高斯白噪声滤波

1、西安电子科技大学课程论文数字图像处理高斯白噪声滤波班级：070821作者：董文凯学号：07082001一r、>.时间：2011-06-30高斯白噪声滤波实验要求对实际Lena图像分别加入噪声标准差=15,20,25的高斯白噪声，用理想低通滤波器、高斯低通滤波器、算术均值滤波器和中值滤波器对实际Lena图像进行去噪，比较其去噪效果。实验内容1.对Lena图像加高斯白噪声1.1原始图例:Lena图像见图1.采用经典Lena图像作为实验样例进行本实验的操作，原始图1原始Lena图1.2加噪结果:图20.15的噪声图图30.20的噪声图图40.25的噪声图结论：经过对以上三图的分析知越大图像越不

2、清晰1.3源程序：X=imread('Lena.jpg');J1=imnoise(X,'gaussian',0,0.15A2);imshow(J1)；J2=imnoise(X,'gaussian',0,0.20A2);imshow(J2)；J2=imnoise(X,'gaussian',0,0.25A2);imshow(J2)2对高斯白噪声进行滤波2.1理想低通滤波器：2.1.1滤波原理理想低通滤波器：其传递函数为:Hj理想低通滤波器的冲激响应为：10at。csint。ctt°Sactt°2.1.2滤波结果图5

3、不同d0(5,15,30)值下对图2的滤波结果图6不同d0(5,15,30)值下对图3的滤波结果图7不同d0(5,15,30)值下对图4的滤波结果2.1.3 源代码X=imread('Lena(25).jpg');%读取图像I=rgb2gray(X);%将图像变为灰度图figure;%创建图形图像对象imshow(I);%显示灰度图像title('原始图像');%加标题%将灰度图像的二维不连续Fourier变换的零频率成分引导频谱的中心s=fftshift(fft2(I);figure;%创建图形图像对象imshow(log(abs(s),);%显示对s的绝对值

4、取对数后的图像title('傅里叶频谱图');%加标题M,N=size(s);%分别返回s的行数到Ml中，列数到N中n1=floor(M/2);%对M/2进行取整n2=floor(N/2);%对N/2进行取整%ILPF滤波，d0=5,15,30d0=XX;%初始化d0fori=1:Mforj=1:Nd=sqrt(i-n1)A2+(j-n2)A2);%点(i,j)到傅里叶变换中心的距离ifd<=d0%点(i,j)在通带内的情况h=1;%通带变换函数else%点(i,j)在阻带内的情况h=0;%阻带变换函数ends(i,j)=h*s(i,j);%ILPF滤波后的频域表示end

5、ends=ifftshift(s);%对s进行反FFI移动%对进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数s=uint8(real(ifft2(s);figure;imshow(s);%显示ILPF滤波后的图像title('ILPF滤波(d=XX)');2.2高斯低通滤波器：2.2.1滤波原理由于高斯函数的傅里叶变换仍是高斯函数，因此高斯函数能够成为在时域和频域都具有平滑性能的低通滤波器。2.2.2滤波结果图9均值为1，方差依次为0.01,0.02,0.03,0.04,0.05,0.06的高斯低通滤波对图3滤波的结果图8均值为1，方差依次为0.01,0

6、.02,0.03,0.04,0.05,0.06的高斯低通滤波对图2滤波的结果|一<:U图10均值为1,方差依次为0.01,0.02,0.03,0.04,0.05,0.06的高斯低通滤波对图4滤波的结果2.2.3 源代码functiond=gaussfilt(k,n,s)%s是需要滤波的图像，n是均值，k是方差lmg=double(s);n1=floor(n+1)/2);%计算图像中心b=zeros(n,n);fori=1:nforj=1:nb(i,j)=exp(-(i-n1)A2+(j-n1)A2)/(4*k)/(4*pi*k);endend%生成高斯序列Img1=conv2(lmg,b

7、,'same');%用生成的高斯序列卷积运算，进行高斯滤波d=uint8(lmg1);主函数：h=imread('LenaXX.jpg');c=rgb2gray(h);figureimshow(c);title('加噪图像)；n=1;k;%n是均值，k是方差，n选定1，k可以变化A2=gaussfilt(k,n,c);figureimshow(A2);title('高斯滤波')2.3算术均值滤波器：2.3.1滤波原理均值滤波也称为线性滤波，其采用的主要方法为领域平均法。其基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x

8、,y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度个g(x,y)，即：g(x,y)1/mf(x,y)m为该模板中包含当前像素在内的像素总个数。2.3.2滤波结果图11模板为分别为5和3的均值滤波器对图2进行滤波的结果图12模板为分别为5和3的均值滤波器对图3进行滤波的结果图13模板为分别为5和3的均值滤波器对图4进行滤波的结果2.3.3 源代码functiond=avefilt(x,n)a(1:n,1:n)=1;%a即n*n模板，元素全为1p=size(x);%输入图像是p*q的，且p>n,q>

9、;nx1=double(x);x2=x1;%A(a:b,c:d)表示矩阵A的第a到b行，第c到d列的所有元素fori=1:(p(1)-n+1)forj=1:(p(2)-n+1)c=x1(i:i+(n-1),j:j+(n-1).*a;%取出x1中从(i,j)开始的n行n列元素与模板相乘s=sum(sum(c);%求c矩阵(即模板)中个元素之和x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n);%将模板各元素的均值赋给模板中心位置的元素endend%未被赋值的元素取原值d=uint8(x2);主函数：h=imread('LenaXX.jpg');c=rgb2gray(h

10、);figureimshow(c);title('加噪图像)；A2=avefilt(c,n);%n表示模块，在本实验中分别取5和3figureimshow(A2);title('均值滤波')2.4中值滤波器：2.4.1滤波原理中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。方法是在某种结构的二维滑动模板下，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列。二维中值滤波输出为：g(x,y)midf(xk,y

11、l),(k,lW)其中f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的形状，如线状，圆形，十字形，圆环形等。2.4.2滤波结果图14模板为分别为5和3的中值滤波器对图2进行滤波的结果图15模板为分别为5和3的中值滤波器对图3进行滤波的结果图16模板为分别为5和3的中值滤波器对图4进行滤波的结果2.4.3 源代码functiond=midfilt(x,n)p=size(x);%输入图像是p*q的，且p>n,q>nx1=double(x);x2=x1;fori=1:(p(1)-n+1)forj=1:(p(2)-n+1)c=x1

12、(i:i+(n-1),j:j+(n-1);%取出x1中从(i,j)开始的n行n列元素e=c(1,:);%c矩阵的第一行fork=2:ne=e,c(k,:);%将c矩阵变为一个行矩阵endmm=median(e);%mm是中值x2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置元素endend%未被赋值的元素取原值d=uint8(x2);主函数：h=imread('LenaXX.jpg');c=rgb2gray(h);figureimshow(c);title('加噪图像)；A2=midfilt(c,n);%n表示模块，在本实验中分别取5和3figureimshow(A2);title('中值滤波')实验结果分析：通过以上四种滤波方法的实验及其结果，可以看出理想低通滤波器的滤波效果并不理想，特别是当d0的水平很低时，图像非常模糊，