毕业论文滤波器的形状和尺寸对图像滤波的影响(编辑修改稿)

毕业论文滤波器的形状和尺寸对图像滤波的影响(编辑修改稿)内容摘要：

过，对于存储图像来说，一般使用的是无符号整型存储方式。 MATLAB 的图像处理工具的功能非常的强大，支持很多的图像文件格式，比如*.JPEG、 *.GIF 和 *.BMP 等。 MATLAB 包含有 15 种图像处理函数 ，这些函数按其功能可分为：图像显示、图像文件 I/O，几何操作、像素和统计处理、图像分析、图像增强、二进制图像制作、区域处理、颜色映像处理、颜色空间变换，图像类型和类型转换。 MATLAB 图像处理支持四种图像处理，是真彩色出图像、灰度图像、二值图像和索引色图像。 索引图像 索引图像就是将不一样的颜色对应不一样的序号，也就是说，一个是数据矩阵，一个是颜色矩阵，颜色矩阵每一行分别表示红色、绿色和蓝色的颜色值，通过双精度数，形成特定颜色。 因此，像素的存储不是颜色的本身，而是代表颜色的序 号。 索引色图像的矩阵可以是 double 类型也可以是 uint8 类型。 RGB 图像 RGB 图像又称为真彩色图像， R、 G、 B 表示的是一个像素的颜色， R 代表的是红色， G 代表的是绿色， B 代表的是蓝色，这三种基本颜色可以合成出任意的颜色。 尺寸是 nm 的图像，它的存储是 nm3 的数据矩阵。 灰度图像 在 MATLAB 中，一副灰度图像表示的就是一个数据矩阵，灰度图像只需一个数据矩阵，并且这个数据矩阵的元素代表着图像中的像素。 灰度图像的数据类型可以使uint8，也可以是 double 类型。 二值图像 二 值图像与灰度图像是相同的，二值图像也只需一个数据矩阵，并且二值图像只内蒙古工业大学本科毕业论文 12 有黑白两种值的图像，二值图像可以用 uint8 或者 double 类型存储。 内蒙古工业大学本科毕业论文 13 第三章 滤波器去噪及 MATLAB 的实现 图像滤波及噪声 图像滤波的方式 中值滤波 1971 年， Turky 提出了中值滤波，在这之后就被用于图像处理中，并且在去除图像噪声中取得了成就。 中值滤波是对图像的非线性处理的一种方法，它的作用是去除噪声。 中值滤波器是统计滤波器的一种，它是 属于非线性的空间滤波器，原理是将图像像素值用中值代替，中值滤波器使用广泛，因为它的去噪能力较强，并且处理脉冲噪声的效果非常好。 脉冲干扰和一些随机的干扰使用中值滤波的方法处理是比较有效果的，而对于高斯噪声并不是很理想，因为所有的图像的点都被高斯噪声干扰了。 中值滤波法属于是非线性的平滑滤波技术的一种。 由于它在实际运算过程中只需通过从图像中的某个釆样窗口取出奇数个数据进行排序 ,并不需要对图像的点进行统计 ,所以思路比较简单 ,构造算法比较明了。 中值滤波法可以消除噪声点，对图像的某些模糊部分进行处理，使其变得 清晰。 均值滤波 均值滤波是属于线性滤波，一般使用的方法是领域平均法和加权平均法。 均值滤波的原理不同于中值滤波法，它是将图像中的每个像素值用均值来代替。 均值滤波它存在着一个缺陷，就是在图像去噪是没有保护图片中的某些细节，导致图像不清晰，去除噪声点的效果不是很好。 均值滤波器是一种比较常见的滤波器，它常用于平滑噪声处理。 均值滤波器主要是通过对滤波器邻域内的像素进行平均值处理，这种处理减低了图像灰度的尖锐变换。 图像邻域平均法的处理效果由邻域半径大小决定。 半径越大 ,则图像的模糊程度也越大。 另外 ,图像邻域平均法算法简单 ,计算速度快 ,但它的主要缺点是在降低噪声的同时使图像产生模糊 ,特别在边沿和细节处 ,邻域越大 ,模糊越厉害。 高斯滤波 高斯滤波属于线性平滑滤波，对于消除高斯噪声有非常好的效果，它的原理就是对图像进行加权平均数，图像中的每一个像素值都是有加权平均数所得到的。 标准差决定的是高斯滤波的平滑程度，并且输出时像素的加权平均数，所与均值滤波相比，图像质量更好，平滑效果更加突出。 高斯滤波器是线性平滑滤波器，对去除高斯噪声内蒙古工业大学本科毕业论文 14 是非常有效果的。 最大均匀性平滑滤波 使用滤波方法去除噪 声在某些情况下会引起图像边沿的退化，在这个时候，就需要使用最大均匀性平滑滤波的方法了，这种方法原理是，在图像中找到每个像素点最均匀的地方，然后用灰度均值作为被处理的像素值。 这样做的优点是在消除噪声的同时又可以保护图像的边缘，使图像平滑效果更好，提高了图像的质量。 低通滤波 低通滤波实际上是一种过滤的方式，低频信号才可以通过，而高频信号会被阻止通过，或者是被减弱。 它会根据低通滤波的信号频率对高频信号进行不同的阻止和减弱。 它实际上就是能够使低频信号顺利的通过，并且可以阻止高频信号的通过。 低通滤波器在 图像处理方面，可以减少噪音对图像的影响，但是，低通滤波器也会对高频的部分进行滤波，这样的情况，实际上会对一些不是噪音的部分进行了去除，也会影响到图像的清晰度以及图像的美感。 维纳滤波 在二十世纪四十年代， 诺伯特维纳 提出的一种维纳滤波的滤波器，从此，维纳滤波就被广泛的应用了。 图像会在传输等一系列的过程中导致图像质量退化，图像的视觉效果变差，因此，就需要对图像进行图像复原。 在图像处理中，对图像的复原一般使用 的是维纳滤波，它是最常用的一种方法，也是最典型的一种。 维纳滤波的理论主要是针对线性滤波的问题，它考虑的是最小均方差，这是最佳的过滤准则。 所以，在使用维纳滤波器滤波是，预计的输出值与实际的输出值有一个误差，对误差求均方，均方误差于小，去除噪声的效果就会越好。 中值滤波器去噪及 MATLAB的实现 利用中值滤波器对有高斯噪声和椒盐噪声的图像去噪，通过对滤波器形状（正方形、长方形、圆形、十字形）和尺寸的改变，得出滤波器的改变影响着图像的滤波。 正方形中值滤波器去噪 （ 1）正方形 3*3 中值 滤波器去噪程序 I=imread(39。 39。 )。 subplot(2,3,1), imshow(I)。 B=rgb2gray(I)。 subplot(2,3,2), imshow(B), title(39。 Original Image39。 )。 J = imnoise(B,39。 salt amp。 pepper39。 ,)。 %noise density= 内蒙古工业大学本科毕业论文 15 K= imnoise(B,39。 gaussian39。 ,)。 subplot(2,3,3), imshow(J), title(39。 Salt amp。 Pepper Noise39。 )。 subplot(2,3,4), imshow(K), title(39。 Gaussian Noise39。 )。 image=double(J)。 [M,N]=size(B)。 for i=2:M1, for j=2:N1, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 for p=1:9, for q=1:9p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, image(i,j)=u(5)。 end, end, d=uint8(image)。 subplot(2,3,5), imshow(d), title(39。 3*3 椒盐噪声中值滤波图像 39。 )。 image=double(K)。 [M,N]=size(B)。 for i=2:M1, for j=2:N1, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 for p=1:9, for q=1:9p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, image(i,j)=u(5)。 end, end, d=uint8(image)。 subplot(2,3,6), imshow(d), title(39。 3*3 高斯噪声中值滤波图像 39。 )。 内蒙古工业大学本科毕业论文 16 正方形 3*3 中值滤波器对椒盐噪声和高斯噪声去噪 图 31 （ 2） 正方形 5*5 中值滤波器去噪程序 I=imread(39。 39。 )。 subplot(2,3,1), imshow(I)。 B=rgb2gray(I)。 subplot(2,3,2), imshow(B), title(39。 Original Image39。 )。 J = imnoise(B,39。 salt amp。 pepper39。 ,)。 %noise density= K= imnoise(B,39。 gaussian39。 ,)。 subplot(2,3,3), imshow(J), title(39。 Salt amp。 Pepper Noise39。 )。 subplot(2,3,4), imshow(K), title(39。 Gaussian Noise39。 )。 image=double(J)。 [M,N]=size(B)。 for i=5:M4, for j=5:N4, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 u(10)=image(i2,j2)。 u(11)=image(i2,j1)。 u(12)=image(i2,j)。 u(13)=image(i2,j+1)。 u(14)=image(i2,j+2)。 u(15)=image(i1,j2)。 u(16)=image(i1,j+2)。 u(17)=image(i,j2)。 u(18)=image(i,j+2)。 u(19)=image(i+1,j2)。 u(20)=image(i+1,j+2)。 u(21)=image(i+2,j2)。 u(22)=image(i+2,j1)。 u(23)=image(i+2,j)。 u(24)=image(i+2,j+1)。 u(25)=image(i+2,j+2)。 for p=1:25, for q=1:25p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, 内蒙古工业大学本科毕业论文 17 image(i,j)=u(13)。 end, end, d=uint8(image)。 subplot(2,3,5), imshow(d), title(39。 5*5椒盐噪声中值滤波图像 39。 )。 image=double(K)。 [M,N]=size(B)。 for i=5:M4, for j=5:N4, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 u(10)=image(i2,j2)。 u(11)=image(i2,j1)。 u(12)=image(i2,j)。 u(13)=image(i2,j+1)。 u(14)=image(i2,j+2)。 u(15)=image(i1,j2)。 u(16)=image(i1,j+2)。 u(17)=image(i,j2)。 u(18)=image(i,j+2)。 u(19)=image(i+1,j2)。 u(20)=image(i+1,j+2)。 u(21)=image(i+2,j2)。 u(22)=image(i+2,j1)。 u(23)=image(i+2,j)。 u(24)=image(i+2,j+1)。 u(25)=image(i+2,j+2)。 for p=1:25, for q=1。