【图像去噪】Wiener+Non-Local Means+Lucy_Richardson+Lee+kuwahara+Bilateral滤波器图像去噪【含Matlab源码 1017期】

一、简介

基于matlab Wiener+Non-Local Means+Lucy_Richardson+Lee+kuwahara+Bilateral滤波器图像去噪

二、源代码

function [out, psn]=bif_filter(im,sigd,sigr)
% bilateral filter双边滤波器
% 函数输入:
%           im    输入的图像
%           sigd  空间内核的时域参数
%           sigr  内核参数强度变化范围
% 函数输出:
%          out  滤波图像 = output imagespatial kernel

 w=(2*sigd)+1;
% sigr=(n*100)^2/(.003*(sigd^2));  % 自适应R值,n为高斯噪声强度,n=0.001
 
% 高斯滤波器 
gw=zeros(w,w);       % 高斯权值矩阵初始化
c=ceil(w/2);         % 向前取整
c=[c c];             % 中心元素位置

for i=1:w    
    for j=1:w
        q=[i,j]; % 记录相连像素位置标识位
        gw(i,j)=norm(c-q); % 欧氏距离
    end
end

Gwd=(exp(-(gw.^2)/(2*(sigd^2)))); % 高斯函数

% Padding 扩展图像的边界,防止滑动窗口边界值溢出
proci=padarray(im,[sigd sigd],'replicate');
% A = [1 2; 3 4];
% B = padarray(A,[3 2],'replicate','post')
% B =
%      1     2     2     2
%      3     4     4     4
%      3     4     4     4
%      3     4     4     4
%      3     4     4     4

[row clm]=size(proci);    % Size of image
if ~isa(proci,'double')
    proci = double(proci)/255;   % 转换为double类型
end

K=sigd;
L=[-K:K];
c=K+1;   % 中心元素位置
iter=length(L); % 迭代次数
ind=1;

for r=(1+K):(row-K)          % 行    
    for s=(1+K):(clm-K)      % 列     
            for i=1:iter     % 窗口大小 行
                for j=1:iter % 窗口大小 列                   
                    win(i,j)=proci((r+L(i)),(s+L(j))); % 获取窗口                  
                end
            end
            I=win; % 灰度矩阵
            win=win(c,c)-win; % 相对中心点处的强度差异,中心点为参考灰度值
            win=sqrt(win.^2); % 保证win中的每一个元素为正
            Gwi=exp(-(win.^2)/(2*(sigr^2))); % 高斯函数      
            weights=(Gwi.*Gwd)/sum(sum(Gwi.*Gwd)); % 高斯权值
            Ii=sum(sum(weights.*I));               % 得到当前双边滤波值  
            proci(r,s)=Ii;                         % 替换当前灰度值
            win=[];
    end
end

% 移除边界扩展值
proci=rpadd(proci,K);  % 移除边界扩展值
out=im2uint8(proci);   % 类型转换

%% 滤波重建后,图像峰值信噪比计算
if ~isa(out,'double')
    dimg = double(out)/255;   % 转换为double类型
end
psn = PSN(im,dimg); % PSNR,峰值信噪比
        
end
%        PSF: 退化函数的空域模板
%        NP:  表示噪声的功率
%函数输出: 
%        J: 约束最小平方滤波图像
%        LAGRA: 可以为一个数值,表示指定约束最小平方的最佳复原参数y,
%               也可以为[min,max]形式,表示参数y的搜索范围
%               若此参数省略,则表示搜索范围为[1e-9,1e9] 。

% 约束最小平方滤波
if ~isa(I,'double')
    I = double(I)/255;
end
LR = [1e-9 1e9];    % 复原参数搜索范围
% 求解输入图像维数
sizeI = size(I);
% PSF 矩阵
sizePSF = size(PSF);
% 输入图像的维数求解
numNSdim = find(sizePSF~=1);  
NSD = length(numNSdim);
% 转化PSF函数到期望的维数 光传递函数OTF
otf = psf2otf(PSF,sizeI);
% regop:通过计算拉普拉斯算子计算图像的平滑性
% 具体见表达式(10.23)
  if NSD == 1,
    regop = [1 -2 1];
  else % 二维矩阵
    % 3x3 Laplacian matrixes
    regop = repmat(zeros(3),[1 1 3*ones(1,NSD-2)]);
    % center matrix of Laplacian
    idx = [{':'}, {':'}, repmat({2},[1 NSD-2])];
    regop(idx{:}) = [0 1 0;1 -NSD*2 1;0 1 0];  % 模板算子
  end
%   regop =
%      0     1     0
%      1    -4     1
%      0     1     0
  % 改变REGOP折返回原始维数
  idx1 = repmat({1},[1 length(sizePSF)]);
  idx1(numNSdim) = repmat({':'},[1 NSD]);
  REGOP(idx1{:}) = regop;
% 转化PSF函数到期望的维数 光传递函数OTF  
REGOP = psf2otf(REGOP,sizeI);

fftnI = fftn(I);
R2 = abs(REGOP).^2;
H2 = abs(otf).^2;

% 计算LAGRA值
if (numel(LR)==1) || isequal(diff(LR),0),% LAGRA is given
  LAGRA = LR(1);
else % 采用fminbnd在[1e-9,1e9]优化,加速计算
  R4G2 = (R2.*abs(fftnI)).^2;
  H4 = H2.^2;
  R4 = R2.^2;
  H2R22 = 2*H2.*R2;
  ScaledNP = NP*prod(sizeI);
  LAGRA = fminbnd(@ResOffset,LR(1),LR(2),[],R4G2,H4,R4,H2R22,ScaledNP);
end;

三、运行结果

【图像去噪】Wiener+Non-Local Means+Lucy_Richardson+Lee+kuwahara+Bilateral滤波器图像去噪【含Matlab源码 1017期】
【图像去噪】Wiener+Non-Local Means+Lucy_Richardson+Lee+kuwahara+Bilateral滤波器图像去噪【含Matlab源码 1017期】
【图像去噪】Wiener+Non-Local Means+Lucy_Richardson+Lee+kuwahara+Bilateral滤波器图像去噪【含Matlab源码 1017期】

四、备注

版本:2014a

上一篇:从API获取python项目的库存历史数据


下一篇:DCMTK:在OFFile类中non-trivial fseek和ftell实现的测试程序