前言:要是是实验报告赶工的话,建议总结上网抄,或者重构我的总结,仅供学习参考,不要照抄
文章目录
- 一、基础知识
- 1,噪声
- 2,椒盐噪声
- 3,高斯噪声
- 4,滤波器
- 5,均值滤波器
- 6,中值滤波器
- 7,滑动窗口
- 二、实验要求
- 三、实验记录
- 四、结果展示
- 1,添加噪声:
- 2,均值滤波器过滤椒盐噪声:
- 3,中值滤波器过滤椒盐噪声:
- 4,均值滤波器过滤高斯噪声:
- 5,中值滤波器过滤高斯噪声:
- 五、反思总结与收获
- 1,滤波器对不同噪声的效果:
- 2,模板大小不同,处理效果有何不同?
一、基础知识
1,噪声
噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。它以无用的信息形式出现,扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。
一般在我们获取图像(也就是照相)的时候,可能会遇到一些电磁干扰,让我们的图像变得麻麻的。当然在图像传播的过程中也会出现这种问题。
2,椒盐噪声
椒盐噪声就是在图像中,一些像素点的灰度值突然变得很离谱,如下图:
3,高斯噪声
图像集体像素发生了随机变化,不过像素值符合正态分布。高斯噪声的平均值为零,即噪声的总体均值为图像的亮度平均值的偏移。
如下图:
4,滤波器
在我看来,滤波器像是一个漏斗,如下图这样:
漏斗上面的大小就是滤波器的模板大小,最后输出就是过滤后的结果
5,均值滤波器
先求出装进漏斗里面的数的和,输出其平均值
6,中值滤波器
将漏斗中的数排序,输出大小在中间的那个数
7,滑动窗口
这个是一个有点意思的知识点。总之我们要知道一点,滤波器总是一直在图像里面滑过来滑过去。
假设从1开始,lim是最大地方的边界,滤波器规模为f_size,我们可以对其位置进行分析:
一般目标i应该在滤波器的中心位置好些,这样可以得到滤波器的横坐标左边界应该是i-f_size/2,右边界应该是i+f_size/2:
当然我们要考虑是否超出边界,这样就有左边界为1,i-f_size/2两者中较大的数,右边界为i+f_size/2,lim两者中较小的数。
纵坐标同理。
二、实验要求
读入一幅256 级灰度的数字图像
图像的平滑滤波处理
1)对原图像分别加入高斯噪声、椒盐噪声。
2)利用邻域平均法,分别采用33,55, 77, 99模板对加噪声图像进行平滑处理,显示原图像、加噪图像和处理后的图像。
3)利用中值滤波法,分别采用33,55, 77, 99模板对加噪声图像进行去噪处理,显示原图像、加噪图像和处理后的图像。
4)比较各种滤波方法和滤波模板的处理结果
三、实验记录
读入图像并添加噪声:
clc;
clear;
figure('NumberTitle', 'off', 'Name','噪音图');
% 实验五 噪声处理
I = imread('tp.jpg');subplot(2,2,1.5);imshow(I);
xlabel('(a)原始图像');Salt = imnoise(I,'salt',0.02);subplot(2,2,3);imshow(Salt);
xlabel('(b)椒盐噪声图像');gau = imnoise(I,'gaussian',0,0.01);
subplot(2,2,4);imshow(gau);
xlabel('(c)高斯噪声图像');
滤波器函数my_filter:
function [value] = my_filter(S,filter_size,kind)
% 我的滤波处理器 输入:图S,滤波器大小:m,滤波器种类kind:0,均值滤波;1,中值滤波if(~exist('kind','var'))kind = 0; % 如果未出现该变量,则对其进行赋值
end
[rows,cols,z] = size(S);%获取图的大小value = -1*ones(rows,cols,z);%初始化结果
for i = 1:rowsfor j = 1:colsfor k = 1:z% 获取滑动窗口的范围row_start = max(1, i - floor(filter_size / 2));row_end = min(rows, i + floor(filter_size / 2));col_start = max(1, j - floor(filter_size / 2));col_end = min(cols, j + floor(filter_size / 2));% 提取滑动窗口内的像素值window = S(row_start:row_end, col_start:col_end, k);if(kind == 0)avg_value = mean(window(:));%mean 获取平均值elsewindow = sort(window);avg_value = window(floor(round(length(window)/2)));endvalue(i,j,k) = uint8(avg_value); endend
endvalue = uint8(value);end
主程序代码:
clc;
clear;
figure('NumberTitle', 'off', 'Name','噪音图');
% 实验五 噪声处理
I = imread('tp.jpg');subplot(2,2,1.5);imshow(I);
xlabel('(a)原始图像');Salt = imnoise(I,'salt',0.02);subplot(2,2,3);imshow(Salt);
xlabel('(b)椒盐噪声图像');gau = imnoise(I,'gaussian',0,0.01);
subplot(2,2,4);imshow(gau);
xlabel('(c)高斯噪声图像');
figure('NumberTitle', 'off', 'Name','均值椒盐');
filter_size = [3,5,7,9];
for i=1:4I_Salt = my_filter(Salt,filter_size(i),0);subplot(2,2,i);imshow(I_Salt);title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'均值滤波器']);
end
figure('NumberTitle', 'off', 'Name','中值椒盐');
for i=1:4I_Salt = my_filter(Salt,filter_size(i),1);subplot(2,2,i);imshow(I_Salt);title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'中值滤波器']);
end
figure('NumberTitle', 'off', 'Name','均值高斯');for i=1:4I_gau = my_filter(gau,filter_size(i),0);subplot(2,2,i);imshow(I_gau);title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'均值滤波器']);
end
figure('NumberTitle', 'off', 'Name','中值高斯');for i=1:4I_gau = my_filter(gau,filter_size(i),1);subplot(2,2,i);imshow(I_gau);title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'中值滤波器']);
end
四、结果展示
1,添加噪声:
2,均值滤波器过滤椒盐噪声:
3,中值滤波器过滤椒盐噪声:
4,均值滤波器过滤高斯噪声:
5,中值滤波器过滤高斯噪声:
五、反思总结与收获
1,滤波器对不同噪声的效果:
椒盐噪声是突然产生一个特别大的值。用中值滤波器就在一堆像素中选适中的,可以有效过滤掉椒盐。而一个太大的值对均值有着很大的影响,所以用均值滤波器过滤椒盐噪声效果不佳。
高斯噪声的均值为0,所以当我们用均值过滤器的时候,就可以很好得将高斯噪声减小甚至去除。但是由于图像中的像素都改变了,中值滤波器过滤出来的值也有很大可能是一个离谱值,所以用中值滤波器过滤高斯噪声效果不佳。
2,模板大小不同,处理效果有何不同?
根据实验结果可知,滤波器模板越大,对噪声的处理效果越好,但是相应的图像会越模糊。因为模板越大,滤波器对指定像素的采样范围越大,这样减小了噪声对图像的影响,但是由于参与像素过多,指定像素与周围像素的差距减小,或者说是同一个窗口里每个像素之间的差距减小,这样图像就会变模糊