【图像去噪】基于高通、低通、带通、方向多种滤波器实现图像去噪含Matlab源码
2022-05-24 19:39:10
2.89MB
1
hsi
matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法：
Dantas
CF，Cohen
JE和Gribonval
R.“使用字典学习进行高光谱图像降噪”。
WHISPERS
2019，荷兰阿姆斯特丹。
（位于：）
所提出的技术结合了低等级和稀疏性（通过词典学习）。
用法示例
要运行的主要脚本是“
DL_HSI_denoise.m”。
假设将图像放置在matlab变量“
imnoise”（3D数组）中，然后运行以下代码：
[imout，exec_times]
=
DL_HSI_denoise（imnoise）;
其中“
imout”包含最终去噪图像，“
exec_times”包含执行时间。
文件列表和描述
DL_HSI_denoise.m：主脚本。
输入嘈杂的HSI并输出其去噪版本。
脚本层次结构：DL_HSI_denoise.m->
image_denoise_lr.m->
HO_SuKro_DL_ALS.m->
DictUpdateALS2.m
核/
image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。
HO_SuKro_DL_ALS.m：默认
2022-05-23 15:02:55
47KB
1
程序可计算峰值信噪比、均方根误差、归一化相关性
评价去噪后的图像与原始图像的近似程度,可以用峰值信噪比来衡量。峰值信噪比( Peak Signal to Noise Ratio,PSNR)的数值越大,说明近似程度越好。峰值信噪比的定义如下:
另外一种评价两幅图近似程度的方法是均方根误差(Mean Square error,MSE)法，即
MSE值越小，表明去噪后的图像与原始图像更相似，去噪效果好。
还有一种是归一化相关性( Normalized correlation,NC)评价法,即
其值越接近1，说明去噪后的图像与理想图像越相似。
2022-05-23 13:04:16
211KB
编写Python程序实现以下功能：
1、 读入一幅图像。
2、 使用两种不同的方法分别向图像中添加噪声。
3、 输出一幅标注噪声区域的二值图像，背景为黑色，噪声区域为白色。
4、 使用三种滤波方法对上述添加了噪声的图像进行滤波处理。
5、 分别保存滤波处理后的图像。
撰写实验报告，将上述处理的原理与处理流程进行介绍；
添加原图、加入噪声的图像、描述噪声位置的二值图像以及三种滤波方法分别处理后的图像；
最终对处理结果进行分析，并附加程序。
2022-05-23 12:05:46
3KB
由于超声成像机制使医学超声图像中存在着大量的斑点噪声， 这些斑点噪声大大降低了图像的清晰度和质量， 给超声诊断带来很大的困难。针对医学超声图像的斑点噪声去噪问题， 提出了一种基于帧相关处理、 ROF分解和自适应小波阈值的去噪方法， 能够在抑制超声图像斑点噪声的同时， 尽可能地保留甚至增强图像的细节信息， 大大提高图像质量， 取得了很好的效果。
2022-05-22 10:26:31
1.48MB
1