图像平滑滤波器

图像平滑滤波器1.课程设计目的〔1〕加深对图像噪声抑制根本理论知识的理解。〔2〕学习MATLAB软件的使用能力和编程能力。〔3〕通过对MATLAB仿真的编程学会对图像进行噪声抑制。2.课程设计要求〔1〕掌握课程设计的相关知识、概念清晰。〔2〕程序设计合理、能够正确运行。3.相关知识3.1滤波的目的和要求滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条:一是不能损坏图像的轮廓及边缘等重要信息；二是使图像清晰视觉效果好。3.2滤波的方法和归类图像的噪声滤波器有很多种，常用的有线性滤波器，非线性滤波器。采用线性滤波如邻域平滑滤波，对受到噪声污染而退化的图像复原，在很多情况下是有效的。但大多数线性滤波器具有低通特性，去除噪声的同时也使图像的边缘变模糊了。而另一种非线性滤波器如中值滤波，在一定程度上可以克服线性滤波器所带来的图像模糊问题，在滤除噪声的同时，较好地保存了图像的边缘信息。3.3平滑滤波空域滤波技术根据其功能主要分成平滑滤波和锐化滤波两类。平滑滤波能减弱或消除图像中的高频率分量，但不影响低频率分量。因为高频分量对应图像中的区域边缘等灰度值具有较大较快变化的局部，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比拟平滑。实际中，它还可用于消除噪声或在撮较大的目标前去除太小的细节或将目标内的小间断连接起来。4.课程设计分析4.1均值滤波把每个像素都用周围的8个像素来做均值操作。可以平滑图像，速度快，算法简单。但是无法去掉噪声，这能微弱的减弱它。采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波，代码如下：[I,map]=imread('eight.tif');%导入原始图像figure,imshow(I);title('original')%绘制原始图像J1=imnoise(I,'gaussian',0,0.02);%受高斯噪声干扰J2=imnoise(I,'salt&pepper',0.04);%叠加密度为0.04的椒盐噪声figure,imshow(J1);%绘制参加高斯噪声前的图像figure,imshow(J2);%绘制参加椒盐噪声前的图像M=[111;111;111];M=M/9;%产生3×3滤波模板N=[11111;11111;11111;11111;11111];N=N/25;%产生5×5滤波模板I_filter1=filter2(M,J1);%对高斯噪声均值滤波figure,imshow(I_filter1,map);%绘制高斯滤波后的图像I_filter2=filter2(M,J2);%对椒盐噪声均值滤波figure,imshow(I_filter2,map);%绘制椒盐滤波后的图像I_filter3=filter2(N,J1);figure,imshow(I_filter3,map);I_filter4=filter2(N,J2);figure,imshow(I_filter4,map);4.2中值滤波中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术。它在平滑脉冲噪声方面非常有效,同时它可以保护图像锋利的边缘。加权中值滤波能够改良中值滤波的边缘信号保持效果。但对方向性很强的指纹图像进行滤波处理时,有必要引入方向信息,即利用指纹方向图来指导中值滤波的进行。采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像进行中值滤波，代码如下：I=imread('eight.tif');imshow(I);J1=imnoise(I,'gaussian',0,0.02);%受高斯噪声干扰J2=imnoise(I,'salt&pepper',0.04);%叠加密度为0.04的椒盐噪声figure,imshow(J1);figure,imshow(J2);I_Filter1=medfilt2(J1,[33]);%对高斯噪声中值滤波figure,imshow(I_Filter1);I_Filter2=medfilt2(J1,[55]);figure,imshow(I_Filter2);I_Filter3=medfilt2(J2,[33]);%对椒盐噪声中值滤波figure,imshow(I_Filter3);I_Filter4=medfilt2(J2,[55]);figure,imshow(I_Filter4);4.3最小均方差滤波(自适应滤波)最小均方差滤波亦称维纳滤波,其设计思想是使输入信号乘响应后的输出,与期望输出的均方误差为最小。代码如下：[I,map]=imread('eight.tif');figure,imshow(I);title('original')J1=imnoise(I,'gaussian',0,0.02);%受高斯噪声干扰J2=imnoise(I,'salt&pepper',0.04);%叠加密度为0.04的椒盐噪声figure,imshow(J1);figure,imshow(J2);[Knoise]=wiener2(J1,[55]);%对高斯噪声最小均方差滤波figure,imshow(K);[Nnoise]=wiener2(J2,[55]);%对椒盐噪声最小均方差滤波figure,imshow(N);原始图像5.仿真原始图像参加高斯噪声后的参加高斯噪声后的图像参加椒盐噪声后的图像参加椒盐噪声后的图像均值滤波：对高斯噪声均值滤波后图像5对高斯噪声均值滤波后图像5×5模板对高斯噪声均值滤波后图像3×3模板对椒盐噪声均值滤波后图像5对椒盐噪声均值滤波后图像5×5模板对椒盐噪声均值滤波后图像3×3模板中值滤波：对高斯噪声中值滤波后图像5对高斯噪声中值滤波后图像5×5模板对高斯噪声中值滤波后图像3×3模板对椒盐噪声中值滤波后图像5对椒盐噪声中值滤波后图像5×5模板对椒盐噪声中值滤波后图像3×3模板最小均方差滤波：对对高斯噪声最小均方差滤波后图像对椒盐噪声最小均方差滤波后图像对椒盐噪声最小均方差滤波后图像6.结果分析通过上面的仿真结果可以看出，均值滤波能对高斯噪声产生较好的滤波效果，但导致了边缘的模糊；而中值滤波能对椒盐噪声产生较好的滤波效果，但同样产生了边缘的模糊；最小均值滤波是边缘保持类滤波，它除了滤除噪声外，还对边缘起到一定的保持作用。较大的模板对噪声的滤除有更好的效果，但相对的，边缘也更模糊。因此在作平滑处理时要针对不同的图像噪声采用不同的模板不同滤波器才能获得好的效果。7.结束语为期一周的数字图像课程设计结束了，经过努力，我顺利的完成了这次课程设计。本次课程设计工作是对我数字图像知识的一个总结，在这期间，无论是资料的查阅、调研、方案的论证及设计校核计算都给我的业务素质、个人能力的培养提供了一个难得的时机，令我回忆这些天来的设计过程，我学到许多实际问题的解决方法，为以后在工作岗位上的继续深造打下了根底。在这段时间里，我得到了老师和朋友的帮助。我要对指导老师表示诚挚的谢意。老师高深的学术造诣、严谨的治学态度和勤勉的工作精神使我受益终身。在我做课程期间我的同学给予了我很大的帮助，在我遇到困难的时候，总是不断给我提出许多有价值的意见，并且经常鼓励我。感谢大家！8.参考文献[1]张汗灵编著