基于中值滤波与小波变换的图像去噪声实现

目录

1. 绪论 1
   1.1引言 1
   1.2. 图像去噪的研究现状 1
   1.3图像去噪算法的发展趋势 2
   1.4 本文的研究内容及组织结构 2

2. 图像去噪的理论及常用方法 4
   2.1图像中的噪声 4
   2.2 图像去噪的常用方法 4
   2.3几种新型的滤波方法 6
   2.4 评价图像质量的两种方法 7
   2.4.1主观评价 7
   2.4.2客观评价 7
   3.极值中值滤波及改进算法 9
   3.1极值中值滤波 9
   3.2极值中值滤波原理 9
   3.3极值中值滤波的改进方法 10
   3.4实验仿真分析 11
   3.5本章小结 14

3. 小波变换的图像去噪 15
   4.1由傅里叶到小波变换 15
   4.2小波变换的图像去噪原理 15
   4.3阈值的选取 16
   4.4阈值处理函数 17
   4.5 实验仿真分析 19
   4.6本章小结 23
   5.中值滤波和小波变换相结合去除混合噪声 24
   5.1结合算法的思想和步骤 24
   5.2实验仿真分析 25
   5.3本章小结 28
   6总结与展望 29
   致谢 30
   参考文献 31
   1.4 本文的研究内容及组织结构
   本文主要研究图像去噪，采用基于空域中值滤波和基于变换域的小波变换方法来去除图像中脉冲噪声和高斯噪声，研究使用中值滤波和小波变换相结合的算法来去除混合噪声。本文主要分为以下几个部分：
   （1）第一章介绍了图像去噪在日常生活中的重要意义、图像去噪的研究现状及发展趋势，并提出本文的研究内容和结构。
   （2）第二章介绍了图像去噪的理论基础、常用的去噪算法和评价图像去噪效果的方法。
   （3）第三章介绍了基于空域的中值滤波以及几种改进的中值滤波算法，通过实验仿真，利用中值滤波分别处理脉冲噪声、高斯噪声以及脉冲和高斯混合噪声，比较它们的去噪效果并分析。
   （4）第四章介绍了基于变换域的小波去噪算法，介绍了软硬阈值处理函数和新的阈值处理函数，最后进行实验仿真，比较采用软硬阈值函数与新阈值函数的小波变换对高斯噪声、脉冲噪声和脉冲和高斯混合噪声的去噪效果。
   （5）第五章主要介绍了将小波变换与中值滤波技术相结合的算法，最后通过实验仿真比较结合算法对脉冲噪声、高斯噪声以及脉冲和高斯混合噪声的去噪效果。

4. 图像去噪的理论及常用方法
   2.1图像中的噪声
   图像中的噪声通常是随机的，根据噪声源来分类，大体可以分为内部噪声和外部噪声两类。内部噪声主要是由光电性质引起的噪声、由机械运动产生的随机颗粒噪声、系统元器件内部产生的噪声。而外部噪声主要是系统外部引起的，如天线电磁波的干扰等。
   根据据噪声概率统计特性进行分析，噪声经常被分为三类：电阻等阻性元件产生的高斯白噪声；光电转换过程中产生的椒盐噪声；以及感光材料在感应过程中生成的颗粒噪声。本文主要研究前两种噪声。椒盐噪声与高斯噪声分布位置不同，椒盐噪声是随机分布的，而高斯噪声叠加在每一点上；椒盐噪声与高斯噪声的幅值也不同，椒盐噪声的幅值一般是恒定的，而高斯噪声的幅值是随机的。
   2.2 图像去噪的常用方法
   图像去噪方法一般分为两类，一类是基于空域的图像去噪方法，还有一类是基于变换域的图像去噪方法，常用的算法有以下几种：
   （1）均值滤波
   均值滤波是一种经典的空间域去噪算法。它的去噪原理是，逐点选取像素点及其对应的邻域，计算邻域里所有像素灰度的平均值，用来替代原来那点的灰度值。这种求邻域平均值的方法简单方便，计算量小，但有明显的缺点，那些没有受噪声污染的像素点也会变平均，图像就会变得模糊。
   
   图2.1 模版示意图

orginal_img = imread('lena.jpg');                      % 读入图片文件数据，即一个二维数组
[a,b] = size(orginal_img);                             % a,b为图片大小
noise_1 = 'salt & pepper';                             % 椒盐噪声
noise_2 = 'gaussian';                                  % 高斯噪声

noise_1_img = imnoise(orginal_img, noise_1, 0.5);                % 加入椒盐噪声
% noise_1_img = imnoise(orginal_img,'noise_2',0,0.02);           % 加入高斯噪声
   
A = filter2(fspecial('average', 5), noise_1_img)/255;            % 均值滤波，模板尺寸为5*5               
B = medfilt2(noise_1_img, [5 5], 'symmetric');                   % 中值滤波，模版大小为5*5
C = jizhi_zhongzhi(noise_1_img, 7);                              % 极值中值滤波,
D = adpmedian(noise_1_img, 7);                                   % 基于极值改进算法

figure,imshow(orginal_img);title('原始图像');
figure,imshow(noise_1_img);title('加椒盐噪声');
figure,imshow(A);title('均值');
figure,imshow(B);title('中值');
figure,imshow(C);title('极值中值');
figure,imshow(D);title('改进');


%  计算峰值信号比
It1=double(orginal_img);
It2=double(A);
It3=double(B);
It4=double(C);
It5=double(D);
Gt=double(noise_1_img);
S1=0;S2=0;S3=0;S4=0;S5=0;
for i=1:a
    for j=1:b
        S1=S1+(Gt(i,j)-It1(i,j))^2;
        S2=S2+(It2(i,j)-It1(i,j))^2;
        S3=S3+(It3(i,j)-It1(i,j))^2;
        S4=S4+(It4(i,j)-It1(i,j))^2;
        S5=S5+(It5(i,j)-It1(i,j))^2;
    end
end
disp('***********************各种滤波的信噪比结果**************************')
disp('噪声图像峰值信噪比：')
PSNR_1 = 10*log10(255^2*a*b/S1)

disp('均值去噪峰值信噪比：')
PSNR_2 = 10*log10(255^2*a*b/S2)

disp('中值滤波去噪峰值信噪比：')
PSNR_3 = 10*log10(255^2*a*b/S3)

disp('极值中值滤波去噪峰值信噪比：')
PSNR_4 = 10*log10(255^2*a*b/S4)

disp('改进算法去噪峰值信噪比：')
PSNR_5 = 10*log10(255^2*a*b/S5)
disp('*******************************************************************')