Расчет СКО между фильтрованным изображением и оригиналом.

%Подсчет СКО

imwrite(I,'copie_image.tif');

L=imread('copie_image.tif');

j=1;

%Создание нулевых матриц

CKOGaus=zeros(1,50);

CKOSaPe=zeros(1,50);

CKOSpec=zeros(1,50);

CKOGausMed=zeros(1,50);

CKOSaPeMed=zeros(1,50);

CKOSpecMed=zeros(1,50);

CKOGausWin=zeros(1,50);

CKOSaPeWin=zeros(1,50);

CKOSpecWin=zeros(1,50);

%Создание условия наложения шума на изображение и его обработка с расчетом СКО.

for i=0.01:0.01:0.5;

L1=imnoise(L,'gaussian',0,i);

CKOGaus(j)=sqrt(sum(sum((L-L1).^2))/numel(L));

R1=medfilt2(L1);

F1=wiener2(L1, [5 5]);

CKOGausMed(j)=sqrt(sum(sum((L-R1).^2))/numel(L));

CKOGausWin(j)=sqrt(sum(sum((L-F1).^2))/numel(L));

L2=imnoise(L,'salt & pepper',i);

CKOSaPe(j)=sqrt(sum(sum((L-L2).^2))/numel(L));

R2=medfilt2(L2);

F2=wiener2(L2, [5 5]);

CKOSaPeMed(j)=sqrt(sum(sum((L-R2).^2))/numel(L));

CKOSaPeWin(j)=sqrt(sum(sum((L-F2).^2))/numel(L));

L3=imnoise(L,'speckle',i);

CKOSpec(j)=sqrt(sum(sum((L-L3).^2))/numel(L));

R3=medfilt2(L3);

F3=wiener2(L3, [5 5]);

CKOSpecMed(j)=sqrt(sum(sum((L-R3).^2))/numel(L));

CKOSpecWin(j)=sqrt(sum(sum((L-F3).^2))/numel(L));

j=j+1;

end

k=0.01:0.01:0.5;

figure;

hold on;

%Построение графиков

%plot(k,CKOGaus,'gx'); % График СКО шум от оригинала

plot(k,CKOGausMed,'gx'); %Вывод графиков окрашенного в зеленый цвет вид крестик

plot(k,CKOGausWin,'g');

%plot(k,CKOSaPe,'bx'); % График СКО шум от оригинала

plot(k,CKOSaPeMed,'bx'); %Вывод графиков окрашенного в синий цвет вид крестик

plot(k,CKOSaPeWin,'b');

%plot(k,CKOSpec,'rx'); %График СКО шум от оригинала

plot(k,CKOSpecMed,'rx'); %Вывод графиков окрашенного в красный цвет вид крестик

plot(k,CKOSpecWin,'r');

 

 

Результаты обработки

Наложение шумов на оригинальное изображение

Original

Gaussian Salt & Paper Speckle

 

Результат обработки Медианным фильтром

MedFilter_Gaussian MedFilter_Salt & Paper MedFilter_Speckle

 

Результат обработки фильтром Винера

 

WinFilter_Gaussian WinFilter_ Salt & Paper WinFilter_ Speckle

 

Результат подсчета среднеквадратическогоотклонения отфильтрованных изображенийот оригинала.

 

 

 

 

ВЫВОД

На графике видно, что медианный фильтр хорошо подавляет одиночные импульсные помехи и случайные шумовые выбросы отсчетов (CKOSaPeMed) и по графику видно, что это лучший метод по устранению данного вида зашумления.

Фильтр Винера (CKOSaPeWin),в отличии от медианного фильтра, при увеличении коэффициента зашумленности изображения, удалялся от оригинала в несколько раз.

Подавление белого и гауссового шума,в случае медианного фильтра, менее эффективно (CKOGausMed, CKOSpecMed), чем у фильтра Винера (CKOGausWin, CKOSpecWin). Слабая эффективность наблюдается также при фильтрации флюктуационного шума. При увеличении размеров окна Медиального фильтра происходит размытие изображения.

 

Список Литературы

1. Цифровая обработка цветных изображений. Шлихт Г.Ю. М., Издательство ЭКОМ, 2007. – 336 с.

2. http://prodav.narod.ru/dsp/index.html

3. Введение в цифровую обработку изображений. Ярославский Л.П. М.: Сов. радио, 2007. – 312 с.

4. http://matlab.exponenta.ru/

5. Цифровая обработка изображений в среде MATLAB. Р. Гонсалес, Р. Вудс, С. Эддинс, М.: Техносфера, 2006.

6. http://www.chipinfo.ru/literature/chipnews/199908/29.html