数字图像处理实验记录四（图像的空间域增强-平滑处理）

前言：要是是实验报告赶工的话，建议总结上网抄，或者重构我的总结，仅供学习参考，不要照抄

文章目录

一、基础知识
二、实验要求
三、实验记录
四、结果展示
五、反思总结与收获
- 1，滤波器对不同噪声的效果：
- 2，模板大小不同，处理效果有何不同？

一、基础知识

1，噪声

噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。它以无用的信息形式出现，扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。

一般在我们获取图像（也就是照相）的时候，可能会遇到一些电磁干扰，让我们的图像变得麻麻的。当然在图像传播的过程中也会出现这种问题。

2，椒盐噪声

椒盐噪声就是在图像中，一些像素点的灰度值突然变得很离谱，如下图：

3，高斯噪声

图像集体像素发生了随机变化，不过像素值符合正态分布。高斯噪声的平均值为零，即噪声的总体均值为图像的亮度平均值的偏移。

如下图：

4，滤波器

在我看来，滤波器像是一个漏斗，如下图这样：

漏斗上面的大小就是滤波器的模板大小，最后输出就是过滤后的结果

5，均值滤波器

先求出装进漏斗里面的数的和，输出其平均值

6，中值滤波器

将漏斗中的数排序，输出大小在中间的那个数

7，滑动窗口

这个是一个有点意思的知识点。总之我们要知道一点，滤波器总是一直在图像里面滑过来滑过去。

假设从1开始，lim是最大地方的边界，滤波器规模为f_size，我们可以对其位置进行分析：

一般目标i应该在滤波器的中心位置好些，这样可以得到滤波器的横坐标左边界应该是i-f_size/2，右边界应该是i+f_size/2：

当然我们要考虑是否超出边界，这样就有左边界为1，i-f_size/2两者中较大的数，右边界为i+f_size/2，lim两者中较小的数。

纵坐标同理。

二、实验要求

读入一幅256 级灰度的数字图像

图像的平滑滤波处理

1）对原图像分别加入高斯噪声、椒盐噪声。

2）利用邻域平均法，分别采用33，55, 77, 99模板对加噪声图像进行平滑处理，显示原图像、加噪图像和处理后的图像。

3）利用中值滤波法，分别采用33，55, 77, 99模板对加噪声图像进行去噪处理，显示原图像、加噪图像和处理后的图像。

4）比较各种滤波方法和滤波模板的处理结果

三、实验记录

读入图像并添加噪声：

matlab 复制代码

clc;
clear;
figure('NumberTitle', 'off', 'Name','噪音图');
% 实验五 噪声处理
I = imread('tp.jpg');

subplot(2,2,1.5);imshow(I);
xlabel('(a)原始图像');

Salt = imnoise(I,'salt',0.02);

subplot(2,2,3);imshow(Salt);
xlabel('(b)椒盐噪声图像');

gau = imnoise(I,'gaussian',0,0.01);
subplot(2,2,4);imshow(gau);
xlabel('(c)高斯噪声图像');

滤波器函数my_filter:

matlab 复制代码

function [value] = my_filter(S,filter_size,kind)
% 我的滤波处理器 输入：图S,滤波器大小：m,滤波器种类kind：0,均值滤波；1，中值滤波

if(~exist('kind','var'))
    kind = 0;  % 如果未出现该变量，则对其进行赋值
end
[rows,cols,z] = size(S);%获取图的大小

value = -1*ones(rows,cols,z);%初始化结果
for i = 1:rows
    for j = 1:cols
         for k = 1:z
            % 获取滑动窗口的范围
            row_start = max(1, i - floor(filter_size / 2));
            row_end = min(rows, i + floor(filter_size / 2));
            col_start = max(1, j - floor(filter_size / 2));
            col_end = min(cols, j + floor(filter_size / 2));

            % 提取滑动窗口内的像素值
            window = S(row_start:row_end, col_start:col_end, k);
            if(kind == 0)
                avg_value = mean(window(:));%mean 获取平均值
            else
                window = sort(window);
                avg_value = window(floor(round(length(window)/2)));
            end
            value(i,j,k) = uint8(avg_value);                                     
        end
        
    end
end

value = uint8(value);

end

主程序代码：

matlab 复制代码

clc;
clear;
figure('NumberTitle', 'off', 'Name','噪音图');
% 实验五 噪声处理
I = imread('tp.jpg');

subplot(2,2,1.5);imshow(I);
xlabel('(a)原始图像');

Salt = imnoise(I,'salt',0.02);

subplot(2,2,3);imshow(Salt);
xlabel('(b)椒盐噪声图像');

gau = imnoise(I,'gaussian',0,0.01);
subplot(2,2,4);imshow(gau);
xlabel('(c)高斯噪声图像');
figure('NumberTitle', 'off', 'Name','均值椒盐');
filter_size = [3,5,7,9];
for i=1:4
    I_Salt = my_filter(Salt,filter_size(i),0);
    subplot(2,2,i);
    imshow(I_Salt);
    title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'均值滤波器']);
end
figure('NumberTitle', 'off', 'Name','中值椒盐');
for i=1:4
    I_Salt = my_filter(Salt,filter_size(i),1);
    subplot(2,2,i);
    imshow(I_Salt);
    title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'中值滤波器']);
end
figure('NumberTitle', 'off', 'Name','均值高斯');

for i=1:4
    I_gau = my_filter(gau,filter_size(i),0);
    subplot(2,2,i);
    imshow(I_gau);
    title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'均值滤波器']);
end
figure('NumberTitle', 'off', 'Name','中值高斯');

for i=1:4
    I_gau = my_filter(gau,filter_size(i),1);
    subplot(2,2,i);
    imshow(I_gau);
    title([num2str(filter_size(i)),'x',num2str(filter_size(i)),'中值滤波器']);
end

四、结果展示

1，添加噪声：

2，均值滤波器过滤椒盐噪声：

3，中值滤波器过滤椒盐噪声：

4，均值滤波器过滤高斯噪声：

5，中值滤波器过滤高斯噪声：

五、反思总结与收获

1，滤波器对不同噪声的效果：

椒盐噪声是突然产生一个特别大的值。用中值滤波器就在一堆像素中选适中的，可以有效过滤掉椒盐。而一个太大的值对均值有着很大的影响，所以用均值滤波器过滤椒盐噪声效果不佳。

高斯噪声的均值为0，所以当我们用均值过滤器的时候，就可以很好得将高斯噪声减小甚至去除。但是由于图像中的像素都改变了，中值滤波器过滤出来的值也有很大可能是一个离谱值，所以用中值滤波器过滤高斯噪声效果不佳。

2，模板大小不同，处理效果有何不同？

根据实验结果可知，滤波器模板越大，对噪声的处理效果越好，但是相应的图像会越模糊。因为模板越大，滤波器对指定像素的采样范围越大，这样减小了噪声对图像的影响，但是由于参与像素过多，指定像素与周围像素的差距减小，或者说是同一个窗口里每个像素之间的差距减小，这样图像就会变模糊