基于matlab的图像高斯噪声和椒盐噪声的滤除.doc

基于matlab的图像高斯噪声和椒盐噪声的滤除目录摘要第一章高斯平滑滤波的原理第二章试验要求及试验步骤设计2.1试验要求2.2试验步骤设计2.3结论参考文献摘要图像信号在产生、传输和记录的过程中经常会受到各种噪声的干扰噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和维纳滤波他们分别对某种噪声的滤除有较好的效果但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好在这里我们分别用多种方法对图像噪声进行处理对比使用效果。关键词：图像去噪、常见噪声、多种方法、使用效果。绪论20世纪20年代图像处理首次得到应用。上个世纪60年代中期随着计算机科学的发展和计算机的普及图像处理得到广泛的应用。60年代末期图像处理技术不断完善逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像输出的是改善质量后的图像。为了改善图像质量从图像中提取有效信息必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点出现了多种多样的去噪方法。经典的去噪方法有：空域合成法频域合成法和最优合成法等与之适应的出现了许多应用方法如均值滤波器中值滤波器低通滤波器维纳滤波器最小失真法等。这些方法的广泛应用促进数字信号处理的极大发展显著提高了图像质量。一幅原始图像在获取和传输过程中会受到各种噪声的干扰使图像质量下降对分析图像不利。反映到图像画面上主要有两种典型的噪声。一种是幅值基本相同但出现的位置随机的椒盐噪声另一种则每一点都存在但幅值随机分布的随机噪声。为了抑制噪声、改善图像质量要对图像进行平滑处理。图像平滑处理的方法多种多样有邻域平均、中值滤波高斯滤波、灰度最小方差的均值滤波等。第一章高斯平滑滤波的原理高斯滤波是根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对去除服从正态分布的噪声是很有效果的。一维零均值高斯函数为。其中高斯分布参数决定了高斯滤波器的宽度。对图像来说常用二维零均值离散高斯函数作平滑滤波器函数表达式如下：式（1）高斯函数具有5个重要性质：（1）二维高斯函数具有旋转对称性即滤波器在各个方向上的平滑程度是相同的。一般来说一幅图像的边缘方向是不知道的。因此在滤波之前是无法确定一个方向比另一个方向上要更多的平滑的。旋转对称性意味着高斯滤波器在后续的图像处理中不会偏向任一方向。（2）高斯函数是单值函数。这表明高斯滤波器用像素邻域的加权均值来代替该点的像素值而每一邻域像素点的权值是随着该点与中心点距离单调递减的。这一性质是很重要的因为边缘是一种图像局部特征。如果平滑运算对离算子中心很远的像素点仍然有很大的作用则平滑运算会使图像失真。（3）高斯函数的傅立叶变换频谱是单瓣的。这一性质是高斯函数傅立叶变换等于高斯函数本身这一事实的直接推论。图像常被不希望的高频信号所污染而所希望的图像特征既含有低频分量又含有高频分量。高斯函数傅立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染同时保留了大部分所需要的信号。（4）高斯滤波器的宽度(决定着平滑程度)是由参数σ表证的而且σ和平滑程度的关系是非常简单的。σ越大高斯滤波器的频带就越宽平滑程度就越好。通过调节平滑程度参数σ可在图像特征分量模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。（5）由于高斯函数的可分离性大高斯滤波器可以有效实现。通过二维高斯函数的卷积可以分两步来进行首先将图像与一维高斯函数进行卷积然后将卷积的结果与方向垂直的相同一维高斯函数进行卷积。因此二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。这些性质使得它在早期的图像处理中特别有用表明高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器。高斯函数的可分离性很容易表示：式（2）式（3）式（4）在图像滤波中常用的方法是线性滤波技术和非线性滤波技术线性滤波以其完美的理论基础数学处理简单、易于采用和硬件实现等优点一直在图像滤波领域中占有重要地位。第二章试验要求及试验步骤设计2.1试验要求高斯滤波实验结果分析与总结以下即为本课题研究的主要内容及要求：使用imread(