【文章內容簡介】 (4)其中I為原圖象的灰度矩陣，J為加噪聲后圖象的灰度矩陣；一般情況下用(3)表示即可，(4)中表示是允許修改參數，而(式34)中使用缺省參數。A=imread(39。F:\CF\39。)。B=rgb2gray(A)。subplot(2,2,1)。imshow(B)。title(39。原灰度圖像39。)。Bsalt=imnoise(B,39。salt amp。 pepper39。)。subplot(2,2,2)。imshow(Bgauss)。title(39。灰度圖像加入椒鹽噪聲后39。)。圖3 灰度圖像與加入椒鹽噪聲后的圖像高斯噪聲是指它的概率密度函數服從高斯分布（即正態(tài)分布）的一類噪聲。MATLAB中為圖片加高斯噪聲的語句是(1)J = imnoise(I, 39。gaussian39。)； (5)(2)J = imnoise(I, 39。gaussian39。,parameters)； (6)(3)J=imnoise(I, 39。gaussian39。,m,v)； (7)其中I為原圖象的灰度矩陣，J為加噪聲后圖象的灰度矩陣一般情況下用(5)表示即可，(6)中表示是允許修改參數，而(5)中使用缺省參數；(7)中對圖像I加高斯噪聲，均值為m，方差為v。本次課程設計選擇的加噪方式為第二種。A=imread(39。F:\CF\39。)。B=rgb2gray(A)。subplot(2,2,1)。imshow(B)。title(39。原灰度圖像39。)。Bgauss=imnoise(B,39。gaussian39。,)。subplot(2,2,2)。imshow(Bgauss)。title(39?；叶葓D像加入高斯噪聲后39。)。圖4 灰度圖像與加入高斯噪聲后的圖像4圖像的去噪一種較好的圖像去噪方法應該既可以消掉噪聲影響又不使圖像的邊緣輪廓和線條變模糊。圖像去噪處理方法有空域法和頻域法２類。在空間域里一類方法是噪聲去除，即先判定某點是否為噪聲點，若是，重新賦值，若不是按原值輸出；另一類方法是平均，即不依賴于噪聲點的識別和去除，而對整個圖像進行平均運算。在頻率域里是對圖像頻譜進行修正，一般采用低通濾波方法，而不像在空間域里直接對圖像像素灰度級值進行運算，即首先將圖像從空間域變換到頻率域，然后進行各種各樣的處理，再將所得到的結果進行反變換，從而達到圖像處理的目的。小波變換是全局變換，在時域或頻域中均可從混有強噪聲的信號中提取原始信號。本研究對空間域中的均值濾波、中值濾波和自適應濾波３種去噪技術進行分析比較，以下為３種技術的各自去噪原理。也稱線性濾波，主要思想為鄰域平均法，對圖像的任一像素點以其為中心取MM窗口(M一般取3,5,7,9等奇數) ,即用幾個像素灰度的平均值來代替每個像素的灰度。有效抑制加性噪聲，但容易引起圖像模糊，可以對其進行改進，主要避開對景物邊緣的平滑處理。該方法運算簡單，對高斯噪聲具有良好的去噪能力。均值濾波法可歸結為矩形窗加權的有限沖擊響應線性濾波器。第一個“旁瓣”比主峰大約低13分貝。因此，均值濾波器相當于低通濾波器。這種低通性能在平滑噪聲的同時也會對圖像的高頻細節(jié)成分造成破壞和損失，使圖像模糊。基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性平滑濾波信號處理技術。中值濾波的特點即是首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域，也可以為圓形、十字形等等，然后將鄰域中各像素的灰度值排序，取其中間值作為中心像素灰度的新值，這里領域被稱為窗口，當窗口移動時，利用中值濾波可以對圖像進行平滑處理。其算法簡單，時間復雜度低，但其對點、線和尖頂多的圖像不宜采用中值濾波。很容易自適應化。中值濾波可以克服線性濾波器給圖像帶來的模糊,在有效清除顆粒噪聲的同時,又能保持良好的邊緣特性,從而獲得較滿意的濾波效果,特別適合于去除圖像的椒鹽噪聲。利用中值濾波算法可以很好地對圖像進行平滑處理。對于椒鹽噪聲密度較小時,尤其是孤立噪聲點,用中值濾波的效果非常好,但在椒鹽噪聲密度增加時,其去噪能力將降低,可能殘留下部分噪聲像素。雖然可以采用多輪迭代方式對濾波后的圖像再次使用中值濾波進行處理,但將造成更大的細節(jié)損失。維納濾波(N Wiener最早在1942年提出的方法)是一種對退化圖像進行恢復處理的一種常用算法,也是最早也最為人們熟知的線性圖像復原方法。其設計思想是使輸入信號乘響應后的輸出,與期望輸出的均方誤差為最小，是一種自適應濾波器，根據局部方差來調整濾波器效果。對于去除高斯噪聲效果明顯。其數學形式比較復雜：F(u,v)=[(1/H(u,v))*(|H(u,v)|2)/(|H(u,v)|2+s*[Sn(u,v)/Sf(u,v)])]*G(u,v) (8)其中Sn(u ,V)表示噪聲的功率譜,Sf(u ,V)表示未退化圖像的功率譜。在進行實際處理時,往往不知道噪聲函數Sn(u,v)和Sf(u,v)的分布情況,因此在實際應用時多用：F(u,v)=[(1/H(u,v))(|H(u,v)|2)/(|H(u,v)|2+K)]G(u,v) (9)進行近似處理,其中K是一個預先設定的常數。維納濾波對高斯噪聲、乘性噪聲都有明顯的抑制作用,相對與均值濾波和中值濾波,維納濾波對這兩種噪聲的抑制效果更好,缺點就是容易失去圖像的邊緣信息。維納濾波對椒鹽噪聲幾乎沒有抑制作用。A=imread(39。F:\CF\39。)。%讀入圖像B=rgb2gray(A)。%把彩色圖像變成灰度圖像Bspeckle=imnoise(B,39。speckle39。)。%加入乘性噪聲h=fspecial(39。average39。,3)。%fspecial用于產生預定義濾波器Bjunzhi=uint8(round(filter2(h,Bspeckle)))。%均值濾波，uin8為變量類型，round為取整，h為濾波參數即均值，h后的變量為要處理的圖像Bzhongzhi=medfilt2(Bgauss,[7,7])。%中值濾波Bwiener1=wiener2(Bgauss,[7,7])。%第一次維納濾波Bwiene