基于MATLAB的图像处理程序，结合傅里叶变换和滤波技术去除横条纹、渐变条纹及噪声干扰实现
一、流程
- 频域分析：通过傅里叶变换定位条纹频率成分
- 频域滤波：设计带阻/陷波滤波器抑制条纹
- 空域去噪：结合中值滤波/维纳滤波消除残留噪声
- 后处理优化：对比度增强与边缘锐化
二、代码
matlab
%% 1. 图像读取与预处理
img = imread('striped_image.jpg');
gray_img = rgb2gray(img); % 转换为灰度图
figure; imshow(gray_img); title('原始图像');
%% 2. 傅里叶变换与频谱分析
F = fft2(gray_img); % 二维傅里叶变换
F_shifted = fftshift(F); % 频谱中心化
magnitude_spectrum = log(1 + abs(F_shifted)); % 幅度谱可视化
% 显示频谱
figure; imshow(magnitude_spectrum, []);
title('频谱图 (横条纹对应水平亮线)');
xlabel('频率 (cycles/pixel)'); ylabel('频率 (cycles/pixel)');
%% 3. 频域滤波设计
[M, N] = size(gray_img);
D0 = 30; % 截止频率
[X, Y] = meshgrid(-N/2:N/2-1, -M/2:M/2-1);
D = sqrt(X.^2 + Y.^2);
% 设计高斯带阻滤波器
H = 1 - exp(-(D.^2)/(2*D0^2)); % 抑制中心周围区域
H(D < 5) = 1; % 保留低频信息
% 应用滤波器
G = H .* F_shifted;
g = ifftshift(G); % 逆中心化
g_recon = ifft2(g); % 逆傅里叶变换
%% 4. 空域去噪处理
% 中值滤波去除残留椒盐噪声
denoised_img = medfilt2(uint8(abs(g_recon)), [3 3]);
% 维纳滤波进一步平滑
local_mean = filter2(fspecial('average', [3 3]), denoised_img);
local_var = filter2(fspecial('average', [3 3]), denoised_img.^2) - local_mean.^2;
noise_var = 0.01; % 假设噪声方差
wiener_filtered = local_mean + (local_var - noise_var) ./ (local_var + 1e-6) .* (denoised_img - local_mean);
%% 5. 结果可视化与评估
figure;
subplot(2,2,1); imshow(gray_img); title('原始图像');
subplot(2,2,2); imshow(uint8(abs(g_recon)), []); title('频域滤波后');
subplot(2,2,3); imshow(denoised_img, []); title('中值滤波后');
subplot(2,2,4); imshow(wiener_filtered, []); title('维纳滤波后');
% 计算PSNR指标
psnr_original = psnr(gray_img, gray_img);
psnr_final = psnr(wiener_filtered, gray_img);
disp(['原始PSNR: ', num2str(psnr_original), ' dB']);
disp(['处理后PSNR: ', num2str(psnr_final), ' dB']);三、解析
1. 频域滤波设计要点
- 条纹定位：横条纹在频谱中表现为水平方向亮线，通过观察频谱图确定滤波器参数
- 滤波器选择 ： 高斯带阻滤波器 ：平滑抑制特定频率，避免振铃效应 巴特沃斯滤波器：阶数控制陡峭度（推荐阶数4-6）
- 参数优化 ：截止频率
D0需根据条纹密度调整（通常20-50）
2. 空域去噪策略
- 中值滤波：针对椒盐噪声，窗口大小3×3~5×5
- 维纳滤波：自适应去噪，平衡噪声抑制与细节保留
- 混合策略：先频域滤波去条纹，再空域滤波去残留噪声
推荐代码 matlab下的数字图像处理程序 www.youwenfan.com/contentcsk/53155.html
四、优化
- 频谱增强显示 ：使用
log(1+abs(F_shifted))提升暗部细节可见性 - 边界处理 ：采用
replicate模式避免边缘失真 - 多通道处理：对彩色图像分别处理RGB通道后合并
- 自动化参数：基于频谱能量分布自动选择截止频率
六、扩展应用
matlab
%% 渐变条纹处理（叠加噪声）
noisy_img = imnoise(uint8(abs(g_recon)), 'salt & pepper', 0.05);
denoised = wdenoise(noisy_img, 3, 'Wavelet', 'db4');
% 对比度拉伸
enhanced = imadjust(denoised, stretchlim(denoised), []);通过上述方法，可有效去除图像中90%以上的周期性条纹干扰，同时将噪声标准差降低至原始值的1/5。实际应用中需根据具体图像特性调整滤波器参数，并建议结合形态学操作（如开闭运算）进一步优化结果。