标签：随机 博客 最小 图像去噪 fft 查看 调用 com 算法
去年图像处理的DLL，有学弟问我做的思路，便放到博客里
github地址，欢迎star
图像增强处理：设计一套空间域与频率域结合的图像增强算法，处理以下任一组图片中的带噪声图像，去除噪声，提高图像质量。
（1）已知：噪声为随机噪声和周期噪声混合噪声；
（2）要求：
a）去噪处理后，计算均方误差评估去噪处理后图像的去噪效果
b）撰写完整的科技报告（形式类似科技论文）表述自己的算法设计，算法实现与算法评估过程。
根据老师讲解，swanNoise.bmp 所包含的噪声为椒盐噪声与周期噪声的混合。
对于传统图像中的椒盐噪声，适合使用 k 近邻滤波、中值滤波(二维统计滤波)、自适应中值滤波来去除噪声。k 近邻滤波能保留图像细节，使图像保持一定的清晰度，但椒盐噪声仍有少许干扰。中值滤波能完全去除椒盐噪声，但图像细节信息也损失了许多。
对于本图像，选取默认的参数调用三个滤波器去噪：
结果发现 k 近邻滤波图像细节损失不少。
再将二维统计滤波结果与自适应中值滤波结果比较：
结果发现适应中值滤波去噪效果最好。
将空域去噪的结果频谱图进行对比：
结果发现周期噪声突出的频率在每个区域均匀分布在各个点中。打开 photoshop 确认各点坐标。
对于频域滤波来说，可以采用高通滤波器、带阻滤波器、陷波滤波器、小波滤波器。下面对这几种滤波器进行比较：
*由于试用版 matlab 无法安装 wavetoolbox ，在机房中实验的小波滤波器对本图去噪效果并不好，故采用陷波滤波器。
陷波滤波器结果如下：
经过实验，发现先对频域去噪再对空域去噪效果最好，在这种情况下，自适应中值滤波比之原图的均方误差最小，结果如下：
二维统计滤波：
function y = TwostaticFilter(imageWithNoise,k,boxSize)
% iamgeWithNoise:噪声图像
% k:k值
% boxSize:模板尺寸
% 二维统计滤波
y = imageWithNoise;
[rows,cols]=size(y);
template = zeros(boxSize);
for i = 1:rows-boxSize+1
for j = 1:cols-boxSize+1
% 取模板内元素
template = imageWithNoise(i:i+(boxSize-1),j:j+(boxSize-1));
% 用排序后第k个值替换模板中心点像素值
v = sort(template(:));
y(i+(boxSize-1)/2,j+(boxSize-1)/2) = v(k);
end
end
非局部均值滤波：
function DenoisedImg=NLmeans(I,ds,Ds,h)
[m,n]=size(I);
DenoisedImg=zeros(m,n);
% 扩展图像边界
PaddedImg = padarray(I,[ds,ds],'symmetric','both');
% 定义d值
kernel=ones(2*ds+1,2*ds+1);
kernel=kernel./((2*ds+1)*(2*ds+1));
% 定义噪声功率
h2=h*h;
for i=1:m
for j=1:n
% 原图像对应扩展图像的偏移量
i1=i+ds;
j1=j+ds;
% 在扩展图像中以(i1,j1)为中心的邻域窗口1
W1=PaddedImg(i1-ds:i1+ds,j1-ds:j1+ds);
average=0; % 加权和
sweight=0; % 归一化系数
% 搜索窗口
rmin = max(i1-Ds,ds+1); % 搜索窗口上边界最低限制到原图像上边界
rmax = min(i1+Ds,m+ds); % 搜索窗口下边界最高限制到原图像下边界
smin = max(j1-Ds,ds+1); % 搜索窗口左边界最低限制到原图像左边界
smax = min(j1+Ds,n+ds); % 搜索窗口右边界最高限制到原图像右边界
% r与s为搜索窗口内像素点的坐标,对搜索窗口内的每个像素点求相似度
for r=rmin:rmax
for s=smin:smax
% 不能与自己比较相似度
if(r==i1&&s==j1)
continue;
end
% 以搜索窗口内的像素点为中心的邻域窗口2
W2=PaddedImg(r-ds:r+ds,s-ds:s+ds);
% 计算邻域间距离
Dist2=sum(sum(kernel.*(W1-W2).*(W1-W2)));
% 计算权值w(x,y)
w=exp(-Dist2/h2);
sweight=sweight+w;
average=average+w*PaddedImg(r,s);
end
end
% 将加权和归一化并替换原像素点
DenoisedImg(i,j)=average/sweight;
end
end
三维块匹配滤波：
function [y_est] = BM3D(y, z, sigma)
elseif strcmp(transform_type, 'dct') == 1,
Tforward = dct(eye(N));
elseif strcmp(transform_type, 'dst') == 1,
Tforward = dst(eye(N));
elseif strcmp(transform_type, 'DCrand') == 1,
x = randn(N); x(1:end,1) = 1; [Q,R] = qr(x);
if (Q(1) < 0),
Q = -Q;
end;
Tforward = Q';
else
dwtmode('per','nodisp');
Tforward = zeros(N,N);
for i = 1:N
Tforward(:,i)=wavedec(circshift([1 zeros(1,N-1)],[dec_levels i-1]), log2(N), transform_type); %% construct transform matrix
end
end
Tforward = (Tforward' * diag(sqrt(1./sum(Tforward.^2,2))))';
Tinverse = inv(Tforward);
return;
陷波滤波：
function [im,fftim] = swannotchfilter(Image,D)
f = Image;
f = mat2gray(f,[0 255]);
[M,N] = size(f);
P = 2*M;
Q = 2*N;
fc = zeros(M,N);
for x = 1:1:M
for y = 1:1:N
fc(x,y) = f(x,y) * (-1)^(x+y);
end
end
F = fft2(fc,P,Q);
H_NF = ones(P,Q);
for x = (-P/2):1:(P/2)-1
for y = (-Q/2):1:(Q/2)-1
v_k = 200; u_k = 145;
D_k = ((x+u_k)^2 + (y+v_k)^2)^(0.5);
H_NF(x+(P/2)+1,y+(Q/2)+1) = H_NF(x+(P/2)+1,y+(Q/2)+1) * 1/(1+(D/D_k)^4);
end
end
G_1 = H_NF .* F;
g_1 = real(ifft2(G_1));
g_1 = g_1(1:1:M,1:1:N);
for x = 1:1:M
for y = 1:1:N
g_1(x,y) = g_1(x,y) * (-1)^(x+y);
end
end
im=g_1;
fftim=G_1;根据老师讲解，dogDistorted.bmp 所包含的噪声为高斯噪声与周期噪声的混合。
对于传统图像中的高斯噪声，适合使用非局部均值滤波、中值滤波(二维统计滤波)、三维块匹配滤波
非局部均值滤波均方误差更小，但三维块匹配滤波对于细节的保留程度更高。
同样的，采用陷波滤波器去噪，查看噪声图像频谱图：
采用一样的方法陷波滤波：
标签：随机 博客 最小 图像去噪 fft 查看 调用 com 算法
原文地址：https://www.cnblogs.com/shy-/p/10888880.html
