MATLAB图像去噪处理GUI设计与制作

本是古典何须时尚 2022-12-26 09:23 212阅读 0赞

## 一.应用背景 ##

在信息化的社会里，图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。

## 二、研究内容 ##

本文主要研究分析邻域平均法、中值滤波法及小波变换法的图像去噪算法。首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了三种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出：均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。

## 三、目录推荐 ##

摘 要 I

Abstract II

目 录 III

第1章 概 述 1

1.1 课题研究背景 1

1.2 图像去噪的研究现状 1

1.3 本文主要工作 2

第2章 图像去噪算法 5

2.1 图像噪声概述 5

2.2 邻域平均法图像去噪 6

2.3 中值滤波法图像去噪 7

2.4 基于小波变换法图像去噪 11

2.5 本章小结 17

第3章 基于Matlab的图像去噪算法仿真 18

3.1 邻域平均法的仿真 18

3.2 中值滤波的仿真 20

3.3 基于小波变换法的仿真 22

3.4 几种去噪方法的比较分析 25

3.5 本章小结 26

第4章 GUI系统的设计 27

4.1 GUI界面介绍 27

4.2 GUI界面设计 27

4.3 运行效果 29

参考文献 36

致 谢 37

## 四、GUI界面设计 ##

## 4.1 GUI界面介绍 ##

图形用户接口GUI是用户和计算机程序之间进行信息交流的方式。通过图形用户界面，用户不需要输入脚本或命令，不需要了解任务的内部运行方式，计算机在屏幕显示图形和文本，若有扬声器还可产生声音。用户通过输入设备，键盘，鼠标，麦克风等与计算机进行通信。图形用户界面GUI中包含多个图形对象，如图标，菜单，文本的用户界面。以某种方式选择或激活这些对象，引起相应的动作或变化，最常用的激活方式是用鼠标控制屏幕上的鼠标指针运动。

图形用户界面GUI具有操作方便，控制灵活的特点，已成为现代应用程序的主要方式。

## 4.2 GUI界面设计 ##

### 4.2.1 需求分析 ###

1、预期中，应该设计三个axes，用于显示原图，加噪图以及去噪后的图。

2、设计五个按钮，用于选择图像，关闭界面，均值滤波，中值滤波，小波变换等去噪方法；

3、设计一个下拉框，用于噪声类型的选择；

4、设计一个编辑框，用于噪声系数的输入；

![v2-8061058bff2586dae71a7d182a0294ed\_b.jpg][v2-8061058bff2586dae71a7d182a0294ed_b.jpg]

GUI设计

## 5.部分代码 ##

% 初始化参数值
    R       = 5;                                    % 窗口大小
    alpha   = 0.1;                                  % 控制小波系数缩减的程度
    beta    = 0.3;
    delta   = DELTA(x);                             % 噪方差σ
    lambda2 = 4 * delta^2 * log(R);                 % 局部阈值(?) λ^2
    [C, S] = wavedec2(x, n, wname);                 % 对图像进行小波分解
    % 提取每层系数并进行处理
    for i = n : -1 : 1
        cH = detcoef2('h', C, S, i);                % 水平细节系数
        cV = detcoef2('v', C, S, i);                % 垂直细节系数
        cD = detcoef2('d', C, S, i);                % 对角线细节系数
     
        dim = size(cH);
        % 分别处理三个方向的系数
        for j = 1 : dim(1)
            for k = 1 : dim(2)
                S_jk2 = energy(cH, j, k, R);
                cH(j, k) = shrink(cH(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cV, j, k, R);
                cV(j, k) = shrink(cV(j, k), S_jk2, alpha, beta, lambda2);
     
                S_jk2 = energy(cD, j, k, R);
                cD(j, k) = shrink(cD(j, k), S_jk2, alpha, beta, lambda2);
            end
        end
     
        % 再把系数放回去……  
        k     = size(S,1) - i;
        first = S(1,1)*S(1,2) + 3 * sum(S(2:k-1, 1).*S(2:k-1, 2)) + 1;  % 起始位置
        add   = S(k,1)*S(k,2);                                          % 系数长度
     
        C(first : first + add - 1) = reshape(cH, 1, add);
        C(first + add : first + 2*add - 1) = reshape(cV, 1, add);
        C(first + 2*add : first + 3*add - 1) = reshape(cD, 1, add);
    end
     
    X = waverec2(C, S, wname);                      % 重构图像
    %%% delta
    function delta = DELTA(x)
    %   估计噪声方差σ
    
    [C, S] = wavedec2(x, 1, 'db1');                             % 小波分解
    d = C( prod( S(1,:) ) + 2 * prod( S(2,:) ) + 1 : end);      % HH子带系数
    delta = median( abs(d) ) / 0.6745;                          % 计算delta
    %%% energy
    %%%
    function S_jk2 = energy(cM, j, k, R)
    %   计算小波系数附近的能量
    %
    dim = size(cM);
     
    % 边界判断
    row_min = (j-1 < fix(R/2)) * (1-j) + (j-1 >= fix(R/2)) * fix(-R/2);
    row_max = (dim(1)-j < fix(R/2)) * (dim(1)-j) + (dim(1)-j >= fix(R/2)) * fix(R/2);
    col_min = (k-1 < fix(R/2)) * (1-k) + (k-1 >= fix(R/2)) * fix(-R/2);
    col_max = (dim(2)-k < fix(R/2)) * (dim(2)-k) + (dim(2)-k >= fix(R/2)) * fix(R/2); 
    s = 0;
    for m = row_min : row_max
        for n = col_min : col_max
            s = cM(j + m, k + n)^2 + s;
        end
    end
    S_jk2 = s / R^2; 
    %%% shrink
    function d_jk = shrink(d, S_jk2, alpha, beta, lambda2)
    %   处理小波系数
    %
    if S_jk2 >= beta * lambda2
        d_jk = d * (1 - alpha * lambda2 / S_jk2);
    else
        d_jk = 0;
    end

## 六、结 论 ##

在当代高度信息化的社会里，图形和图像在信息传播中所起的作用越来越大。所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。本文的主要工作就是研究四种常用去噪方法：邻域平均法、中值滤波法、维纳滤波法和小波变换法的原理，利用Matlab仿真软件对四种方法编写代码，对一张图片做去噪处理，得出以下结论：

（1）均值滤波是典型的线性滤波，对高斯噪声的抑制是比较好的，但对椒盐噪声的抑制作用不好，椒盐噪声仍然存在，只不过被削弱了而已。

（2）中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效，取得了很好的效果，而对高斯噪声效果不佳。

（3）小波阈值去噪方法是研究最广泛的方法。对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号，效果最好。

若图像中含有多种类型噪声，可把几种去噪方法结合起来使用。另外，在利用上述方法去噪声时效果越好，图像就越，所以在对图像的处理过程中要二者兼顾。图像去噪问题一直以来都是一个较难解决的问题，很难既去除噪声又较好地保留原图的信息。但是，随着小波理论体系的不断完善与发展，小波变换必将以其良好的时频分析特性，得天独厚的优势，更加广泛地应用于图像去噪领域。

## 七.参考文献 ##

\[1\] MALLATS．A Tour Guide of Signal Processing\[M\].Beijing：Machine Industry Press，2003．95-150．

\[2\] DONOHODL，VETTERLIM，DEVORERA　Data compression and harmonic analysis\[J\]．IEEE Trans on Information Theory，1998，244(6)：2435-2476．

\[3\] STACK JL，CANDESE J，DONOHOD L，The curvelet transform for image denoising\[J\]．IEEE Trans on Image Proccessing，2002，11(6)：670-684．

\[4\] STACK JL，MURTAGH F．Gray and color image constrast enhancement by the curvelet transform \[J\]．IEEE Trans on Image Processing，2003，12(6)：706- 716．

\[5\] CAITT,SILVERMANBW．Incorporating information on Neighbouring Coefficients into wavelet estimation \[J\]．The Indian Journal of Statistics，2001，63(2)：127-148．

\[6\] 杨群生，陈敏等．基于技术的随机噪声消除算法\[J\]．华南理工大学学报，2000，28(8)：82-87．

\[7\] L.K.Shark and C.Yu.Denoising by optimal fuzzy thresholding in wavelet domain \[J\]．IEEE Electronics letters，2000，36(6)：581-582．

\[8\] S.Mallat，Sifen Zhong，Characterization of signals from multiscale edges\[J\]．IEEE Trans on PAMI，1992，PAMI-14(7)：710-732．

\[9\] Keesok J.Han and Ahmed H.Tewfik.Hybnd Wavelet Transform Fllter for Image Recovery\[J\]．IEEETrans．Image Processing，1998，l540-544．

\[10\] H.K .Kwan .Fuzzy filters for noise image filtering \[J\]．IEEE．2003，161-164．

\[11\] 杨晋生，蔡靖等.一种具有鲁棒性的基于小波变换的滤波方法\[J\].电子与信息学报，2002，24（3）：413-417．

\[12\] 张磊，潘泉，张洪才等.小波域滤波阈值参数的选取\[J\].电子学报，2001，29（3）：400-402．

\[13\] Mallat and Zhong S.Characterization of signals from multiscale edges\[J\]．IEEE Trans on PAMI，1992．7．14(7)：710- 732．

[v2-8061058bff2586dae71a7d182a0294ed_b.jpg]: /images/20221120/b70cec69ff304234b78261fc4b4c7e91.png