【图像去噪】加权+绝对差分中值滤波图像去噪（含PNSR）【含GUI Matlab源码 1880期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、中值滤波图像去噪简介

图像信号在产生、传输和记录过程中，经常受到各种噪声的干扰,严重地影响图像的视觉效果，因此在进行进一步的边缘检测、图像分割、特征提取、模式识别等处理之前,采用适当方法尽量减少噪声是一个非常重要的预处理步骤。目前常使用的噪声滤波器，从整体上可分为线性和非线性滤波两种。在数字信号处理和数字图像处理的早期研究中，线性滤波器是主要处理手段‚它对加性高斯噪声有较好平滑作用。然而当信号中含有非叠加性噪声时‚线性滤波结果很难令人满意。许多实验表明，人类视觉系统是非线性的于是在1958年 Wiener 就提出了非线性滤波理论。特别是1983 年以后，这一领域发展得更加迅速，非线性与统计理论相结合，形成了一个新兴研究领域，在图像处理领域中，目前最常用的图像去噪工具是中值滤波。
1 中值滤波
中值滤波在一维形式下‚是一个奇数个像素的滑动窗口。经排序后‚窗口序列为｛Fi－v…Fi－1‚Fi‚Fi＋1…Fi＋v｝‚ 其中 V＝（L－1）／2‚L 为窗口长度‚Fi 为窗口像素的中值滤波输出。记作 Med × ｛·｝‚Gi ＝ Med ｛Fi－v …Fi－1‚Fi‚
Fi＋1…Fi＋v｝表示取窗口中值。如一窗口长度为5‚像素灰度分别为｛20‚10‚30‚15‚25｝‚Gi＝Med ｛10‚15‚20‚ 25‚30｝其灰度级为30的像素为随机脉冲噪声。在经过中值滤波即被滤除。一维中值滤波的概念很容易推广到二维。这时取某种形式的二维窗口‚将窗口内像素排序，生成单调二维中值滤波器，比一维滤波更能抑制噪声。二维中值滤波的窗口形状可以有多种如线状方形、十字形、圆形、菱形等。不同形状的窗口产生不同的滤波效果。使用中要根据图像的内容和不同的要求加以选择。从经验上看，方形和圆形窗口适宜外廊线较长的物体图像。十字形窗口则优越于有尖顶物体的图像。因为一维滤波只考虑了图像垂直或水平方向的相关性。滤波效果不是很明显，所以通常用3×3，5×5的二维中值滤波。在要求对图像的平滑程度小的情况下，多采用3×3 中值滤波器。中值滤波能有效抑制脉冲、椒盐噪声。而且一般对图像边缘也有较好的保护作用。但它对图像中点线等细节模糊作用也不可忽视：会使宽度小于（N 为窗口长度）的边界模糊或消失，随着窗口的增大，滤波作用越大。有效信号损失也越大。标准中值滤波对所有像素采用统一的处理方法。这种处理不仅改变了噪声的值，同时也改变了信号点的值‚在滤波过程中噪声会在邻域内传播。为了克服标准中值滤波存在的这些问题。最近几年出现了多种基于中值的改进算法‚比如‚多窗口中值滤波‚加权中值滤波‚自适应中值滤波。
2 自适应加权算法
本文提出一种新的自适应加权方案。充分利用每个窗口元素本身存在的联系，首先对每个窗口元素进行排序‚取适当的坐标比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征。斜率较大的说明窗口中各个元素灰度相差较大‚可认为具有明显的图像边缘‚进行加权时‚可取排序后窗口中的几个元素（如3×3窗口‚取其中3个元素）进行加权。这时‚可适当减小中心元素的权重‚而增大两边元素权重，这样才能保边界和保细节。同理‚斜率较小‚说明此窗口灰度变化缓慢可直接进行中值滤波，可取一域值以简化算法复杂性‚提高运算速度。在加权时‚根据图像各部分特性自适应地选择权重进行加权，这时，方差是个很好的选用标准‚根据图像统计特性‚按某一函数关系加权到各个元素。且两边元素的权重正比于方差的大小‚方差大‚两边权重也适当增大。
文章算法如下:
可用可视化软件 matlab 实现
1 对窗口中的元素进行排序；
2 取适当坐标比例进行曲线拟合，并通过matlab函数；
求出拟合线的斜率值
3 当斜率值与其统计平均值差值在指定域值内‚转4‚ 否则转5
4 用窗口的中值代替中心点的值；
5 求出该窗口的方差；用关于方差的函数来对窗口序列中的中间几个元素进行自适应加权。
6 结束本窗口滤波，移至下一窗口。

⛄二、部分源代码

function varargout = MAIN_GUI(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @MAIN_GUI_OpeningFcn, …
‘gui_OutputFcn’, @MAIN_GUI_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end

% — Executes just before MAIN_GUI is made visible.
function MAIN_GUI_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
guidata(hObject, handles);

% — Outputs from this function are returned to the command line.
function varargout = MAIN_GUI_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;

% — Executes during object creation, after setting all properties.
function et_PSNR_1_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

function et_PSNR_2_Callback(hObject, eventdata, handles)

% — Executes during object creation, after setting all properties.
function et_PSNR_2_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

function et_PSNR_3_Callback(hObject, eventdata, handles)

% — Executes during object creation, after setting all properties.
function et_PSNR_3_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

% — Executes on button press in find_imgfile.
function find_imgfile_Callback(hObject, eventdata, handles) %读取图像按钮
[filename,filepath,filterindex] = uigetfile(…
{‘.jpg’,'JPEG-files(.jpg)’;…
‘.bmp;','BMP-files(.BMP)’;…
‘.tif;','TIF-files(.tif)’;…
‘.png;','PNG-files(.png)’;…
‘.gif;','GIF-files(.gif)’;…
‘.’,‘All-files(.)’;…
},‘Choose Image File’,‘MultiSelect’,‘on’);
if isequal(filename,0)%未选择
setappdata(0,‘img_name’,[]);
% set(handles.et_imfile,‘string’,‘No Selected File!’);
return;
end
if (isstr(filename))%单个图像
img_name = [filepath,filename];
% set(handles.et_imfile,‘string’,img_name);
set(handles.ax_original,‘visible’,‘on’);%设置显示原图像
set(handles.txt_original,‘visible’,‘on’);%设置显示 “原图像”标题
I = imread(img_name);
[X,Y,Z]=size(I);
%返回图像各维的大小，如果是灰度图象对应的Z=1
if Z>1
img=rgb2gray(I);%将RGB的图转化为灰度图
else
img=I;
end
axes(handles.ax_original);
imshow(img);
else%多个图像
filename = sort(filename);
set(handles.ax_original,‘visible’,‘off’);
set(handles.txt_original,‘visible’,‘off’);
% set(handles.et_imfile,‘string’,‘Multi Image Files!’);
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]金春花,欧阳晶,王国槟.自适应加权中值滤波图像去噪算法[J].九江职业技术学院学报. 2005,(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合