【文章內(nèi)容簡(jiǎn)介】 過(guò)，對(duì)于存儲(chǔ)圖像來(lái)說(shuō)，一般使用的是無(wú)符號(hào)整型存儲(chǔ)方式。 MATLAB 的圖像處理工具的功能非常的強(qiáng)大，支持很多的圖像文件格式，比如*.JPEG、 *.GIF 和 *.BMP 等。 MATLAB 包含有 15 種圖像處理函數(shù) ，這些函數(shù)按其功能可分為：圖像顯示、圖像文件 I/O，幾何操作、像素和統(tǒng)計(jì)處理、圖像分析、圖像增強(qiáng)、二進(jìn)制圖像制作、區(qū)域處理、顏色映像處理、顏色空間變換，圖像類型和類型轉(zhuǎn)換。 MATLAB 圖像處理支持四種圖像處理，是真彩色出圖像、灰度圖像、二值圖像和索引色圖像。 索引圖像 索引圖像就是將不一樣的顏色對(duì)應(yīng)不一樣的序號(hào)，也就是說(shuō)，一個(gè)是數(shù)據(jù)矩陣，一個(gè)是顏色矩陣，顏色矩陣每一行分別表示紅色、綠色和藍(lán)色的顏色值，通過(guò)雙精度數(shù)，形成特定顏色。因此，像素的存儲(chǔ)不是顏色的本身，而是代表顏色的序 號(hào)。索引色圖像的矩陣可以是 double 類型也可以是 uint8 類型。 RGB 圖像 RGB 圖像又稱為真彩色圖像， R、 G、 B 表示的是一個(gè)像素的顏色， R 代表的是紅色， G 代表的是綠色， B 代表的是藍(lán)色，這三種基本顏色可以合成出任意的顏色。尺寸是 nm 的圖像，它的存儲(chǔ)是 nm3 的數(shù)據(jù)矩陣。 灰度圖像 在 MATLAB 中，一副灰度圖像表示的就是一個(gè)數(shù)據(jù)矩陣，灰度圖像只需一個(gè)數(shù)據(jù)矩陣，并且這個(gè)數(shù)據(jù)矩陣的元素代表著圖像中的像素?；叶葓D像的數(shù)據(jù)類型可以使uint8，也可以是 double 類型。 二值圖像 二 值圖像與灰度圖像是相同的，二值圖像也只需一個(gè)數(shù)據(jù)矩陣，并且二值圖像只內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 12 有黑白兩種值的圖像，二值圖像可以用 uint8 或者 double 類型存儲(chǔ)。 內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 13 第三章 濾波器去噪及 MATLAB 的實(shí)現(xiàn) 圖像濾波及噪聲 圖像濾波的方式 中值濾波 1971 年， Turky 提出了中值濾波，在這之后就被用于圖像處理中，并且在去除圖像噪聲中取得了成就。中值濾波是對(duì)圖像的非線性處理的一種方法，它的作用是去除噪聲。 中值濾波器是統(tǒng)計(jì)濾波器的一種，它是 屬于非線性的空間濾波器，原理是將圖像像素值用中值代替，中值濾波器使用廣泛，因?yàn)樗娜ピ肽芰^強(qiáng)，并且處理脈沖噪聲的效果非常好。脈沖干擾和一些隨機(jī)的干擾使用中值濾波的方法處理是比較有效果的，而對(duì)于高斯噪聲并不是很理想，因?yàn)樗械膱D像的點(diǎn)都被高斯噪聲干擾了。 中值濾波法屬于是非線性的平滑濾波技術(shù)的一種。由于它在實(shí)際運(yùn)算過(guò)程中只需通過(guò)從圖像中的某個(gè)釆樣窗口取出奇數(shù)個(gè)數(shù)據(jù)進(jìn)行排序 ,并不需要對(duì)圖像的點(diǎn)進(jìn)行統(tǒng)計(jì) ,所以思路比較簡(jiǎn)單 ,構(gòu)造算法比較明了。 中值濾波法可以消除噪聲點(diǎn)，對(duì)圖像的某些模糊部分進(jìn)行處理，使其變得 清晰。 均值濾波 均值濾波是屬于線性濾波，一般使用的方法是領(lǐng)域平均法和加權(quán)平均法。均值濾波的原理不同于中值濾波法，它是將圖像中的每個(gè)像素值用均值來(lái)代替。均值濾波它存在著一個(gè)缺陷，就是在圖像去噪是沒(méi)有保護(hù)圖片中的某些細(xì)節(jié)，導(dǎo)致圖像不清晰，去除噪聲點(diǎn)的效果不是很好。均值濾波器是一種比較常見(jiàn)的濾波器，它常用于平滑噪聲處理。 均值濾波器主要是通過(guò)對(duì)濾波器鄰域內(nèi)的像素進(jìn)行平均值處理，這種處理減低了圖像灰度的尖銳變換。 圖像鄰域平均法的處理效果由鄰域半徑大小決定。半徑越大 ,則圖像的模糊程度也越大。另外 ,圖像鄰域平均法算法簡(jiǎn)單 ,計(jì)算速度快 ,但它的主要缺點(diǎn)是在降低噪聲的同時(shí)使圖像產(chǎn)生模糊 ,特別在邊沿和細(xì)節(jié)處 ,鄰域越大 ,模糊越厲害。 高斯濾波 高斯濾波屬于線性平滑濾波，對(duì)于消除高斯噪聲有非常好的效果，它的原理就是對(duì)圖像進(jìn)行加權(quán)平均數(shù)，圖像中的每一個(gè)像素值都是有加權(quán)平均數(shù)所得到的。標(biāo)準(zhǔn)差決定的是高斯濾波的平滑程度，并且輸出時(shí)像素的加權(quán)平均數(shù)，所與均值濾波相比，圖像質(zhì)量更好，平滑效果更加突出。高斯濾波器是線性平滑濾波器，對(duì)去除高斯噪聲內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 14 是非常有效果的。 最大均勻性平滑濾波 使用濾波方法去除噪 聲在某些情況下會(huì)引起圖像邊沿的退化，在這個(gè)時(shí)候，就需要使用最大均勻性平滑濾波的方法了，這種方法原理是，在圖像中找到每個(gè)像素點(diǎn)最均勻的地方，然后用灰度均值作為被處理的像素值。這樣做的優(yōu)點(diǎn)是在消除噪聲的同時(shí)又可以保護(hù)圖像的邊緣，使圖像平滑效果更好，提高了圖像的質(zhì)量。 低通濾波 低通濾波實(shí)際上是一種過(guò)濾的方式，低頻信號(hào)才可以通過(guò)，而高頻信號(hào)會(huì)被阻止通過(guò)，或者是被減弱。它會(huì)根據(jù)低通濾波的信號(hào)頻率對(duì)高頻信號(hào)進(jìn)行不同的阻止和減弱。它實(shí)際上就是能夠使低頻信號(hào)順利的通過(guò)，并且可以阻止高頻信號(hào)的通過(guò)。低通濾波器在 圖像處理方面，可以減少噪音對(duì)圖像的影響，但是，低通濾波器也會(huì)對(duì)高頻的部分進(jìn)行濾波，這樣的情況，實(shí)際上會(huì)對(duì)一些不是噪音的部分進(jìn)行了去除，也會(huì)影響到圖像的清晰度以及圖像的美感。 維納濾波 在二十世紀(jì)四十年代， 諾伯特維納 提出的一種維納濾波的濾波器，從此，維納濾波就被廣泛的應(yīng)用了。圖像會(huì)在傳輸?shù)纫幌盗械倪^(guò)程中導(dǎo)致圖像質(zhì)量退化，圖像的視覺(jué)效果變差，因此，就需要對(duì)圖像進(jìn)行圖像復(fù)原。在圖像處理中，對(duì)圖像的復(fù)原一般使用 的是維納濾波，它是最常用的一種方法，也是最典型的一種。維納濾波的理論主要是針對(duì)線性濾波的問(wèn)題，它考慮的是最小均方差，這是最佳的過(guò)濾準(zhǔn)則。所以，在使用維納濾波器濾波是，預(yù)計(jì)的輸出值與實(shí)際的輸出值有一個(gè)誤差，對(duì)誤差求均方，均方誤差于小，去除噪聲的效果就會(huì)越好。 中值濾波器去噪及 MATLAB的實(shí)現(xiàn) 利用中值濾波器對(duì)有高斯噪聲和椒鹽噪聲的圖像去噪，通過(guò)對(duì)濾波器形狀（正方形、長(zhǎng)方形、圓形、十字形）和尺寸的改變，得出濾波器的改變影響著圖像的濾波。 正方形中值濾波器去噪 （ 1）正方形 3*3 中值 濾波器去噪程序 I=imread(39。39。)。 subplot(2,3,1), imshow(I)。 B=rgb2gray(I)。 subplot(2,3,2), imshow(B), title(39。Original Image39。)。 J = imnoise(B,39。salt amp。 pepper39。,)。 %noise density= 內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 15 K= imnoise(B,39。gaussian39。,)。 subplot(2,3,3), imshow(J), title(39。Salt amp。 Pepper Noise39。)。 subplot(2,3,4), imshow(K), title(39。Gaussian Noise39。)。 image=double(J)。 [M,N]=size(B)。 for i=2:M1, for j=2:N1, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 for p=1:9, for q=1:9p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, image(i,j)=u(5)。 end, end, d=uint8(image)。 subplot(2,3,5), imshow(d), title(39。3*3 椒鹽噪聲中值濾波圖像 39。)。 image=double(K)。 [M,N]=size(B)。 for i=2:M1, for j=2:N1, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 for p=1:9, for q=1:9p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, image(i,j)=u(5)。 end, end, d=uint8(image)。 subplot(2,3,6), imshow(d), title(39。3*3 高斯噪聲中值濾波圖像 39。)。 內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 16 正方形 3*3 中值濾波器對(duì)椒鹽噪聲和高斯噪聲去噪 圖 31 （ 2） 正方形 5*5 中值濾波器去噪程序 I=imread(39。39。)。 subplot(2,3,1), imshow(I)。 B=rgb2gray(I)。 subplot(2,3,2), imshow(B), title(39。Original Image39。)。 J = imnoise(B,39。salt amp。 pepper39。,)。 %noise density= K= imnoise(B,39。gaussian39。,)。 subplot(2,3,3), imshow(J), title(39。Salt amp。 Pepper Noise39。)。 subplot(2,3,4), imshow(K), title(39。Gaussian Noise39。)。 image=double(J)。 [M,N]=size(B)。 for i=5:M4, for j=5:N4, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 u(10)=image(i2,j2)。 u(11)=image(i2,j1)。 u(12)=image(i2,j)。 u(13)=image(i2,j+1)。 u(14)=image(i2,j+2)。 u(15)=image(i1,j2)。 u(16)=image(i1,j+2)。 u(17)=image(i,j2)。 u(18)=image(i,j+2)。 u(19)=image(i+1,j2)。 u(20)=image(i+1,j+2)。 u(21)=image(i+2,j2)。 u(22)=image(i+2,j1)。 u(23)=image(i+2,j)。 u(24)=image(i+2,j+1)。 u(25)=image(i+2,j+2)。 for p=1:25, for q=1:25p, if u(q)u(q+1) k=u(q)。 u(q)=u(q+1)。 u(q+1)=k。 end, end, end, 內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)論文 17 image(i,j)=u(13)。 end, end, d=uint8(image)。 subplot(2,3,5), imshow(d), title(39。5*5椒鹽噪聲中值濾波圖像 39。)。 image=double(K)。 [M,N]=size(B)。 for i=5:M4, for j=5:N4, u(1)=image(i,j)。 u(2)=image(i,j+1)。 u(3)=image(i1,j+1)。 u(4)=image(i1,j)。 u(5)=image(i1,j1)。 u(6)=image(i,j1)。 u(7)=image(i+1,j1)。 u(8)=image(i+1,j)。 u(9)=image(i+1,j+1)。 u(10)=image(i2,j2)。 u(11)=image(i2,j1)。 u(12)=image(i2,j)。 u(13)=image(i2,j+1)。 u(14)=image(i2,j+2)。 u(15)=image(i1,j2)。 u(16)=image(i1,j+2)。 u(17)=image(i,j2)。 u(18)=image(i,j+2)。 u(19)=image(i+1,j2)。 u(20)=image(i+1,j+2)。 u(21)=image(i+2,j2)。 u(22)=image(i+2,j1)。 u(23)=image(i+2,j)。 u(24)=image(i+2,j+1)。 u(25)=image(i+2,j+2)。 for p=1:25, for q=1