對同時含有椒鹽噪聲和高斯噪聲的消噪處理

1、燕山大學(xué)課程設(shè)計說明書題目：同時含有椒鹽噪聲和高斯噪聲的圖像消噪處理學(xué)院（系）：里仁學(xué)院年級專業(yè)：09工業(yè)自動化儀表學(xué)號:091203021061學(xué)生姓名：姚寧指導(dǎo)教師：趙彥濤程淑紅教師職稱：講師 副教授燕山大學(xué)課程設(shè)計（論文）任務(wù)書院（系）：電氣工程學(xué)院基層教學(xué)單位：自動化儀表系學(xué)號091203021061學(xué)生姓名姚寧專業(yè)（班級）09儀表1班設(shè)計題目同時含有椒鹽噪聲和高斯噪聲的消噪處理設(shè)計技術(shù)參數(shù)要求設(shè)計出一種能冋時消除圖像中含有椒鹽噪聲和高斯噪聲的方法并實現(xiàn)設(shè) 計 要 求對于同時含有椒鹽噪聲和高斯噪聲的圖像，如何能更好的消除其噪聲。對 一副圖像用函數(shù)冋時加入椒鹽噪聲和高斯噪聲，并設(shè)計出一種

2、能冋時消除這兩 種噪聲的方法，并實現(xiàn)。積極思考其他消噪方法，設(shè)計中應(yīng)具有自己的設(shè)計思 想、設(shè)計體會。工作量一周工 作 計 劃一周的時間：周一：分析題目，確立方向，構(gòu)思結(jié)構(gòu)，查閱資料。 周二到周三：編程，運行，測試及調(diào)試。周四：整理資料、程序和圖片，撰寫設(shè)計說明書。周五：答辯。參 考 資 料1、 賈永紅數(shù)字圖像處理（第二版）武漢：武漢大學(xué)出版社 2010,22、岡薩雷斯數(shù)字圖像處理（Matlab ）.電子工業(yè)出版社,20063、樓順天.MATLAB5.X程序設(shè)計語言.西安：西安電子科技大學(xué)出版社，2000指導(dǎo)教師簽字基層教學(xué)單位主任簽字說明：此表一式四份，學(xué)生、指導(dǎo)教師、基層教學(xué)單位、系部各一份

3、。2012年6月29日燕山大學(xué)課程設(shè)計評審意見表指導(dǎo)教師評語:正確完善完善認(rèn)真較為合理合理較認(rèn)真理論分析慶方法設(shè)計旗一般一般不認(rèn)真較差較差工作態(tài)度成績：指導(dǎo)教師：2012年 6月29日答辯小組評語：清晰設(shè)計結(jié)論正確基本正確基本掌握原理了解成績：不清楚評閱人：不正確2012年6月29日課程設(shè)計總成績:答辯小組成員簽字:2012 年 6 月 29 日燕山大學(xué)課程設(shè)計說明書目錄第一章摘要1第二章引言2第三章噪聲的特性3第四章對圖像的消噪處理44.1 中值濾波44.2 維納濾波84.3 中值濾波與維納濾波的結(jié)合 10第五章學(xué)習(xí)心得14第六章參考文獻(xiàn)15共15頁第18頁同時含有椒鹽噪聲和高斯噪聲的消噪處

4、理一、摘要本文研究的是對同時含有椒鹽噪聲和高斯噪聲的消噪處理。首先，本文對高斯噪聲和椒鹽噪聲作出解釋，從根本是理解高斯噪聲和椒鹽噪聲， 并用圖像生動形象的解釋這兩種噪聲產(chǎn)生的影響，如正文中圖1所示。對圖像的消噪處理時，有均值濾波，中值濾波，維納濾波，超限像素平滑法等方法， 在這里我們選取中值濾波和維納濾波進(jìn)行分析。一、中值濾波：選取一個窗口，并對窗口中的像素灰度值進(jìn)行排序，用中間值代替窗口中心的像素 值。其消噪效果如文中圖 2和圖3所示。由圖中我們可以看到中值濾波對圖像中的椒鹽 噪聲有很好的濾除效果，并能較好的保留圖像的邊緣，但對圖像中的高斯噪聲的濾波效 果不是很理想。二、維納濾波：運用維納濾

5、波的方法進(jìn)行濾波時，我們可以根據(jù)他的原理進(jìn)行編程濾波，也可以直接運用維納濾波的函數(shù) wiener2(a)進(jìn)行濾波。其運行結(jié)果如文中圖4所示。由圖中我們可以發(fā)現(xiàn)維納濾波能夠很好地濾去高斯噪聲，但對椒鹽噪聲的濾波效果不是很理想。所以我們采用將這兩種方法結(jié)合起來，來對同時還有椒鹽噪聲和高斯噪聲的圖像進(jìn) 行濾波。三、中值維納濾波：首先我們將圖像中的像素點按一定的條件分為椒鹽噪聲點和信號點，然后對椒鹽噪 聲點進(jìn)行中值濾波，信號點保留，最后再對整個圖像進(jìn)行維納濾波，其結(jié)果如圖5所示。從圖中我們可以看出中值維納濾波對圖像的處理想過還是挺理想的。關(guān)鍵字：椒鹽噪聲高斯噪聲 中值濾波 維納濾波 中值維納濾波二、弓

6、丨言數(shù)字圖像的噪聲主要來源于圖像的獲?。〝?shù)字化過程）和傳輸過程。圖像傳感器的工 作情況受各種因素的影響，如圖像獲取中的環(huán)境條件和傳感元器件自身的質(zhì)量。例如， 使用CCD攝像機(jī)獲取圖像，光照強(qiáng)度和傳感器溫度是生成圖像中產(chǎn)生大量噪聲的主要因 素。圖像在傳輸過程中主要由于所用的傳輸信道的干擾受到噪聲污染。比如，通過無線 網(wǎng)絡(luò)傳輸?shù)膱D像可能會因為光或其他大氣因素的的干擾被污染。噪聲不僅僅嚴(yán)重影響人們觀賞圖像時的視覺效果，還有可能影響邊緣檢測、圖像分 割、特征提取、模式識別等后續(xù)更高層的處理結(jié)果，因此采用適當(dāng)?shù)姆椒ūM量減少噪聲 時一個非常重要的預(yù)處理步驟。在實際生活中，最常見的為高斯噪聲和脈沖噪聲（椒鹽

7、噪聲）兩類，所以去除這兩 類噪聲是非常需要的。本文通過對這兩種噪聲的去噪方法進(jìn)行了根本的分析和研究，并 用Matlab進(jìn)行了編程和調(diào)試，最終確定出最優(yōu)的去噪方案，簡單易懂，深入淺出。為今 后的研究提供了相關(guān)的參考資料和編程，具有深刻的研究意義！三、噪聲的特性實際生活中最常見的是高斯噪聲和脈沖噪聲（椒鹽噪聲），下面便分別對這兩種解釋做出解釋和比較。1、高斯噪聲高斯噪聲是指噪聲的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲，這種噪聲經(jīng)常被用于實踐中。高斯隨機(jī)變量 z的PDF （概率密度函數(shù)）由下式給出:p(z)2/2 2(1)式中，z表示灰度值,表示z的平均值或期望值,表示z的標(biāo)準(zhǔn)差，2稱為z

8、的方差。2、脈沖噪聲（雙極）脈沖噪聲的PDF可由下式給出：巳z ap(z)z b0其他如果ba，灰度值b在圖像中將顯示為個亮點，相反,（2）a的值將顯示為一Pa和Pb均不可能為零，個暗點。如果 Pa和Fb為零，則脈沖噪聲稱為單極脈沖。如果尤其是它們近似相等時，脈沖噪聲值將類似于隨機(jī)分布在圖像上的胡椒和鹽粉微 粒，因此雙機(jī)脈沖噪聲也稱為椒鹽噪聲。在這，我們研究的是椒鹽脈沖。解碼處理等產(chǎn)生的黑白相間的亮暗點噪椒鹽噪聲是由圖像傳感器，傳輸信道,聲。椒鹽噪聲往往由圖像切割引起的。在實際生活中，這兩種噪聲一般都是同時存在的。為了更形象，清楚的了解椒鹽噪聲和高斯噪聲對圖像的影響，我們運用 別認(rèn)識一下椒鹽噪

9、聲和高斯噪聲以及椒鹽、 其程序如下所示：clear;clc;l=imread( Miss512G.bmp );a,b=size(l);figuresubplot(2,2,1);imshow(l);title(J=i mno ise(l,salt & peppersubplot(2,2,2);imshow(J);title(G=imno ise(l,gaussia n,0.02);Matlab,對一個圖像進(jìn)行加噪處理，分高斯同時存在時，反映在圖像上的效果。灰白原圖）；,0.02）;加椒鹽噪聲后的圖像）;subplot(2,2,3);imshow(G);title(加高斯噪聲后的圖像);K=imn

10、o ise(J,gaussia n,0.02);subplot(2,2,4);imshow(K);title(加椒鹽噪聲和高斯噪聲后的圖像）;其運行結(jié)果如圖1所示：灰白原圖加椒鹽噪聲后的圖像加高斯噪聲后的圖像加椒鹽噪聲和高斯噪聲后的圖像四、對圖像的消噪處理對含有椒鹽噪聲和高斯噪聲的圖像進(jìn)行消噪預(yù)處理時，有許多方法，例如均值濾波， 中值濾波，超限像素平滑法及維納濾波等，在這里，我們先選用中值濾波的方法。4.1、中值濾波它是對一個滑動窗口內(nèi)的諸像素灰度值進(jìn)行排序，用中間值代替窗口中心像素的灰 度值的濾波方法。它是一種非線性的平滑法，在抑制噪聲的同時能有效保護(hù)邊緣少受模 糊。實現(xiàn)中值濾波的步驟如下所

11、示： 選擇一個規(guī)格的窗口，如3*3的矩形窗口，放入圖像（灰度值矩陣）的左上角。 將窗口中的灰度值進(jìn)行升序（降序）排列，用排在中間的灰度值來代替窗口中心 的灰度值。 將窗口向右移一列，在進(jìn)行步驟。到圖像的有邊緣后，向下移一行從左往右依 次進(jìn)行步驟和步驟。運用Matlab進(jìn)行編程，程序如下所示：clear;clc;l=imread( Miss512G.bmp ); a,b=size(l);figuresubplot(2,2,1);imshow(l); title(J=i mno ise(l,salt & pepperK=imno ise(J,gaussia n,0.02);a,b=size(K);

12、subplot(2,2,2);imshow(K);title(%3*3中值濾波for i=1:afor j=1:bif (i=1|i=a|j=1|j=b) G(i,j)=K(i,j);elsetemp(1)=K(i-1,j-1);temp (2)=K(i-1,j); temp(3)=K(i-1,j+1);temp=K(i,j-1); temp(5)=K(i,j);temp (6)=K(i,j+1); temp(7)=K(i+1,j-1); temp(8)=K(i+1,j); temp(9)=K(i+1,j+1); temp=sort(temp);G(i,j)=temp(5);endendend

13、subplot(2,2,3);imshow(G);title(%5*5中值濾波for i=1:a灰白原圖);,0.02);加椒鹽噪聲和高斯噪聲后的圖像);%取 3*3的窗口%按升序排序%取中間值3*3中值濾波后的圖像);for j=1:bif (i=1|i=2|i=a_1|i=a|j=1|j=2|j=b_1|j=b)G5(i,j)=K(i,j);elsetemp(1)=K(i-2,j-2);temp(2)=K(i-2,j-1);temp(3)=K(i-2,j);temp(4)=K(i-2,j+1);temp(5)=K(i-2,j+2); temp(6)=K(i-1,j-2); temp =K(

14、i-1,j-1);temp(8)=K(i-1,j); temp(9)=K(i-1,j+1); temp(10)=K(i-1,j+2);temp(11)=K(i,j-2);temp(12)=K(i,j-1); temp(13)=K(i,j); temp(14)=K(i,j+1); temp(15)=K(i,j+2);temp(16)=K(i+1,j-2); temp(17)=K(i+1,j-1);temp(18)=K(i+1,j); temp(19)=K(i+1,j+1); temp(20)=K(i+1,j+2);temp(21)=K(i+2,j-2);temp(22)=K(i+2,j-1);

15、temp(23)=K(i+2,j); temp(24)=K(i+2,j+1);temp(25)=K(i+2,j+2); temp=sort(temp); G5(i,j)=temp(13);endendend subplot(2,2,4);imshow(G5);title(5*5 中值濾波后的圖像);其運行后的結(jié)果如圖2所示。我們還可以直接運用中值濾波的函數(shù)進(jìn)行Matlab濾波，由于當(dāng)選取7*7和11*11大的窗口時，按上述方法編程的程序很長，從而增加了工作量，所以我們可直接用中值濾 波的函數(shù)medfilt2(a),進(jìn)行中值濾波。程序如下所示：g=medfilt2(K,7,7); subplot

16、(1,2,1);imshow(g);title(7*7中值濾波后的圖像)g=medfilt2(K,11,11);subplot(1,2,2);imshow(g);title(11*11 中值濾波后的圖像 )其運行結(jié)果如圖3所示：灰白原圖加椒鹽噪聲和高斯噪聲后的圖像3*3中值濾波后的圖像5*5中值濾波后的圖像7*7中值濾波后的圖像11*11中值濾波后的圖像圖3由上圖中的3*3、5*5、7*7和11*11窗口的濾波效果，我們可以從中看到中值濾波能 有效地消除椒鹽噪聲，并且隨著窗口大小的增加，濾波效果越好。但是隨著中值濾波， 圖像也變得模糊起來。所以當(dāng)窗口增大到一定值之后，雖然也起到了去噪的效果，但

17、是 圖像會變得過于模糊，不利于圖片觀賞。所以對于窗口大小的確定，我們可以由小到大 的逐次選取濾波，選出效果最好時的窗口，此時我們選擇7*7的窗口。由上圖，我們還可以得出：中值濾波對高斯噪聲也有一定的消除，但是效果不是很 理想，所以我們可以選取另一種方法來進(jìn)行濾波，看能否達(dá)到消去高斯噪聲的效果。在這，我們選取維納濾波法。4.2、維納濾波維納濾波是在逆濾波的基礎(chǔ)上進(jìn)行圖像復(fù)原，是最小均方誤差濾波。運用維納濾波 時，我們需要選擇一個合適的退化模型，在這里我們設(shè)圖像的退化模型為：H(u,v)k(u a/2)2 (v b/2)2)5/6e(3)式中的a和b分別是退化后圖像矩陣的行數(shù)和列數(shù)。在這里我們?nèi)?

18、我們便可以得到恢復(fù)后圖像的傅里葉變換為：k 0.0025。這樣,F?(u,v)1.2H(u,v)|H(u,v)H(u,v)2S (u,v)/Sf (u,v)G(u,v)(4)2F(u,v)是未退化模型的功率譜。2式中S (u,v) N(u,v)是噪聲的功率譜，Sf(u,v)G(u,v)是退化圖像的變換。當(dāng)處理高斯噪聲時，譜|N(u,v)是一個常數(shù)，并且未退化圖像的功率譜很少是已知的。當(dāng)這些值未知或不能估計時，經(jīng)常使用下面表達(dá)式近似表示：F?(u,v)1H(u,v)2H(u,v) G(u,v) H(u,v) K(5)式中K是一個特殊常量,我們可以帶入任意值，選出效果最好時的 K的值。求出F?(u

19、,v)后，再對它進(jìn)行傅里葉逆變換便可得到恢復(fù)后的圖像。運用Matlab進(jìn)行編程，程序如下所示：clear;clc;l=imread( Miss512G.bmp);a,b=size(l);figuresubplot(2,2,1);imshow(l);title(灰白原圖);J=imnoise(l, salt & pepper ,0.02);K=imnoise(J, gaussian,0.02);a,b=size(K);subplot(2,2,2);imshow(K);title(加椒鹽噪聲和高斯噪聲后的圖像);k=0.0025;for u=1:afor v=1:bq=(u-a/2)A2+(v-b

20、/2)A2;H(u,v)=exp(-k*qA(5/6);H0(u,v)=(abs(H(u,v)f2;H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+c);endendF0=fftshift(fft2(K);F2=H1.*F0;I3=ifft2(fftshift(F2);subplot(2,2,3);imshow(ui nt8(l3);title(維納濾波復(fù)原圖); 考慮到其消噪的效果及伴隨的模糊狀況，最終確定K 0.18.或直接運用Matlab中的維納濾波函數(shù) wiener2來進(jìn)行對加噪后(與中值濾波加相同的 椒鹽噪聲和高斯噪聲)的圖像進(jìn)行消噪處理，程序如下所示：G=wie

21、ner2(K,3,3);figure8*8維納濾波);subplot(2,2,1);imshow(G); ti tle(F=wie ner2(K,7,7); subplot(2,2,2);imshow(F);title( 9*9 維納濾波 J;F=wie ner2(K,10,10);10*10維納濾波);subplot(2,2,3);imshow(F);title(F=wie ner2(K,14,14); subplot(2,2,4);imshow(F);title( 11*11 維納濾波);其運行結(jié)果如圖4所示：8*8維納濾波9*9維納濾波10*10維納濾波11*11維納濾波由圖中，我們可以

22、發(fā)現(xiàn)維納濾波方法能夠有效的濾去高斯噪聲，并且隨著窗口的增大，其濾波效果越好。但隨著窗口的增大，也伴隨著圖像的模糊，所以選擇 9*9的窗口其濾波效果最好。雖然維納濾波也能消去椒鹽噪聲，但其效果并不是很理想。4.3、中值濾波和維納濾波的結(jié)合由圖2和圖3，我們發(fā)現(xiàn)中值中值濾波能夠濾除圖像中的椒鹽噪聲，并能很好的保留圖像的邊緣。從圖4中，可以得出維納濾波則能較好的去除高斯噪聲。所以，對于同時 含有椒鹽噪聲和高斯噪聲的圖像進(jìn)行消噪處理時，我們可以想辦法使這兩個程序結(jié)合起來，從而達(dá)到對這兩種噪聲均能較好的去噪的效果。對圖像進(jìn)行去噪時，如果我們能夠區(qū)分出椒鹽噪聲和高斯噪聲污染的點，那就可以 分別對椒鹽噪聲運

23、用中值濾波，然后對高斯噪聲進(jìn)行維納濾波達(dá)到預(yù)期的效果。而區(qū)分 噪聲點時，由于椒鹽噪聲的特性，我們可以知道椒鹽噪聲點的灰度值與其他像素點有明 顯的區(qū)別，一般是其鄰域中的灰度極值點(正的或負(fù)的)。所以在一幅圖像中，如果一 個像素點的灰度值遠(yuǎn)大于或遠(yuǎn)小于其鄰域點的灰度值，也就是說該像素點與其鄰域的點的相關(guān)性很小時，我們便分為這個點被污染了。否則，則認(rèn)為這個點是有效信號點。所 以我們可通過下式來區(qū)分椒鹽噪聲點和信號點：N Xjj min(W j ) or max(Wx0 )Xj( 6)Smin(WXj) xij max(W xij )式中N為椒鹽噪聲點，S為信號點，minWXj為所選窗口內(nèi)的最小灰度值

24、，maxW Xij 為窗口內(nèi)的最大灰度值。按以上標(biāo)準(zhǔn)對所有像素進(jìn)行分類，設(shè)丫訂表示輸出圖像，那么便可設(shè):中值濾波(WXjj)xijNyijXijXij S得出中值濾波的圖像后在對它進(jìn)行維納濾波，運用Matlab，其編程如下所示:clear;clc;l=imread( Miss512G.bmp);a,b=size(l);figuresubplot(2,2,1);imshow(I);title(灰白原圖);J=imnoise(l, salt & pepper ,0.02);K=imnoise(J, gaussian,0.02);a,b=size(K);subplot(2,2,2);imshow(K

25、);title(加椒鹽噪聲和高斯噪聲后的圖像);for i=1:afor j=1:bif (i=1|i=2|i=3|i=a_2|i=a_1|i=a|j=1|j=2|j=3|j=b_2|j=b_1|j=b)G(i,j)=K(i,j);elsetemp(1)=K(i-3,j-3);temp(2)=K(i-3,j-2);temp (3)=K(i-3,j-1);temp (44)=K(i-3,j);temp(5)=K(i-3,j+1);temp(6)=K(i-3,j+2);temp (7)=K(i-3,j+3);temp(8)=K(i-2,j-3);temp(9)=K(i-2,j-2);temp(10

26、)=K(i-2,j-1);temp(11)=K(i-2,j);temp(12)=K(i-2,j+1);temp(13)=K(i-2,j+2);temp(14)=K(i-2,j+3);temp(15)=K(i-1,j-3);temp(16)=K(i-1,j-2);temp(17)=K(i-1,j-1);temp(18)=K(i-1,j);temp(19)=K(i-1,j+1);temp(20)=K(i-1,j+2);temp(21)=K(i-1,j+3);temp(22)=K(i,j-3);temp(23)=K(i,j-2);temp(24)=K(i,j-1);temp(25)=K(i,j);t

27、emp(26)=K(i,j+1);temp(27)=K(i,j+2);temp(28)=K(i,j+3);temp(29)=K(i+1,j-3);temp(30)=K(i+1,j-2);temp(31)=K(i+1,j-1);temp(32)=K(i+1,j);temp(33)=K(i+1,j+1);temp(34)=K(i+1,j+2);temp(35)=K(i+1,j+3);temp(36)=K(i+2,j-3);temp(37)=K(i+2,j-2);temp(38)=K(i+2,j-1);temp(39)=K(i+2,j);temp(40)=K(i+2,j+1);temp(41)=K(i+2,j+2);temp(42)=K(i+2,j+3);temp(43)=K(i+3,j-3);temp(44)=K(i+3,j-2);temp(45)=K(i+3,j-1);temp(46)=K(i+3,j);temp(47)=K(i+3,j+1);temp(48)=K(i+3,j+2);temp(49)=K(i+3,j+3);temp=sort(temp);N=temp(1);M=temp(49);if(K(