对同时含有椒盐噪声和高斯噪声的消噪处理

1、燕山大学课程设计说明书题目：同时含有椒盐噪声和高斯噪声的图像消噪处理学院（系）：里仁学院年级专业：09工业自动化仪表学号:091203021061学生姓名：姚宁指导教师：赵彦涛程淑红教师职称：讲师 副教授燕山大学课程设计（论文）任务书院（系）：电气工程学院基层教学单位：自动化仪表系学号091203021061学生姓名姚宁专业（班级）09仪表1班设计题目同时含有椒盐噪声和高斯噪声的消噪处理设计技术参数要求设计出一种能冋时消除图像中含有椒盐噪声和高斯噪声的方法并实现设 计 要 求对于同时含有椒盐噪声和高斯噪声的图像，如何能更好的消除其噪声。对 一副图像用函数冋时加入椒盐噪声和高斯噪声，并设计出一种

2、能冋时消除这两 种噪声的方法，并实现。积极思考其他消噪方法，设计中应具有自己的设计思 想、设计体会。工作量一周工 作 计 划一周的时间：周一：分析题目，确立方向，构思结构，查阅资料。 周二到周三：编程，运行，测试及调试。周四：整理资料、程序和图片，撰写设计说明书。周五：答辩。参 考 资 料1、 贾永红数字图像处理（第二版）武汉：武汉大学出版社 2010,22、冈萨雷斯数字图像处理（Matlab ）.电子工业出版社,20063、楼顺天.MATLAB5.X程序设计语言.西安：西安电子科技大学出版社，2000指导教师签字基层教学单位主任签字说明：此表一式四份，学生、指导教师、基层教学单位、系部各一份

3、。2012年6月29日燕山大学课程设计评审意见表指导教师评语:正确完善完善认真较为合理合理较认真理论分析庆方法设计旗一般一般不认真较差较差工作态度成绩：指导教师：2012年 6月29日答辩小组评语：清晰设计结论正确基本正确基本掌握原理了解成绩：不清楚评阅人：不正确2012年6月29日课程设计总成绩:答辩小组成员签字:2012 年 6 月 29 日燕山大学课程设计说明书目录第一章摘要1第二章引言2第三章噪声的特性3第四章对图像的消噪处理44.1 中值滤波44.2 维纳滤波84.3 中值滤波与维纳滤波的结合 10第五章学习心得14第六章参考文献15共15页第18页同时含有椒盐噪声和高斯噪声的消噪处

4、理一、摘要本文研究的是对同时含有椒盐噪声和高斯噪声的消噪处理。首先，本文对高斯噪声和椒盐噪声作出解释，从根本是理解高斯噪声和椒盐噪声， 并用图像生动形象的解释这两种噪声产生的影响，如正文中图1所示。对图像的消噪处理时，有均值滤波，中值滤波，维纳滤波，超限像素平滑法等方法， 在这里我们选取中值滤波和维纳滤波进行分析。一、中值滤波：选取一个窗口，并对窗口中的像素灰度值进行排序，用中间值代替窗口中心的像素 值。其消噪效果如文中图 2和图3所示。由图中我们可以看到中值滤波对图像中的椒盐 噪声有很好的滤除效果，并能较好的保留图像的边缘，但对图像中的高斯噪声的滤波效 果不是很理想。二、维纳滤波：运用维纳滤

5、波的方法进行滤波时，我们可以根据他的原理进行编程滤波，也可以直接运用维纳滤波的函数 wiener2(a)进行滤波。其运行结果如文中图4所示。由图中我们可以发现维纳滤波能够很好地滤去高斯噪声，但对椒盐噪声的滤波效果不是很理想。所以我们采用将这两种方法结合起来，来对同时还有椒盐噪声和高斯噪声的图像进 行滤波。三、中值维纳滤波：首先我们将图像中的像素点按一定的条件分为椒盐噪声点和信号点，然后对椒盐噪 声点进行中值滤波，信号点保留，最后再对整个图像进行维纳滤波，其结果如图5所示。从图中我们可以看出中值维纳滤波对图像的处理想过还是挺理想的。关键字：椒盐噪声高斯噪声 中值滤波 维纳滤波 中值维纳滤波二、弓

6、丨言数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工 作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如， 使用CCD摄像机获取图像，光照强度和传感器温度是生成图像中产生大量噪声的主要因 素。图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如，通过无线 网络传输的图像可能会因为光或其他大气因素的的干扰被污染。噪声不仅仅严重影响人们观赏图像时的视觉效果，还有可能影响边缘检测、图像分 割、特征提取、模式识别等后续更高层的处理结果，因此采用适当的方法尽量减少噪声 时一个非常重要的预处理步骤。在实际生活中，最常见的为高斯噪声和脉冲噪声（椒盐

7、噪声）两类，所以去除这两 类噪声是非常需要的。本文通过对这两种噪声的去噪方法进行了根本的分析和研究，并 用Matlab进行了编程和调试，最终确定出最优的去噪方案，简单易懂，深入浅出。为今 后的研究提供了相关的参考资料和编程，具有深刻的研究意义！三、噪声的特性实际生活中最常见的是高斯噪声和脉冲噪声（椒盐噪声），下面便分别对这两种解释做出解释和比较。1、高斯噪声高斯噪声是指噪声的概率密度函数服从高斯分布（即正态分布）的一类噪声，这种噪声经常被用于实践中。高斯随机变量 z的PDF （概率密度函数）由下式给出:p(z)2/2 2(1)式中，z表示灰度值,表示z的平均值或期望值,表示z的标准差，2称为z

8、的方差。2、脉冲噪声（双极）脉冲噪声的PDF可由下式给出：巳z ap(z)z b0其他如果ba，灰度值b在图像中将显示为个亮点，相反,（2）a的值将显示为一Pa和Pb均不可能为零，个暗点。如果 Pa和Fb为零，则脉冲噪声称为单极脉冲。如果尤其是它们近似相等时，脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微 粒，因此双机脉冲噪声也称为椒盐噪声。在这，我们研究的是椒盐脉冲。解码处理等产生的黑白相间的亮暗点噪椒盐噪声是由图像传感器，传输信道,声。椒盐噪声往往由图像切割引起的。在实际生活中，这两种噪声一般都是同时存在的。为了更形象，清楚的了解椒盐噪声和高斯噪声对图像的影响，我们运用 别认识一下椒盐噪

9、声和高斯噪声以及椒盐、 其程序如下所示：clear;clc;l=imread( Miss512G.bmp );a,b=size(l);figuresubplot(2,2,1);imshow(l);title(J=i mno ise(l,salt & peppersubplot(2,2,2);imshow(J);title(G=imno ise(l,gaussia n,0.02);Matlab,对一个图像进行加噪处理，分高斯同时存在时，反映在图像上的效果。灰白原图）；,0.02）;加椒盐噪声后的图像）;subplot(2,2,3);imshow(G);title(加高斯噪声后的图像);K=imn

10、o ise(J,gaussia n,0.02);subplot(2,2,4);imshow(K);title(加椒盐噪声和高斯噪声后的图像）;其运行结果如图1所示：灰白原图加椒盐噪声后的图像加高斯噪声后的图像加椒盐噪声和高斯噪声后的图像四、对图像的消噪处理对含有椒盐噪声和高斯噪声的图像进行消噪预处理时，有许多方法，例如均值滤波， 中值滤波，超限像素平滑法及维纳滤波等，在这里，我们先选用中值滤波的方法。4.1、中值滤波它是对一个滑动窗口内的诸像素灰度值进行排序，用中间值代替窗口中心像素的灰 度值的滤波方法。它是一种非线性的平滑法，在抑制噪声的同时能有效保护边缘少受模 糊。实现中值滤波的步骤如下所

11、示： 选择一个规格的窗口，如3*3的矩形窗口，放入图像（灰度值矩阵）的左上角。 将窗口中的灰度值进行升序（降序）排列，用排在中间的灰度值来代替窗口中心 的灰度值。 将窗口向右移一列，在进行步骤。到图像的有边缘后，向下移一行从左往右依 次进行步骤和步骤。运用Matlab进行编程，程序如下所示：clear;clc;l=imread( Miss512G.bmp ); a,b=size(l);figuresubplot(2,2,1);imshow(l); title(J=i mno ise(l,salt & pepperK=imno ise(J,gaussia n,0.02);a,b=size(K);

12、subplot(2,2,2);imshow(K);title(%3*3中值滤波for i=1:afor j=1:bif (i=1|i=a|j=1|j=b) G(i,j)=K(i,j);elsetemp(1)=K(i-1,j-1);temp (2)=K(i-1,j); temp(3)=K(i-1,j+1);temp=K(i,j-1); temp(5)=K(i,j);temp (6)=K(i,j+1); temp(7)=K(i+1,j-1); temp(8)=K(i+1,j); temp(9)=K(i+1,j+1); temp=sort(temp);G(i,j)=temp(5);endendend

13、subplot(2,2,3);imshow(G);title(%5*5中值滤波for i=1:a灰白原图);,0.02);加椒盐噪声和高斯噪声后的图像);%取 3*3的窗口%按升序排序%取中间值3*3中值滤波后的图像);for j=1:bif (i=1|i=2|i=a_1|i=a|j=1|j=2|j=b_1|j=b)G5(i,j)=K(i,j);elsetemp(1)=K(i-2,j-2);temp(2)=K(i-2,j-1);temp(3)=K(i-2,j);temp(4)=K(i-2,j+1);temp(5)=K(i-2,j+2); temp(6)=K(i-1,j-2); temp =K(

14、i-1,j-1);temp(8)=K(i-1,j); temp(9)=K(i-1,j+1); temp(10)=K(i-1,j+2);temp(11)=K(i,j-2);temp(12)=K(i,j-1); temp(13)=K(i,j); temp(14)=K(i,j+1); temp(15)=K(i,j+2);temp(16)=K(i+1,j-2); temp(17)=K(i+1,j-1);temp(18)=K(i+1,j); temp(19)=K(i+1,j+1); temp(20)=K(i+1,j+2);temp(21)=K(i+2,j-2);temp(22)=K(i+2,j-1);

15、temp(23)=K(i+2,j); temp(24)=K(i+2,j+1);temp(25)=K(i+2,j+2); temp=sort(temp); G5(i,j)=temp(13);endendend subplot(2,2,4);imshow(G5);title(5*5 中值滤波后的图像);其运行后的结果如图2所示。我们还可以直接运用中值滤波的函数进行Matlab滤波，由于当选取7*7和11*11大的窗口时，按上述方法编程的程序很长，从而增加了工作量，所以我们可直接用中值滤 波的函数medfilt2(a),进行中值滤波。程序如下所示：g=medfilt2(K,7,7); subplot

16、(1,2,1);imshow(g);title(7*7中值滤波后的图像)g=medfilt2(K,11,11);subplot(1,2,2);imshow(g);title(11*11 中值滤波后的图像 )其运行结果如图3所示：灰白原图加椒盐噪声和高斯噪声后的图像3*3中值滤波后的图像5*5中值滤波后的图像7*7中值滤波后的图像11*11中值滤波后的图像图3由上图中的3*3、5*5、7*7和11*11窗口的滤波效果，我们可以从中看到中值滤波能 有效地消除椒盐噪声，并且随着窗口大小的增加，滤波效果越好。但是随着中值滤波， 图像也变得模糊起来。所以当窗口增大到一定值之后，虽然也起到了去噪的效果，但

17、是 图像会变得过于模糊，不利于图片观赏。所以对于窗口大小的确定，我们可以由小到大 的逐次选取滤波，选出效果最好时的窗口，此时我们选择7*7的窗口。由上图，我们还可以得出：中值滤波对高斯噪声也有一定的消除，但是效果不是很 理想，所以我们可以选取另一种方法来进行滤波，看能否达到消去高斯噪声的效果。在这，我们选取维纳滤波法。4.2、维纳滤波维纳滤波是在逆滤波的基础上进行图像复原，是最小均方误差滤波。运用维纳滤波 时，我们需要选择一个合适的退化模型，在这里我们设图像的退化模型为：H(u,v)k(u a/2)2 (v b/2)2)5/6e(3)式中的a和b分别是退化后图像矩阵的行数和列数。在这里我们取

18、我们便可以得到恢复后图像的傅里叶变换为：k 0.0025。这样,F?(u,v)1.2H(u,v)|H(u,v)H(u,v)2S (u,v)/Sf (u,v)G(u,v)(4)2F(u,v)是未退化模型的功率谱。2式中S (u,v) N(u,v)是噪声的功率谱，Sf(u,v)G(u,v)是退化图像的变换。当处理高斯噪声时，谱|N(u,v)是一个常数，并且未退化图像的功率谱很少是已知的。当这些值未知或不能估计时，经常使用下面表达式近似表示：F?(u,v)1H(u,v)2H(u,v) G(u,v) H(u,v) K(5)式中K是一个特殊常量,我们可以带入任意值，选出效果最好时的 K的值。求出F?(u

19、,v)后，再对它进行傅里叶逆变换便可得到恢复后的图像。运用Matlab进行编程，程序如下所示：clear;clc;l=imread( Miss512G.bmp);a,b=size(l);figuresubplot(2,2,1);imshow(l);title(灰白原图);J=imnoise(l, salt & pepper ,0.02);K=imnoise(J, gaussian,0.02);a,b=size(K);subplot(2,2,2);imshow(K);title(加椒盐噪声和高斯噪声后的图像);k=0.0025;for u=1:afor v=1:bq=(u-a/2)A2+(v-b

20、/2)A2;H(u,v)=exp(-k*qA(5/6);H0(u,v)=(abs(H(u,v)f2;H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+c);endendF0=fftshift(fft2(K);F2=H1.*F0;I3=ifft2(fftshift(F2);subplot(2,2,3);imshow(ui nt8(l3);title(维纳滤波复原图); 考虑到其消噪的效果及伴随的模糊状况，最终确定K 0.18.或直接运用Matlab中的维纳滤波函数 wiener2来进行对加噪后(与中值滤波加相同的 椒盐噪声和高斯噪声)的图像进行消噪处理，程序如下所示：G=wie

21、ner2(K,3,3);figure8*8维纳滤波);subplot(2,2,1);imshow(G); ti tle(F=wie ner2(K,7,7); subplot(2,2,2);imshow(F);title( 9*9 维纳滤波 J;F=wie ner2(K,10,10);10*10维纳滤波);subplot(2,2,3);imshow(F);title(F=wie ner2(K,14,14); subplot(2,2,4);imshow(F);title( 11*11 维纳滤波);其运行结果如图4所示：8*8维纳滤波9*9维纳滤波10*10维纳滤波11*11维纳滤波由图中，我们可以

22、发现维纳滤波方法能够有效的滤去高斯噪声，并且随着窗口的增大，其滤波效果越好。但随着窗口的增大，也伴随着图像的模糊，所以选择 9*9的窗口其滤波效果最好。虽然维纳滤波也能消去椒盐噪声，但其效果并不是很理想。4.3、中值滤波和维纳滤波的结合由图2和图3，我们发现中值中值滤波能够滤除图像中的椒盐噪声，并能很好的保留图像的边缘。从图4中，可以得出维纳滤波则能较好的去除高斯噪声。所以，对于同时 含有椒盐噪声和高斯噪声的图像进行消噪处理时，我们可以想办法使这两个程序结合起来，从而达到对这两种噪声均能较好的去噪的效果。对图像进行去噪时，如果我们能够区分出椒盐噪声和高斯噪声污染的点，那就可以 分别对椒盐噪声运

23、用中值滤波，然后对高斯噪声进行维纳滤波达到预期的效果。而区分 噪声点时，由于椒盐噪声的特性，我们可以知道椒盐噪声点的灰度值与其他像素点有明 显的区别，一般是其邻域中的灰度极值点(正的或负的)。所以在一幅图像中，如果一 个像素点的灰度值远大于或远小于其邻域点的灰度值，也就是说该像素点与其邻域的点的相关性很小时，我们便分为这个点被污染了。否则，则认为这个点是有效信号点。所 以我们可通过下式来区分椒盐噪声点和信号点：N Xjj min(W j ) or max(Wx0 )Xj( 6)Smin(WXj) xij max(W xij )式中N为椒盐噪声点，S为信号点，minWXj为所选窗口内的最小灰度值

24、，maxW Xij 为窗口内的最大灰度值。按以上标准对所有像素进行分类，设丫訂表示输出图像，那么便可设:中值滤波(WXjj)xijNyijXijXij S得出中值滤波的图像后在对它进行维纳滤波，运用Matlab，其编程如下所示:clear;clc;l=imread( Miss512G.bmp);a,b=size(l);figuresubplot(2,2,1);imshow(I);title(灰白原图);J=imnoise(l, salt & pepper ,0.02);K=imnoise(J, gaussian,0.02);a,b=size(K);subplot(2,2,2);imshow(K

25、);title(加椒盐噪声和高斯噪声后的图像);for i=1:afor j=1:bif (i=1|i=2|i=3|i=a_2|i=a_1|i=a|j=1|j=2|j=3|j=b_2|j=b_1|j=b)G(i,j)=K(i,j);elsetemp(1)=K(i-3,j-3);temp(2)=K(i-3,j-2);temp (3)=K(i-3,j-1);temp (44)=K(i-3,j);temp(5)=K(i-3,j+1);temp(6)=K(i-3,j+2);temp (7)=K(i-3,j+3);temp(8)=K(i-2,j-3);temp(9)=K(i-2,j-2);temp(10

26、)=K(i-2,j-1);temp(11)=K(i-2,j);temp(12)=K(i-2,j+1);temp(13)=K(i-2,j+2);temp(14)=K(i-2,j+3);temp(15)=K(i-1,j-3);temp(16)=K(i-1,j-2);temp(17)=K(i-1,j-1);temp(18)=K(i-1,j);temp(19)=K(i-1,j+1);temp(20)=K(i-1,j+2);temp(21)=K(i-1,j+3);temp(22)=K(i,j-3);temp(23)=K(i,j-2);temp(24)=K(i,j-1);temp(25)=K(i,j);t

27、emp(26)=K(i,j+1);temp(27)=K(i,j+2);temp(28)=K(i,j+3);temp(29)=K(i+1,j-3);temp(30)=K(i+1,j-2);temp(31)=K(i+1,j-1);temp(32)=K(i+1,j);temp(33)=K(i+1,j+1);temp(34)=K(i+1,j+2);temp(35)=K(i+1,j+3);temp(36)=K(i+2,j-3);temp(37)=K(i+2,j-2);temp(38)=K(i+2,j-1);temp(39)=K(i+2,j);temp(40)=K(i+2,j+1);temp(41)=K(i+2,j+2);temp(42)=K(i+2,j+3);temp(43)=K(i+3,j-3);temp(44)=K(i+3,j-2);temp(45)=K(i+3,j-1);temp(46)=K(i+3,j);temp(47)=K(i+3,j+1);temp(48)=K(i+3,j+2);temp(49)=K(i+3,j+3);temp=sort(temp);N=temp(1);M=temp(49);if(K(