经典的图像去噪算法

目前比较经典的图像去噪算法主要有以下三种：
 
均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度
的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，
可以对其进行改进，主要避开对景物边缘的平滑处理。
 

%x是需要滤波的图像,n是模板大小(即n×n)
function d=avg_filter(x,n)
a(1:n,1:n)=1;   %a即n×n模板,元素全是1
[height, width]=size(x);   %输入图像是hightxwidth的,且hight>n,width>n
x1=double(x);
x2=x1;
for i=1:hight-n+1
    for j=1:width-n+1
        c=x1(i:i+(n-1),j:j+(n-1)).*a; %取出x1中从(i,j)开始的n行n列元素与模板相乘
        s=sum(sum(c));                 %求c矩阵中各元素之和
        x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n); %将与模板运算后的各元素的均值赋给模板中心位置的元素
    end
end
%未被赋值的元素取原值
d=uint8(x2);

中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号
处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，
一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度
值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗
口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂
度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化
 

%自编的中值滤波函数。x是需要滤波的图像,n是模板大小(即n×n)
function d=mid_filter(x,n)
[height, width]=size(x);   %输入图像是p×q的,且p>n,q>n
x1=double(x);
x2=x1;
for i=1:height-n+1
    for j=1:height-n+1
        c=x1(i:i+(n-1),j:j+(n-1)); %取出x1中从(i,j)开始的n行n列元素,即模板(n×n的)
        e=c(1,:);      %是c矩阵的第一行
        for u=2:n
            e=[e,c(u,:)];     %将c矩阵变为一个行矩阵
        end
        mm=median(e);      %mm是中值
        x2(i+(n-1)/2,j+(n-1)/2)=mm;   %将模板各元素的中值赋给模板中心位置的元素
    end
end
%未被赋值的元素取原值
d=uint8(x2);

 

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

另一个版本：

a=imread('lena_0.005.bmp');
a=double(a);
[dep,wide]=size(a);
new_image=ones(size(a));
for i=3:dep-2
    for j=3:wide-2
        new_image(i,j)=median([a(i-2,j-2) a(i-2,j-1) a(i-2,j) a(i-2,j+1) a(i-2,j+2) a(i-1,j-2) a(i-1,j-1) a(i-1,j) a(i-1,j+1) a(i-1,j+2) a(i,j-2) a(i,j-1) a(i,j) a(i,j+1) a(i,j+2) a(i+1,j-2) a(i+1,j-1) a(i+1,j) a(i+1,j+1) a(i+1,j+2) a(i+2,j-2) a(i+2,j-1) a(i+2,j) a(i+2,j+1) a(i+2,j+2)]);
    end
end

for i=3:dep-2 %处理每一行的最头上两个和最边上2个
    new_image(i,1)=new_image(i,3);
    new_image(i,2)=new_image(i,3);                                                                                                      new_image(i,wide)=new_image(i,wide-2);
    new_image(i,wide-1)=new_image(i,wide-2);
end

new_image(1,:)=new_image(3,:); %把第三行的所有元素赋值给第一行
new_image(2,:)=new_image(3,:);
new_image(dep,:)=new_image(dep-2,:);%把倒数第二行的所有元素值赋给最后一行
new_image(dep-1,:)=new_image(dep-2,:);

    figure
    imshow(uint8(a))
    figure
    imshow(uint8(new_image))

   % imwrite(uint8(new_image),'lena_0.005_median_5.bmp','bmp')

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
。
Wiener
维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，
是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声
效果明显。

 

 

另： 高斯滤波函数：

%自编的高斯滤波函数，S是需要滤波的图象，n是均值，k是方差
function d=gaussfilt(k,n,s)
Img = double(s);
n1=floor((n+1)/2);%计算图象中心
for i=1:n
    for j=1:n
      b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*k))/(4*pi*k);
    end
end
%生成高斯序列b。
Img1=conv2(Img,b,'same'); %用生成的高斯序列卷积运算，进行高斯滤波
d=uint8(Img1);

主函数：

%此为程序主文件，包含主要功能单元，以及对子函数进行调用
try
%实验步骤一：彩色、灰度变换
h=imread('photo.jpg'); %读入彩色图片
c=rgb2gray(h); %把彩色图片转化成灰度图片，256级
figure,imshow(c),title('原始图象'); %显示原始图象
g=imnoise(c,'gaussian',0.1,0.002); %加入高斯噪声
figure,imshow(g),title('加入高斯噪声之后的图象'); %显示加入高斯噪声之后的图象

%实验步骤二：用系统预定义滤波器进行均值滤波
n=input('请输入均值滤波器模板大小
');
A=fspecial('average',n); %生成系统预定义的3X3滤波器
Y=filter2(A,g)/255;           %用生成的滤波器进行滤波,并归一化
figure,imshow(Y),title('用系统函数进行均值滤波后的结果'); %显示滤波后的图象

%实验步骤三:用自己的编写的函数进行均值滤波
Y2=avefilt(g,n);     %调用自编函数进行均值滤波，n为模板大小
figure,imshow(Y2),title('用自己的编写的函数进行均值滤波之后的结果'); %显示滤波后的图象

%实验步骤四:用Matlab系统函数进行中值滤波
n2=input('请输入中值滤波的模板的大小
');
Y3=medfilt2(g,[n2 n2]);   %调用系统函数进行中值滤波，n2为模板大小
figure,imshow(Y3),title('用Matlab系统函数进行中值滤波之后的结果'); %显示滤波后的图象

%实验步骤五:用自己的编写的函数进行中值滤波
Y4=midfilt(g,n2);      %调用自己编写的函数进行中值滤波，
figure,imshow(Y4),title('用自己编写的函数进行中值滤波之后的结果');

%实验步骤六:用matlab系统函数进行高斯滤波
n3=input('请输入高斯滤波器的均值
');
k=input('请输入高斯滤波器的方差
');
A2=fspecial('gaussian',k,n3);      %生成高斯序列
Y5=filter2(A2,g)/255;              %用生成的高斯序列进行滤波
figure,imshow(Y5),title('用Matlab函数进行高斯滤波之后的结果');    %显示滤波后的图象

%实验步骤七:用自己编写的函数进行高斯滤波
Y6=gaussfilt(n3,k,g); %调用自己编写的函数进行高斯滤波，n3为均值，k为方差
figure,imshow(Y6),title('用自编函数进行高斯滤波之后的结果');      %显示滤波后的图象

catch           %捕获异常
    disp(lasterr);     %如果程序有异常，输出
end