【数字图像处理笔记】Matlab实现图像平滑算法 均值 |
您所在的位置：网站首页 › MATLAB均值滤波器和中值滤波器 › 【数字图像处理笔记】Matlab实现图像平滑算法 均值 |
【数字图像处理笔记】Matlab实现图像平滑算法 均值
|
💌 所属专栏：【数字图像处理笔记】 😀 作 者：我是夜阑的狗🐶 🚀 个人简介：一个正在努力学技术的CV工程师，专注基础和实战分享 ，欢迎咨询！ 💖 欢迎大家：这里是CSDN，我总结知识的地方，喜欢的话请三连，有问题请私信 😘 😘 😘 您的点赞、关注、收藏、评论，是对我最大的激励和支持！！！🤩 🤩 🤩
大家好，又见面了，我是夜阑的狗🐶，本文是专栏【数字图像处理笔记】专栏的第3篇文章; 这是今天学习到数字图像处理笔记 – Matlab实现图像平滑算法 均值-中值-高斯滤波 💖💖💖，开启新的征程，记录最美好的时刻🎉，每天进步一点点。 专栏地址：【数字图像处理笔记】 ， 此专栏是我是夜阑的狗对数字图像处理学习过程的总结，希望能够加深自己的印象，以及帮助到其他的小伙伴😉😉。 如果文章有什么需要改进的地方还请大佬不吝赐教👏👏。 一、原理图像平滑的主要目的就是去除或衰减图像上的噪声和假轮廓，即衰减高频分量，增强低频分量，或称低通滤波。由前面的介绍可以得知，图像平滑处理在消除或减弱图像噪声和假轮廓的同时，对图像细节也有一定的衰减作用。 因此，图像平滑的直观效果是图像噪声和假轮廓得以去除或衰减，但同时图像将变得比处理前模糊了，模糊的程度要看对高频成份的衰减程度而定。就同一种平滑方法而言，去除或衰减噪声和假轮廓的效果越好，图像就越模糊，因而图像细节损失越多。因此，在对图像作平滑处理的过程中，要二者兼顾。 二、实现过程 1、中值滤波代码： g = medfilt2(P1); %对高斯躁声中值滤波 subplot(3,4,5),imshow(g); title('medfilter gaussian'); h = medfilt2(P2); %对椒盐躁声中值滤波 subplot(3,4,6),imshow(h); title('medfilter salt & pepper noise');medfilt2 中值滤波函数源码分析： function b = medfilt2(varargin) args = matlab.images.internal.stringToChar(varargin); %解析输入参数 %a为待滤波图像,mn向量为滤波模板,padopt为边缘处理选项 [a, mn, padopt] = parse_inputs(args{:}); domain = ones(mn); %大小为m*n的全1矩阵 if (rem(prod(mn), 2) == 1) %取模判断mn滤波模板个数是否为奇数个 tf = hUseIPPL(a, mn, padopt); %padopt是否设置为“symmetric”模式 if tf b = medianfiltermex(a, [mn(1) mn(2)]); else %取出mn矩阵中位数对应的下标order order = (prod(mn)+1)/2; %对图像A作顺序统计滤波，A为输入图像矩阵，padopt为边界处理方式 %输出第order个数作为中值滤波的结果 b = ordfilt2(a, order, domain, padopt); end else %mn滤波模板个数为偶数个 order1 = prod(mn)/2;%最中间靠左序号 order2 = order1+1;%最中间靠右序号 %对图像A作顺序统计滤波，A为输入图像矩阵，padopt为边界处理方式 %输出第order个数作为中值滤波的结果 b = ordfilt2(a, order1, domain, padopt); b2 = ordfilt2(a, order2, domain, padopt); if islogical(b) %判断b类型是否合法 b = b | b2; else b = imlincomb(0.5, b, 0.5, b2); %取出平均中间值 end end 2、均值滤波代码： a=[1 1 1 %对高斯躁声算术均值滤波 1 1 1 1 1 1]; l=1/9*a; k = conv2(double(P1),double(l)); subplot(3,4,7),imshow(k,[]); title('arithmeticfilter gaussian'); d = conv2(double(P2),double(l)); %对椒盐躁声算术均值滤波 subplot(3,4,8),imshow(d,[]); title('arithmeticfilter salt & pepper noise' 3、高斯滤波代码： sigma=8;% 标准差大小 window=double(uint8(3*sigma)*2+1);% 窗口大小一半为3*sigma H=fspecial('gaussian', window, sigma);% fspecial('gaussian', hsize, sigma)产生滤波模板 img_gauss=imfilter(P1,H,'replicate'); %为了不出现黑边，使用参数'replicate'（输入图 像的外部边界通过复制内部边界的值来扩展） subplot(3,4,9), imshow(img_gauss); title('gaussian filting gauss noise'); img_salt=imfilter(P2,H,'replicate'); subplot(3,4,10), imshow(img_salt); title('gaussian filting salt pepper noise');fspecial 高斯滤波函数源码分析： function h = fspecial(varargin) [type, p2, p3] = ParseInputs(varargin{:});%解析输入参数 switch type：%当参数type为'gaussian'高斯滤波时 case 'gaussian' % Gaussian filter % p2为模板大小,以[m n]形式定义，p3为标准差 siz = (p2-1)/2; %siz为最大行列序号 std = p3;%赋值标准差 %基于siz,std，调用meshgrid函数生成mn模板每个位置的权值 [x,y] = meshgrid(-siz(2):siz(2),-siz(1):siz(1)); % 二维高斯分布中e对应的指数 arg = -(x.*x + y.*y)/(2*std*std); h = exp(arg); h(h |
【本文地址】