维纳滤波器(Wiener Filter)在图像处理中的应用(一)

图像降噪算法——维纳滤波 图像降噪算法——维纳滤波图像降噪算法——维纳滤波 图像降噪算法——维纳滤波 阅读详情

  维纳滤波器是一种自适应的滤波器,在数字信号处理中有着广泛的应用。ispforfun会在从今天开始定期给大家带来维纳滤波器在图像处理中应用。本节讲诉维纳滤波器在图像去噪中的简单应用。

       让我们从Matlab中的函数wiener2开始。Matlab的help中对wiener2的说明如下:

       wiener2估计图像中每个像素的局部均值和局部方差,


      其中,是图像A中每个像素的NXM邻域。维纳滤波器的去噪原理如下:


      其中是噪声的方差,如果没有给出来,那么会根据图像的局部方差进行估计。

     

     ispforfun根据这段原理,编写了如下的matlab代码,共享给大家。

function J = wiener_image_denoising_filter(I, Win, noise_var)
% J = wiener_image_denoising_filter(I, w)
% -----------------------------------------
% by: ispforfun
% I is the input image. Single channel image.
% Win is the window size for filtering.

[img_height, img_width] = size(I);
half_win_size = floor(Win/2.0);

[X, Y] = meshgrid(1:img_width, 1:img_height);
[dX, dY] = meshgrid(-half_win_size(2):half_win_size(2), -half_win_size(1):half_win_size(1));

dX = reshape(dX, [1 1 Win(1) Win(2)]);
dY = reshape(dY, [1 1 Win(1) Win(2)]);
X = repmat(X, [1 1 Win(1) Win(2)]) + repmat(dX, [img_height img_width 1 1]);
Y = repmat(Y, [1 1 Win(1) Win(2)]) + repmat(dY, [img_height img_width 1 1]);

X(X<1) = 2 - X(X<1);
X(X>img_width) = 2*img_width - X(X>img_width);
Y(Y<1) = 2 - Y(Y<1);
Y(Y>img_height) = 2*img_height - Y(Y>img_height);

patch = @(f)f(Y + (X-1)*img_height);

P = patch(I);

img_mean = local_image_mean(P);
img_var = local_image_var(P, img_mean, Win);

if nargin < 3
    estimated_noise_var = sum(sum(img_var))/(img_height * img_width);
else
    estimated_noise_var = noise_var;
end

gain = (estimated_noise_var == 0.0).*zeros(img_height, img_width) + ...
    (estimated_noise_var ~= 0.0).*((img_var - estimated_noise_var)./img_var);

J = img_mean + gain.*(double(I) - img_mean);

J = min(max(J, 0), 255);

J = uint8(J);

%gain = (img_var - estimated_noise_var)./img_var;



function img_mean = local_image_mean(P)
% img_mean = local_image_mean(P)

local_img_sum = sum(sum(double(P), 4), 3);
sum_size = size(P,3)*size(P,4);

img_mean = local_img_sum/sum_size;


function img_var = local_image_var(P, img_mean, Win)
% img_var = local_img_var(P, img_mean)

diff_img_patch = double(P) - repmat(img_mean, [1 1 Win(1) Win(2)]);
diff_img_patch_pow2 = diff_img_patch.^2;
local_diff_img_sum = sum(sum(double(diff_img_patch_pow2), 4), 3);
img_var = local_diff_img_sum/(Win(1)*Win(2) - 1);

实验如下,富含噪声的图像如下:


去噪后的图像如下:



       

数字图像处理Python语言实现-图像滤波-维纳滤波(Wiener Filter) 维纳滤波器(Wiener Filter)是最早用于图像复原经典滤波之一,目前被广泛用于信号滤波降噪和图像预处理中。维纳滤波器的目的是使用相关信号作为输入来计算未知信号的统计估计值,并对该已知信号进行滤波以产生估计值作为输出。例如,已知信号可能包含已被加性噪声破坏的未知感兴趣信号。维纳滤波器可用于从损坏的信号中滤除噪声,以提供对感兴趣的基础信号的估计。 Wiener滤波器基于一种统计方法。 阅读详情

相关推荐

Wiener Filter: 基于MATLAB的噪声语音增强实现

维纳滤波器(Wiener filter)是信号处理中一种经典的滤波方法,以理论物理学家诺伯特·维纳(Norbert Wiener)的名字命名。它旨在从受噪声污染的信号中恢复出真实的信号成分。维纳滤波器的工作原理基于最小均方误差准则,它考虑了信号和噪声的统计特性,以期望获得最理想的滤波效果。在本章节中,我们将首先探讨维纳滤波器的起源,包括它的发展背景和技术演进。接下来,我们将介绍维纳滤波器的基本工作机制,这是理解后续章节中数学原理和应用场景的基础。

weixin_31869917的博客 1142

维纳滤波——Wiener Filter(一些理解)

总结: 维纳滤波还是一种线性估计。让x(t)经过一个线性系统h(t)后,得到x(t)*h(t)=x'(t)卷积,用这个x'(t)去逼近Y(t),此处就还是一个线性估计。 维纳滤波的Metric是最小均方误差 卷积是线性的,最小均方误差意义下的逼近仍然是线性逼近。(最小均方误差下的最优估计是条件期望E(Y|X),这个就是投影(正交化),minE(Y-αX)^2,得到如下式子,这就是投影(正交化)。将Y向X上投影,其结果就是最优估计。 1. 《数字图像处理》冈萨雷斯 2. 贝叶斯角度的推导维纳滤

hello world 5万+

Wiener滤波器多语言实现与Simulink系统建模实战

为了深入理解维纳滤波的工作机制,并满足特定应用场景的需求(如非标准PSF、动态信噪比估计、彩色图像通道耦合处理等),开发一个独立的Wiener.m函数具有重要意义。该函数应具备良好的接口规范、模块化结构和健壮的异常处理能力。理想的Wiener.m函数应接受以下主要输入参数:% WENER 维纳滤波主函数% 输入:% input_img : MxN double 类型含噪图像% PSF : mxn 点扩散函数(需居中,可用fspecial生成)

weixin_29476595的博客 666

维纳滤波(Wiener Filter)

Wiener Filter 因为最近看文章接触了维纳滤波,所以这里写一下Weiner Filter的一些简单理解和推导。 基本定义 维纳滤波是一种在含噪声的时序信号把信号提取出来的滤波器,其基本框图如下: 简单的维纳滤波其实就是通过一个FIR滤波器,去除噪声的过程。在这里,hhh的作用也可以理解为: 通过训练集的数据对信号和噪声的建模,然后通过前几个点的信息,预测当前时刻的噪声信号所占的比例,然...

Frankgoogle的博客 2万+

数字图像处理三大基石:采样建模、空域滤波与频域分析

数字图像本质上是二维离散信号,其处理必须始于对采样定理、量化过程和退化模型的准确理解。只有建立‘图像=信号’的认知范式,才能科学设计空域滤波器(如高斯核尺寸与sigma的匹配)、规避混叠与振铃等物理伪影,并在频域中稳健实现去卷积与带通增强。这类底层建模能力直接决定噪声抑制效果、边缘检测精度及单目深度估计的可靠性,广泛应用于工业检测、医学影像预处理和自动驾驶感知前端。本文聚焦数字图像处理的数学本质与工程落地之间的关键断层,系统拆解从像素采样到语义理解的推理链条。

weixin_34239169的博客 268

维纳滤波技术与MATLAB实现项目实战

维纳滤波(Wiener Filter)是一种在信号处理领域广泛应用的线性滤波器,其核心思想是基于最小均方误差准则来预测或恢复受噪声影响的信号。本章节将对维纳滤波技术进行基础性的介绍,涵盖其理论背景、应用场景以及在不同领域的应用效果与挑战。维纳滤波器的设计基于对信号和噪声的统计模型的了解,其优化目标是最小化期望的均方误差(Mean Square Error, MSE), 从而能够在噪声背景中尽可能准确地恢复原始信号。这种方法不仅考虑了信号的统计特性,也考虑了噪声的影响,因而可以实现对信号的高效滤波。

weixin_33256096的博客 1195

维纳滤波器(Wiener Filter)介绍及公式推导

维纳滤波器(Wiener Filter)是一种处理离散信号的线性最优滤波器,它的设计目的是使输出信号与期望信号之间的均方误差(MSE)最小化。输入信号为:为期望响应,也就是在不含误差的情况下的理想输出,假设其均值为0(一般会对信号进行减去均值处理),即;为噪声,是滤波器的输入,可以看作是我们实际测量得到的包含误差的原始数据。输出信号为:为维纳滤波器的系数(冲激响应),为卷积符号,为滤波器的输出,称为我们的估计量。滤波器系统框图如下:假设FIR滤波器有M阶,滤波器抽头系数为,输入为。

shannanshouyin的博客 8202

[原创]Keil工程STM32F103C8T6无缝转换到STM32F103RCT6

有个项目,老版本是STM32F103C8T6,硬件资源不够了,新版本采用STM32F103RCT6。 无缝过渡,如下: 选定芯片 宏定义改为STM32F10X_HD,USE_STDPERIPH_DRIVER 删除原有的启动汇编文件,更换为高密度器件汇编文件 时钟系统紊乱? 那得看你程序怎么写: 先看F103时钟树 int main(void) { unsigned char stat...

江东风又起 2万+

维纳滤波在图像中的滤波

维纳滤波(N.Winener最先在1942年提出的方法)是一种最早也最为人们熟悉的线性图像复原方法。 常见的复原方法有,逆滤波复原算法,维纳滤波复原算法,盲卷积滤波复原算法,约束最小二乘滤波复原算法等等。 当含有噪声的信号作用于滤波系统时,希望设计滤波器能使滤波器输出端以最小均方差准则产生原始信号的估计,从而对噪声信号号具有最大的抑制作用,我们称这种滤波器为最优线性滤波器。 最佳线性滤波方法是

算法与程序并行 9101

【第三只眼:Oracle通过归档日志查看系统的业务高峰sql】

根据oracle归档的业务高峰量,查找业务sql,进行优化

霍然的专栏 580

图解链表 —— JAVA中的单链表基本操作

文章目录1. 什么是链表2. 链表的种类3. 创建单链表3.1 创建 Node 类(车厢类)3.2 创建 MySingleList (火车类)4. 单链表的基本操作4.1 增加链表元素4.1.1 在链表头部添加元素4.1.2 在链表任意位置添加元素4.1.3 在链表尾部添加元素4.2 删除链表元素4.2.1 删除第一个节点元素4.2.2 删除任意位置 index 元素4.2.3 删除链表中指定元素的第一个节点4.2.4 删除链表的所有指定元素4.3 查找链表元素4.3.1 判断链表中是否包含元素 data4

AlinaQ05的博客 2503

Wiener Filter维纳滤波器halcon算子,持续更新

目录gen_psf_defocusgen_psf_motionsimulate_defocussimulate_motionwiener_filterwiener_filter_ni gen_psf_defocus 功能:产生一个均匀散焦模糊的脉冲相应。 gen_psf_motion 功能:产生一个(线性)运动模糊的脉冲相应。 simulate_defocus 功能:对一个图像的均匀散焦模糊进行仿...

优快云博客 1626

告别I2C和SPI:用FPGA驱动DS18B20,一根线搞定温度采集(附Verilog代码)

本文详细介绍了如何利用FPGA通过单总线协议(One-Wire)驱动DS18B20温度传感器,仅用一根数据线实现高效温度采集。内容涵盖协议解析、Verilog代码实现及调试技巧,帮助开发者节省IO资源并提升系统性能。

weixin_42696271的博客 392

参数维纳滤波(Parametric Wiener Filter)

摘 要:本实验主要使用维纳滤波法(又名为最小均方误差滤波)实现图像复原与重建。首先我们通过对一幅图像加入运动污损滤波和高斯噪声,然后从噪声中提取出原始图像信号。在各种估计方法中,维纳滤波是一种最基本的方法,相比起逆滤波,它更适用于从噪声中分离出有用信号的图像。

liyuefeilong的专栏 1万+

python监听海康威视报警服务器

因为我使用海康威视摄像头是自带热成像的所以事件报警会上报两张图片,一张是RGB图像、另一张是热成像图像,因此使用。拿到的就是第一张RGB图像。可以点击测试,会显示。

qq_57018478的博客 1167

【WRF数据准备】海温(SST)数据替换

【WRF数据准备】海温(SST)数据替换

WW、forever的博客 1120

qt图像均值滤波 c++_数字图像处理:Parametric Wiener Filter

【欢迎关注、点赞、收藏、私信、交流】共同学习进步摘 要:本实验主要通过维纳滤波法(也称最小均方误差滤波法)对图像进行恢复与重建,维纳滤波器没有逆滤波中的退化函数为零的问题,更容易把噪声与有用信息的图像分离出来。首先给图像中添加高斯噪声和运动污损滤波,然后从噪声中提取恢复图像,并与原图像进行对比。图像复原的大部分过程是一个客观的过程,是利用退化现象的某种先验知识来重建或复原被退化的图像。一、实验...

weixin_39924307的博客 930

生成mm grounding dino的onnx模型并在x-anylabeling中使用

X-AnyLabeling 是一款cvhub开发的交互式自动标注工具,其基于AnyLabeling进行构建和二次开发,在此基础上扩展并支持了许多的模型和功能,并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。其最新版基于grounding dino可以实现开放词汇检测及生成掩码。2024年,MMDet 3.3.0提出了 MM-Grounding-DINO。

blanokvaffy的博客 1733

Parametric Wiener Filter

摘   要:本实验主要通过维纳滤波法(也称最小均方误差滤波法)对图像进行恢复与重建,维纳滤波器没有逆滤波中的退化函数为零的问题,更容易把噪声与有用信息的图像分离出来。首先给图像中添加高斯噪声和运动污损滤波,然后从噪声中提取恢复图像,并与原图像进行对比。图像复原的大部分过程是一个客观的过程,是利用退化现象的某种先验知识来重建或复原被退化的图像。     一、实验目的 (a) 编写

weixin_38825015的博客 450

51、基于深度卷积神经网络的自闭症分类研究

本研究提出了一种基于深度卷积神经网络的自闭症分类方法,通过融合VGGNet-19和ResNet-52模型的特征,并在决策层采用SVM分类器,实现了对自闭症谱系障碍(ASD)和典型发育(TD)个体的准确区分。研究使用ABIDE数据集,结合数据增强和特征拼接技术,取得了88.12%的分类准确率和0.88的ROC曲线下面积。结果表明,该方法在自闭症自动诊断中具有良好的性能,同时研究也探讨了其局限性,并展望了未来改进方向,如多模态数据融合、迁移学习和模型可解释性的提升。

grpc6streamer的博客 133

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

数字图像处理实验(13):PROJECT 05-04,Parametric Wiener Filter ...

实验要求: Objective: To understand the high performance of the parametric Wiener Filter in image restoration when there are additive noise after the image degradation. Main requiremen...

weixin_30677475的博客 386

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

数字图像处理实验(13):PROJECT 05-04,Parametric Wiener Filter

实验要求: Objective: To understand the high performance of the parametric Wiener Filter in image restoration when there are additive noise after the image degradation. Main requirements:

hongbin_xu的博客 3211

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

OpenCV 运动模糊图像复原实战:线性 PSF 建模与维纳滤波(Motion Deblur Filter)详解

运动模糊(motion blur)是拍摄运动物体时最常见的降质来源之一,例如行驶中的汽车导致车牌无法辨认。本教程以 OpenCV 官方示例 [motion_deblur_filter.cpp](https://link.gitcode.com/i/4c6673eb00a3a66ae6f4027d9a45d842) 为蓝本,系统讲解线性运动模糊的点扩散函数(PSF)如何用长度 `LEN` 与角度 `

gitblog_00748的博客 346

数字图像处理Matlab-图像的滤波处理与图像空间变换(附代码)

目录1.Objectives:2.Experiment Content:3.Experiment Principle:4.Experiment Steps Result and Conlusion:【附录】实现代码 1.Objectives: 1、了解 MATLAB 工具箱中滤波器 2、掌握用滤波方式去除图像噪声算法 3、学会对图像的空间变换 2.Experiment Content: 练习图像增...

6218

VVC/VTM: 自适应环路滤波(ALF, Adaptive Loop Filtering)中维纳滤波(Wiener Filtering)的公式推导

自适应环路滤波(ALF)并不是在 H.266/VVC 标准制定过程中才被提出来的技术,实际上其早在 H.265/HEVC 标准制定时就基本确定了现有形式的雏形,只是由于当时硬件算力的限制未能加入到 HEVC 标准中。详细可阅读以下的论文。随着硬件算力的提升与一些优化方法的提出,以及人们对更高效率的编解码算法的期望,ALF 自然就成了 VVC 标准中不可或缺的部分。 [1] C. Tsai et ...

生活就像海洋 6298

图像恢复中的逆滤波与维纳滤波技术详解

图像恢复是数字图像处理的核心技术之一,旨在从退化图像中重建清晰图像。其基本原理是通过建立图像退化模型(通常包含点扩散函数PSF和噪声模型),在频域或空域进行逆向处理。频域方法利用傅里叶变换将卷积运算转换为乘积运算,大幅提升计算效率。逆滤波作为基础算法简单直接,但存在噪声放大问题;维纳滤波则基于最小均方误差准则,在信号恢复和噪声抑制间取得平衡。这两种技术在监控视频增强、医学影像处理、遥感图像恢复等领域有广泛应用,其中PSF估计和噪声处理是关键挑战。随着深度学习发展,传统频域方法与神经网络结合展现出新的可能性。

weixin_30386713的博客 382
上一篇: Matlab C/C++混合编程实例学习
下一篇: 用Matlab制作图像块颜色提取工具(三)
ispforfun
博客等级 码龄12年 66粉丝 9原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值