1 简介
图像是生活中重要的信息来源,处理图像有助于理解信息的基本信息.但图像本身可能存在一些被干扰的信息或者噪声.研究了基于均值、中值\高斯滤波和双边滤波算法的数字图像处理技术用于对图像的噪声进行消除.通过对图像进行理论模拟和实际图像处理,对两种算法进行比较和模拟得出相应结论.为今后的噪声消除方法的选择和实际工作的改进提供数据参考和依据.
2 部分代码
function B = bfltColor(A,w,sigma_d,sigma_r)%将输入的sRGB图像转换为CIELab颜色空间% Convert input sRGB image to CIELab color space.if exist('applycform','file') A = applycform(A,makecform('srgb2lab'));else A = colorspace('Lab<-RGB',A);end%预先计算高斯域权重。% Pre-compute Gaussian domain weights.[X,Y] = meshgrid(-w:w,-w:w);G = exp(-(X.^2+Y.^2)/(2*sigma_d^2));%重缩放范围方差(使用最大亮度)。% Rescale range variance (using maximum luminance).sigma_r = 100*sigma_r;%创建waitbar。% Create waitbar.h = waitbar(0,'Applying bilateral filter...');set(h,'Name','Bilateral Filter Progress');%应用双边滤波器。% Apply bilateral filter.dim = size(A);B = zeros(dim);for i = 1:dim(1) for j = 1:dim(2) %提取局部区域。 % Extract local region. iMin = max(i-w,1); iMax = min(i+w,dim(1)); jMin = max(j-w,1); jMax = min(j+w,dim(2)); I = A(iMin:iMax,jMin:jMax,:); %计算高斯距离权重。 % Compute Gaussian range weights. dL = I(:,:,1)-A(i,j,1); da = I(:,:,2)-A(i,j,2); db = I(:,:,3)-A(i,j,3); H = exp(-(dL.^2+da.^2+db.^2)/(2*sigma_r^2)); %计算双边滤波器响应。 % Calculate bilateral filter response. F = H.*G((iMin:iMax)-i+w+1,(jMin:jMax)-j+w+1); norm_F = sum(F(:)); B(i,j,1) = sum(sum(F.*I(:,:,1)))/norm_F; B(i,j,2) = sum(sum(F.*I(:,:,2)))/norm_F; B(i,j,3) = sum(sum(F.*I(:,:,3)))/norm_F; end waitbar(i/dim(1));end%将过滤后的图像转换回sRGB颜色空间。% Convert filtered image back to sRGB color space.if exist('applycform','file') B = applycform(B,makecform('lab2srgb'));else B = colorspace('RGB<-Lab',B);end% Close waitbar.close(h);
3 仿真结果
4 参考文献
[1]潘梁静. 基于高斯滤波和双边滤波的数字图像去噪算法[J]. 商丘职业技术学院学报, 2020, 19(1):4.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。