文档

wiener2

二维自适应噪声去除滤波

折叠所有页面

的语法wiener2(I，[m n]，[mblock nblock]，noise)已被删除。使用wiener2(我,(mn)、噪音)语法。

语法

J = wiener2(I，[m n]，噪声)
[J,noise_out] = wiener2(I，[m n])

描述

J= wiener2 (我，(mn)，噪音）过滤灰度图像我使用像素级自适应低通维纳滤波器。(mn)指定大小(米——- - - - - -n)，用于估计局部图像的均值和标准差。假设加性噪声(高斯白噪声)功率为噪音．

对输入图像进行了恒功率加性噪声降噪处理。wiener2使用像素自适应维纳方法，该方法基于每个像素的局部邻域估计的统计数据。

例子

［J，noise_out= wiener2(我，(mn)）返回附加噪声功率的估计值wiener2在进行筛选之前计算。

例子

全部折叠

打开实时脚本

方法的使用wiener2函数将维纳滤波器(一种线性滤波器)应用于图像自适应。维纳滤波器根据局部图像方差进行自我调整。当方差很大时，wiener2执行小平滑。当方差很小时，wiener2执行更多平滑操作。

这种方法通常比线性滤波产生更好的结果。自适应滤波器比线性滤波器更具选择性，可以保留图像的边缘和其他高频部分。此外，没有设计任务;的wiener2函数处理所有初步计算，并为输入图像实现过滤器。wiener2然而，与线性滤波相比，它需要更多的计算时间。

wiener2当噪声是常功率(“白”)加性噪声时，如高斯噪声，效果最好。应用下面的示例wiener2加了高斯噪声的土星图像。

将图像读入工作区。

RGB = imread(“saturn.png”）;

将图像从真彩色转换为灰度。

I = rgb2gray(RGB);

为图像添加高斯噪声

J = imnoise(I，“高斯”, 0, 0.025);

显示有噪声的图像。因为图像相当大，所以只显示图像的一部分。

imshow (J (600:1000 1:6));标题(“加高斯噪声的部分图像”）;

删除噪音使用wiener2函数。

K = wiener2(J，[5 5]);

显示处理后的图像。因为图像相当大，所以只显示图像的一部分。

图imshow (K (600:1000 1:6));标题(维纳滤波去噪图像的部分）;

输入参数

全部折叠

输入图像，指定为二维数字数组。

数据类型:单|双|int16|uint8|uint16

邻域大小，指定为2元素向量(mn)在哪里米行数是和吗n是列数。如果省略(mn)参数,米而且n默认为3。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|逻辑

附加噪声，指定为数值数组。如果不指定噪声，wiener2计算局部方差的均值，非常刻薄(localVar)．

数据类型:单|双

输出参数

全部折叠

过滤后的图像，作为与输入图像大小和类相同的数字数组返回我．

加性噪声功率估计，以数字数组形式返回。

算法

wiener2估计每个像素周围的局部均值和方差。

μ ＝ 1 N 米 ∑ n 1 ， n 2 ∈ η 一个 （ n 1 ， n 2 ）

而且

σ 2 ＝ 1 N 米 ∑ n 1 ， n 2 ∈ η 一个 2 （ n 1 ， n 2 ） − μ 2 ，

在哪里 η 是N——- - - - - -米图像中每个像素的局部邻域一个．wiener2然后用这些估计值创建一个像素级维纳滤波器，

b （ n 1 ， n 2 ） ＝ μ + σ 2 − ν 2 σ 2 （ 一个 （ n 1 ， n 2 ） − μ ） ，

ν的地方2是噪声方差。如果不给出噪声方差，wiener2使用所有局部估计方差的平均值。

参考文献

[1] Lim, Jae S.，二维信号与图像处理，Englewood Cliffs, NJ, Prentice Hall, 1990, p. 548，方程9.26,9.27和9.29。

另请参阅

|

主题

R2006a之前介绍

这个话题有用吗?
图像处理工具箱文档
万博1manbetx

试试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845

现在就去审判吧