图像去噪及其Matlab实现

yuanyou

图像去噪常用方法

图像去噪处理方法可分为空间域法和变换域法两大类。
基于离散余弦变换的图像去噪

一般而言，我们认为图像的噪声在离散余弦变换结果中处在其高频部分，而高频部分的幅值一般很小，利用这一性质，就可以实现去噪。然而，同时会失去图像的部分细节。
%读取图像X=imread('0.jpg'); X=rgb2gray(X);%读取图像尺寸[m,n]=size(X); %给图像加噪Xnoised=imnoise(X,'speckle',0.01); %输出加噪图像subplot(121); imshow(Xnoised);%DCT变换Y=dct2(Xnoised); I=zeros(m,n);%高频屏蔽I(1:m/3,1:n/3)=1; Ydct=Y.*I;%逆DCT变换Y=uint8(idct2(Ydct)); %结果输出subplot(122);imshow(Y);


基于小波变换的图像去噪

小波去噪是小波变换较为成功的一类应用，其去噪的基本思路为：含噪图像-小波分解-分尺度去噪-小波逆变换-恢复图像。含噪信号经过预处理，然后利用小波变换把信号分解到各尺度中，在每一尺度下把属于噪声的小波系数去掉，保留并增强属于信号的小波系数，最后再经过小波逆变换恢复检测信号。比基于傅里叶变换的去噪方法好。
clear;                 X=imread('0.jpg');            X=rgb2gray(X);figuresubplot(121);          imshow(X);             title('原始图像');                  % 生成含噪图像并图示X=double(X);% 添加随机噪声XX=X+8*randn(size(X));  subplot(122);             imshow(uint8(XX));              title('含噪图像');       %用小波函数coif2对图像XX进行2层% 分解[c,l]=wavedec2(XX,2,'coif2'); % 设置尺度向量n=[1,2];                  % 设置阈值向量 , 对高频小波系数进行阈值处理p=[10.28,24.08]; nc=wthcoef2('h',c,l,n,p,'s');% 图像的二维小波重构X1=waverec2(nc,l,'coif2');   figuresubplot(121);              imshow(uint8(X1));                %colormap(map);            title('第一次消噪后的图像'); %再次对高频小波系数进行阈值处理mc=wthcoef2('v',nc,l,n,p,'s');% 图像的二维小波重构X2=waverec2(mc,l,'coif2');  subplot(122);            imshow(uint8(X2));               title('第二次消噪后的图像');