【正文】 鈕，我們選擇lenna圖像，則GUI讀取圖像lenna。并顯示在axes1上。圖形用戶界面如下： 讀取lenna圖像然后通過“添加噪聲”這個botton group控件我們可以對圖像進行添加噪聲，該設(shè)計就設(shè)計了添加兩種噪聲：高斯噪聲和椒鹽噪聲。下面選擇給圖像添加椒鹽噪聲進行仿真（添加兩種噪聲的仿真步驟一樣），則GUI把加噪后的圖片顯示在axes2上。圖形用戶界面如下： 添加噪聲最后我們通過“圖像去噪”這個botton group對噪聲圖像進行去噪,因為上面給lenna圖像添加了椒鹽噪聲，所以選擇對椒鹽噪聲去除功能較好的中值濾波進行介紹。圖形用戶界面如下： 以上就是對我設(shè)計的一個簡單GUI去噪界面的一個簡單介紹。 小結(jié)本章主要介紹了MATLAB的GUI設(shè)計，包括設(shè)計原理、設(shè)計工具、設(shè)計方法和如何制作一個圖形用戶界面。最后對設(shè)計的圖形用戶界面的功能進行了仿真。7 結(jié)論與展望 結(jié)論 圖像平滑處理的方法多種多樣，每種方法在不同的方面各有優(yōu)點和缺點。至今沒有一種十全十美的去噪方法。平均值濾波用像素及其指定鄰域內(nèi)像素的平均值或加權(quán)平均值作為該像素的新值，來去除突變的像素點，從而濾除噪聲，該方法操作起來簡單，速度快，但是會使圖像變模糊(尤其是在圖像的邊緣和細節(jié)處)，該方法在去除高斯噪聲方面有比較好的效果，但對椒鹽噪聲的處理效果并不理想。中值濾波以某像素為中心的小窗口內(nèi)的所有像素的灰度按從小到大排序，取排序結(jié)果的中間值作為該像素的灰度值。中值濾波比較容易去除椒鹽噪聲，同時能較好的保持圖像的邊緣，還能很好地去除二值噪聲，但對高斯噪聲卻無能為力。該方法對濾除脈沖干擾和圖像掃描噪聲最為有效，但不適宜細節(jié)多的圖像?？臻g域低通濾波法可以說是對平均值濾波法的一種改進，如果能選擇比較合適的單位沖激響應(yīng)陣列，那么在達到圖像平滑的同時還可以很好的保留圖像細節(jié)，可是如何選擇單位沖激響應(yīng)陣列卻是個難點。多幅圖像平均法就是對同一景物的多幅圖像取平均來消除噪聲，一般用于攝像機的視頻圖像，用以減少光電攝像管或CCD器件所引起的噪聲，該算法有比較好的去噪效果，但是在實際使用時，該算法要用到多幅圖像，所以占用的空間也比較大，尤其是多幅圖像之間的配準問題，實際操作很難。頻域低通濾波法是使用低通濾波器在頻域?qū)Ω哳l成分(圖像的邊緣、噪聲對應(yīng)于傅立葉變換頻譜中的高頻部分)進行抑制。從而達到消除空域中圖像的噪聲。雖然用低通濾波器進行平滑處理可以使噪聲偽輪廓的寄生效應(yīng)減低到不顯眼的程度，但是由于低通濾波器對噪聲等寄生成分濾除的同時，對有用的高頻成分也濾除了，因此，這種去噪方法是以犧牲清晰度為代價的[15]。因此在對一幅圖像進行去噪處理前，必須仔細分析其噪聲產(chǎn)生的原因、噪聲的特點與類型，并選擇合適的去噪方法，才能既消除圖像噪聲，又不使圖像邊緣輪廓或線條變模糊。這樣才能得到更符合人的視覺特性的圖像。本設(shè)計由于時間關(guān)系，沒有對多幅圖像平均算法的圖像之間的配準問題和低通模板的選擇進行研究，是本設(shè)計的一個不足之處。 展望 我們知道，圖像和噪聲本身的統(tǒng)計特性是圖像去噪的難點，目前所涉及到的大部分非線性濾波算法都是針對特定圖像或特定噪聲提出的，也就是說，是基于它們的統(tǒng)計特性提出的濾波方案。但是，在實際處理中，自然圖像的多樣性和噪聲本身的復(fù)雜性決定了這些濾波算法不可能對所有圖像濾波效果均為最佳，所以，那些事先不需要知道圖像和噪聲統(tǒng)計特性的非線性濾波機制將會得到廣泛的應(yīng)用。我們相信，隨著科技的不斷發(fā)展，在不久的將來，圖像去噪技術(shù)將得到越來越大的發(fā)展，應(yīng)用領(lǐng)域?qū)⒃絹碓綇V，它必定會給人們的生產(chǎn)、生活帶來了巨大幫助[16]。致 謝最后我非常感謝我的指導(dǎo)老師顧斌杰老師。在他的悉心幫助和認真指導(dǎo)下我順利的完成了畢業(yè)設(shè)計。在整個設(shè)計過程中，顧老師認真負責、專業(yè)經(jīng)驗豐富，對同學們提出的各種疑問都做了正確細致的解答，我的設(shè)計當中需要進行MATLAB仿真和GUI設(shè)計，當中需要很多程序，在這個方面我遇到了困難，這時顧老師給我提供了很多參考資料。在顧老師的提示和指導(dǎo)下，我完成了程序的編寫。顧老師治學嚴謹，在設(shè)計中，他會糾正同學們的許多錯誤。正是在顧老師的認真督促和悉心指導(dǎo)下我才能順利地完成了畢業(yè)設(shè)計，并且我也從這次的畢業(yè)設(shè)計中學到了很多的東西，對我以后的學習和工作都會有很大的幫助。同時我還要感謝我的很多同學，在我設(shè)計過程中，他們給我提供了很多幫助。在這次畢業(yè)設(shè)計過程中我學到了在工作中嚴謹推理、周密思考、反復(fù)論證的態(tài)度的重要性。最后再次感謝我的導(dǎo)師和同學在我論文撰寫過程中給我的幫助和支持。 參考文獻[1] [M].北京：電子工業(yè)出版社，2001：199203.[2] 何東健，耿楠，[M].西安：西安電子科技大學出版社,2008：6166.[3] 劉麗梅，孫玉榮，[J].,24(1)：2327.[4] [J].南京信息工程大學學報,2006,26(2)：23.[5] [J].湘南學院學報,2004,24(2)：7982.[6] 陳桂明，張明照，[M].北京：科學出版社,2000：225251.[7] Rafael ,Richard Image Processing(Second Edition).Bei Jing:Publishing House Of Electronics Industry,2002:172256.[8] 施曉紅，[M].北京：北京大學出版社,2003：141192.[9] 關(guān)新平，趙立興，[J],中國圖像圖形學報,2005,10(3)：333339.[10] 朱秀昌，劉峰，[M].北京：北京郵電大學出版社，2002：6770.[11] [J].韶關(guān)學院報，2004,8(06):24.[12] [M].北京：人民郵電出版社，2001：130133.[13] 李俊生，一種圖像平滑處理方法的空域算法與頻域分析[J].常州工學院報，2004,4(2)..[14] [D].江西:江西師范大學，2005，79.[15] Pattern Recognion[J], Joint Computer Conference,March 1955,94100[16] William Image Processing[M].Bei Jing:Pubishing House Of Electronics Industry,2005附 錄平均值濾波示例程序：clear allclose all[I M]=imread(‘’)。var=。 %噪聲方差J1=imnoise(I,’gaussian’,0,var)。subplot(2,2,1),imshow(J1,M),title(‘含有高斯噪聲的圖像’)；h=[1 1 11 1 1 1 1 1]/9 %33Box模板K1=con2(double(J1),double(h))。subplot(2,2,2),imshow(K1,[ ])。title(‘線性濾波后的圖像’)；中值濾波示例程序：clear allclose all[I M]=imread(‘’)。J1=imnoise(I, ‘salt amp。 pepper’,)。subplot(2,2,1),imshow(J1,M),title(‘含有椒鹽噪聲的圖像’)； K1=medfilt2(J1,[3,3])。subplot(2,2,2),imshow(K1,M),title(‘33窗口濾波后的圖像’)；K2=medfilt2(J2,[5,5])。subplot(2,2,3),imshow(K2,M),title(‘55窗口濾波后的圖像’)；K3=medfilt2(J2,[7,7])。subplot(2,2,4),imshow(K3,M),title(‘77窗口濾波后的圖像’)；空間域低通濾波示例程序：clear allclose all fname=uigetfile(‘*.bmp,*.tif,*.jpg,39。，‘請選擇一個圖像39。)。[I M]=imread(fname)。J1=imnoise(I,‘salt amp。 pepper39。,)。subplot(2,2,1),imshow(J1,M),title(‘含有椒鹽的圖像39。)。h1=[1 1 1。 1 1 1。 1 1 1]。myfilter1=h1/9。J2=filter2(myfilter1,J1)。subplot(2,2,2),imshow(J2,M),title(‘模板1濾波后的圖像39。)。h2=[1 1 1。 1 2 1。 1 1 1]。myfilter2=h1/10。J3=filter2(myfilter2,J1)。subplot(2,2,3),imshow(J3,M),title(‘模板2濾波后的圖像39。)。h3=[1 2 1。 2 4 2。1 2 1]。myfilter3=h1/16。J4=filter2(myfilter3,J1)。subplot(2,2,4),imshow(J4,M),title(‘模板3濾波后的圖像39。)；頻率域低通濾波程序：close allclear all[I,map]=imreand(‘’)。subplot(2,3,1),imshow(I,map),title(‘原始圖像’)J=imnoise(I,‘gaussian’,)。subplot(2,3,2),imshow(J,map),title(‘含有高斯噪聲的圖像’)。F=fft2(J)。fftshift(F)。[M,N]=size(F)。Dcut=100。D0=150。D1=for u=1:Mfor v=1:ND(u,v)=sqrt(u^2+v^2)。BUTTERH(u,v)=1/(1+(sqrt(2)1)*(D(u,v)/Dcut)^2)。EXPOTH(u,v)=exp(log(1/sqrt(2))*(D(u,v)/Dcut)^2) if D(u,v)=200 IDEALH(u,v)=1。 else IDEALH(u,v)=0。 end if D(u,v)=D0 TRAPEH(u,v)=(D(u,v)D1)/(D0D1)。 else TRAPEH(u,v)=0。 end endendIDEALG=IDEALH.*F。IDEALfiltered=ifft2(IDEALG)。subplot(2,3,3),imshow(IDEALfiltered,map)。title(‘理想低通濾波’)。BUTTERG=BUTTERH.*F。BUTTERfiltered=ifft2(BUTTERG)。subplot(2,3,4),imshow(BUTTERfiltered,map),title(‘巴特沃斯低通濾波’ )。EXPOTG=EXPOTH.*F。EXPOTfiltered=ifft2(EXPOTG)。subplot(2,3,5),imshow(EXPOTfiltered,map),title(‘指數(shù)低通濾波’)。TRAPEG=TRAPEH.*F。TRAPEGfiltered=ifft2(TRAPEG)。subplot(2,3,6),imshow(TRAPEGfiltered,map),title(‘梯形低通濾波’)。Callback函數(shù)1：用于讀取圖像。global im[filename, pathname]=uigetfile({39。*.bmp39。39。*.tif39。39。*.jpg39。},39。請選擇一個圖像39。)。if pathname == 0 return。endstr=[pathname filename]。[im A]=imread(str)。axes()。imshow(im,A)。callback函數(shù)2：用于添加噪聲。global imglobal J1global J2global flagswitch get(hObject,39。tag39。) case 39。radiobutton139。 J1=imnoise(im,39。gaussian39。,0,)。 flag=1。 axes()。 imshow(J1)。 case 39。radiobutton239。 J2=imnoise(im,39。salt amp。 pepper39。,)。 flag=0。 axes()。 imshow(J2)。endcallback函數(shù)3：用于去除噪聲。global imglobal J1global J2global flagif flag==1switch get(hObject,39。tag39。) case 39。radiobutton339。 h=[1 1 1。 1 1 1。1 1 1] myfilter1=h/9。 K1=conv2(double(J1),d