采用硬阈值，软阈值，半软阈值对加椒盐噪声的图像进行处理。？ - 知乎1被浏览1分享邀请回答暂时还没有回答，开始写第一个回答数字图像处理相关实验_百度文库
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
数字图像处理相关实验
&&数字图像类
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
加入VIP
还剩4页未读，
定制HR最喜欢的简历
你可能喜欢浅析“高斯白噪声”，“泊松噪声”，“椒盐噪声”的区别 - 简书
浅析“高斯白噪声”，“泊松噪声”，“椒盐噪声”的区别
在图像处理的过程中，一般情况下都进行图像增强，图像增强主要包括“空域增强”和“频域增强”， 空域增强包括平滑滤波和锐化滤波。平滑滤波，就是将图像模糊处理，减少噪声。那么在滤波之前，首先需要了解一下噪声的种类，行成原因以及各种的特点。噪声可能来自于开始的图像采集，量化或者后续的图像编码压缩传送过程，根据具体的离散性和随机性主要讲噪声分成三类：'gaussian'、'poisson'、'salt&pepper'。下面我将具体分析三者的差异一、高斯白噪声（gaussian）高斯白噪声，在百度的定义为幅度分布服从高斯分布，概率谱分布服从均匀分布。白光是所有颜色光的集合，而白噪声也可以理解成在频谱上分布丰富，且在功率谱上趋近于常值。频域有限，时域无限，那么也就是说，它在任何时刻出现的噪声幅值都是随机的。高斯分布也称正态分布，有均值和方差两个参数，均值反应了对称轴的方位，方差表示了正态分布曲线的胖瘦。高斯分布是最普通的噪声分布。在MATLAB中 有用于创建噪声的函数，调用格式为J=imnoise(I,type)，例子如下：clear all&& i=imread('god.jpeg');&& j=imnoise(i,'gaussian');&& j1=imnoise(i,'gaussian',0,0.05);&& j2=imnoise(i,'gaussian',0,0.2);&& figure&& subplot(2,2,1),imshow(i);&& xlabel('原图像');&& subplot(2,2,2),imshow(j1);&& xlabel('高斯白噪声，方差＝0.05');&& subplot(2,2,3),imshow(j);&& xlabel('高斯白噪声，默认方差');&& subplot(2,2,4),imshow(j2);&& xlabel('高斯白噪声，方差＝0.2');上段代码即对图像进行了 不同方差参数的 高斯加噪，
从图像中可以看出，方差参数越大，图像越模糊。二、泊松噪声何为泊松噪声，就是符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、发生的次数、DNA序列的变异数、放射性原子核的衰变数等等了解了泊松分布数学模型，那什么是泊松噪声、以及为什么会图像会出现泊松噪声呢？由于光具有量子特效，到达光电检测器表面的量子数目存在统计涨落，因此，图像监测具有颗粒性，这种颗粒性造成了图像对比度的变小以及对图像细节信息的遮盖，我们对这种因为光量子而造成的测量不确定性成为图像的泊松噪声。泊松噪声一般在亮度很小或者高倍电子放大线路中出现。具体调用格式如下：clear all&& i=imread('god.jpeg');&& j=imnoise(i,'poisson');&& figure&& subplot(1,2,1),imshow(i);&& xlabel('原图');&& subplot(1,2,2),imshow(j);&& xlabel('poisson加噪');
三、椒盐噪声何为椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，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。椒盐噪声往往由图像切割引起。具体调用格式如下：&& clear all&& i=imread('god.jpeg');&& i=imread('god.jpeg');&& j=imnoise(i,'salt & pepper',0.05);&& j1=imnoise(i,'salt & pepper',0.2);&& j2=imnoise(i,'salt & pepper',0.5);&& figure&& subplot(2,2,1),imshow(i);&& xlabel('原图');&& subplot(2,2,2),imshow(j);&& xlabel('d=0.05');&& subplot(2,2,3),imshow(j1);&& xlabel('d=0.2');&& subplot(2,2,4),imshow(j2);&& xlabel('d=0.5');
从上图可以看出，噪声密度d越大，对图像的影响也就越大，一般l大约影响d*numel(I)个像素。四、总结下面对一副图像分别添加gaussian、poisson、salt&pepper噪声。&& clear all&& i=imread('god.jpeg');&& j=imnoise(i,'gaussian',0,0.025);&& j1=imnoise(i,'salt & pepper',0.025);&& j2=imnoise(i,'poisson');&& figure&& subplot(2,2,1),imshow(i);&& xlabel('原图');&& subplot(2,2,2),imshow(j);&& xlabel('gaussian');&& subplot(2,2,3),imshow(j1);&& xlabel('salt & pepper');&& subplot(2,2,4),imshow(j2);&& xlabel('poisson');
由此可见，椒盐噪声的强度最大，但是噪声分布最稀松。继续对比ga
不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的...
title: Week 4: Image restorationdate:
20:26:14tags: [mooc,image] Chapter 5 Image Restoration and Reconstruction 图像复原与重建 5.1 A ...
卡尔曼滤波在我当学生的时候就用过，但是当年我似乎就是套公式，没有理解其精髓，加之时间久了有点模糊，突然需要指导学生使用，有了强烈的陌生感觉，不得不逼自己再一次捡起。自己学会和教会别人是学习的两个层次，为了自我提高，也为了更好得指导学生。于是，我又翻出自己当年写的算法以及在网...
简单阈值 这里，问题很简单，如果像素值超过阈值，就给分配一个值（可能是白色），否则给分配另一个值（可能是黑色）。用的方法是cv2.threshold。第一个参数是源图片，应该是个灰度图片，第二个参数是阈值，用来分类像素值的。第三个参数是在像素值大于阈值时的最大值。OpenC...
对上述图像进行增强、主要增强两方面，一方面是图像的亮度，另一方面就是图像的对比度。 第一种方法：将RGB格式的图像转为HSV或者HSI格式，对于亮度值进行修改。主要是对V值直方图进行均衡化。RGB=imread('test.jpeg...
人生不是岁月，而是永恒。真正放在心底的，我们不会忘记。 不经意间，窗外飘起了小雪，毛茸茸的雪花，从灰暗的天空中急速地落向地面，凌空划过无数道弧线，随风旋转，飞舞，犹如从天而降的柳絮，一时间弥漫天空。在这样洁白如玉的壁画里，情不知所起，一往情深。 窗外，天空是那样的寂静，一...
战火纷飞，地割让； 军民饥渴，帝无权； 乌烟瘴气，国土败； 万两黄金，做赔偿； 臣敌相依，签霸权； 微笑面容，相送之。 英俊才子，出广东； 目睹中法，满清败； 无奈之举，创革命； 一路艰辛，不停歇； 推翻满清，建新朝； 改朝改政，军民齐； 三民主义，出孙文； 民族民权，系民...
一切从心开始，一切从心出发，“心论坛”不仅仅是个人才华的展示，更是学术的交流、教育的交流、心灵的交流。 我们和世界一起聆听您的声音，您的见解将成为推动世界的正能量！ Everything will be started with the heart, everything ...
当你嘴馋想吃糖的时候，不妨耐住性子，把它换成一份水果。为什么呢？吃了这么多年水果的你，一定知道水果更健康这个答案，那究竟为什么健康？怎么吃才健康呢？快来看看水果的真相吧。 为什么水果有营养呢? 水果是富含纤维、维生素和矿物质的食物，这是水果之所以被称健康的原因。正如养生达人...
往往，一转身就是一个世界。 如果，当初我因为金钱动摇了。如果，当初我听从了同学的劝阻。如果，当初我没有毅然地做出选择。恐怕，现在的我还处在那个封闭的牢笼里，苦苦挣扎却不得脱身。其实说这些也不是想五体投地地去感谢谁，只是也许一步，就只有一步，差距就大了。 也许这就是成人世界的...【图文】基于小波变换的图像去噪方法研究_百度文库
赠送免券下载特权
10W篇文档免费专享
部分付费文档8折起
每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于小波变换的图像去噪方法研究
大学政治课教师|
总评分4.5|
用知识赚钱
阅读已结束，下载本文到电脑
想免费下载本文？
登录百度文库，专享文档复制特权，积分每天免费拿！
你可能喜欢第4章 实验与仿真 ind_nz = find( m ~= 0); X = for i = row_min : row_max
for j = col_min : col_max
temp = x( i-(dim1-1)/2:i+(dim1-1)/2,
j-(dim2-1)/2:j+(dim2-1)/2);
element = sort( temp(ind_nz) );
X(i, j) = element( round( size(element, 1)/2 ) );
end end 4.2 基于小波变换的指纹图像去噪算法仿真实验 为了验证新算法在指纹图像去噪中的有效性和优越性，本文选用了小波变换对指纹图像进行仿真实验，在实验仿真中分别对指纹图像加入不同参数的高斯噪声和椒盐噪声，并对仿真的结果进行对比分析。在小波变换的仿真过程中，分别采用不同策略的软、硬阈值函数方法对指纹图像进行去噪处理，并将基于传统经典算法中值滤波和均值的指纹图像去噪效果与小波变换的去噪效果进行对比分析。本文的指纹图片分别选自FVC2004指纹库中的101_8.tif；实验环境为MATLAB 2012a。 4.2.1 实验仿真及结果分析 下面首先将原始指纹图像中加入方差为0.005的高斯噪声，然后利用基于不同策略的软、硬阈值对指纹图像进行去噪处理，并给出具体的不同方法均方差值用于对比说明，具体仿真结果图，如图4.5和4.6所示。
（a）原始图像
（b）加入方差0.005高斯噪声 （c）Donoho硬阈值 （d）Donoho软阈值 图4.9(a)
基于Donoho策略小波变换实验仿真图(109_6.tif)
16 第4章 实验与仿真
（a）原始图像
（b）加入方差0.005高斯噪声 （c）Donoho硬阈值 （d）Donoho软阈值 图4.10(b)
基于Donoho策略小波变换实验仿真图(101_8.tif)
（a）原始图像（b）加入方差0.005高斯噪声（c）BirgeMassart硬阈值（d）BirgeMassart软阈值 图4.11(a)
基于Birge-Massart小波变换实验仿真图(109_6.tif)
（a）原始图像（b）加入方差0.005高斯噪声（c）BirgeMassart硬阈值（d）BirgeMassart软阈值 图4.12(b)
基于Birge-Massart小波变换实验仿真图(101_8.tif) 表 4.1(b)
两种策略的均方差对比(109_6.tif) 图像名称 高斯 109_6.tif Donoho 软阈值 77.0806 Donoho 硬阈值 77.0986 Birge-Massart 软阈值 78.774169 Birge-Massart 硬阈值 77.0015 表 4.2(a)
两种策略的均方差对比(101_8.tif) 图像名称 高斯 101_8.tif Donoho 软阈值 77.6463 Donoho 硬阈值 77.7219 Birge-Massart 软阈值 78.0720 Birge-Massart 硬阈值 77.5937 从上面的实验方针结果及不同方法的均方值比较可以看出，利用不同策略的小波变换都可以有效的去除混入原始指纹图像的高斯噪声信息，改善图像的质量，通过均方值的对比分析，可以看出在该图像的情况，利用Birge-Massart软阈值可以更好的改善图像质量，整体上两种方法图像改善程度上并没有较大差距，建议在指纹图像的高斯噪声处理过程中，进一步针对不同策略的阈值进行选择。 17 第4章 实验与仿真 下面首先将原始指纹图像中加入方差为0.02的椒盐噪声，然后利用基于不同策略的软、硬阈值对指纹图像进行去噪处理，并给出具体的不同方法均方差值用于对比说明，具体仿真结果图，如图4.7和图4.8所示。
（a）原始图像
（b）加入密度0.02椒盐噪声 （c）Donoho硬阈值
（d）Dononho软阈值 图4.13(a)
基于Donoho策略小波变换实验仿真图(109_6.tif)
（a）原始图像
（b）加入密度0.02椒盐噪声 （c）Donoho硬阈值
（d）Dononho软阈值 图4.14(b)
基于Donoho策略小波变换实验仿真图(101_8.tif)
（a）原始图像
（b）加入密度0.02椒盐噪声（c）BirgeMassart硬阈值（d）BirgeMassart软阈值 图4.15(a)
基于Birge-Massart小波变换实验仿真图(109_6.tif)
（a）原始图像
（b）加入密度0.02椒盐噪声（c）BirgeMassart硬阈值（d）BirgeMassart软阈值 图4.16(b)
基于Birge-Massart小波变换实验仿真图(101_8.tif)
18 第4章 实验与仿真 表4.3(a)
两种策略的均方差对比(109_6.tif) 图像名称 椒盐 Donoho 软阈值 72.2130 Donoho 硬阈值 70.3915 Birge-Massart 软阈值 76.9254 Birge-Massart 硬阈值 74..tif 图像名称 椒盐 101_8.tif 表4.4(b)
两种策略的均方差对比(101_8.tif) Donoho 软阈值 71.6984 Donoho 硬阈值 69.9901 Birge-Massart 软阈值 77.0205 Birge-Massart 硬阈值 74.1302 从表4.2的数据仿真结果可以看出，基于Donoho公式的软、硬阈值的指纹图像去噪，不能很好的满足椒盐噪声的去除目的，在去除后的图像中，仍然残留较多的椒盐噪声，但是经过Birge-Massart策略进行去噪处理后，消除了较多的噪声，效果较Donoho有较大的改善，且均方差也较第一种方法较优，因此，建议在椒盐噪声混入的指纹图像处理中，采用Birge-Massart策略的小波变换进行指纹图像处理。 4.2.2小波变换仿真程序 1) Donoho策略小波变换实验程序 function thr = Donoho(x) %用Donoho通用阈值公式计算阈值 x为要进行处理的图像 %
thr = delta * sqrt( 2 * log(n)) %
n为信号的长度或尺寸 %
delta = MAD / 0.6745
-经验公式，其中MAD为小波分解后高子带系数的中值 n = prod( size(x) );
%图像尺寸 %计算delta [C, S] = wavedec2(x, 1, 'db1');
%小波分解 d = C( prod( S(1,:) ) + 2 * prod( S(2,:) ) + 1 : end);
%HH子带系数 delta = median( abs(d) ) / 0.6745; %计算阈值 thr = delta * sqrt(2*log(n)); 2) Birge-Massart小波变换实验程序 function thr = Birge_Massart(c, s) %用Birge-Massart策略估计阈值 19 第4章 实验与仿真 % 给定分解层数j，对j+1及更高层，所有系数保留 % 对第i层（1<=i<=j），保留绝对值最大的n_i个系数，n_i由下式确定 %
n_i = M/(j+2-i)^alpha % 其中M和alpha为经验系数，缺省情况下M取第一层分解后的系数长度L(1) % 一般情况下，M满足 L(1)<=M<=2L(1) % alpha的取值因用途不同，压缩情况下一般取alpha=1.5，降噪一般取alpha=3 %设定alpha、M和j的值 alpha = 3; M = prod(s(1, :)); j = size(s, 1) - 2; %计算每层的阈值 for i = 1:j
n = round( M/(j+2-i)^alpha );
%每层保留的系数个数
D = detcoef2('compact', c, s, i);
%提取第i层的所有细节系数
if n >= size(D)
thr(:, i) = zeros(3, 1);
D = sort(abs(D));
thr(i) = D(end-n);
%设置第i层的阈值 end end 4.3 经典算法与小波变换算法对比分析 为了更好的说明本文所采用的经典算法与小波变换算法在指纹噪声去除中效果的对比，将两类算法针对同一图像的去噪均方比进行比较，比较具体如下两表所示。 表4.5(a)
高斯噪声下的两类算法对比分析(109_6.tif) 图像名称 混入高斯噪声 Donoho 软阈值 77.0806 Donoho 硬阈值 77.0986 Birge-Massart 软阈值 78.774169 Birge-Massart 硬阈值 77.4 中值滤波 109_6.tif 图像名称 表4.6(b)
高斯噪声下的两类算法对比分析(101_8.tif) Donoho Donoho Birge-Massart Birge-Massart 中值滤波 20