K近邻均值滤波
来源:互联网 发布:结构健康监测算法 编辑:程序博客网 时间:2024/05/17 02:51
子函数代码:
function[y]=K_neardealnoise(x,a,b)[m,n]=size(x);x=double(x);y=x;k0=floor(a*b/2)+1;for i=2:m-1 for j=2:n-1 %y(i,j)=0; z1=abs(x(i,j)-x(i-1,j+1)); z2=abs(x(i,j)-x(i,j+1)); z3=abs(x(i,j)-x(i+1,j+1)); z4=abs(x(i,j)-x(i-1,j)); z5=abs(x(i,j)-x(i+1,j)); z6=abs(x(i,j)-x(i-1,j-1)); z7=abs(x(i,j)-x(i,j-1)); z8=abs(x(i,j)-x(i+1,j-1)); z=[z1,z2,z3,z4,z5,z6,z7,z8]; h=[x(i-1,j+1),x(i,j+1),x(i+1,j+1),x(i-1,j),x(i+1,j),x(i-1,j-1),x(i,j-1),x(i+1,j-1)]; %对8个差进行冒泡排序法 for i1=1:1:7 for j1=1:1:8-i1 if z(1,j1) > z(1,j1+1)%%该算法找出与核心像素灰度值接近的K个像素。若为信号点,非噪声点,则不受太大影响;若为噪声点,此种方法起到抑制噪声的作用I=imread('1.jpg');I=rgb2gray(I);[e f]=size(I);%J=imnoise(I,'salt & pepper',0.030);J=imnoise(I,'gaussian',0,0.002);%%第一种算法在保持边缘和细节较第二种算法要好很多,当然第一种算法在去噪方面不彻底,不如第二种l=K_neardealnoise(J,3,3);%灰度最小方差的均值滤波器m=commonfilt2(J,3,3);%自己编写的均或中值滤波方法subplot(1,2,1),imshow( uint8(l) ),title('K近邻平滑滤波');subplot(1,2,2),imshow( uint8(m)),title('普通均值滤波');%2 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);l=double(l);m=double(m);% psnr2 = 32.0636MES2=sum(sum((I-l).^2))/(e*f); %自适应中值去噪的均方差PSNR2=20*log10(MAX/sqrt(MES2)); %自适应中值算法去噪的峰值信噪比% psnr3 = 34.3898MES3=sum(sum((I-m).^2))/(e*f); %自己编写的中值去噪的均方差PSNR3=20*log10(MAX/sqrt(MES3)); %自己编写的中值去噪的峰值信噪比
z0=h(1,j1);%z0为临时变量 h(1,j1)=h(1,j1+1); h(1,j1+1)=z0; end end end %for i1=1:k0 %y(i,j)=y(i,j)+h(1,i1); %end %y(i,j)=y(i,j)/k0; y(i,j)=mean( h(1:k0) ); %y(i,j)=median( h(1:k0) );%中心像素获得最小方差模板对应的中值 endend
%%该算法找出与核心像素灰度值接近的K个像素。若为信号点,非噪声点,则不受太大影响;若为噪声点,此种方法起到抑制噪声的作用I=imread('1.jpg');I=rgb2gray(I);[e f]=size(I);%J=imnoise(I,'salt & pepper',0.030);J=imnoise(I,'gaussian',0,0.002);%%第一种算法在保持边缘和细节较第二种算法要好很多,当然第一种算法在去噪方面不彻底,不如第二种l=K_neardealnoise(J,3,3);%灰度最小方差的均值滤波器m=commonfilt2(J,3,3);%自己编写的均或中值滤波方法subplot(1,2,1),imshow( uint8(l) ),title('K近邻平滑滤波');subplot(1,2,2),imshow( uint8(m)),title('普通均值滤波');%2 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);l=double(l);m=double(m);% psnr2 = 32.0636MES2=sum(sum((I-l).^2))/(e*f); %自适应中值去噪的均方差PSNR2=20*log10(MAX/sqrt(MES2)); %自适应中值算法去噪的峰值信噪比% psnr3 = 34.3898MES3=sum(sum((I-m).^2))/(e*f); %自己编写的中值去噪的均方差PSNR3=20*log10(MAX/sqrt(MES3)); %自己编写的中值去噪的峰值信噪比
- K近邻均值滤波
- 均值滤波
- 均值滤波
- 均值滤波
- 均值滤波
- 均值滤波
- 均值滤波
- 均值滤波&阈值均值滤波
- 均值滤波 中值滤波 对称均值滤波
- Kmeans(K均值)与Kmeans++和KNN(K近邻)算法比较
- Kmeans(K均值)与Kmeans++和KNN(K近邻)算法比较
- c++编写的图像读取、保存、相减、放大(最近邻插值。双线性插值)、均值滤波、中值滤波
- K均值
- k均值
- k-均值
- K均值
- K-均值
- K 近邻
- 技术之路最公平也最残酷的原因是:没有捷径,需要日积月累的积累,以及对技术持久的热情。
- 工作点滴一
- 登录窗体或验证用户的可以用的枚举常量方法
- main之前和之后(可)执行哪些函数(操作)
- iOS5 ARC学习笔记
- K近邻均值滤波
- linux共享库,以及/etc/ld.so.conf文件的应用
- JSP实验1
- 职场成功要素:1个目标,2个基点,3大技巧,4项理念,5分运气,6项要求,7分学习,8分交际,9分习惯,10分自信,11个陷阱,12分努力 《摘录》
- 记一次不会做的挑战赛
- 用双向宽搜来提高搜索效率
- 8 个必备的PHP功能开发
- 栈、堆和静态区
- 对称邻近均值滤波