✅作者简介：热爱科研的算法开发者，Python、Matlab项目可交流、沟通、学习。
🍎个人主页：算法工程师的学习日志
图像去噪常用方法
图像去噪处理方法可分为空间域法和变换域法两大类。
基于离散余弦变换的图像去噪
一般而言，我们认为图像的噪声在离散余弦变换结果中处在其高频部分，而高频部分的幅值一般很小，利用这一性质，就可以实现去噪。然而，同时会失去图像的部分细节。
%读取图像
X=imread('0.jpg');
X=rgb2gray(X);
%读取图像尺寸
[m,n]=size(X);
%给图像加噪
Xnoised=imnoise(X,'speckle',0.01);
%输出加噪图像
subplot(121);
imshow(Xnoised);
%DCT变换
Y=dct2(Xnoised);
I=zeros(m,n);
%高频屏蔽
I(1:m/3,1:n/3)=1;
Ydct=Y.*I;
%逆DCT变换
Y=uint8(idct2(Ydct));
%结果输出
subplot(122);
imshow(Y);
基于小波变换的图像去噪
小波去噪是小波变换较为成功的一类应用，其去噪的基本思路为：含噪图像-小波分解-分尺度去噪-小波逆变换-恢复图像。含噪信号经过预处理，然后利用小波变换把信号分解到各尺度中，在每一尺度下把属于噪声的小波系数去掉，保留并增强属于信号的小波系数，最后再经过小波逆变换恢复检测信号。比基于傅里叶变换的去噪方法好。
clear;
X=imread('0.jpg');
X=rgb2gray(X);
figure
subplot(121);
imshow(X);
title('原始图像');
% 生成含噪图像并图示
X=double(X);
% 添加随机噪声
XX=X+8*randn(size(X));
subplot(122);
imshow(uint8(XX));
title('含噪图像');
%用小波函数coif2对图像XX进行2层
% 分解
[c,l]=wavedec2(XX,2,'coif2');
% 设置尺度向量
n=[1,2];
% 设置阈值向量 , 对高频小波系数进行阈值处理
p=[10.28,24.08];
nc=wthcoef2('h',c,l,n,p,'s');
% 图像的二维小波重构
X1=waverec2(nc,l,'coif2');
figure
subplot(121);
imshow(uint8(X1));
%colormap(map);
title('第一次消噪后的图像');
%再次对高频小波系数进行阈值处理
mc=wthcoef2('v',nc,l,n,p,'s');
% 图像的二维小波重构
X2=waverec2(mc,l,'coif2');
subplot(122);
imshow(uint8(X2));
title('第二次消噪后的图像');
