现有一含有椒盐噪声的图像image.jpg如何增强该图像,写出matlab程序

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了现有一含有椒盐噪声的图像image.jpg如何增强该图像,写出matlab程序相关的知识,希望对你有一定的参考价值。

image.jpg如何增强该图像,写出matlab程序有以下几个方法:
1. 灰度线性变换, 是一种空域的方法, 直接对每一个像素的灰度值进行增强图像。2. 直方图均衡变换。通常用来增加许多图像的全局对比度,亮度可以更好地在直方图上分布。3. 同态滤波利用去除乘性噪声(multiplicative noise),可以同时增加对比度以及标准化亮度,借此达到图像增强的目的。
参考技术A 采纳率:44%    等级:7

已帮助:305人

M=imread('dl011.jpg')%读取MATLAB中的名为cameraman的图像

subplot(3,3,1)

imshow(M)%显示原始图像

title('original')

P1=imnoise(M,'gaussian',0.02)%加入高斯躁声

subplot(3,3,2)

imshow(P1)%加入高斯躁声后显示图像

title('gaussiannoise');

P2=imnoise(M,'salt&pepper',0.02)%加入椒盐躁声

subplot(3,3,3)

imshow(P2)%%加入椒盐躁声后显示图像

title('salt&peppernoise');

g=medfilt2(P1)%对高斯躁声中值滤波

subplot(3,3,5)

imshow(g)

title('medfiltergaussian')

h=medfilt2(P2)%对椒盐躁声中值滤波

subplot(3,3,6)

imshow(h)

title('medfiltersalt&peppernoise')

l=[111%对高斯躁声算术均值滤波

matlab在空域与频域中去除周期噪声椒盐噪声的简单应用

前言

去年图像处理的DLL,有学弟问我做的思路,便放到博客里
github地址,欢迎star
图像增强处理:设计一套空间域与频率域结合的图像增强算法,处理以下任一组图片中的带噪声图像,去除噪声,提高图像质量。
(1)已知:噪声为随机噪声和周期噪声混合噪声;
(2)要求:
a)去噪处理后,计算均方误差评估去噪处理后图像的去噪效果
b)撰写完整的科技报告(形式类似科技论文)表述自己的算法设计,算法实现与算法评估过程。

对 swanNoise 图像去噪

空域去噪

根据老师讲解,swanNoise.bmp 所包含的噪声为椒盐噪声与周期噪声的混合。
对于传统图像中的椒盐噪声,适合使用 k 近邻滤波、中值滤波(二维统计滤波)、自适应中值滤波来去除噪声。k 近邻滤波能保留图像细节,使图像保持一定的清晰度,但椒盐噪声仍有少许干扰。中值滤波能完全去除椒盐噪声,但图像细节信息也损失了许多。
对于本图像,选取默认的参数调用三个滤波器去噪:
技术图片
结果发现 k 近邻滤波图像细节损失不少。
再将二维统计滤波结果与自适应中值滤波结果比较:
技术图片
结果发现适应中值滤波去噪效果最好。

频域去噪

将空域去噪的结果频谱图进行对比:
技术图片
结果发现周期噪声突出的频率在每个区域均匀分布在各个点中。打开 photoshop 确认各点坐标。
对于频域滤波来说,可以采用高通滤波器、带阻滤波器、陷波滤波器、小波滤波器。下面对这几种滤波器进行比较:

  • 高通滤波器对于周期噪声的滤波效果并不好
  • 带阻滤波器对噪声以外的成分也有衰减
  • 陷波滤波器对某个点进行衰减,对其余的成分不造成损失
  • 小波滤波器对不同的频率成分分解到互不重叠的频带,对其余成分不造成损失

*由于试用版 matlab 无法安装 wavetoolbox ,在机房中实验的小波滤波器对本图去噪效果并不好,故采用陷波滤波器。
陷波滤波器结果如下:
技术图片

小结

经过实验,发现先对频域去噪再对空域去噪效果最好,在这种情况下,自适应中值滤波比之原图的均方误差最小,结果如下:
技术图片

二维统计滤波:
function y = TwostaticFilter(imageWithNoise,k,boxSize) 
% iamgeWithNoise:噪声图像
% k:k值
% boxSize:模板尺寸
% 二维统计滤波

y = imageWithNoise;
[rows,cols]=size(y);
template = zeros(boxSize);
for i = 1:rows-boxSize+1
    for j = 1:cols-boxSize+1
        % 取模板内元素
        template = imageWithNoise(i:i+(boxSize-1),j:j+(boxSize-1));
        % 用排序后第k个值替换模板中心点像素值
        v = sort(template(:));
        y(i+(boxSize-1)/2,j+(boxSize-1)/2) = v(k);
    end
end
非局部均值滤波:
function DenoisedImg=NLmeans(I,ds,Ds,h)
 [m,n]=size(I);
DenoisedImg=zeros(m,n);
% 扩展图像边界
PaddedImg = padarray(I,[ds,ds],'symmetric','both');
% 定义d值
kernel=ones(2*ds+1,2*ds+1);
kernel=kernel./((2*ds+1)*(2*ds+1));
% 定义噪声功率
h2=h*h;
for i=1:m
    for j=1:n
        % 原图像对应扩展图像的偏移量
        i1=i+ds;
        j1=j+ds;
        % 在扩展图像中以(i1,j1)为中心的邻域窗口1
        W1=PaddedImg(i1-ds:i1+ds,j1-ds:j1+ds);
        average=0; % 加权和
        sweight=0; % 归一化系数
        % 搜索窗口
        rmin = max(i1-Ds,ds+1); % 搜索窗口上边界最低限制到原图像上边界
        rmax = min(i1+Ds,m+ds); % 搜索窗口下边界最高限制到原图像下边界
        smin = max(j1-Ds,ds+1); % 搜索窗口左边界最低限制到原图像左边界
        smax = min(j1+Ds,n+ds); % 搜索窗口右边界最高限制到原图像右边界
        % r与s为搜索窗口内像素点的坐标,对搜索窗口内的每个像素点求相似度
        for r=rmin:rmax
            for s=smin:smax
                % 不能与自己比较相似度
                if(r==i1&&s==j1) 
                    continue;
                end
                % 以搜索窗口内的像素点为中心的邻域窗口2
                W2=PaddedImg(r-ds:r+ds,s-ds:s+ds);
                % 计算邻域间距离
                Dist2=sum(sum(kernel.*(W1-W2).*(W1-W2)));
                % 计算权值w(x,y)
                w=exp(-Dist2/h2);
                sweight=sweight+w;
                average=average+w*PaddedImg(r,s);
            end
        end
        % 将加权和归一化并替换原像素点
        DenoisedImg(i,j)=average/sweight;
    end
end
三维块匹配滤波:
function [y_est] = BM3D(y, z, sigma)
elseif strcmp(transform_type, 'dct') == 1,
    Tforward    = dct(eye(N));
elseif strcmp(transform_type, 'dst') == 1,
    Tforward    = dst(eye(N));
elseif strcmp(transform_type, 'DCrand') == 1,
    x = randn(N); x(1:end,1) = 1; [Q,R] = qr(x); 
    if (Q(1) < 0), 
        Q = -Q; 
    end;
    Tforward = Q';
else
    dwtmode('per','nodisp');
    Tforward = zeros(N,N);
    for i = 1:N
        Tforward(:,i)=wavedec(circshift([1 zeros(1,N-1)],[dec_levels i-1]), log2(N), transform_type);  %% construct transform matrix
    end
end
Tforward = (Tforward' * diag(sqrt(1./sum(Tforward.^2,2))))'; 
Tinverse = inv(Tforward);
return;

陷波滤波:
function [im,fftim] = swannotchfilter(Image,D)  
f = Image;
f = mat2gray(f,[0 255]);  
[M,N] = size(f);  
P = 2*M;  
Q = 2*N;  
fc = zeros(M,N);  
for x = 1:1:M  
    for y = 1:1:N  
        fc(x,y) = f(x,y) * (-1)^(x+y);  
    end  
end  
F = fft2(fc,P,Q);  
H_NF = ones(P,Q);  
for x = (-P/2):1:(P/2)-1  
     for y = (-Q/2):1:(Q/2)-1    
        v_k = 200; u_k = 145;  
        D_k = ((x+u_k)^2 + (y+v_k)^2)^(0.5);  
        H_NF(x+(P/2)+1,y+(Q/2)+1) = H_NF(x+(P/2)+1,y+(Q/2)+1) * 1/(1+(D/D_k)^4);  
     end  
end  
G_1 = H_NF .* F;  
g_1 = real(ifft2(G_1));  
g_1 = g_1(1:1:M,1:1:N);       
for x = 1:1:M  
    for y = 1:1:N  
        g_1(x,y) = g_1(x,y) * (-1)^(x+y);  
    end  
end  
im=g_1;
fftim=G_1;

对 dogDistorted 图像去噪

空域去噪

根据老师讲解,dogDistorted.bmp 所包含的噪声为高斯噪声与周期噪声的混合。

对于传统图像中的高斯噪声,适合使用非局部均值滤波、中值滤波(二维统计滤波)、三维块匹配滤波
非局部均值滤波均方误差更小,但三维块匹配滤波对于细节的保留程度更高。

频域去噪

同样的,采用陷波滤波器去噪,查看噪声图像频谱图:

技术图片

采用一样的方法陷波滤波:

技术图片

小结:

技术图片

以上是关于现有一含有椒盐噪声的图像image.jpg如何增强该图像,写出matlab程序的主要内容,如果未能解决你的问题,请参考以下文章

Matlab编程,选用模糊小波变换法对含有高斯噪声和椒盐噪声的图像进行去噪。

OpenCV——彩色图像添加椒盐噪声

数据增强(噪声,模糊,缩放,色域变换,均衡化,色彩抖动)

椒盐噪声

椒盐噪声

图像处理:随机添加椒盐噪声和高斯噪声Python