维纳滤波实现

参考链接:Matlab Wiener2函数

一、算法原理及公式:

二、算法实现:

步骤一:计算局部均值图localMean与局部方差图localVar,可采用积分图加速;

步骤二:设noiseVal为噪声方差,若未给出,则参考Matlab wiener2实现,以局部方差图localVar的均值代替;

步骤三:根据公式计算结果:

令:I为源灰度图

f = I - localMean;

err = localVar - noiseVal;

err = max(err,0);

localVar = max(localVar,noise);

f = f ./ localVar;

f = f .* g;

f = f + localMean;

[1]Lim, Jae S., Two-Dimensional Signal and Image Processing, Englewood Cliffs, NJ, Prentice Hall, 1990, p. 548, equations 9.26, 9.27, and 9.29.

时间: 2025-01-13 02:13:34

维纳滤波实现的相关文章

图像去模糊(维纳滤波)

在数学应用上,对于运动引起的图像模糊,最简单的方法是直接做逆滤波,但是逆滤波对加性噪声特别敏感,使得回复的图像几乎不可用.最小均方差(维纳)滤波用来去除含有噪声的模糊图像,其目标是找到未污染图像的一个估计,使它们之间的均方差最小,可以去除噪声,同时清晰化模糊图像. 定义 给定一个系统 y(t)=h(t)?x(t)+n(t) 这里,?是卷积符号 x(t)是在时间t刻输入的信号(未知) h(t)是一个线性时间不变系统的脉冲响应(已知) n(t)是加性噪声,与x(t)不相关(未知) y(t)是我们观察

基于matlab的退化图像复原(三)------维纳滤波复原

还是照着书上推了一遍, 反正写一遍之后很好理解, 也许是只是这点算法比较简单基础... 讲到底还是统计的知识,二维的最小二乘法, 让均方差最小 放代码: I=imread('src.png'); I0=rgb2gray(I); subplot(151); imshow(I0); title('src'); H=fspecial('motion',30,45); %运动卷积的偏移矩阵 MotionBlur=imfilter(I0,H,0,'conv'); %卷积 MF=imfilter(I0,H,

自适应滤波——第二章:维纳滤波器(1)

作者:桂. 时间:2017-03-23  06:28:45 链接:http://www.cnblogs.com/xingshansi/p/6603263.html 声明:欢迎被转载,不过记得注明出处哦~ 前言 仍然是西蒙.赫金的<自适应滤波器原理>第四版,距离上次看这本书已经过去半个月,要抓点紧了.本文主要包括: 1)何为维纳滤波器(Wiener Filter); 2)Wiener滤波器的推导: 内容为自己的学习总结,内容多有参考他人,最后一并给出链接. 一.维纳滤波器简介 A-基本概念 对于

paper 51:图像复原

 图像退化: 图像在形成.记录.处理和传输过程中,由于成像系统.记录设备.传输介质和处理方法的不完善,导致图像质量的下降,这种现象叫做图像退化. 图像复原: 就是对退化的图像进行处理,尽可能恢复出原始图像的真实面貌. 图像复原方法思路: 关键是要由退化后的图像估计出退化函数和噪声函数,然后可以得到恢复算子.恢复计算,可以在空域上进行恢复,也可以在频域上进行恢复. 几种噪声模型: 高斯噪声 Rayleigh噪声 指数噪声 均匀噪声 salt-and -pepper噪声. 估计噪声常用方法是: 从图

数学之路-python计算实战(18)-机器视觉-滤波去噪(双边滤波与高斯滤波 )

高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到.高斯滤波的具体操作是:用一个模板(或称卷积.掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值. #滤波去噪 lbimg=cv2.GaussianBlur(newimg,(3,3),1.8) cv2.imshow('src',newimg) cv2.imshow('dst',lbimg) cv2.waitKey() cv2.destroyAllW

自适应滤波:梯度下降算法

作者:桂. 时间:2017-04-01  06:39:15 链接:http://www.cnblogs.com/xingshansi/p/6654372.html 声明:欢迎被转载,不过记得注明出处哦~ [学习笔记07] 未完待续 前言 西蒙.赫金的<自适应滤波器原理>第四版第四章:最速下降算法.优化求解按照有/无约束分类:如投影梯度下降算法((Gradient projection)便是有约束的优化求解:按照一阶二阶分类:梯度下降(Gradient descent).Newton法等:按照偏

新生活......

搬到老校区两天了,宿舍的同学都很棒,虽然小黑屋很小,但是大家在一起觉得很惬意,今天在实验室呆了一天,觉得时间真的过得很快,觉得自己还有很多不会,应该用在实验室的时间加紧赶上,用师姐的一句话吧,生活还是需要梦想的.和旁边的师姐沟通,慢慢来学习,还不晚欧. 今天的收获: 0.对于不同的验证码有不同的处理方法,但是整合的方法还不太会 1.灰度化,就是对于一副彩色的图片,对于每一个像素,都是有R,G,B三个分量来各自分配比例调和出来的. RGB彩色图像可以看成是由3副单色的灰度图像构成的,可以直接取RG

基于winner 滤波平稳降噪效果

https://en.wikipedia.org/wiki/Wiener_filter Wiener filter solutions The Wiener filter problem has solutions for three possible cases: one where a noncausal filter is acceptable (requiring an infinite amount of both past and future data), the case whe

自适应滤波——第二章:维纳滤波器(2)

作者:桂. 时间:2017-03-24  06:52:36 链接:http://www.cnblogs.com/xingshansi/p/6609317.html 声明:欢迎被转载,不过记得注明出处哦~ [读书笔记03] 前言 西蒙.赫金的<自适应滤波器原理>第四版,上一篇看到维纳滤波基本形式:最优化问题,且无任何条件约束.这次看到有约束的部分,简单整理一下思路: 1)拉格朗日乘子法: 2)线性约束最小方差滤波器(Linearly constrained minimum-variance,LC