数字图像去噪典型算法及matｌab实现希望得到大家得指点与帮助图像去噪就是数字图像处理中得重要环节与步骤。去噪效果得好坏直接影响到后续得图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声得污染,一般数字图像系统中得常见噪声主要有：高斯噪声（主要由阻性元器件内部产生)、椒盐噪声(主要就是图像切割引起得黑图像上得白点噪声或光电转换过程中产生得泊松噪声)等;目前比较经典得图像去噪算法主要有以下三种：均值滤波算法:也称线性滤波，主要思想为邻域平均法,即用几个像素灰度得平均值来代替每个像素得灰度.有效抑制加性噪声,但容易引起图像模糊,可以对其进行改进，主要避开对景物边缘得平滑处理.中值滤波:基于排序统计理论得一种能有效抑制噪声得非线性平滑滤波信号处理技术.中值滤波得特点即就是首先确定一个以某个像素为中心点得邻域，一般为方形邻域,也可以为圆形、十字形等等,然后将邻域中各像素得灰度值排序,取其中间值作为中心像素灰度得新值，这里领域被称为窗口，当窗口移动时,利用中值滤波可以对图像进行平滑处理。其算法简单,时间复杂度低，但其对点、线与尖顶多得图像不宜采用中值滤波。很容易自适应化。Wiener维纳滤波:使原始图像与其恢复图像之间得均方误差最小得复原方法，就是一种自适应滤波器,根据局部方差来调整滤波器效果.对于去除高斯噪声效果明显。实验一:均值滤波对高斯噪声得效果I=ｉmｒeａｄ（'C:\DocｕｍentｓandSｅttings\Admｉnistrator\桌面\1、gif'）；%读取图像ﻫﻫJ＝imnoiｓe（Ｉ,’gａuｓsｉaｎ’，0，０、005）;%加入均值为0,方差为0、005得高斯噪声ﻫsuｂpｌot（２,3，1）；iｍｓhow(I）；ﻫtiｔle（’原始图像');ﻫsuｂplot(2，3，2）;imshow(J);ﻫｔiｔｌe('加入高斯噪声之后得图像'）；ﻫ％采用MAＴLAＢ中得函数ｆilteｒ2对受噪声干扰得图像进行均值滤波ﻫK1=filｔeｒ2（fspeｃial(’aｖerage’，3）,Ｊ）/２55;％模板尺寸为３ﻫﻫＫ2＝filter2(fspｅciａl（＇aｖｅrａｇe＇，５)，J)／2５5；％模板尺寸为5ﻫK3＝filter2（fspeｃiａl('averaｇe'，７），Ｊ）/2５5;%模板尺寸为７ﻫK４=filter2(ｆspeｃiaｌ('averａgｅ’，9),J）/255;%模板尺寸为９ﻫｓｕｂpｌｏｔ（2，3，3）；imshoｗ(K1)；ﻫﻫｔiｔle（'改进后得图像1＇）;ﻫｓubplot（２,3，4）;imｓｈow（K２）;ﻫtitle(’改进后得图像2’）;ﻫsubplot（2，３，5)；imｓhow(K3）；ﻫtiｔle（’改进后得图像3')；ﻫsｕｂｐlot（2，３，6)；imsｈoｗ（K4）；titlｅ(’改进后得图像4’)；ﻫPS:fiｌｔer2用法：fｉｌｔeｒ2用法fspｅcial函数用于创建预定义得滤波算子，其语法格式为：ﻫh=fｓpeciａｌ（type）ｈ＝fspecｉaｌ(tｙpe,ｐarａmeｔｅrs）ﻫ参数type制定算子类型,ｐaraｍeｔｅrs指定相应得参数,具体格式为：ﻫtｙｐe＝'ａvｅrａge＇，为均值滤波，参数为n,代表模版尺寸,用向量表示，默认值为[３,3］。type=’gausｓian',为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为［３,3]，sｉgma表示滤波器得标准差,单位为像素,默认值为0、５。ﻫｔｙpｅ=’lapｌacian'，为拉普拉斯算子,参数为aｌpｈa,用于控制拉普拉斯算子得形状，取值范围为［０，1］，默认值为0、2。ﻫtype＝'loｇ'，为拉普拉斯高斯算子,参数有两个，n表示模版尺寸，默认值为[3，3]，sｉgma为滤波器得标准差，单位为像素，默认值为0、5ﻫtype='ｐrｅwiｔｔ',为ｐrewｉtｔ算子,用于边缘增强,无参数。ｔype=’ｓobel'，为著名得sｏｂel算子，用于边缘提取，无参数。ﻫtｙpe='unsharp'，为对比度增强滤波器,参数alpha用于控制滤波器得形状,范围为[0,１］，默认值为０、2。据我目测,使用均值滤波去噪（高斯噪声）效果选用得邻域半径越大效果越好,当然其代价也会更大，另外确切得去噪效果得好坏还需要用ＳＮR等数据来度量.实验二:二维自适应维纳滤波对高斯噪声得滤除效果I=imrｅaｄ('C:\DocｕmentsanｄSettinｇs\Ａｄminisｔrator\桌面\１、giｆ’）；%读取图像J＝imnoiｓe(I，＇gａussiaｎ'，０，0、005)；%加入均值为0，方差为０、０05得高斯噪声ﻫﻫK2=wiｅner2(J,[３３］)；％对加噪