matlab开发-图像的时间预测。它从一帧中的两个连续图像预测时间图像

基于MATLAB的图像融合算法摘要

该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

均值滤波步骤 1. 使用一个NxN的模板取出图像中部分值。 2. 将模板内的像素值求和并取平均。 3. 用平均值替换模板中心点像素值。 4. 移动模板，重复步骤1，直到模板不能再继续移动。 该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

维纳滤波算法流程 1. 将图像分割成多个MxN块，估计像素的局部均值和方差： 2. 估计噪声功率，使用局部方差的均值作为噪声功率估计值： 3. 使用维纳法估计MxN块内所有像素的灰度值： 4. 使用估计值替换块中原像素值。 5. 合并多个图像块，得到滤波后图像。 该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

中值滤波步骤： 1. 使用一个NxN的模板取出图像中部分值。 2. 将矩阵内的元素按升序或降序进行排序。 3. 取出排序后序列的中间值。 4. 使用中间值替换模板中心点像素值。 5. 移动模板，重复步骤1，直到模板不能再继续移动。 该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

自适应中值滤波步骤 1. 指定模板的最小尺寸N和最大尺寸M，并按照(M-1)/2扩展图像边界。 2. 先使用NxN的模板取出图像中部分值。 3. 判断当前模板的中值是否可能为噪点，若可能执行步骤4，不是则执行步骤5。 4. 若当前模板尺寸小于M则扩大模板尺寸再执行步骤2，若当前模板尺寸等于M则使用中值替换原像素值再执行步骤6。 5. 判断模板中心点像素值是否可能为噪点，若可能则以中值替换原像素值，若不是则保留原像素值。执行步骤6。 6. 将模板尺寸减小为N，移动模板，重复步骤2，直到模板不能再继续移动。 该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

DCT数据压缩的基本思想是：由于DCT的能量聚集特性，对一幅图像进行离散余弦变换后，许多有关图像的重要可视信息都集中在DCT系数矩阵的左上角，也就是低频部分。DCT系数矩阵左上角第一个值称为DC系数，是整个矩阵的平均值，其余的称为AC系数，越靠近左上角对应的频率越低，越靠近右下角对应的频率越高。 直接对整个图像进行2D-DCT变换的优点在于避免了分块效应，使得解压缩图像的保真度得到了保障，缺点在于计算复杂度高。 整图DCT变换流程 1. 直接对整幅图像进行DCT变换 2. 对DCT系数矩阵做不同程度的量化 3. 对量化后的DCT系数矩阵进行IDCT反变换得最终图像 4. 比较不同量化程度下还原图像MSE

FFT将信息量集中在了矩阵的四个角上，这一特性导致了图像中信息量的分散，相比于将信息量集中在一个角的DCT变化，FFT变换的压缩性能较差。将系数矩阵转换为极坐标形式，可见中心附近较亮。中心附近为低频信息，距中心较远的为高频信息。但边缘附近也有较多的能量分布。 FFT变换有两种量化方法，第一种是对FFT系数矩阵进行线性量化(量化方式同整幅DCT变换方法的量化方式)，第二种是对FFT系数矩阵进行非线性量化(以直角系系数矩阵中心为圆心进行量化)。 实验中对线性量化与非线性量化方式都进行了尝试，但因为线性量化会损失大量的频域信息，导致还原出的图像质量很差，在实际应用中不能采取该方式进行量化；而非线性量化可以极大的避免大量频域信息的损失，很好的符合了FFT系数矩阵中能量集中在四个角的特性，还原出的图像质量高，因此本报告中只选用非线性量化方式。 算法流程 1. 将图像进行FFT变换得到FFT系数矩阵。 2. 以FFT系数矩阵中心为圆心，分别以不同的半径将圆内系数置为零。 3. 将量化后的FFT系数矩阵进行IFFT变换还原图像。

图像二维统计滤波步骤如下： 1. 使用一个NxN的模板取出图像中部分值。 2. 将矩阵内的元素按升序进行排序。 3. 取出排序后序列的第k个值。 4. 使用第k个值替换模板中心点像素值。 5. 移动模板，重复步骤1，直到模板不能再继续移动。 在3x3模板中，当指定k=1时为最小值滤波，指定k=5时为中值滤波，指定k=9时为最大值滤波。 此外，该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。