一种高效快速的高密度椒盐噪声消除算法（吕宗伟等）

新算法对应的子函数：

%一种高效快速的高密度椒盐噪声滤除算法
%quickdelhighnoise.m
function [R] = quickdelhighnoise(J)[e,f]=size(J);
R=zeros(e,f);
Nmax=3; %确定最大的滤波半径，那么滤波窗口最大为7
%下面是边界扩展，图像上下左右各增加Nmax像素
z=zeros(e+2*Nmax,f+2*Nmax);%引入一个新矩阵，用以贴上图片
z(Nmax+1:e+Nmax,Nmax+1:f+Nmax)=J;%将图片贴在新矩阵的中心位置%扩展图像边界
z(1:Nmax,Nmax+1:f+Nmax)=J(1:Nmax,1:f);                 %扩展上边界
z(1:e+Nmax,f+Nmax+1:f+2*Nmax)=z(1:e+Nmax,f:f+Nmax-1);  %扩展右边界
z(e+Nmax+1:e+2*Nmax,Nmax+1:f+2*Nmax)=z(e:e+Nmax-1,Nmax+1:f+2*Nmax); %扩展下边界
z(1:e+2*Nmax,1:Nmax)=z(1:e+2*Nmax,Nmax+1:2*Nmax);       %扩展左边界
%z即为一个扩展后的图像
y=z;%y复制z,y为最后输出的图像%%%%%1 噪声检测阶段
F=zeros(e+2*Nmax,f+2*Nmax);%噪声标记矩阵，初始所有像素默认为信号点，标记为0for i=Nmax+1:e+Nmaxfor j=Nmax+1:f+Nmax%检测窗口开始用3*3if  z(i,j) == 0 | z(i,j) == 255 %疑似噪声点，需要进一步判断F(i,j) = 1;endend
end%%%%%% 2 噪声滤除阶段for i=Nmax+1:e+Nmaxfor j=Nmax+1:f+Nmax%初始滤波窗口为3*3if F(i,j) == 1 %噪声点，需要进行滤波 N=sum(sum(F(i-1:i+1,j-1:j+1) == 0));%统计高密度区域内信号点的个数%N=sum(sum( F(i-1:i+1,j-1:j+1) == 0  &  z(i-1:i+1,j-1:j+1) ~= max(z1) &  z(i-1:i+1,j-1:j+1) ~= min(z1) ))if  N > 0z6 = zeros(1,N);%放置信号点的矩阵%存放信号点矩阵for i1 = i-1:i+1for j1 = j-1:j+1if F(i1,j1) == 0%if F(i1,j1) == 0 & z(i1,j1) ~= max(z1) & z(i1,j1) ~= min(z1)z6(1,N) = z(i1,j1);N = N-1;endendend%z6内存放着信号点灰度值%for i1 = 1:sum(sum(F(i-1:i+1,j-1:j+1) == 0))%for i1 = 1:sum(sum( F(i-1:i+1,j-1:j+1) == 0  &  z(i-1:i+1,j-1:j+1) ~= max(z1) &  z(i-1:i+1,j-1:j+1) ~= min(z1) ))%    sum1 = sum1 + z6(1,i1)/( 1 + ( z6(1,i1) - median(z6) )^2 );%   sum2 = sum2 + 1.0/( 1 + ( z6(1,i1) - median(z6) )^2 );%endy(i,j) = mean(z6); %medy4 =median( [ y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1) ] );%已经处理过的4领域系数%y(i,j) = y(i-1,j-1)/( 1 + ( y(i-1,j-1) - medy4  )^2 ) +  y(i-1,j)/( 1 + ( y(i-1,j) - medy4  )^2 ) +  y(i-1,j+1)/( 1 + ( y(i-1,j+1) - medy4  )^2 ) + y(i,j-1)/( 1 + ( y(i,j-1) - medy4  )^2 ) ;%y(i,j) =( y(i-1,j-1) + y(i-1,j) + y(i-1,j+1) + y(i,j-1) ) / 4;%y(i,j) = median( [ y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1) ] );%y(i,j) = y(i-1,j-1)/( 1 + ( y(i-1,j-1) - z(i,j)  )^2 ) +  y(i-1,j)/( 1 + ( y(i-1,j) - z(i,j)  )^2 ) +  y(i-1,j+1)/( 1 + ( y(i-1,j+1) - z(i,j)  )^2 ) + y(i,j-1)/( 1 + ( y(i,j-1) - z(i,j)  )^2 ) ;end%F(i,j) = 0;%处理完了噪声点%z(i,j) = y(i,j);end%处理完该噪声点后，将处理完的新像素用来迭代endend%第一步滤波结束，第二波开始在预处理的图像上进行滤波z=y;for i=Nmax+1:e+Nmaxfor j=Nmax+1:f+Nmax%初始滤波窗口为3*3if F(i,j) == 1 %噪声点，需要进行滤波N =0;for i1= i-1:i+1for j1 =j-1:j+1if i1 == i & j1 == j%中心像素被排除在外，不进行统计continue;endif z(i1,j1) ~= 0 & z(i1,j1) ~= 250N = N + 1;%统计信号点的个数endendendif  N > 0z6 = zeros(1,N);%放置信号点的矩阵%存放信号点矩阵for i1 = i-1:i+1for j1 = j-1:j+1if i1 == i & j1 == j%中心像素被排除在外，不进行统计continue;endif z(i1,j1) ~= 0 & z(i1,j1) ~= 250 %if F(i1,j1) == 0 & z(i1,j1) ~= max(z1) & z(i1,j1) ~= min(z1)z6(1,N) = z(i1,j1);N = N-1;endendendy(i,j) = mean(z6); %medy4 =median( [ y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1) ] );%已经处理过的4领域系数%y(i,j) = y(i-1,j-1)/( 1 + ( y(i-1,j-1) - medy4  )^2 ) +  y(i-1,j)/( 1 + ( y(i-1,j) - medy4  )^2 ) +  y(i-1,j+1)/( 1 + ( y(i-1,j+1) - medy4  )^2 ) + y(i,j-1)/( 1 + ( y(i,j-1) - medy4  )^2 ) ;%y(i,j) =( y(i-1,j-1) + y(i-1,j) + y(i-1,j+1) + y(i,j-1) ) / 4;%y(i,j) = median( [ y(i-1,j-1),y(i-1,j),y(i-1,j+1),y(i,j-1) ] );%y(i,j) = y(i-1,j-1)/( 1 + ( y(i-1,j-1) - z(i,j)  )^2 ) +  y(i-1,j)/( 1 + ( y(i-1,j) - z(i,j)  )^2 ) +  y(i-1,j+1)/( 1 + ( y(i-1,j+1) - z(i,j)  )^2 ) + y(i,j-1)/( 1 + ( y(i,j-1) - z(i,j)  )^2 ) ;end%F(i,j) = 0;%处理完了噪声点%z(i,j) = y(i,j);end%处理完该噪声点后，将处理完的新像素用来迭代endendR(1:e,1:f) = y( Nmax+1:e+Nmax,Nmax+1:f+Nmax );%拷出滤波后的图像

主函数：

I=imread('2.png');
I=rgb2gray(I);
[e,f]=size(I);J=imnoise(I,'salt & pepper',0.7);
%J=imnoise(J,'gaussian',0.002);
R=quickdelhighnoise(J);
tic;R=quickdelhighnoise(J);toc;
subplot(1,2,1),imshow( uint8(I) ),title('原图像');
subplot(1,2,2),imshow( uint8(R) ),title('新算法滤波后的图像');
% 计算三种算法的峰值信噪比
B=8;                %编码一个像素用多少二进制位
MAX=2^B-1;          %图像有多少灰度级I=double(I);
R=double(R);%%%%%% psnr1=
MES1=sum(sum((I-R).^2))/(e*f);     %自适应中值去噪的均方差
PSNR1=20*log10(MAX/sqrt(MES1));           %自适应中值算法去噪的峰值信噪比

一种高效快速的高密度椒盐噪声消除算法（吕宗伟等）相关推荐

一种高效快速的内存池实现(附源码)
此算法灵感来自于apache内存池实现原理,不过读者如果没有看过apache内存池实现也无关系,因为本算法相对apache内存池算法更为简单而且易懂,个人认为某些场合也更为高效,或许真正到了apach ...
停止无效学习，4种高效学习方法，快速提升自己
来源:此文章为小精灵讲堂原创,仅供学习使用. 目录 1.费曼学习法 Feynman Technique 2.思维导图学习法 Mind Mapping 3.SQ3R 阅读法 4.西蒙学习法 Simon ...
Code128条形码：一种高密度、全字符集的一维条码
Code128条形码:一种高密度.全字符集的一维条码在现代商业中,条形码已经成为了不可或缺的工具.而在各种条形码中,Code128 条形码无疑是最受欢迎的之一.Code128 条形码是一种高密度.高 ...
申威 linux内核,一种申威防火墙快速移植高版本linux内核的方法与流程
技术特征: 1.一种申威防火墙快速移植高版本linux内核的方法,其特征在于,包括以下步骤: s1:预先制作生成内存根文件系统的压缩文件: 所述步骤s1包括以下步骤: s11:通过编译busybox制 ...
英文不好如何高效快速地阅读英文文献——提供一种快速首篇文献阅读方法
英文不好如何高效快速地阅读英文文献文章目录英文不好如何高效快速地阅读英文文献更新前言: 前言关于阅读英文文献的重要性中国人最新最优秀的科研成果基本上都会发表在国外的期刊,用的英语. 1.确定 ...
【实拍】YASA高密度电机技术分析
切磋:shbinzer. " 重要的问题值得我们持续研究,高密度的技术路线是八仙过海各有神通,本期我们继续介绍另外一种高密度电机技术路线-YASA 轴向磁场电机." 01 何谓YA ...
高密度 ARM 服务器如何引领“数智时代”发展，打通“智变质变”正循环
并行计算 | 多样性计算 | ARM架构深度学习 | 高性能计算 | ARM服务器如今随着算力.高性能计算的快速发展,数字经济已经成为全球经济增长的主引擎.数字经济的快速发展,使得深度学习.数据分 ...
以数据为中心的AI构建的一种高效的MLOps系统
深蓝学院是专注于人工智能的在线教育平台,致力于打造国内一流前沿科技学习交流平台,学院讲师均是各领域顶级研究者,累计发布顶刊论文3000+篇.目前已有数万名伙伴在深蓝学院平台学习,其中不乏北京大学.清华 ...
YOLOv4-5D：一种高效的自动驾驶物体检测器
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨CY 来源丨当交通遇上机器学习 1. 文章信息本次介绍的文章是2021年3月份发表在IEEE ...

一种高效快速的高密度椒盐噪声消除算法（吕宗伟等）

一种高效快速的高密度椒盐噪声消除算法（吕宗伟等）相关推荐

最新文章

热门文章