实验三：对加入椒盐噪声的图像分别作均值、中值和维纳滤波
I=imread(1.gif');
J1=imnoise(I,'gaussian',0,0.02);
J2=imnoise(I,'salt & pepper',0.02);
J3=imnoise(I,'speckle',0.02);
运行效果见图2
I=imread('C:/Documents and Settings/Administrator/桌面/1.gif');
J=imnoise(I,'salt & pepper',0.02);
%h=ones(3,3)/9;%产生3*3的全1数组
%B=conv2(J,h);%卷积运算
K2=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3
K= medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波
K1=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波
subplot(2,3,1);imshow(I);
title('原始图像');
subplot(2,3,2);imshow(J);
title('加噪图像');
subplot(2,3,3);imshow(K2);
title('均值滤波后的图像');
subplot(2,3,4);imshow(K);
title('中值滤波后的图像');
subplot(2,3,5);imshow(K1);
title('维纳滤波后的图像');
PS
：MATLAB中提供了卷积运算的函数命令conv2，其语法格式为：：MATLAB中提供了卷积运算的函数命令conv2，其语法格式为：
C = conv2(A,B)
C = conv2(A,B)返回矩阵A和B的二维卷积C。若A为ma×na的矩阵，B为mb×nb的矩阵，则C的大小为(ma+mb+1)×(na+nb+1)。
MATLAB图像处理工具箱提供了基于卷积的图象滤波函数filter2，filter2的语法格式为：
Y = filter2(h,X)
其中Y = filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。例如：
其实filter2和conv2是等价的。MATLAB在计算filter2时先将卷积核旋转180度，再调用conv2函数进行计算。
Fspecial
函数用于创建预定义的滤波算子，其语法格式为：
h = fspecial(type)
h = fspecial(type,parameters)
参数type制定算子类型，parameters指定相应的参数，具体格式为前文已有叙述。
ones产生全1数组，zeros产生全零数组。
ones(a,b)
产生a行b列全1数组
ones(a)
产生a行a列全1叔祖
运行效果见图3：
通过图3我们也可得出结论，即中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。对点、线和尖顶较多的图像不宜采用中值滤波，因为一些细节点可能被当成噪声点。
实验四: 分别使用二维统计滤波对椒盐噪声和高斯噪声进行滤波
I=imread('C:/Documents and Settings/Administrator/桌面/1.gif');
J1=imnoise(I,'salt & pepper',0.004);
subplot(2,3,1);imshow(I);
title('原始图像');
subplot(2,3,2);imshow(J1);
title('加椒盐噪声后的图像');
J= ordfilt2(J1,5,ones(3,4));% 进行二维统计顺序过滤
subplot(2,3,3);imshow(J);
title('椒盐噪声滤波后的图像');
J2=imnoise(I,'gaussian',0,0.004);
subplot(2,3,4);imshow(J2);
title('加高斯噪声后的图像');
J3= ordfilt2(J2,5,ones(3,4));
subplot(2,3,5);imshow(J3);
title('高斯噪声滤波后的图像');
效果见图4：
PS：MATLAB小波分析工具箱提供的用于图像去噪的函数有wrcoef2和wpdencmp，其语法格式分别为：
X=wrcoef2(‘type’,C,S,’wname’)
[xd,treed,datad,perf0,perfl2]=wpdencmp(x,sorh,N,’wname’,crit,par,keepapp)
其中，X=wrcoef2(‘type’,C,S,’wname’)返回基于小波分解结构［Ｃ，Ｓ］的小波重构图像Ｘ。参数“type”等于a表示重构近似系数；等于h表示重构水平细节系数；等于v表示重构垂直细节系数，等于d表示重构对角细节系数。
[xd,treed,datad,perf0,perfl2]=wpdencmp(x,sorh,N,’wname’,crit,par,keepapp)是通过小波包定限（阈值化），返回输入信号或图像Ｘ的除噪结果xd。输入参数中，［treed,datad］为xd的最佳小波包分解结构；perfl2和perf0表示L^2复原和压缩百分数；perf12=100*(xd的小波包系数向量范数/X的小波包系数向量范数) ^2。Keepapp=1表示近似系数不能阈值化，否则可以阈值化；sorh=’s’为软阈值化，h为硬阈值化。
实验五：利用wrcoef2函数进行图像去噪
其程序代码如下：
I=imread('C:/Documents and Settings/Administrator/桌面/1.gif');
J=imnoise(I,'gaussian',0,0.005);
[c,l]=wavedec2(J,2,'sym4');
J1= wrcoef2('a',c,l,'sym4',1);
J2= wrcoef2('a',c,l,'sym4',2);
subplot(2,2,1);imshow(I);
title('原始图像');
subplot(2,2,2);imshow(J);
title('含噪图像');
subplot(2,2,3);imshow(J1,[]);
title('第一次去噪图像');
subplot(2,2,4);imshow(J2,[]);
title('第二次去噪图像');
运行结果如图
：
实验六：利用wpdencmp函数进行图像去噪
其程序代码如下：
I=imread('C:/Documents and Settings/Administrator/桌面/1.gif');
I=im2double(I);
subplot(2,2,1);imshow(I);
title('原始图像');
J=imnoise(I,'gaussian',0,0.05);
subplot(2,2,2);imshow(J);
title('含噪图像');
thr=0.1;sorh='s';
crit='shannon';
keepapp=0;
J1=wpdencmp(J,sorh,3,'sym4',crit,thr,keepapp);
subplot(2,2,3);imshow(J1);
title('全局阈值去噪图像');
J2=medfilt2(J1);
subplot(2,2,4);imshow(J2);
title('第二次去噪图像');
PS:
在MATLAB图像处理工具箱中，提供了medfilt2函数用于实现中值滤波。在MATLAB图像处理工具箱中，提供了medfilt2函数用于实现中值滤波。
Medfilt2
函数的语法格式为：
B = medfilt2(A)
用3×3的滤波窗口对图像A进行中值滤波。
B = medfilt2(A,[m n])
用指定大小为m×n的窗口对图像A进行中值滤波。
效果如图6：
