基于模糊集的图像增强方法

图像去噪处理方法可分以下两大类：{空间域法：变换域法：在ԭͼ像上ֱ接进行数据运算，对像素的灰度ֵ进行处理在ͼ像的变换域上处理，对变换后的ϵ数进行相Ӧ处理，再反变换达到ȥ噪的Ŀ的$\{\begin{array}{ll}空间域法：& \text{在原图像上直接进行数据运算，对像素的灰度值进行处理}\\ 变换域法：& \text{在图像的变换域上处理，对变换后的系数进行相应处理，再反变换达到去噪的目的}\end{array}$
例1：基于离ɢ余弦变换的ͼ像ȥ噪$例1：基于离ɢ余弦变换的ͼ像ȥ噪$
噪声抑制原理：一般，认为图像的噪声在离散余弦变换结果的高频部分，而高频部分的幅值一般很小，利用这一性质可实现图像的噪声抑制。

%DCT变换 Y = dct2(Xnoise); %离散余弦变换 I = size(m,n);%m,n为处理图像的大小 %高频屏蔽 I(1:m/3:n/3) = 1; Ydct = Y.*I; %逆DCT变换 Y = uint8(idct2(Ydct));

例2：基于С波变换的ͼ像ȥ噪$例2：基于С波变换的ͼ像ȥ噪$
小波变换去噪可以提取并保存对视觉其主要作用的边缘信息。
基于小波变换的图像去噪技术，主要分以下三步：
（1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号S到第N层的分解。

%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];      

（2）对高频系数进行阈值量化。对于从1到N的每一层，选择一个阈值，并对这层的高频系数进行软阈值化处理。

% 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');

（3）二维小波的重构。

% 图像的二维小波重构 X1=waverec2(nc,l,'coif2');    subplot(223);               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(224);              imshow(uint8(X2));                title(' 第二次消噪后的图像 ');   

文章来源: 基于模糊集的图像增强方法