自適應均值濾波演算法

『壹』 數字圖像處理clean演算法的MATLAB代碼

圖像去噪是數字圖像處理中的重要環節和步驟。去噪效果的好壞直接影響到後續的圖像處理工作如圖像分割、邊緣檢測等。圖像信號在產生、傳輸過程中都可能會受到雜訊的污染，一般數字圖像系統中的常見雜訊主要有：高斯雜訊（主要由阻性元器件內部產生）、椒鹽雜訊（主要是圖像切割引起的黑圖像上的白點雜訊或光電轉換過程中產生的泊松雜訊）等； 
目前比較經典的圖像去噪演算法主要有以下三種： 
均值濾波演算法：也稱線性濾波，主要思想為鄰域平均法，即用幾個像素灰度的平均值來代替每個像素的灰度。有效抑制加性雜訊，但容易引起圖像模糊，可以對其進行改進，主要避開對景物邊緣的平滑處理。 
中值濾波：基於排序統計理論的一種能有效抑制雜訊的非線性平滑濾波信號處理技術。中值濾波的特點即是首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，也可以為圓形、十字形等等，然後將鄰域中各像素的灰度值排序，取其中間值作為中心像素灰度的新值，這里領域被稱為窗口，當窗口移動時，利用中值濾波可以對圖像進行平滑處理。其演算法簡單，時間復雜度低，但其對點、線和尖頂多的圖像不宜採用中值濾波。很容易自適應化。 Wiener維納濾波：使原始圖像和其恢復圖像之間的均方誤差最小的復原方法，是一種自適應濾波器，根據局部方差來調整濾波器效果。對於去除高斯雜訊效果明顯。 
實驗一：均值濾波對高斯雜訊的效果 
I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%讀取圖像

『貳』 急求大神幫助 相對一幅圖像進行降噪處理 求能把自適應濾波和小波軟閾值降噪的matlab代碼

自適應濾波
clear all
I1=imread('1.jpg');
I=rgb2gray(I1);
J=imnoise(I,'gaussian',0,0.05); %添加均值為0，方差為0.05的高斯雜訊
K1=wiener2(J,[5,5]);
figure
imshow(J);
title('加入高斯雜訊圖像');
figure
imshow(K1);
title('5*5窗口自適應濾波');

小波軟閾值
clear all
I1=imread('1.jpg');
I=rgb2gray(I1);
J=imnoise(I,'gaussian',0,0.05); %添加均值為0，方差為0.05的高斯雜訊
[Cr, Sr] = wavedec2(J, 2, 'sym4');

thr= Donoho(J);

J_soft = wdenoise(xr, 'gbl', 's', thr, 'sym4', 2);

figure; imshow(J_soft);

/////////////////////////////////用到的函數
function thr = Donoho(x)
%用Donoho通用閾值公式計算閾值 x為要進行處理的圖像
% thr = delta * sqrt( 2 * log(n))
% n為信號的長度或尺寸
% delta = MAD / 0.6745 -經驗公式，其中MAD為小波分解後高子帶系數的中值

n = prod( size(x) ); %圖像尺寸

%計算delta
[C, S] = wavedec2(x, 1, 'db1'); %小波分解
d = C( prod( S(1,:) ) + 2 * prod( S(2,:) ) + 1 : end); %HH子帶系數
delta = median( abs(d) ) / 0.6745;

%計算閾值
thr = delta * sqrt(2*log(n));

////////////////////////////////////用到的函數
function X = wdenoise(x, measure, sorh, thr, wname, n)
% 閾值去噪函數
% x為帶雜訊圖像
% measure表示全局或局部
% sorh表示軟硬閾值方法
% thr為閾值
% wname為小波函數名
% n為分解層次

[C, S] = wavedec2(x, n, wname); % 對圖像進行小波分解
switch measure
case 'gbl' % 全局閾值方法
dcoef = C( prod(S(1, :)) + 1 : end); % 提取細節部分系數
switch sorh
case 'h' % 硬閾值
dcoef = dcoef .* (abs(dcoef) > thr);
case 's' % 軟閾值
temp = abs(dcoef) - thr;
temp = (temp + abs(temp)) / 2;
dcoef = sign(dcoef) .* temp;
end
C( prod(S(1, :)) + 1 : end) = dcoef;

case 'lvd' % 局部閾值方法
for i = n:-1:1 % 每層單獨處理
k = size(S,1) - i;
first = prod(S(1, :)) + ...
3 * sum(S(2:k-1, 1) .* S(2:k-1, 2)) + 1;
% 第i層細節系數的起始位置
last = first + 3*prod(S(k,:)) - 1; % 終止位置
dcoef = C(first : last); % 細節系數
switch sorh
case 'h' % 硬閾值
dcoef = dcoef .* (abs(dcoef) > thr(i));
case 's' % 軟閾值
temp = abs(dcoef) - thr(i);
temp = (temp + abs(temp)) / 2;
dcoef = sign(dcoef) .* temp;
end
C(first:last) = dcoef;
end
end

X = waverec2(C, S, wname); % 重構圖像

『叄』 自適應中值濾波原理中一句話沒看懂

均值濾波：是把每個像素都用周圍的8個像素來做均值操作，幅值近似相等且隨機分布在不同位置上，這樣可以平滑圖像，速度較快，演算法簡單。但是無法去掉雜訊，只能微弱的減弱它。中值濾波：常用的非線性濾波方法 ,也是圖像處理技術中最常用的預處理技術。它在平滑脈沖雜訊方面非常有效,同時它可以保護圖像尖銳的邊緣，選擇適當的點來替代污染點的值，所以處理效果好。其中加權中值濾波能夠改進中值濾波的邊緣信號，使其良好保持效果。

『肆』 均值濾波適用於處理什麼樣的雜訊

均值濾波，適用於去除通過掃描得到的圖像中的顆粒雜訊。

均值濾波是典型的線性濾波演算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素（以目標象素為中心的周圍8個像素，構成一個濾波模板，即去掉目標像素本身），再用模板中的全體像素的平均值來代替原來像素值。

這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖像細節。小波分析進行圖像去噪主要有3個方面：

(1)對圖像信號進行小波分解。

(2)對經過層次分解後的高頻系數進行閾值量化。

(3)利用二維小波重構圖像信號。

(4)自適應均值濾波演算法擴展閱讀：

均值濾波也稱為線性濾波，其採用的主要方法為鄰域平均法。線性濾波的基本原理是用均值代替原圖像中的各個像素值，即對待處理的當前像素點（x，y），選擇一個模板。

該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當前像素點（x，y），作為處理後圖像在該點上的灰度個g（x，y），即個g（x，y）=1/m ∑f（x，y） m為該模板中包含當前像素在內的像素總個數。

均值濾波本身存在著固有的缺陷，即它不能很好地保護圖像細節，在圖像去噪的同時也破壞了圖像的細節部分，從而使圖像變得模糊，不能很好地去除雜訊點。

『伍』 數學濾波演算法可以處理三個坐標點嗎

濾波演算法可以處理三個坐標點的。濾波在三坐標中的應用：
1、粗糙度對測量的影響：測量點也在圖中被放大獲取到大量的點，表面粗度被認為是，引起「噪點」的原因。
2、探針的機械濾波：
選擇探針直徑-使用探針測量工件會由於工件表面結構的影響產生機械濾波。
由於探針直徑過大精細的工件表面的形狀無法捕捉，因此可看作是機械低通濾波。
3、三坐標的濾波：
用同樣參數進行低通濾波的掃描線。
如下圖所示，描繪出的圖形差異並不明顯。

4、2 RC濾波：不再使用圓度測量最初的標准化濾波器，但是已被現代濾波計算所取代。
5、高斯濾波：坐標測量技術中標准濾波演算法。此濾波方法為標准演算法被廣泛使用。他使用高斯曲線加權計算測量點得到新的輪廓。
6、樣條濾波：基於濾波方程的增強濾波方法（多項式計算），樣條濾波更合乎標准，也更優於高斯濾波但並不是標准濾波方法。
(5)自適應均值濾波演算法擴展閱讀：
圖像濾波是一種非常重要的圖像處理技術，現在大火的卷積神經網路其實也是濾波的一種，都是用卷積核去提取圖像的特徵模式。不過，傳統的濾波，使用的卷積核是固定的參數，是由經驗非常豐富的人去手動設計的，也稱為手工特徵。而卷積神經網路的卷積核參數初始時未知的，根據不同的任務由數據和神經網路反向傳播演算法去學習得到的參數，更能適應於不同的任務。
自適應中值濾波
中值濾波器是一種常用的非線性濾波器，其基本原理是：選擇待處理像素的一個鄰域中各像素值的中值來代替待處理的像素。主要功能使某像素的灰度值與周圍領域內的像素比較接近，從而消除一些孤立的雜訊點，所以中值濾波器能夠很好的消除椒鹽雜訊。不僅如此，中值濾波器在消除雜訊的同時，還能有效的保護圖像的邊界信息，不會對圖像造成很大的模糊（相比於均值濾波器）。
中值濾波器的效果受濾波窗口尺寸的影響較大，在消除雜訊和保護圖像的細節存在著矛盾：濾波窗口較小，則能很好的保護圖像中的某些細節，但對雜訊的過濾效果就不是很好，因為實際中的雜訊不可能只佔一個像素位置；反之，窗口尺寸較大有較好的雜訊過濾效果，但是會對圖像造成一定的模糊。另外，根據中值濾波器原理，如果在濾波窗口內的雜訊點的個數大於整個窗口內非雜訊像素的個數，則中值濾波就不能很好的過濾掉雜訊。