В этом примере показано, как использовать wiener2 функция, чтобы применить Винеровский фильтр (тип линейного фильтра) к изображению адаптивно. Винеровский фильтр адаптирует себя в соответствии с локальным отклонением изображений. Где отклонение является большим, wiener2 выполняет мало сглаживания. Где отклонение мало, wiener2 выполняет больше сглаживания.

Этот подход часто приводит к лучшим результатам, чем линейная фильтрация. Адаптивный фильтр является более выборочным, чем сопоставимый линейный фильтр, сохраняя ребра и другие высокочастотные части изображения. Кроме того, нет никаких задач проекта; wiener2 указатели на функцию все предварительные расчеты и реализуют фильтр для входного изображения. wiener2, однако, действительно требует большего количества времени вычисления, чем линейная фильтрация.

wiener2 работает лучше всего, когда шум является постоянной степенью ("белый") аддитивный шум, такой как Гауссов шум. Пример ниже применяет wiener2 к изображению Сатурна с добавленным Гауссовым шумом.

Считайте изображение в рабочую область.

RGB = imread('saturn.png');

Преобразуйте изображение от истинного цвета до шкалы полутонов.

I = rgb2gray(RGB);

Добавьте Гауссов шум в изображение

J = imnoise(I,'gaussian',0,0.025);

Отобразите шумное изображение. Поскольку изображение является довольно большим, отображение только фрагмент изображения.

imshow(J(600:1000,1:600));
title('Portion of the Image with Added Gaussian Noise');

Удалите шум с помощью wiener2 функция.

K = wiener2(J,[5 5]);

Отобразите обработанное изображение. Поскольку изображение является довольно большим, отображение только фрагмент изображения.

figure
imshow(K(600:1000,1:600));
title('Portion of the Image with Noise Removed by Wiener Filter');