基于Matlab的图像去噪算法仿真

在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。

本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出：

一．均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；

二．中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；

三．维纳滤波对高斯噪声有明显的抑制作用；

四．对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

本论文主要是从两方面展开，首先是图像去噪算法：简要说明了图像噪声的概念及分类，详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。

其次是基于Matlab的图像去噪算法仿真：根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析，运用Matlab仿真软件编写代码，对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，并对结果分析讨论，比较几种方法的优缺点。

本论文仿真时选取一张彩色图片“2010-03-09-2.bmp”，并在图片中加入两种噪声：高斯噪声和椒盐噪声。所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，属于非平稳噪声。本章利用Matlab软件对含噪图像的去噪算法进行仿真，将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。

1.1邻域平均法的仿真

本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪，并用Matlab软件仿真。

（1）给图像加入均值为0，方差为0.02的高斯噪声，选择3×3模板去噪Matlab部分代码：

j=imnoise(x,'gaussian',0,0.02);

h=ones(3,3);

h=h/9;

k=conv2(j,h);

仿真结果如图4-1所示。

图1-1 邻域平均法对高斯噪声去噪的仿真结果

（2）给图像加入噪声密度为0.02的椒盐噪声，选择3×3模板去噪

Matlab部分代码：

j=imnoise(x,'salt & pepper',0.02);

h=ones(3 3);

h=h/9;

k=conv2(j,h);

仿真结果如图1-2所示。

图1-2 邻域平均法对椒盐噪声去噪的仿真结果

从仿真结果可以看出：邻域平均法实现起来很方便，适用于消除图像中的颗粒噪声，但需要指出这种方法既平滑了图像信号，同时使图像的细节部分变得模糊。由以上处理后的图像可以看到：邻域平均法消弱了图像的边缘，使图像变得有些模糊。如图1-1所示，均值滤波对高斯噪声的抑制是比较好的，但对椒盐噪声的抑制作用不好，如图1-2所示，椒盐噪声仍然存在，只不过被削弱了而已。为了改善均值滤波细节对比度不好、区域边界模糊的缺陷，常用门限法来抑制椒盐噪声和保护细小纹理，用加权法来改善图像的边界模糊，用选择平均的自适应

技术来保持图像的边界。

1.2 中值滤波的仿真

本节选用中值滤波法对含有高斯噪声和椒盐噪声的图像进行去噪，并用Matlab 软件仿真。

（1）给图像加入均值为0，方差为0.02的高斯噪声，分别选择3×3模板、5×5模板和7×7模板进行去噪 Matlab 部分代码：

j=imnoise(I,'gaussian',0,0.02); x=j(:,:,1); subplot(221); imshow(x);

title('高斯噪声图片'); k1=medfilt2(x,[3 3]); k2=medfilt2(x,[5 5]); k3=medfilt2(x,[7 7]);

仿真结果如图1-3所示。

图1-3 中值滤波法对高斯噪声去噪的仿真结果

含噪声图像

100

200

300

50100150200

3×3模板中值滤波

100

200

300

50100150200

5×5模板中值滤波7×7模板中值滤波

（2）给图像加入噪声密度为0.02的椒盐噪声，分别选择3×3模板、5×5模板和7×7模板进行去噪

Matlab 部分代码：

i=imread('2010-03-09-2.bmp'); j=imnoise(I,'salt & pepper',0.02); x=j(:,:,1); subplot(221); imshow(x);

title('椒盐噪声图片'); k1=medfilt2(x,[3 3]); k2=medfilt2(x,[5 5]); k3=medfilt2(x,[7 7]);

仿真结果如图1-4所示。

图1-4 中值滤波法对椒盐噪声去噪的仿真结果

从仿真结果可以看出：对图像加入椒盐噪声后，应用中值滤波，如图1-4所示，噪声的斑点几乎全部被滤去，它对滤除图像的椒盐噪声非常有效。而对于高斯噪声来说，如图1-3所示，虽然也有一些去噪效果，但效果不佳。由此可知，中值滤波法运算简单，易于实现，而且能较好地保护边界，但有时会失掉图像中的细线和小块区域。并且采用窗口的大小对滤波效果影响很大，窗口越大，图像去噪效果越好，但代价是模糊的程度越大。

含噪声图像

100

200

300

50100150200

3×3模板中值滤波

100

200

300

50100150200

5×5模板中值滤波7×7模板中值滤波

1.3 维纳滤波的仿真

选用维纳滤波法对含有高斯噪声和椒盐噪声的图像进行去噪，并用Matlab 软件仿真。

（1）给图像加入均值为0，方差为0.02的高斯噪声，选择3×3模板去噪 Matlab 部分代码：

i=imread('2010-03-09-2.bmp'); j=imnoise(I,'gaussian',0,0.02); x=j(:,:,1); k=wiener2(x);

仿真结果如图1-5所示。

图1-5 维纳滤波法对高斯噪声去噪的仿真结果

（2）给图像加入噪声密度为0.02的椒盐噪声，选择3×3模板去噪 Matlab 部分代码：

j=imnoise(I,'salt & pepper',0.02); x=j(:,:,1); k=wiener2(x);

仿真结果如图1-6所示。

图1-6 维纳滤波法对椒盐噪声去噪的仿真结果

加噪图

像

去噪图

像

加噪图

像

去噪图像

从仿真结果可以看出：维纳滤波对高斯白噪声的图像滤波与邻域平均法比较，滤波效果好，它比线性滤波器具有更好的选择性，可以更好地保存图像的边缘和高频细节信息。虽然，维纳滤波在大多数情况下都可以获得满意的结果，尤其对含有高斯噪声的图像。另外维纳滤波对于椒盐噪声去除效果却不尽人意，几乎没有效果。它不能用于噪声为非平稳的随机过程的情况，对于向量情况应用不方便。因此，维纳滤波在实际问题中应用不多。

1.4基于模糊小波变换法的仿真

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，并用Matlab软件仿真。

（1）给图像加入均值为0，方差为0.02的高斯噪声，用小波函数coif2对图象进行2层分解，选择3×3模板去噪

Matlab部分代码：

function y=zishiying(x)

x11=medfilt2(x,[3 3]);

x12=double(x11);

[a,b]=size(x12);

[c,s]=wavedec2(x12,3,'coif2');

n=[1,2,3];

p4=0.02*(sqrt(2*log(a*b)));

size(detcoef2('h',c,s,1));

size(detcoef2('v',c,s,1));

size(detcoef2('d',c,s,1));

p1(1)=detcoef2('h',c,s,1);

p2(1)=detcoef2('v',c,s,1);

p3(1)=detcoef2('d',c,s,1);

p1(2)=detcoef2('h',c,s,2);

p2(2)=detcoef2('v',c,s,2);

p3(2)=detcoef2('d',c,,s,2);

for i=1:1:2

p1(i)=1/((p1(i)-p4)^2+1);

if p1(i)>=p4

p1(i)=sign(p1(i))*(abs(p1(i))-p1(i)*p4);

else

p1(i)=0;

end

if p2(i)>=p4

p2(i)=sign(p2(i))*(abs(p2(i))-p2(i)*p4); else p2(i)=0; end

if p3(i)>=p4

p3(i)=sign(p3(i))*(abs(p3(i))-p3(i)*p4); else p3(i)=0; end end

仿真结果如图1-7所示。图1-7 模糊小波变换法对高斯噪声去噪的仿真结果

（2）给图像加入噪声密度为0.02的椒盐噪声，选择3×3模板去噪仿真结果如图4-8所示。

图1-8 模糊小波变换法对椒盐噪声去噪的仿真结果

含噪声图像消除噪声后的图像100

200

300

50100150

200

含噪声图像

100

200

300

50100150

200

消除噪声后的图像

100

200

300

50100150

200

55模板中值滤波

77模板中值滤波

从仿真结果可以看出：为验证本文算法的滤波效果，对加入不同噪声的图像进行了滤波测试。从视觉来看，自适应模糊小波变换算法在保持细节和去噪两方面效果最好。在平滑高斯噪声和有脉冲噪声的图像去噪效果都很显著。本算法相对于其它几种算法其效果都有明显的改进，既能够很好地消除噪声，又能够较好地保持图像边缘细节，而且算法简单，易于实现。目前使用比较广泛。

1.5几种去噪方法的比较分析

均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法。即对待处理的当前像索点)

x，选择一个模板，该模板由其近邻M个像素组成，求模

板中所有像素的均值，再把该均值赋予当前像素的算术平均值∑

g，作为邻域平均处理后的灰度。该方法运算简单，对高斯噪声-)

(

)

具有良好的去噪能力。均值滤波可归结为矩形窗加权的有限冲激响应线性滤波器。因此，均值滤波相当于低通滤波器。这种低通性能在平滑噪声的同时，必定也会模糊信号的细节和边缘，即在消除噪声的同时也会对图像的高频细节成分造成破坏和损失，使图像模糊，由以上处理后的图像可以看到：邻域平均法消弱了图像的边缘，使图像变得有些模糊。均值滤波时高斯噪声抑制是比较好的，但对椒盐噪声的抑制作用不好，椒盐噪声仍然存在，只不过被削弱了而已，如仿真结果图1-2所示。为了改善均值滤波细节对比度不好、区域边界模糊的缺陷，常用门限法来抑制椒盐噪声和保护细小纹理，用加权法来改善图像的边界模糊，用选择平均的自适应技术来保持图像的边界。

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。它可以克服线性滤波器给图像带来的模糊，在有效清除颗粒噪声的同时，又能保持良好的边缘特性，从而获得较满意的滤波效果，特别适合于去除图像的椒盐噪声，如仿真结果图1-4所示。当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。由以上图像可以看到：中值滤波法较好地保留了图像的边缘，使其轮廓比较清晰。中值滤波对椒盐噪声特别有效，取得了很好的效果，而对高斯噪声效果不佳。对一些复杂的图像，可以使用复合型中值滤波，如：中值滤波线性组合、高阶中值滤波组合、加权中值滤波以及迭代中值滤波等来改善单纯中值滤波的一些不足，从而达到更好的滤波效果。

维纳滤波是一种对退化图像进行恢复处理的一种常用算法，也是最早也最为人们熟知的线性图像复原方法。其设计思想是使输人信号乘响应后的输出，与期望输出的均方误差为最小。从图1-5中可以看到维纳滤波对高斯噪声有明显的抑制作用，相对与均值滤波和中值滤波，维纳滤波对这两种噪声的抑制效果更好，缺点就是容易失去图像的边缘信息。又正如图1-6所示，维纳滤波对椒盐噪声几

乎没有抑制作用。

小波阈值去噪方法是研究最广泛的方法。这种非线性滤波方法之所以特别有效，就是由于小波变换具有一种“集中”的能力，它可以使一个信号的能量在小波变换域集中在少数系数上，因此这些系数的幅值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的幅值。这就意味着对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号，然后运用小波逆变换，得到去噪后的重建图像。如图1-7、1-8所示，使用小波变换都得到了较好的消噪效果。

上述滤波方法虽都有一定的降噪效果，但都有其局限性。事实上，不管滤波器具有什么样的频率响应，均不可能做到噪声完全滤掉，使信号波形不失真。但我们可以不断地改进滤波的技术，如实际应用中常用一些改进型的滤波方法如小波导向、多级门限检测来提高去噪的效果从而最大可能地恢复出原始图像。

参考文献：

[1] CAITT,SILVERMANBW．Incorporating information on Neighbouring Coefficients into

wavelet estimation [J]．The Indian Journal of Statistics，2001，63(2)：127-148．[2] 杨群生，陈敏等．基于模糊技术的随机噪声消除算法[J]．华南理工大学学报，2000，

28(8)：82-87．

[3] L.K.Shark and C.Yu.Denoising by optimal fuzzy thresholding in wavelet domain

[J]．IEEE Electronics letters，2000，36(6)：581-582．

[4] S.Mallat，Sifen Zhong，Characterization of signals from multiscale edges[J]．IEEE Trans

on PAMI，1992，PAMI-14(7)：710-732．

[5] Keesok J.Han and Ahmed H.Tewfik.Hybnd Wavelet Transform Fllter for Image

Recovery[J]．IEEETrans．Image Processing，1998，l540-544．

[6] H.K .Kwan .Fuzzy filters for noise image filtering [J]．IEEE．2003，161-164．

[7] 杨晋生，蔡靖等.一种具有鲁棒性的基于小波变换的滤波方法[J].电子与信息学报，

2002，24（3）：413-417．

[8] 张磊，潘泉，张洪才等.小波域滤波阈值参数的选取[J].电子学报，2001，29（3）：

400-402．

基于Matlab基本图像处理程序

图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像图像增强一．图像的全局描述直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像

MATLAB实现频域平滑滤波以及图像去噪代码

用MATLAB实现频域平滑滤波以及图像去噪代码悬赏分：50 - 解决时间：2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在MATLAB上运行成功，必然给分。具体的实验指导书上的要求如下：频域平滑滤波实验步骤 1. 打开Matlab 编程环境；

2. 利用’imread’函数读入图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 将图像数据由’uint8’格式转换为’double’格式，并将各点数据乘以 (-1)x+y 以便FFT 变换后的结果中低频数据处于图像中央； 5. 用’fft2’函数对图像数据进行二维FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示频率域图像； 7. 在频率图像上去除滤波半径以外的数据(置0)； 8. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示处理过的频域图像数据； 9. 用’ifft2’函数对图像数据进行二维FFT 逆变换，并用’real’函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以(-1)x+y； 11. 利用’imshow’显示处理结果图像数据； 12. 利用’imwrite’函数保存图像处理结果数据。图像去噪实验步骤： 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入包含噪声的原始图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声图像进行滤波处理； 5. 利用’imshow’显示处理结果图像数据； 6. 利用’imwrite’函数保存图像处理结果数据。即使不是按这些步骤来的也没关系，只要是那个功能，能实现就OK，谢谢大家 %%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .^ ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2));

数字图像处理matlab代码

一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。 1、不同滤波器的频域降噪 1.1 理想低通滤波器(ILPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4)); %将灰度图像的二维不连续Fourier 变换的零频率成分移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整 n2=floor(N/2); %对N/2进行取整 d0=40; %初始化d0 for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 if d<=d0 %点（i,j）在通带内的情况 h=1; %通带变换函数 else %点（i,j）在阻带内的情况 h=0; %阻带变换函数 end s(i,j)=h*s(i,j); %ILPF滤波后的频域表示

end end s=ifftshift(s); %对s进行反FFT移动 s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数 subplot(1,3,3); %创建图形图像对象 imshow(s); %显示ILPF滤波后的图像 title('ILPF滤波后的图像（d=40）'); 运行结果： 1.2 二阶巴特沃斯低通滤波器(BLPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像 title('加噪后的图像'); s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n=2; %对n赋初值

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。图-1 Retinex理论示意图对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1）实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))；步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）；步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）：

Matlab中关于图像处理、去噪分析以及有关散点连线画图等程序

算法程序 1.找到图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); imshow('3.jpg') 2.将彩色图片处理成灰度图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('3.jpg'); I=rgb2gray(A)； imshow(I) 3.改变图片大小右键----编辑----属性-----输入想要的大小 4.两张图片相叠加（区分imadd和系数叠加）直接把图像数据矩阵相加，可以设定叠加系数，如（系数可自由设定，按需要） img_tot = img1 * 0.5 + img2 * 0.5; %两个图像大小要一致图像的矩阵我再那里能找到 img1 = imread('tupian.bmp'); 图片相加 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg'); imshow(A) >> B=imread('3.jpg'); imshow(B) >> C=imadd(A,B); imshow(C) >> D=A*0.5+B*0.5; imshow(D) A图像

B图像 C图像 D图像 5.两张图片相减 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg');

基于MATLAB的减少图像噪声

目录第一章概述 (2) 第二章典型噪声介绍 (3) 第三章基于MATLAB的模拟噪声生成 (5) 第四章均值滤波处理方法 (7) 4.1均值滤波原理 (7) 4.2 均值滤波法对图像的处理 (9) 第五章中值滤波处理方法 5.1 中值滤波原理 (12) 5.2中值滤波法对图像的处理 (12) 第六章频域低通滤波法 (15) 6.1理想低通滤波器(ILPF)对图像的处理 (15) 6.2 巴特沃思低通滤波器（BLPF）对图像的处理 (18) 6.3 指数滤波器(ELPF)对图像的处理 (20) 6.4 梯形滤波器（TLPF)对图像的处理 (22) 6.5 构建二维滤波器对图像的处理 (24) 第七章总结与体会 (27) 参考文献 (28)

第一章概述图像平滑主要有两个作用：一个是清除或减少噪声，改善图像质量；另一个是模糊图像，使图像看起来更柔和自然。图像噪声来自于多方面，有来自于系统外部的干扰，如电磁波或经电源窜进系统内部的外部噪声；也有来自于系统内部的干扰，如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。空间域常用的方法有领域平均法、中值滤波法、多图像平均法等；在频域可以采用理想低通、巴特沃斯低通等各种形式的低通滤波器进行低通滤波。图像平滑处理的主要目的是去噪声，而噪声有很多种，大体可分为两类：加性噪声和乘性噪声。加性噪声通常表现为椒盐噪声、高斯噪声等；乘性噪声的一个典型例子就是光照变化。图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。

基于MATLAB的图像处理的基本运算

课程设计任务书学生姓名：专业班级：指导教师：工作单位：题目: 基于MATLAB的图像处理的基本运算初始条件：要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求）（1）能够对图像亮度和对比度变化调整，并比较结果（2）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的和旋转操作，并保存，比较几种插值的效果（3）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。（4）对图像加入各种噪声，比较效果。时间安排：指导教师签名：年月日系主任（或责任教师）签名：年月日目录摘要.......................................................................................................................... 错误!未定义书签。 1 MATLAB简介 ........................................................................................................ 错误!未定义书签。2图像选择及变换................................................................................................... 错误!未定义书签。 2.1 原始图像选择读取....................................................................................... 错误!未定义书签。 2.1.1 原理图的读入与基本变换 .................................................................... 错误!未定义书签。

一些基于matlab的图像处理简单算法

完成图像的灰度化处理： function W=hdbh(f) %f=imread('house.jpg'); [M N Z]=size(f); g=im2double(f); W=zeros(M,N); for x=1:M for y=1:N W(x,y)=0.299*g(x,y,1)+0.587*g(x,y,2)+0.114*g(x,y,3); end end figure,imshow(W),title('灰度处理后的图像') end 完成图像的亮度调整的模块编写 function y=high() f=imread('house.jpg'); g=im2double(f); g1=g+0.3; imshow(g1) 2.完成图像的平移操作 function y=py() f=imread('house.jpg'); g=im2double(f); N=size(f) M=zeros(N(1),N(2)); for x=1:N(1)-100 for y=1:N(2)-100 M(x,y)=g(x+100,y+100); end end imshow(M) 完成对加噪图像的去噪操作（去噪模板任意，模板n*n大小，n值可调）function h=qz(a) f=imread('Desert.jpg'); %读入图片； g=im2double(f); %进行灰度化处理；

N=size(f); %求出此图片的大小； M1=zeros(N(1),N(2)); %建立一个元素全为0的二维矩阵； for x=1:N(1) for y=1:N(2) M1(x,y)=0.299*g(x,y,1)+0.587*g(x,y,2)+0.114*g(x,y,3); %把彩色图像的所有像素点灰度处理； end %关闭for循环； end %关闭for循环； figure,imshow(M1); %显示处理图像； M=imnoise(M1,'salt & pepper',0.05); figure,imshow(M); b=zeros(N(1),N(2)); for x=fix(a/2)+1:N(1)-fix(a/2) for y=fix(a/2)+1:N(2)-fix(a/2) Sum=0; for i=-fix(a/2):fix(a/2) for j=-fix(a/2):fix(a/2) Sum=Sum+M(x+i,y+j); end end b(x,y)=Sum/(a*a); end end figure,imshow(b); 完成对图像的锐化处理（锐化模板任意，突出图像边缘，保留图像背景区域）function y=ruihua(f,x) g=im2double(f); figure; imshow(g);

基于retinex的图像去雾算法

I=imread('1.jpg'); R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3); R0 = double(R); G0 = double(G); B0 = double(B); [N1, M1] = size(R); Rlog = log(R0+1); Rfft2 = fft2(R0); sigma1 = 128; F1 = fspecial('gaussian', [N1,M1], sigma1); Efft1 = fft2(double(F1)); sigma2 = 256; F2 = fspecial('gaussian', [N1,M1], sigma2); Efft2 = fft2(double(F2)); sigma3 = 512; F3 = fspecial('gaussian', [N1,M1], sigma3); Efft3 = fft2(double(F3)); DR0 = Rfft2.* Efft1; DR = ifft2(DR0); DRlog = log(DR +1); Rr1 = Rlog - DRlog; DR0 = Rfft2.* Efft2; DR = ifft2(DR0); DRlog = log(DR +1); Rr2 = Rlog - DRlog; DR0 = Rfft2.* Efft3; DR = ifft2(DR0); DRlog = log(DR +1); Rr3 = Rlog - DRlog; Rr = (Rr1 + Rr2 +Rr3)/3; a = 125; II = imadd(R0, G0); II = imadd(II, B0); Ir = immultiply(R0, a); C = imdivide(Ir, II); C = log(C+1); Rr = immultiply(C, Rr); EXPRr = exp(Rr); MIN = min(min(EXPRr)); MAX = max(max(EXPRr)); EXPRr = (EXPRr - MIN)/(MAX - MIN); EXPRr = adapthisteq(EXPRr); Glog = log(G0+1); Gfft2 = fft2(G0); DG0 = Gfft2.* Efft1;

matlab图像去噪算法设计(精)

数字图像去噪典型算法及matlab实现希望得到大家的指点和帮助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。图像信号在产生、传输过程中都可能会受到噪声的污染，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；目前比较经典的图像去噪算法主要有以下三种：均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。实验一：均值滤波对高斯噪声的效果 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');

数字图像去噪典型算法及matlab实现

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。图像信号在产生、传输过程中都可能会受到噪声的污染，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；目前比较经典的图像去噪算法主要有以下三种：均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。实验一：均值滤波对高斯噪声的效果代码 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5

图像去雾霭算法及其实现..

图像去雾霭算法及其实现电气工程及其自动化学生姓名杨超程指导教师李国辉摘要雾霭等天气条件下获得的图像，具有图像不清晰，颜色失真等等一些图像退化的现象，直接影响了视觉系统的发挥。因此，为了有效的改善雾化图像的质量，降低雾霭等天气条件下造成户外系统成像的影响，对雾霭图像进行有效的去雾处理显得十分必要。本设计提出了三种图像去雾算法，一种是基于光照分离模型的图像去雾算法；一种是基于直方图均衡化的图像去雾算法；还有一种是基于暗原色先验的图像去雾算法。并在MATLAB的基础上对现实生活的图像进行了去雾处理，最后对不同的方法的处理结果进行了简要的分析。关键词：图像去雾光照分离直方图均衡化暗原色先验

Algorithm and its implementation of image dehazing Major Electrical engineering and automation Student Yang Chaocheng Supervisor Li Guohui Abstract Haze weather conditions so as to obtain the image, the image is not clear, the phenomenon of color distortion and so on some image degradation, directly influence the exertion of the visual system. Therefore, in order to effectively improve the atomization quality of the image, reduce the haze caused by outdoor weather conditions such as imaging system, the influence of the haze image effectively it is necessary to deal with the fog. This design introduced three kinds of algorithms of image to fog, a model is based on the separation of light image to fog algorithm; One is the image to fog algorithm based on histogram equalization; Another is based on the dark grey apriori algorithms of image to fog. And on the basis of MATLAB to the real life to deal with the fog, the image of the processing results of different methods are briefly analyzed. Key words:Image to fog Light separation histogram Dark grey

基于MATLAB的图像平滑算法实现及应用

目录 1.3 图像噪声一幅图像在获取和传输等过程中，会受到各种各样噪声的干扰，其主要来源有三：一为在光电、电磁转换过程中引入的人为噪声；二为大气层电（磁）暴、闪电、电压、浪涌等引起的强脉冲性冲激噪声的干扰；三为自然起伏性噪声，由物理量的不连续性或粒子性所引起，这类噪声又可分成热噪声、散粒噪声等。一般在图像处理技术中常见的噪声有：加性噪声、乘性噪声、量化噪声、“盐和胡椒”噪声等。下面介绍两种主要的噪声。 1、高斯噪声这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。高斯随机变量z 的概率密度函数(P D F )由下式给出: }2/)(ex p{2/1)(22σμσπ--=z z p 其中, z 表示图像像元的灰度值;μ表示z 的期望;σ表示z 的标准差。 2、椒盐噪声主要来源于成像过程中的短暂停留和数据传输中产生的错误。其P D F 为： ?????===其他0)(b z pb a z pa z p 如果b > a , 灰度值b 在图像中显示为一亮点,a 值显

示为一暗点。如果P a和图像均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。当P a为零时,表现为“盐”噪声;当P b为零时,表现为“胡椒”噪声。图像中的噪声往往是和信号交织在一起的尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓‘线条等模糊不清，从而使图像质量降低。

第二章、图像平滑方法 2.1 空域低通滤波将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。空间域滤波按线性和非线性特点有：线性、非线性平滑波器。线性平滑滤波器包括领域平均法（均值滤波器），非线性平滑滤波器有中值滤波器。 2.1.1 均值滤波器对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f (x ,y ),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。经过平滑处理后得到一副图像 g (x ,y ), 其表达式如下： ∑∈=s n m n m f M y x g ),(),(/1),( 式中： x ,y =0,1,2,…，N -1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下： ?????>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f T n m f M y x f n m f M y x g s n m s n m 式中：T 为规定的非负阈值。

MATLAB中GUI在图像处理应用中的设计(包括各种算法)

用MATLAB 进行图像处理算法的界面设计

目录 1.设计目的 (3) 2.题目分析 (3) 3.总体设计 (3) 4.具体设计 (5) 5.结果分析 (34) 6.心得体会 (34) 7.附录代码 (36)

1、设计目的:综合运用MATLAB工具箱实现图像处理的GUI程序设计，利用MATLAB图像处理工具箱，设计和实现自己的Photoshop 。 2、题目分析利用matlab的GUI程序设计一个简单实用的图像处理程序。该程序应具备图像处理的常用功能，以满足用户的使用。现设计程序有以下基本功能： 1）图像的读取和保存。 2）设计图形用户界面，让用户能够对图像进行任意的亮度和对比度变化调整，显示和对比变换前后的图像。 3）设计图形用户界面，让用户能够用鼠标选取图像感兴趣区域，显示和保存该选择区域。 4）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的操作，并保存，比较几种插值的效果。 5）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。 6）能对图像加入各种噪声，并通过几种滤波算法实现去噪并显示结果。 7）额外功能。 3、总体设计

图一软件的总体设计界面布局如上图所示，主要分为2个部分：显示区域与操作区域。显示区域：显示载入原图，以及通过处理后的图像。操作区域：通过功能键实现对图像的各种处理。在截图中可见，左部为一系列功能按键如“还原”、“撤销”、“截图”等等；界面正中部分为图片显示部分，界面中下方为系列功能切换选择组。设计完成后运行的软件界面如下：图二与图一先比，运行后的界面更为简洁。利用“编辑”菜单可调出相应的功能键。例如：

基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码

基于ｍaｔｌab的图像去雾算法详细讲解与实现-附ｍaｔｌａb 实现源代码

————————————————————————————————作者: ————————————————————————————————日期： ?

本文主要介绍基于Retiｎex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1Rentinex理论 Retinex(视网膜“Ｒｅｔina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Hｕman Viｓual System）的图像增强理论。该算法的基本原理模型最早是由Ｅdｗin Ｌand(埃德温?兰德）于1９7１年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Ｒeｔｉnex 理论的基本内容是物体的颜色是由物体对长波(红)、中波（绿）和短波（蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响，具有一致性，即Retｉｎex理论是以色感一致性（颜色恒常性)为基础的。根据Eｄwin Lanｄ提出的理论,一幅给定的图像S(x,y)分解成两幅不同的图像:反射物体图像R(x,y)和入射光图像L(x,y),其原理示意图如图8.3－1所示。图-1 Retinｅx理论示意图对于观察图像S中的每个点(ｘ,y）,用公式可以表示为:? S(ｘ,y）＝R(x，y)×Ｌ(x，y) （1.3．1）实际上，Retinｅx理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光Ｌ的性质从而得到物体原本该有的样子。 2 基于Reｔｉｎｅｘ理论的图像增强的基本步骤步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即: S'(x，ｙ)=r(ｘ，y)+ｌ(ｘ, ｙ)＝ｌog(Ｒ(ｘ，y))+lｏｇ(Ｌ(x, ｙ))；步骤二:用高斯模板对原图像做卷积，即相当于对原图像做低通滤波,得到低通滤波后的图像D（x,y）,F(x, y）表示高斯滤波函数：Ｄ（ｘ，y)＝Ｓ(x, y) *F（x, y)；步骤三:在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x,ｙ）: G(ｘ,y)=S＇(ｘ, y)－log(D(ｘ, ｙ)) ;

图像去噪TV模型及Matlab实现

1.%% ROFdenoise 2.% 3.% Image -to denoise 4.% Theta - the parameter 5.% 6.% This denoising method is based on total-variation, originally proposed by 7.% Rudin, Osher and Fatemi. In this particular case fixed point iteration 8.% is utilized. 9.%------ 10.% For the included image, a fairly good result is obtained by using a 11.% theta value around 12-16. A possible addition would be to analyze the 12.% residual with an entropy function and add back areas that have a lower 13.% entropy, i.e. there are some correlation between the surrounding pixels. 14.%------ 15.% Code Provided By Li.J.Z 16.% Based on total-variation 17. 18.function A = ROFdenoise(Image, Theta) 19. 20.[Image_h Image_w] = size(Image); 21.g = 1; dt = 1/4; nbrOfIterations = 50; 22.Image = double(Image); 23. 24.p = zeros(Image_h,Image_w,2); 25.d = zeros(Image_h,Image_w,2); 26.div_p = zeros(Image_h,Image_w); 27. 28.for i = 1:nbrOfIterations 29. for x = 1:Image_w 30. for y = 2:Image_h-1 31. div_p(y,x) = p(y,x,1) - p(y-1,x,1); %backward difference 32. end 33. end 34. 35. for x = 2:Image_w-1 36. for y = 1:Image_h 37. div_p(y,x) = div_p(y,x) + p(y,x,2) - p(y,x-1,2); 38. end 39. end 40. 41. % Handle boundaries 42. div_p(:,1) = p(:,1,2);

基于MATLAB的图像恢复算法研究

中北大学课程设计说明书学生姓名：学号：学生姓名：学号：学生姓名：学号：学院：信息商务学院专业：电子信息工程题目：信息处理综合实践: 基于MATLAB的图像恢复算法研究指导教师：职称: 年月日

中北大学课程设计任务书 13/14 学年第一学期学院：信息商务学院专业：电子信息工程学生姓名：学号：学生姓名：学号：学生姓名：学号: 课程设计题目：信息处理综合实践: 于MATLAB的图像恢复算法研究起迄日期：课程设计地点：电子信息科学与技术专业实验室指导教师：系主任：下达任务书日期: 年月日

目录摘要： (6) 1．图像复原的概念 (6) 1.1图像复原的定义 (6) 1.2 图象恢复与图象增强的异同 (6) 1.3 图象退化的原因 (6) 1.4 维纳滤波的研究历史 (6) 1.5图象退化举例 (7) 2．退化模型 (8) 2.1图象退化模型概述 (8) 2.2连续函数退化模型 (8) 2.3离散函数退化模型 (8) 3.图象复原技术 (9) 3.1无约束恢复 (9) 3.2逆滤波 (9) 3.3 维纳（Wiener）滤波器基本原理 (10) 3.4维纳滤波复原法 (11) 3.5图像复原例图 (12) 4．图像复原的MATLAB实现实例 (13) 5.结束语 (14) 参考文献： (14) 附录： (14) （1）.维纳滤波复原源代码： (14) （2）.规则化滤波复原程序源代码： (15) （3）.Lucy-Richardson复原滤波源代码： (15) （4）.盲目去卷积复原源代码： (15)

摘要：图像复原是图象处理的一个重要课题。图像复原也称图象恢复，是图象处理中的一大类技术。它的主要目的是改善给定的图像质量。当给定了一幅退化了的或者受到噪声污染了的图像后，利用退化现象的某种先验知识来重建或恢复原有图像是复原处理的基本过程。可能的退化有光学系统中的衍射，传感器非线性畸变，光学系统的像差，摄影胶片的非线性，大气湍流的扰动效应，图像运动造成的模糊及几何畸变等等。噪声干扰可以由电子成像系统传感器、信号传输过程或者胶片颗粒性造成。各种退化图像的复原都可归结为一种过程，具体地说就是把退化模型化，并且采用相反的过程进行处理，以便恢复出原图像。文章介绍了图象退化的原因，几种常用的图像滤波复原技术，以及用MATLAB实现图像复原的方法。 1．图像复原的概念 1.1图像复原的定义图像复原也称图象恢复，是图象处理中的一大类技术。所谓图像复原，是指去除或减轻在获取数字图像过程中发生的图像质量下降（退化）这些退化包括由光学系统、运动等等造成图像的模糊，以及源自电路和光度学因素的噪声。图像复原的目标是对退化的图像进行处理，使它趋向于复原成没有退化的理想图像。成像过程的每一个环节（透镜，感光片，数字化等等）都会引起退化。在进行图像复原时，既可以用连续数学，也可以用离散数学进行处理。其次，处理既可在空间域，也可在频域进行。 1.2 图象恢复与图象增强的异同相同点：改进输入图像的视觉质量。不同点：图象增强目的是取得较好的视觉结果(不考虑退化原因)；图象恢复根据相应的退化模型和知识重建或恢复原始的图像(考虑退化原因)。 1.3 图象退化的原因图象退化指由场景得到的图像没能完全地反映场景的真实内容，产生了失真等问题。其原因是多方面的。如：透镜象差/色差聚焦不准（失焦，限制了图像锐度）模糊（限制频谱宽度）噪声（是一个统计过程）抖动（机械、电子） 1.4 维纳滤波的研究历史维纳是著名的数学家，后来被誉为信息理论家。维纳的著作不仅是一个很好的创见，而且具有结合工程的实际意义，是线性滤波理论研究的一个重要的开端. 在第二次世界大战中，由于雷达的发明以及防空炮火控制的任务，把大量有修养的数学家和物理学家都动员到信息科学这个研究领域中来了，这个时候人们活跃于这个领域，并有许多重大的科学创造。数学家维纳对于滤波理论的研究成果，就是这时候重大的科学创见之一。

基于Matlab的图像去噪算法仿真

基于Matlab基本图像处理程序

MATLAB实现频域平滑滤波以及图像去噪代码

数字图像处理matlab代码

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

Matlab中关于图像处理、去噪分析以及有关散点连线画图等程序

基于MATLAB的减少图像噪声

基于MATLAB的图像处理的基本运算

一些基于matlab的图像处理简单算法

基于retinex的图像去雾算法

matlab图像去噪算法设计(精)

数字图像去噪典型算法及matlab实现

图像去雾霭算法及其实现..

最新图像去噪处理的研究及MATLAB仿真

基于MATLAB的图像平滑算法实现及应用

MATLAB中GUI在图像处理应用中的设计(包括各种算法)

基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码

图像去噪TV模型及Matlab实现

基于MATLAB的图像恢复算法研究