪声之前的图像像素，则用各个客观评价的方法分别表示为：（1）信号噪声比值测定法（SNR）公式： (1-1)（2）信号噪声比值该进量测定法（ISNR） (1-2)（3）均值方差测定法（MSE） （1-3）（4）峰值信号噪声比值测定法（PSNR） （1-4）这四种客观评价公式中，峰值信号噪声比值测定法（PSNR）是应用最为广泛，评价效果最好的一种。其比值越大，说明了去除噪声的作用越大。第二章 滤波的基本知识第二章 滤波的基本知识2.1几种滤波方式的介绍首先从滤波的运算特性来讲可以分为两种：线性滤波和非线性滤波。线性滤波：图像中某一像素的领域像素（可能包含此像素）经过线性运算后得到该位置像素的输出值。其最大特点就是运算是线性的，常见的方法如：高斯滤波法、均值滤波法。非线性滤波：图像中某一像素的领域像素（可能包含此像素）经过非线性运算后得到该位置像素的输出值。其最大特点就是运算是非线性的，常见的方法如：边缘保持滤波法、中值滤波法。然后从滤波的运算方法上可以分为：频率域滤波法和空间域滤波法。频率域滤波法：频率域滤波的处理比较麻烦，首先要将图像全部数据经过傅里叶变换到频率域，经过处理后再变换回空间域展现出来。空间域滤波法：图像中的像素数据直接经过空间变换的到，其处理依据是周围邻域像素的数据。频率域滤波法由于要涉及傅里叶变换和反变换，且全图像素的数据量并不小，所以对于计算机的运算能力有比较高的要求，处理速度也比较慢。故空间域滤波方法应用的相对广泛,如均值滤波法、加权均值滤波法、中值滤波法、加权中值滤波法等等。经过长时间的实践，人们总结出各种滤波方法都有其独特的优点和缺点。而均值滤波法和高斯滤波法在实际应用中很广泛，处理效果优良，可以处理大多数常见的噪声，更重要的是：算法易懂，编程简单，所以本文主要研究这两种滤波方法。2.2均值滤波2.2.1均值滤波的原理均值滤波是自图像滤波技术发明以来最为基础、最为简单的一种滤波算法。其特点是容易理解，算法简单，对硬件要求不高，而且可以根据需要变换加权值。下面我们来看均值滤波的原理：均值滤波就是取图像中的一个像素点，然后根据设定的不同大小的模板，将该像素点邻域的各个像素点和对应的不同的加权值相乘，然后相加，最后除以所有参与运算像素点的个数，得到的值再赋值给最初的像素点。如用公式表示，则为： 其中，f(x,y)为选取像素邻域的各个均值与相应加权值的乘积，m为参与运算像素的个数，u（x,y)为最后赋给该像素的值。2.2.2均值滤波的实现算法均值滤波采用了空间域中数值平均的方法，将每一点的像素灰度值改变为周围邻域像素灰度值的平均值（模板大小和模板中各个像素的加权值均可根据情况进行改变），这样用平均的方式来消除图像中的噪声。如果图像中噪声的含量并不十分高，那么出现在每个模板中的突变像素（即噪声信号）将会被周围正常像素的灰度值所平均化，从而实现图像的去噪，并使图像平滑。因为对于每一个像素都要用公式(2.1)进行均值计算，所以对于含有n个像素的图像，要进行n次乘法，加法，除法，所以均值计算占据了均值滤波的大部分时间。2.2.3均值滤波的应用实际应用中，由于均值滤波技术自身的特点，并不是所有的图像噪声都适用均值滤波。但由于均值滤波算法简单，人们还是根据噪声的特点开发了多种更为复杂，更为实用的均值滤波器。总体而言，均值滤波对于由于热量而产生的噪声有较好的滤除作用，此外，对于有周期性质的噪声来说，均值滤波也能有很好的功效。2.2.4均值滤波器均值滤波器是基本数学结构为均值滤波算法的具体化的滤波器，在设计上都有其独特之处，对于不同噪声的处理效果也截然不同，下面我们就来看一些常见的均值滤波器。 (1)算术均值滤波器这种滤波器是均值滤波器的基础。表示以（x,y)点为中点，模板大小为mn的模板。这种滤波器的作用就是计算在原始图像模板g(x,y)上实现均值算法。f(x,y)的值就是计算后赋值给原始像素的值。即 （2-1）算术均值滤波的特点在于使图像变得平滑，但同时会对图像信息造成二次破坏，使图像变得模糊。(2)几何均值滤波器 （2-2）几何均值滤波器运用了次幂的概念，经过实际试验得知，这种滤波器可以有效的平滑图像，其程度与算术均值滤波器相当，但在滤波过程中将会减小丢失的信息。(3)谐波均值滤波器 （2-3）此种滤波器对于高斯噪声有很好的处理效果，同时对椒盐噪声也有不俗的表现。(4)逆谐波均值滤波器 （2-4）此种滤波器实质上是上述三种滤波器的综合，其主要参数Q（滤波阶数）为负值的情况下，适合去除盐噪声；Q为正值的情况下，适合去除胡椒噪声。需要注意的是由于Q一次只能取一个值，故两种噪声不可能同时被消除。当Q值为零时，此滤波器等价于均值滤波器。Q=-1的情况下，此滤波器等价于谐波均值滤波器。总体来说，对于椒盐噪声来讲，这是个很好的选择。2.3高斯滤波2.3.1高斯滤波器的原理高斯滤波器是另一种十分常见的滤波器。对于服从正态分布的噪声，高斯滤波器有最好的处理效果，其原因是它根据高斯函数的形状来选择参数权值的线性滤波器。其中为基本的一维状态下0均值的高斯函数。对于处理图像方面，常用的高斯函数为二维状态下的0均值的高斯函数：一维零均值高斯函数为。其中，高斯分布参数决定了高斯滤波器的宽度。对图像来说，常用二维零均值离散高斯函数作平滑滤波器，函数表达式如下： （2-5）2.3.2高斯函数的性质(1)单值函数高斯函数是单值函数的意义在于：高斯滤波器本质上也是利用所选择的像素的领域像素值乘于各自的加权值最后除于模板数值得到的均值来平滑被处理图像的。一般来说，模板各个位置的加权值是随着距离的增加而单调递减的，如果距离处理像素较远的模板像素也能对总值和均值有影响的话，处理出来的图像必定会有一定程度的失真。(2)旋转对称性这表明高斯滤波器不均有各向异性。一般来说，处理被噪声污染的图像时，其边缘方向是未知的。所以，我们无法知道该在哪一个方向上需要更多的平滑特性，也就不能特定的改变某一方向上的参数。这也意味着，高斯滤波器在每一个方向上的处理是相同的。(3)可分离性可分离性也是高斯滤波函数一个非常重要且有用的性质。这意味着：在进行高斯函数的二维卷积运算时，可以先将要处理的图像同一维高斯函数卷积，然后将结果再同与方向垂直的同一高斯函数卷积。这样的话，随着模板宽度的增加，二维高斯函数的计算不会成平方性质的增长，而是成线性增长。这一点使高斯滤波器成为了出色的低通滤波器，无论在空间域还是频率域。 高斯函数的可分离性可以表示为以下几个函数： （2-6） （2-7） （2-8）(4)高斯函数的傅里叶变换频谱是单瓣的通常情况下，污染图像的噪声的频率都是高频的，而图像本身的频率特性是既含有低频信号也含有高频信号。高斯函数的傅里叶变换频谱是单瓣的这一性质可以保证原始图像不被高频的噪声信号污染，于此同时，图像中原有的信号都将会被保留。(5)参数决定高斯滤波器的宽度高斯滤波器的宽度决定对图像处理的平滑力度，这也就说明参数决定了图像的平滑程度。通过对参数的调节就可以有效的平衡过度平滑导致的图像模糊和过度注重细节而导致的图像欠平滑。 2.3.3高斯滤波器的设计高斯函数中参数的选择是高斯滤波器的设计中最为重要的一个环节，其最优化的参数由二项式展开后的系数确定。高斯函数的分离性告诉我们，二维的高斯滤波可以由两个一维高斯滤波卷积得到，只是方向上一个水平，一个垂直。2.4中值滤波2.4.1中值滤波简介中值滤波是现代图像滤波技术的主流，其处理图像噪声的能力非常强，适用范围非常广，且发展前景广阔，到目前为止已经有很多种基于中值滤波技术而改进的图像滤波技术。中值滤波的技术基础是数值排序，通过对图像像素及其邻域像素灰度值的经过一定算法的排序，然后设定一个恰当的阈值门槛，将一些不合适的灰度值滤除除去，并从序列中选取一个值作为原始像素的新的灰度值。其发明者是J.W.Tukey在二十世纪七十年代初进行时间序列分析时提出的中值滤波技术的概念。而后人们将这种理论应用于图像滤波处理中，取得相当大的成功，中值滤波也做为图像处理的主流方法广泛应用开来。2.4.2标准形式的中值滤波原理标准形式的中值滤波也是一种邻域运算，但它不是均值运算里的加权均值算法，也不是高斯滤波里的利用高斯函数计算，而是利用排序统计原理的邻域运算。其计算方法大体如下：首先设定模板的形状、大小，然后取得图像中的一个像素的灰度值，继而根据模板取得相应邻域的图像的灰度值，并将所有的灰度值进行排序，然后选取序列中央的灰度值作为此像素的输出像素值。具体的操作步骤：(1)构建模板并将模板中心和所要修改的像素重合(2)将模板下像素的灰度值全部提取(3)按照从小到大顺序将灰度值排序(4)读取在序列中央的灰度值(5)将此灰度值赋值给所要修改的像素标准的中值滤波是从模板中多个像素中选取灰度值为中间的一个像素作为输出像素的灰度值，所以如果噪声的分布量不是非常大，模板中的一个或者两个被噪声破坏的像素会轻松的被滤除掉，即图像中孤立的噪声点会有效被滤除。对于图像中的高频分量，标准的中值滤波可以有效的处理，但对于低频分量会有一定程度的干扰。图像的边缘区域常常是高频分量的密集区，而此区域灰度值的变化程度很大，所以标准的中值滤波可以很好对付图像的边缘。但中值滤波器面临着一个十分重要的问题，图像中一般都会有像素灰度值变化十分剧烈的结构，如线段、拐角等等，这些灰度值差异很大的像素周围如果碰到较大的模板，其选取的中间的像素点可能与实际像素的灰度值差异过大，导致信息的丢失。为了减少中值滤波器在保留图像结构上这一缺点，人们提出了诸多中值滤波器的改进方案。 2.4.3加权中值滤波这里讲的加权中值滤波有两种：中心加权中值滤波和改进后的中心加权中值滤波。中心加权中值滤波是针对标准中值滤波对于灰度值变化剧烈的区域（边缘或者结构）处理会丢失信息的问题提出的解决方案。其做法是对所选像素进行加权，同均值计算不同的是，这种加权是增加所选像素在模板像素序列中的个数，来突出所选像素的重要性，消弱了滤除噪声的能力，同时也增大了保留图像原始信息的能力。但实际应用中发现其滤除噪声的能力过于低下这一问题，针对这一问题，人们又提出了改进后的中心加权中值滤波。(1)改进后的中心加权中值滤波分为两步。第一步是将所选像素进行加权，第二步将所选像素周围最为临近的像素进行低数值的加权。经过试验后发现，这种改进方法增强了滤除噪声的能力，也保留了相当程度的保留图像原始信息的能力，取得比较好的平衡。但无论是中心加权中值滤波还是改进后的中心加权中值滤波，当所选取的像素为噪声点的情况下，滤除噪声的效果会大大下降。(2)带有方向性的中值滤波在处理图像时，有时会处理一些方向性很强的图片，如地理上的海拔高度的图像。通过上文的分析，我们可以了解到普通的中值滤波对于方向性较强的图像并不能够很好的进行噪声滤除，如果对图像噪声的去除要求较高，那图像的平滑性会受到影响，如果对图像的平滑性要求较高，则那图像中的方向信息会受到较大的损失。所以针对这种类型的图像，人们提出了带有方向性的中值滤波这一概念。带有方向性的中值滤波的特点就是模板窗口随着图像信息方向的改变而改变，这样就可以有效的保留方向性较强位置的信息。但是这种滤波方法也有它的缺点：一，如果模板的宽度为n，则图像中噪声宽度小于n/2的部分将会被滤除，而一些宽度大于n/2的间隙将会被连接起来。二， 将模板随着图像的方向性信息旋转是较为复杂，较为耗时的操作，对于要求即时性很高的工作来说并不适合。(3)带有判别开关的中值滤波上述所讲的滤波技术中，无论是均值滤波，高斯滤波，各种类型的中值滤波，对于图像中每个像素的处理都是采用的相同的方法。这样就必然会有图像失真和图像平滑之间的取舍问题。带有判别开关的中值滤波是改变了上述滤波方式的一种全新的滤波技术，它的特点就在于首先要先判别图像的像素是原始信息还是噪声。如果是原始信息，那么就简单的将其保留，如果是噪声信号，就根据模板中的邻域像素进行中值处理或者加权中值处理。对于图像中像素是否为噪声的判定是带有判别开关的中值滤波的关键。这种中值滤波对于图像信噪比较低的图像来说处理效果非常的好，但随着信噪比的提高，这种类型的中值滤波就接近于标准形式的中值滤波了。第三章 图像滤波程序第三章 图像滤波程序3.1matlab程序介绍MATLAB的全称是矩阵实验室（Matrix Laboratory),是由美国著名公司MathWorks制作的全球流行的数学模型设计及仿真实验，数据分析、数值的计算、算法的开发、数据的可视化为一体的高科技软件。其中MATLAB和SIMULINK是其主要组成部分。在现代计算机技术飞速发展的时代，数学模型的建立、运行和仿真成为了迫切的需要，二十世纪七十年代，美国一所大学的计算机教授为了让学生跟好的理解和操作数学模型，在计算机上搭建了一个平台，这就是MATLAB的雏形。到了二十世纪八十年代，MATLAB被具有商业头脑的美国人开发成为公司，面向全球市场。在其推出后，便由于其软件十分对应当时的时代要求以及操作的简便性，直观性，稳定性，兼容性均十分优良等特性受到了全球公司和个人用户的追捧。到二十世纪九十年代，MATLAB成为了全球控制科学中的标准电脑软件。当我们回顾为什么MATLAB会取得如此大成就使，不难发现，市场的要求是其最重要的成功因素。在其平台上可以轻松的搭建所需要的数学模型，并能够即时进行运算，同时输出结果可以直接视图化，十分的人性。此外，MATLAB超强的兼容性也为它的成功打下了坚实的基础，与C+等程序的完美融合是人们容易接受它的重要保证，这样，人们就不用再重新学习MATLAB的编程语言，而是直接可以用C+等通用的编程语言来进行编程，十分方便。当然，MATLAB并不是一开始就支持这么多的语言，版本的不断更新使MATLAB可以不断完善自己，一直更新软件的设置。通过，下面在MATLAB上的编程也能够清楚的看出，MATLAB的功能十分强大，操作十分简单，其自带的系统预定义程序更是经典中的经典。一些自带的程序并非MATHWORKS公司自己研发，而MATLAB的长期流行使得使用MATLAB的程序员自己编辑了一些常用的软件，发布到网上，这样就更加使得MATLAB愈发完善。MATLAB由五部分组成：应用程序的接口，图形处理系统，语言，数学及函数数据库，开发环境。应用程序的接口：MATLAB之所以可以与很多流行的计算机语言编辑系统相兼容的原因就在于应用程序的接口。经过应用程序的接口后，C语言可以与诸如C语言、FORTRAN等主流的计算机语言编辑系统相互交流程序，并可以直接在仿真系统中仿真，输出结果。另外，在MATLAB上编辑的程序也能导入至C语言或者FORTRAN中继续编辑。图形处理系统：MATLAB中极其重要的一点就是可以将数学模型直观的表现出来。无论是二维图像、三维图像、向量都可以在MATLAB图像处理系统的作用下表达出来，而且可以根据需要将数据处理的结果即时的表现出来。语言：MATLAB语言是一种为MATLAB专门创造的程序编辑语言，其特点是通俗易懂。数学及函数数据库：MATLAB中含有大量的通用数学函数和数学公式，一些最为基本和最为常用的数学函数都可以再MATLAB中被直接调用。开发环境：MATLAB的开发环境是类似于WORD文档的一种用户操作界面，可以为用户提供编辑程序，程序测试，程序运行等功能的实现，使得用户可以方便的进行操作。3.2用系统预定义滤波器进行滤波Matlab程序中自带有强大的预定义编译代码，通过这些代码，我们可以简便快捷的得到不同滤波方式，不同参数选择对于不同图像的处理效果，从而得到图像处理的宝贵经验。3.2.1matlab均值滤波去除椒盐噪声的测试(1)椒盐噪声强度3%的均值各模板处理效果图3-1原始图像 33模板：clear all;clc;image1=imread(F:/2.jpg); %读入彩色图片image2 =rgb2gray(image1); %把彩色图片转换成为灰度图片，256级figure(1),imshow(image2);%将灰度图像显示出来，名称为figure(1) image3=imnoise(image2,salt & pepper,0.03);%加入强度为3%的椒盐噪声figure(2),imshow(image3);%显示加入3%椒盐噪声后的图像，名称为figure(2)h=fspecial(average,3);%生成系统预定义的33滤波器image5=filter2(h,image3);%用生成的滤波器进行滤波，并归一化figure(3),imshow(image5,); %显示经过均值滤波33 模板后的图像，名称为figure（3）;% end图3-2 加入3%椒盐噪声后的图像图3-3 经过均值3*3模板处理后的图像模板即将主程序中的h=fspecial(average,3);%生成系统预定义的33滤波器改动为h=fspecial(average,5);%生成系统预定义的滤波器处理后与原图像的对比：图3-4 经过均值滤波模板滤波后的图像如图3-4。模板即将主程序中的h=fspecial(average,3);%生成系统预定义的33滤波器改动为h=fspecial(average,7);%生成系统预定义的滤波器处理的图像：图3-5 经过均值滤波模板滤波后的图像通过观察加入3%椒盐噪声后的图像和原始图像的对比，我们可以发现：原始图像清晰、准确，而加入椒盐噪声后，图像中出现了黑白的斑点，分布较为平均，对图像结构和内容并没有很大的影响，但对观看感觉有不利的影响。将33，55,77模板处理后的图像进行对比，我们可以发现：33模板处理后的图像较55,77模板处理后的图像更加清晰，但图像中仍然可以看出椒盐噪声的痕迹，只是被大大减弱了。77模板处理后的图像则较33，55模板处理后的图像更加模糊、平滑，但椒盐噪声的痕迹基本消除，不过图像细节大受影响。椒盐噪声强度6%的均值各模板处理效果33模板只需将原程序中image3=imnoise(image2,salt & pepper,0.03);%加入强度为3%的椒盐噪声改动为：image3=imnoise(image2,salt & pepper,0.06);%加入强度为6%的椒盐噪声图3-7 加入6%椒盐噪声后的图像33模板图3-8 经过均值滤波33模板滤波后的6%椒盐噪声图像模板即将主程序中的h=fspecial(average,3);%生成系统预定义的33滤波器改动为:h=fspecial(average,5);%生成系统预定义的滤波器处理后的图像：图3-8 经过均值滤波模板滤波后的6%椒盐噪声图像模板即将主程序中的h=fspecial(average,3);%生成系统预定义的33滤波器改动为：h=fspecial(average,7);%生成系统预定义的滤波器处理的图像：图3-9 经过均值滤波模板滤波后的加入6%椒盐噪声的图像和加入3%椒盐噪声的图像相比，加入6%椒盐噪声的图像更加难以被接受，这种强度的椒盐噪声已经严重影响到了人的视觉感受，甚至将图像的细节、结构都有一定程度的破坏。在仔细对比6%椒盐噪声图像下均值33、55、77模板处理效果后，发现其处理的特性与3%椒盐噪声下均值33、55、77模板处理效果基本相同。通过上述测验，对于各种程度的椒盐噪声，均值33、55、77模板的处理效果和特征大体一致。低数值模板可以较好的将图像的细节、结构、内容展现出来，从视觉上也较为舒适。但仍然能够看出明显的黑白色斑点，去噪能力较差。高数值模板可以有效的消除黑白色斑点，但同时图像会变得模糊，图像中的细节、结构等信息会一定程度的丢失。虽然对视觉上的感觉有较大改善，但是图像质量确实有明显的下降。综上所述，用均值滤波的方法去除椒盐噪声要根据去噪要求来选择合适的模板。如果要求保留较多的图像信息、细节、结构，模板的数值要选择较低的。如果要求将黑白色斑点去除较多，而对图像信息要求不高时，模板的数值可以选择的较高。总之，用均值滤波处理椒盐图像时，不可能两全其美，需要根据要求来选择模板数值这个度。3.2.2matlab均值滤波去除高斯噪声的测试（1）高斯噪声强度3%的均值各模板处理效果33模板clear all;clc;image1=imread(F:/2.jpg);image2 =rgb2gray(image1);figure(1),imshow(image2);image4=imnoise(image2,gaussian,0.03);figure(2),imshow(image4); h=fspecial(average,3);image5=filter2(h,image3);figure(3),imshow(image5,);% end图3-10 原始图像图3-11 加入3%的高斯噪声后的图像图3-12 经过33模板均值滤波后的图像模板即将主程序中h=fspecial(average,3);改动为 h=fspecial(average,5);图3-13 经过55模板均值滤波处理后的图像模板即将主程序中h=fspecial(average,3);改动为 h=fspecial(average,7);图3-14 经过77模板均值滤波后的的图像通过观察，图像加入高斯噪声之后，并没有像椒盐噪声那样出现明显的黑白斑点，而是全图出现一种杂噪的特征。而通过上文高斯噪声的介绍我们可以知道：高斯噪声是一种全图存在，但幅值按照高斯函数分布的噪声。所以图像感觉灰蒙蒙的。将33、55、77模板处理高斯噪声的图像对比后我们不难发现，33模板依然较好的保留了图像的信息，只是图像中出现了类似椒盐噪声的斑点。55模板和77模板并没表现出对高斯噪声较好的去噪能力，全图依然有幅值被打乱后的噪声，图像也比33模板更加的不清晰。总而言之，均值滤波器对于高斯噪声的处理效果并不理想，特别是高数值模板。低数值模板可以一定程度上减轻高斯噪声，而高数值模板却将图像高度的模糊化，使得图像的细节变得难以辨认。3.2.3matlab高斯滤波去除椒盐噪声的测试（1）椒盐噪声强度3%的高斯滤波器处理效果参数选择为方差4，均值4clear all;clc;image1=imread(F:/2.jpg);image2 =rgb2gray(image1);figure(1),imshow(image2);image3=imnoise(image2,salt & pepper,0.03);figure(2),imshow(image3); h1=fspecial(gaussian,4,4);image6=filter2(h1,image3);figure(5),imshow(image6,);% end图3-15 原图像图3-16 加入强度为3%的椒盐信号后的图像图3-1 ：经过方差4，均值4高斯滤波器滤波后的图像参数选择为方差6，均值6将原程序中的h1=fspecial(gaussian,4,4);改动为：h1=fspecial(gaussian,6,6);即可。图3-18 经过方差6，均值6高斯滤波器滤波后的图像进过认真仔细的对比后，发现方差4，均值4的高斯滤波和方差6，均值6的高斯滤波对于强度为3%的椒盐噪声均有较好的滤波效果。有所不同的是经过方差4，均值4高斯滤波后的图像更为清晰，但还有残留的黑白斑点。而方差6，均值6高斯滤波后的图像基本看不到黑白斑点，但图像模糊，细节等信息保存一般。总上所述，如需要图像更为清晰，细节、结构保存更为完整的图像，而对斑点要求较低时，适宜选用方差、均值数值较小的高斯滤波。如需要对斑点要求较高，而对图像细节质量要求不高时，适宜选用方差、均值较大的高斯滤波。（2）高斯噪声强度为3%的高斯滤波器处理效果将原程序中的image3=imnoise(image2,salt & pepper,0.03);改动为image4=imnoise(image2,gaussian,0.03);得到如下图像图3-19 加入强度为3%的高斯噪声后的图像参数选择为方差4，均值4图3-20 经过方差4、均值4高斯滤波后的图像参数选择为方差6，均值6将原程序中的h1=fspecial(gaussian,4,4);改动为：h1=fspecial(gaussian,6,6);图3-21 经过方差6，均值6高斯滤波器滤波后的图像经过认真对比和总结后，我们得出了如下结论：高斯滤波器对于高斯噪声的滤波能力要明显强于均值滤波器，其对于椒盐噪声和高斯噪声的处理特点基本一致，即：低数值方差、均值下较多的保留了图像的原始信息，如颜色对比度、拐角、边缘等，但对于噪声的滤除效果一般，会看到明显的噪声痕迹。高数值方差、均值下较多的去除了噪声的痕迹，全图较为平滑、模糊，图像的细节、结构遭到了较为严重的破坏。3.3自编图像滤波程序%自编的均值滤波函数。function ave=avefilt(x,n)a(1:n,1:n)=1；p=size(x); x1=double(x);x2=x1;for i=1:p(1)-n+1for j=1:p(2)-n+1c=x1(i:i+(n-1),j:j+(n-1).*a;s=sum(sum(c);x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n);endendave=uint8(x2);%自编的高斯滤波函数function gau=gaussfilt(n,k,s)G=double(s);G1=G;n1=floor(n+1)/2); for i=1:nfor j=1:nb(i,j)=exp(-(i-n1)2+(j-n1)2)/(2*k);endendG1=conv2（Img,b,same); gau=uint8(Img1);3.4调用自编图像滤波程序进行滤波用自编函数进行均值滤波X=avefilt(g,n);figure,imshow(X),title(selfmade average function result ）; 用自编函数进行高斯滤波X1=gaussfilt(n3,k,g);figure,imshow(X1),title( selfmade gaussian function result );catch %捕获异常disp（lasterr); %如程序有异常，输出end第四章 结束语结束语本文主要对现有图像处理技术及其基本原理进行了描述。首先随着图像对于人类现代生活的意义的不断加强，以及图像的数字化，图像质量的提高都对图像处理技术有了更高更好地要求。随着在计算机技术的飞速发展，图像在摄制和保存过程中不再是单纯的胶片性质的感光颗粒形成的物质了。数字图像渐渐成为了主流，这也为图像处理技术的飞速发展埋下了伏笔。接着本文就图像如何受到外界干扰和自身信息衰减而进行了介绍，说明了图像受到噪声污染的不可避免性。噪声对于图像信息的破坏不止停留于人们的视觉感受中，也极大的影响了对于图像的后续处理和改动。并且，不同噪声对于图像中信息层的破坏程度不同，针对不同的噪声，人们应该有相应的处理方式来对应。对于噪声对图像的损坏程度和经过图像滤波技术处理后图像信息的复原程度，人们感觉到应该有一个判别的标准，经过长时间的摸索和尝试，从主观评判和客观评判中，各自发展了其判别根据。主观评价方式是根据人的主观视觉印象来做为根据的，这反映了图像处理的特殊性和局限性。不过主观评价方式也有其优点，就是一目了然，比较直接。且通过较大样本的处理和专业人员的判定后，结果一般比较可靠，容易验证。客观评价则更加贴近于现代科学的方法，利用公式的计算对于图像中每个像素进行判定，其效果和程度可以随着数值的变化而清晰明了的观到，但是也有其自身的缺点：受限制于人们对视觉系统的理解。人类在对