基于小波图像去噪的MATLAB 实现
一、 论文背景
数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。
然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。
二、 课题原理
1.小波基本原理
在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成：
())(1
,a
b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为：
()()
1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：
()
dx a
b x a x f f x W b a b a )(1)(,,,-ψ=
ψ=?+∞∞- （3） 与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4）
可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。
2. 图像去噪综述
所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。
依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x ，y)力为理想图像，n(x ，y)力为噪声，实际输入图像为为g(x ，y)，则加性噪声可表示为:
g(x ，y)= f(x ，y)+ n(x ，y)， （5）
其中，n(x ，y)和图像光强大小无关。
图像去噪的目的就是从所得到的降质图像以g(x ，y)中尽可能地去除噪声n(x ，y)，从而还原理想图像f(x ，y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。
图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
3. 小波阈值去噪法
3.1小波变换去噪的过程
小波去噪是小波变换较为成功的一类应用，其去噪的基本思路可用框图3-1
来概括，即带噪信号经过预处理，然后利用小波变换把信号分解到各尺度中，在每一尺度下把属于噪声的小波系数去掉，保留并增强属于信号的小波系数，最后再经过小波逆变换恢复检测信号。
图3-1小波去噪框图
因此，利用小波变换在去除噪声时，可提取并保存对视觉起主要作用的边缘信息。而传统的傅立叶变换去噪方法在去除噪声和边沿保持上存在着矛盾，原因是傅立叶变换方法在时域不能局部化，难以检测到局域突变信号，在去除噪声的同时，也损失了图像边沿信息。由此可见，与傅立叶变换去噪方法相比，小波变换去噪方法具有明显的优越性。
3.2小波阈值去噪的基本方法
3.2.1阈值去噪原理
Donoho提出的小波阈值去噪方法的基本思想是当w j，k小于某个临界阈值时，认为这时的小波系数主要是由噪声引起的，予以舍弃。当w j，k大于这个临界阈值时，认为这时的小波系数主要是由信号引起，那么就把这一部分的w j，k直接保留下来(硬阈值方法)，或者按某一个固定量向零收缩(软阈值方法)，然后用新的小波系数进行小波重构得到去噪后的信号。此方法可通过以下三个步骤实现:
(1)先对含噪声信号f(t)做小波变换，得到一组小波分解系数w j，k。
(2)通过对分解得到的小波系数w j，k进行阈值处理，得出估计小波系数k j w,使得w j，k- u j，k，尽可能的小。
f，即为去噪
(3)利用估计小波系数k j w,进行小波重构，得到估计信号了)(t
之后的信号。
需要说明的是，在小波阈值去噪法中，最重要的是闭值函数和闲值的选取。
3.2.2阈值函数的选取
阈值函数关系着重构信号的连续性和精度，对小波去噪的效果有很大影响。目前，阈值的选择主要分硬阈值和软阈值两种处理方式。其中，软阈值处理是将信号的绝对值与阈值进行比较，当数据的绝对值小于或等于阈值时，令其为零;大于阈值的数据点则向零收缩，变为该点值与阈值之差。而硬阈值处理是将信号的绝对值阈值进行比较，小于或等于阈值的点变为零，大于阈值的点不变。但硬阈值函数的不连续性使消噪后的信号仍然含有明显的噪声;采用软阈值方法虽然
连续性好，但估计小波系数与含噪信号的小波系数之间存在恒定的偏差，当噪声
信号很不规则时显得过于光滑。
4、基于小波变换的图像分解与重构
二维离散小波主要解决二维多分辨率分析问题，如一幅二维离散图像{c(m，n)}，二小波可以将它分解为各层各个分辨率上的近似分量cAj，水平方向细节分量cHj，垂直方向细节分量cVj，对角线方向细节分量cDj，其二层小波图像分解过程如图4-1 所示：
图4-1 小波图像分解过程
图4-2 小波图像分解过程
其二层小波图像重构过程正好与此相反如图4-2所示，基于小波变换的图像处理，是通过对图像分解过程中所产生的近似分量与细节分量系数的调整，使重构图像满足特定条件，而实现图像处理。
三、程序实现图像消噪
常用的图像去噪方法是小波阈值去噪法，它是一种实现简单而效果较好的去噪方法，阈值去噪方法的思想很简单，就是对小波分解后的各层稀疏模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出去噪后的图像。在阈值去噪中，阈值函数体现了对小波分解稀疏的不同处理策略以及不同的估计方法，常用的阈值函数有硬阈值和软阈值函数，硬阈值函数可以很好的保留图像边缘等局部特征，但图像会出现伪吉布斯效应，等视觉失真现象，而软阈值处理相对较平稳，但可能会出现边缘模糊等失真现象，为此人们又提出了半软阈值函数。小波阈值去噪方法处理阈值的选取，另一个关键因素是阈值的具体估计，如果阈值太小，去噪后的图像仍然存在噪声，相反如果阈值太大，重要图像特
征又将被滤掉，引起偏差。从直观上讲，对给定的小波系数，噪声越大，阈值就越大。
图像信号的小波去噪步骤与一维信号的去噪步骤完全相同，只使用二维小波分析工具代替了一维小波分析工具，如果用固定阈值形式，则选择的阈值用m2代替了一维信号中的n。
这三步是：1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号S到第N层的分解。2）对高频系数进行阈值量化，对于从一到N 的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理。3）二维小波的重构，根据小波分解的第N层的低频系数和经过修改的从第一层到第N 层的高频系数，来计算二维信号的小波重构。下面就通过具体实例来说明利用小波分析进行图像去噪的问题。
对给定图像进行去噪的二维小波去噪源程序：
clear; % 清理工作空间
load wbarb; % 装载原始图像
subplot(221); % 新建窗口
image(X); % 显示图像
colormap(map); % 设置色彩索引图
title('原始图像'); % 设置图像标题
axis square; % 设置显示比例, 生成含噪图像并图示
init=2055615866; % 初始值
randn('seed',init); % 随机值
XX=X+8*randn(size(X)); % 添加随机噪声
subplot(222); % 新建窗口
image(XX); % 显示图像
colormap(map); % 设置色彩索引图
title(' 含噪图像'); % 设置图像标题
axis square; %用小波函数coif2对图像XX进行2层
[c,l]=wavedec2(XX,2,'coif2'); % 分解
n=[1,2]; % 设置尺度向量
p=[10.28,24.08]; % 设置阈值向量, 对高频小波系数进行阈
%nc=wthcoef2('h',c,l,n,p,'s');
%nc=wthcoef2('v',c,l,n,p,'s');
X1=waverec2(nc,l,'coif2'); % 图像的二维小波重构
subplot(223); % 新建窗口
image(X1); % 显示图像
colormap(map); % 设置色彩索引图
title(' 第一次消噪后的图像 '); % 设置图像标题
axis square; %设置显示比例,再次对高频小波系数进行阈值处理
%mc=wthcoef2('h',nc,l,n,p,'s');mc=wthcoef2('v',nc,l,n,p,'s');
%mc=wthcoef2('d',nc,l,n,p,'s');
X2=waverec2(mc,l,'coif2'); % 图像的二维小波重构
subplot(224); % 新建窗口
image(X2); % 显示图像
colormap(map); % 设置色彩索引图
title(' 第二次消噪后的图像 '); % 设置图像标题
axis square; % 设置显示比例
程序运行结果：
原始图像
5010015020025050
100
150200
250
含噪图像
50100150200250
50100150
200250第一次消噪后的图像
5010015020025050100
150
200
250
第二次消噪后的图像
5010015020025050
100150200250
图5-1 去噪前后图像
比较上图中几幅图像，可见第一次去早滤除了大部分的高频噪，但与原图比较，依然有不少的高频噪声，第二次去噪在第一次的去噪基础上，再次滤除高频噪声，去噪效果较好，但图像的质量比原图稍差。
六、总结
随着信息时代计算机的日益普及，人们对数字图像的质量要求越来越高。但是数字图像在采集和传输过程中，难免会受到噪声的污染，这不仅不符合人们的视觉效果，而且也不利于图像的进一步处理。因此，图像去噪具有很强的理论意义和应用价值。图像消噪是信号处理中的一个经典问题，传统的消噪方法多采用平均或线性方法进行，但是其消噪效果不好，随着小波理论的不断完善，它以自身良好的时频特性在图像消噪领域受到越来越多的关注，文中将以MATLAB 为平台介绍以小波变换去除图像噪声的基本方法。
采用基于小波变换的图像增强技术可以通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理达到图像增强的作用。小波阈值去噪方法是小波去噪领域使用较多的方法，因为其理论相对比较成熟，而且去噪效果也比较好。它是集图像去噪和增强为一体的优秀处理方法，被广泛的应用于图像处理中，大量实践也证明该算法优于其他增强技术。
图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像
[转帖]小波去噪matlab程序 ****************************************** clear clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换[coefs1,coefs2]=dwt(y,'db3'); %[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2);
energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw); sw=sw/sum(sw); r=xcorr(sw,'biased'); corr=max(r); %为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0 if corr>=0.8
用MATLAB实现频域平滑滤波以及图像去噪代码 悬赏分：50 - 解决时间：2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在MATLAB上运行成功，必然给分。具体的实验指导书上的要求如下： 频域平滑滤波实验步骤 1. 打开Matlab 编程环境；
2. 利用’imread’函数读入图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 将图像数据由’uint8’格式转换为’double’格式，并将各点数据乘以 (-1)x+y 以便FFT 变换后的结果中低频数据处于图像中央； 5. 用’fft2’函数对图像数据进行二维FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示频率域图 像； 7. 在频率图像上去除滤波半径以外的数据(置0)； 8. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示处理过的 频域图像数据； 9. 用’ifft2’函数对图像数据进行二维FFT 逆变换，并用’real’函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以(-1)x+y； 11. 利用’imshow’显示处理结果图像数据； 12. 利用’imwrite’函数保存图像处理结果数据。 图像去噪实验步骤： 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入包含噪声的原始图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声 图像进行滤波处理； 5. 利用’imshow’显示处理结果图像数据； 6. 利用’imwrite’函数保存图像处理结果数据。 即使不是按这些步骤来的也没关系，只要是那个功能，能实现就OK，谢谢大家 %%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .^ ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2));
小波去噪 [xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,'wname') 式中： 输入参数x 为需要去噪的信号； 1.tptr ：阈值选择标准. 1)无偏似然估计（rigrsure）原则。它是一种基于史坦无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值t，得到它的似然估计，再将似然t 最小化，就得到了所选的阈值，它是一种软件阈值估计器。 2）固定阈值（sqtwolog）原则。固定阈值thr2 的计算公式为：thr 2log(n) 2 = (6)式中，n 为信号x（k）的长度。 3）启发式阈值（heursure）原则。它是rigrsure原则和sqtwolog 原则的折中。如果信噪比很小，按rigrsure 原则处理的信号噪声较大，这时采用sqtwolog原则。 4）极值阈值（minimaxi）原则。它采用极大极小原理选择阈值，产生一个最小均方误差的极值，而不是没有误差。 2.sorh ：阈值函数选择方式，即软阈值(s) 或硬阈值(h). 3.scal ：阈值处理随噪声水平的变化，scal=one 表示不随噪声水平变化，scal=sln 表示根据第一层小波分解的噪声水平估计进行调整，scal=mln 表示根据每一层小波分解的噪声水平估计进行调整. 4.n 和wname 表示利用名为wname 的小波对信号进行n 层分解。输出去噪后的数据xd 及xd 的附加小波分解结构[cxd,lxd]. 常见的几种小波：haar，db，sym，coif，bior haar db db1 db2 db3 db4 db5 db6 db7 db8 db9 db10 sym sym2 sym3 sym4 sym5 sym6 sym7 sym8 coif coif1 coif2 coif3 coif4 coif5 coif6 coif7 coif8 coif9 coif10 bior bior1.1 bior1.3 bior1.5 bior2.2 bior2.4 bior2.6 bior2.8 bior3.5 bior3.7 bior3.9 bior4.4
算法程序 1.找到图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); imshow('3.jpg') 2.将彩色图片处理成灰度图片 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('3.jpg'); I=rgb2gray(A)； imshow(I) 3.改变图片大小 右键----编辑----属性-----输入想要的大小 4.两张图片相叠加（区分imadd和系数叠加） 直接把图像数据矩阵相加，可以设定叠加系数，如（系数可自由设定，按需要） img_tot = img1 * 0.5 + img2 * 0.5; %两个图像大小要一致 图像的矩阵我再那里能找到 img1 = imread('tupian.bmp'); 图片相加 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg'); imshow(A) >> B=imread('3.jpg'); imshow(B) >> C=imadd(A,B); imshow(C) >> D=A*0.5+B*0.5; imshow(D) A图像
B图像 C图像 D图像 5.两张图片相减 addpath('C:\Documents and Settings\user\My Documents\My Pictures'); A=imread('2.jpg');
目录 第一章概述 (2) 第二章典型噪声介绍 (3) 第三章基于MATLAB的模拟噪声生成 (5) 第四章均值滤波处理方法 (7) 4.1均值滤波原理 (7) 4.2 均值滤波法对图像的处理 (9) 第五章中值滤波处理方法 5.1 中值滤波原理 (12) 5.2中值滤波法对图像的处理 (12) 第六章频域低通滤波法 (15) 6.1理想低通滤波器(ILPF)对图像的处理 (15) 6.2 巴特沃思低通滤波器（BLPF）对图像的处理 (18) 6.3 指数滤波器(ELPF)对图像的处理 (20) 6.4 梯形滤波器（TLPF)对图像的处理 (22) 6.5 构建二维滤波器对图像的处理 (24) 第七章总结与体会 (27) 参考文献 (28)
第一章概述 图像平滑主要有两个作用：一个是清除或减少噪声，改善图像质量；另一个是模糊图像，使图像看起来更柔和自然。图像噪声来自于多方面，有来自于系统外部的干扰，如电磁波或经电源窜进系统内部的外部噪声；也有来自于系统内部的干扰，如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声。实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。减少噪声的方法可以在空间域或在频率域处理。空间域常用的方法有领域平均法、中值滤波法、多图像平均法等；在频域可以采用理想低通、巴特沃斯低通等各种形式的低通滤波器进行低通滤波。 图像平滑处理的主要目的是去噪声，而噪声有很多种，大体可分为两类：加性噪声和乘性噪声。加性噪声通常表现为椒盐噪声、高斯噪声等；乘性噪声的一个典型例子就是光照变化。图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。 图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。
小波去噪matlab程序 ****************************************** clear clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换 [coefs1,coefs2]=dwt(y,'db3');%[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2); energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw);
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的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的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的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，即用几个像素灰度的平均值来代替每个像素的灰度。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的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，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的灰度值排序，取其中间值作为中心像素灰度的新值，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、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，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的效果 I=imread('C:\Documents and Settings\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的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');
收稿日期：2007－12－10 作者简介：史振江（1979－），男，汉，河北唐山人，学士，讲师，研究方向智能检测与控制技术。 基金项目：河北省教育厅自然科学项目（Z2006442） 基于MATLAB 的小波消噪仿真实现 史振江１） 安建龙 ２） 赵玉菊１） （石家庄铁路职业技术学院１） 河北石家庄 ０５００４１ 衡水学院２） 河北衡水 ０５３０００） 摘要：小波阈值消噪方法是利用小波变换技术对含噪信号进行分解和重构，通过对小波分解后的小波系数限定阈值来消除噪声的方法。分析小波消噪的算法和实现步骤，并基于MATLAB 软件平台编写仿真程序。进行光纤光栅反射信号的小波消噪仿真实验，消噪效果良好。 关键词：小波消噪 阈值 分解 重构 光纤光栅 中图分类号：ＴＰ２７２ 文献标识码：Ａ 文章编号：1673-1816(2008)01-0063-04 １ 引言 微弱信号检测[1]是关于如何提取和测量强噪声背景下微弱信号的方法，有效的去除信号中的噪声是实现微弱信号检测的关键。小波变换[2]是一种信号的时间、频率分析方法，具有多分辨分析的特点，是时间窗和频率窗都可以改变的时频局部化分析方法，已经广泛应用于信号消噪、信号处理、图像处理、语音识别与合成等领域。小波消噪[3～5]的方法可以分为三类：模极大值法、相关法以及阈值方法。其中，小波阈值消噪方法是利用小波变换技术对含噪信号进行分解和重构，通过对小波分解后的各层系数限定阈值来消除噪声的方法，因其实现简单、计算量小，取得了广泛应用。 MATLAB 即矩阵实验室，是一种建立在向量、数组和矩阵基础上，面向科学与工程计算的高级语言，它集科学计算、自动控制、信号处理、神经网络、图像处理于一体，具有极高的编程效率[6]。其中的小波处理工具箱可以方便实现小波消噪算法，对含噪信号进行消噪处理和研究。 本文详细分析了小波消噪算法，利用MATLAB 软件编写了程序，并对光纤光栅反射谱信号进行了小波消噪仿真实验。 ２ 小波变换与Mallat 算法 小波变换是指，把某一被称为基本小波的函数()t ψ平移位移b 后， 在不同尺度a 下作伸缩变换，得到连续小波序列,()a b t ψ，再与待分析信号()f t 作内积： 1/2(,)()()f R t b W a b a f t dt a ψ??=∫ （1） 在实际应用中，经常将,()a b t ψ作离散化处理，令2j a =，2j b k =g ，Z k j ∈,则得到相应的离散
图像去噪处理的研究及M A T L A B仿真
目录 引言 (1) 1图像去噪的研究意义与背景 (2) 1.1数字图像去噪研究意义与背景 (2) 1.2 数字图像去噪技术的研究现状 (3) 2 邻域平均法理论基础 (3) 2.1 邻域平均法概念 (3) 3 中值滤波法理论基础 (3) 3.1中值滤波法概念 (3) 3.2中值滤波法的实现 (4) 4中值滤波法去噪技术MATLAB仿真实现 (4) 4.1Matlab仿真软件 (4) 4.2中值滤波法的MATLAB实现 (5) 4.3邻域平均法的MATLAB实现 (6) 总结 (8) 全文工作总结 (8) 工作展望 (8) 参考文献 (9) 英文摘要 (10) 致谢语 (11)
图像去噪处理的研究及MATLAB仿真 电本1102班姓名：杨韬 指导老师：刘明军摘要:图像是生活中一种重要的信息来源，通过对图像的处理可以帮助我们了解信息的内在信息。数字图像去噪声涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系非常完善，且其应用很广泛，在医学、军事、艺术、农业等都有广泛且充分的应用。MATLAB是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。MATLAB是一种向量语言，它非常适合于进行图像处理。 本文概述了邻域平均法与中值滤波法去噪的基本原理。对这两种常用的去噪方法进行了分析比较和仿真实现。最后根据理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。为实际工作中的图像处理，去噪方法的选择和改进提供了数据参考和依据。 关键字：邻域平均法;中值滤波法;MATLAB 引言 图像因为一些原因总会被外界干扰，所以图像质量往往不是很好,而质量不好的图片又不容易进行进一步的处理。在对图像的地处理过程中，图像去噪是很重要的一个环节，所以想对图像进行进一步的处理,对图像的去噪就变得重要起来,所以很多研究人员对这一课题进行了比较全面的研究,图像的处理最传统的方法是在空域中的处理，也就是说在图像的空间范畴内对图像质量进行改善。也可以对图像进行平滑处理等，这属于第一类图像处理方法。 中值滤波法与邻域平均法是出现最早的去噪手段，而且由于其具备良好的空频特性，实际应用也非常广泛。其中图像的邻域平均去噪方法是众多空域图像去噪方法中效果最好的去噪方法。基本思想就是用邻近的像素平均值来代替噪声的像素，且图像尺寸越大，去噪
小波图像去噪及matlab实例 图像去噪 图像去噪是信号处理的一个经典问题，传统的去噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是去噪效果不太好（维纳滤波在图像复原中的作用）。 小波去噪 随着小波理论的日益完善，其以自身良好的时频特性在图像去噪领域受到越来越多的关注，开辟了用非线性方法去噪的先河。具体来说，小波能够去噪主要得益于小波变换有如下特点： （1）低熵性。小波系数的稀疏分布，使图像变换后的熵降低。意思是对信号（即图像）进行分解后，有 更多小波基系数趋于0（噪声），而信号主要部分多集中于某些小波基，采用阈值去噪可以更好的保留原 始信号。 （2）多分辨率特性。由于采用了多分辨方法，所以可以非常好地刻画信号的非平稳性，如突变和断点等（例如0-1突变是傅里叶变化无法合理表示的），可以在不同分辨率下根据信号和噪声的分布来消除噪声。（3）去相关性。小波变换可对信号去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪。（4）基函数选择灵活。小波变换可灵活选择基函数，也可根据信号特点和去噪要求选择多带小波和小波 包等（小波包对高频信号再次分解，可提高时频分辨率），对不同场合，选择不同小波基函数。 根据基于小波系数处理方式的不同，常见去噪方法可分为三类： （1）基于小波变换模极大值去噪（信号与噪声模极大值在小波变换下会呈现不同变化趋势）
（2）基于相邻尺度小波系数相关性去噪（噪声在小波变换的各尺度间无明显相关性，信号则相反）（3）基于小波变换阈值去噪 小波阈值去噪是一种简单而实用的方法，应用广泛，因此重点介绍。 阈值函数选择 阈值处理函数分为软阈值和硬阈值，设w是小波系数的大小，wλ是施加阈值后小波系数大小，λ为阈值。（1）硬阈值 当小波系数的绝对值小于给定阈值时，令其为0，而大于阈值时，保持其不变，即： （2）软阈值 当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，即： 如下图，分别是原始信号，硬阈值处理结果，软阈值处理结果。硬阈值函数在|w| = λ处是不连续的，容易造成去噪后图像在奇异点附近出现明显的伪吉布斯现象。 阈值大小的选取 阈值的选择是离散小波去噪中最关键的一部。在去噪过程中，小波阈值λ起到了决定性作用：如果阈值太小，则施加阈值后的小波系数将包含过多的噪声分量，达不到去噪的效果；反之，阈值太大，则去除了有用的成分，造成失真。小波阈值估计方法很多，这里暂不介绍。 小波去噪实现步骤 （1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解。
目录 1.3 图像噪声 一幅图像在获取和传输等过程中，会受到各种各样噪声的干扰，其主要来源有三：一为在光电、电磁转换过程中引入的人为噪声；二为大气层电（磁）暴、闪电、电压、浪涌等引起的强脉冲性冲激噪声的干扰；三为自然起伏性噪声，由物理量的不连续性或粒子性所引起，这类噪声又可分成热噪声、散粒噪声等。一般在图像处理技术中常见的噪声有：加性噪声、乘性噪声、量化噪声、“盐和胡椒”噪声等。下面介绍两种主要的噪声。 1、高斯噪声 这种噪声主要来源于电子电路噪声和低照明度或高温 带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。高斯随机变量z 的概率密度函数(P D F )由下式给出: }2/)(ex p{2/1)(22σμσπ--=z z p 其中, z 表示图像像元的灰度值;μ表示z 的期望;σ表示z 的标准差。 2、椒盐噪声 主要来源于成像过程中的短暂停留和数据传输中产生 的错误。其P D F 为： ?????===其他0)(b z pb a z pa z p 如果b > a , 灰度值b 在图像中显示为一亮点,a 值显
示为一暗点。如果P a和图像均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。当P a为零时,表现为“盐”噪声;当P b为零时,表现为“胡椒”噪声。 图像中的噪声往往是和信号交织在一起的尤其是乘性 噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓‘线条等模糊不清，从而使图像质量降低。
第二章、图像平滑方法 2.1 空域低通滤波 将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。空间域滤波按线性和非线性特点有：线性、非线性平滑波器。 线性平滑滤波器包括领域平均法（均值滤波器），非线 性平滑滤波器有中值滤波器。 2.1.1 均值滤波器 对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。邻域平均法是空间域平滑技术。这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f (x ,y ),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。经过平滑处理后得到一副图像 g (x ,y ), 其表达式如下： ∑∈=s n m n m f M y x g ),(),(/1),( 式中： x ,y =0,1,2,…，N -1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。 领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。其公式如下： ?????>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f T n m f M y x f n m f M y x g s n m s n m 式中：T 为规定的非负阈值。
clear all clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换 [coefs1,coefs2]=dwt(y,'db3'); %[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2); energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw); sw=sw/sum(sw); r=xcorr(sw,'biased'); corr=max(r); %为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0 if corr>=0.8 output1(i)=0; elseif corr<=0.1
1.%% ROFdenoise 2.% 3.% Image -to denoise 4.% Theta - the parameter 5.% 6.% This denoising method is based on total-variation, originally proposed by 7.% Rudin, Osher and Fatemi. In this particular case fixed point iteration 8.% is utilized. 9.%------ 10.% For the included image, a fairly good result is obtained by using a 11.% theta value around 12-16. A possible addition would be to analyze the 12.% residual with an entropy function and add back areas that have a lower 13.% entropy, i.e. there are some correlation between the surrounding pixels. 14.%------ 15.% Code Provided By Li.J.Z 16.% Based on total-variation 17. 18.function A = ROFdenoise(Image, Theta) 19. 20.[Image_h Image_w] = size(Image); 21.g = 1; dt = 1/4; nbrOfIterations = 50; 22.Image = double(Image); 23. 24.p = zeros(Image_h,Image_w,2); 25.d = zeros(Image_h,Image_w,2); 26.div_p = zeros(Image_h,Image_w); 27. 28.for i = 1:nbrOfIterations 29. for x = 1:Image_w 30. for y = 2:Image_h-1 31. div_p(y,x) = p(y,x,1) - p(y-1,x,1); %backward difference 32. end 33. end 34. 35. for x = 2:Image_w-1 36. for y = 1:Image_h 37. div_p(y,x) = div_p(y,x) + p(y,x,2) - p(y,x-1,2); 38. end 39. end 40. 41. % Handle boundaries 42. div_p(:,1) = p(:,1,2);
Matlab小波函数 一、Matlab小波去噪基本原理 1、带噪声的信号一般是由含有噪声的高频信号和原始信号所在的低频 信号。利用多层小波，将高频噪声信号从混合信号中分解出来。 2、选择合适的阈值对图像的高频信号进行量化处理 3、重构小波图像：依据图像小波分解的低频信号与处理之后的高频信 号来重构图像的信息。 二、第二代小波变换 1、构造方法特点： （1）继承了第一代小波的多分辨率的特性。 （2）不依赖fourior变换，直接在时域完成小波变换。 （3）变换之后的系数可以是整数。 （4）图像恢复质量与变换是边界采用何种延拓方式无关。 2、优点：算法简单，速度快，适合并行处理。对内存需求量小，便于DSP 芯片实现、可用于本位操作运算。 3、提升原理:构造紧支集双正交小波 （1）步骤：分裂—预测—更新 （2）分解与重构 三、matlab小波函数库 1、matlab小波通用函数： （1）wavemngr函数【小波管理器（用于小波管理，添加、删除、储存、读取小波）】 wavemngr(‘add’,FN,FSN,WT,NUMS,FILE) wavemngr(‘add’,FN,FSN,WT,NUMS,FILE,B) % 添加小波函数，FN为family name，FSN为family short name WT为小波类型：WT=1表示正交小波，=2表示非正交小波，=3表示带尺度函数的小波，=4表示无尺度函数的小波，=5表示 无尺度函数的复小波。 小波族只有一个小波，则NUMS=“，否则NUMS表示小波参数的字符串 FILE表示文件名 B=[lb ub]指定小波有效支撑的上下界 wavemngr(‘del’,N) %删除小波 wavemngr(‘restore’)/ wavemngr(‘restore’,IN2) %保存原始小波 OUT1= wavemngr(‘read’) %返回小波族的名称 OUT1= wavemngr(‘read’,IN2) %返回所有小波的名称 OUT1= wavemngr(‘read_asc’) %读取wavelets.asc文件并返回小波信息 （2）scal2frq函数【尺度转换频率】 F=scal2frq(A,’wname’,DELTA) %返回由尺度A，小波函数“wname”和采样周期DELTA决定的准 频率。 （3）orthfilt函数【正交小波滤波器组】
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成：
())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的积： ( )dx a b x a x f f x W b a b a )(1)(,,,-ψ= ψ=?+∞∞- （3） 与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 2. 图像去噪综述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设
1.给出五种常用小波基的时域和频域波形图。 与标准的傅里叶变换相比，小波分析中使用到的小波函数具有不唯一性，即小波函数(t)ψ 具有多样性。小波分析在工程应用中，一个十分重要的问题就是最优小波基的选择问题，因为用不同的小波基分析同一个问题会产生不同的结果。目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，由此决定小波基。常用小波基有Haar 小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet 小波、Meyer 小波等5种。 （1）Haar 小波 Haar 函数是小波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简答的一个小波函数，它是支撑域在[0,1]∈t 围的单个矩形波。 Haar 函数的 定义如下：其他 1212 1 001-1(t)≤≤≤≤?????=ψt t Haar 小波在时域上是不连续的，所以作为基本小波性能不是特别好。但它也有自己的优点，如： 计算简单； (t)ψ不但与t)2(j ψz][j ∈正交，而且与自己的整数位移正交。 因此，在2j a =的多分辨率系统中Haar 小波构成一组最简单的正交归一的小波 族。 ()t ψ的傅里叶变换是： 2/24=sin ()j e a ψ-ΩΩ ΩΩ（）j
Haar 小波的时域和频域波形图 -1.5 -1 -0.5 0.5 1 1.5 t haar 时域 x 10 5 1 2 3 4 5 6 75 f haar 频域 i=20; wav = 'haar'; [phi,g1,xval] = wavefun(wav,i); subplot(1,2,1); plot(xval,g1,'-r','LineWidth',1.5); xlabel('t') title('haar 时域'); g2=fft(g1); g3=abs(g2); subplot(1,2,2);plot(g3); xlabel('f') title('haar 频域')
《MATLAB图像滤波去噪分析及其应用》,双线性滤波、Kirsch滤波、超限邻域滤波、逆滤波、双边滤波、同态滤波、小波滤波、六抽头滤波、约束最小平方滤波、非线性复扩散滤波、Lee滤波、Gabor滤波、Wiener 滤波、Kuwahara滤波、Beltrami流滤波、Lucy Richardson滤波、NoLocalMeans滤波等研究内容。 《MATLAB图像滤波去噪分析及其应用》全面而系统地讲解了MATLAB图像滤波去噪分析及其应用;结合算法理论,详解算法代码（代码全部可执行且验证通过）,以帮助读者更好地学习本书内容。对于网上讨论的大部分疑难问题,本书均有涉及。 第1章图像颜色空间相互转换与MATLAB实现 1．1图像颜色空间原理 1．1．1RGB颜色空间 1．1．2YCbCr颜色空间 1．1．3YUV颜色空间 1．1．4YIQ颜色空间 1．1．5HSV颜色空间 1．1．6HSL颜色空间 1．1．7HSI颜色空间 1．1．8CIE颜色空间 1．1．9LUV颜色空间 1．1．10LAB颜色空间 1．1．11LCH 颜色空间 1．2颜色空间转换与MATLAB实现 1．2．1图像YCbCr与RGB空间相互转换及MATLAB实现 1．2．2图像YUV与RGB空间相互转换及MATLAB实现 1．2．3图像YIQ与RGB空间相互转换及MATLAB实现 1．2．4图像HSV与RGB空间相互转换及MATLAB实现 1．2．5图像HSL与RGB空间相互转换及MATLAB实现 1．2．6图像HSI与RGB空间相互转换及MATLAB实现 1．2．7图像LUV与RGB空间相互转换及MATLAB实现 1．2．8图像LAB与RGB空间相互转换及MATLAB实现 1．2．9图像LCH 与RGB空间相互转换及MATLAB实现 第2章图像噪声概率密度分布与MATLAB实现 2．1噪声概率密度分布函数 2．1．1均匀分布 2．1．2正态分布 2．1．3卡方分布 2．1．4F分布 2．1．5t分布 2．1．6Beta分布 2．1．7指数分布 2．1．8Gamma分布 2．1．9对数正态分布 2．1．10瑞利分布 2．1．11威布尔分布