椒盐噪声

自己产生[x,y] 2维随机数，用分布函数为权，取用点的个数就可以了。如考虑中心对称，用极座标[r,sita] 也许更方便。2维椒盐噪声，即产生[x,y,1] 和 [x,y,0], 1 是白点，0是黑点。计算机的伪随机数，就是白噪声，均匀分布。

可以使用下面这个函数添加噪声imnoise滤波的方法请查看参考资料 J = IMNOISE(I,TYPE,...) Add noise of a given TYPE to the intensity image I. TYPE is a string that can have one of these values: "gaussian" Gaussian white noise with constant mean and variance "localvar" Zero-mean Gaussian white noise with an intensity-dependent variance "poisson" Poisson noise "salt & pepper" "On and Off" pixels "speckle" Multiplicative noise Depending on TYPE, you can specify additional parameters to IMNOISE. All numerical parameters are normalized; they correspond to operations with images with intensities ranging from 0 to 1.更详细的可以查看帮助祝你学习愉快！

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

是给图片加10%的盐噪声和10%的椒噪声。

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

g=imnoise(f,"salt&pepper",d)用椒盐噪声污染图像f,其中d是噪声密度（即包括噪声值的图像区域的百分比）.因此,大约有d*numel（f）个像素受到影响.默认的噪声密度为0.05.所以0.02就是百分之二啊,

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

1、打开Matlab，点击“新建脚本”，如下图所示。2、在代码编辑区输入代码，先利用Imread函数读取图像，然后使用Imshow函数将图像展示出来，以便与添加噪声后的图像做对比。3、Matlab中利用imnoise函数可以添加各种噪声，而使用“gaussian”参数就可以添加高斯噪声。4、选择保存位置，并为m文件重命名，如下图所示所示，设置完成，点击“保存”。5、这样，就在Matlab中为图像添加了高斯噪声，并且把一组对比图显示在同一个窗口中，如下图所示。

椒盐噪声和高斯白噪的处理方式是不一样的。经典的去除椒盐噪声的方法是自适应中值滤波，你可以百度一下算法的具体实现。高斯白噪我一般用小波阈值收缩去噪，具体方法你去百度就可以了。

首先，中心极限定理就是不论随机变量自身服从什么分布，在符合一定条件的情况下，将随机变量的均值进行标准化后都近似服从正态分布。噪声因子也不例外，首先不同时间点的噪声一般都是独立同分布，而且均值为0，所以自然符合中心极限定理的要求。如果解答仍然不满意可以讨论。

去噪。在去噪同时，较好的保持边缘轮廓细节，适合处理椒盐噪声，但对高斯噪声效果不好。

Matlab 函数 imnoise 可以添加 高斯噪声、椒盐噪声等。建议你直接使用imnoise 函数。

Bitmap image = new Bitmap(50,22); Graphics g = Graphics.FromImage(image); try { //生成随机生成器 Random random = new Random(); //清空图片背景色 g.Clear(Color.White); //画图片的背景噪音线 for (int i = 0; i < 25; i++) { int x1 = random.Next(image.Width); int x2 = random.Next(image.Width); int y1 = random.Next(image.Height); int y2 = random.Next(image.Height); g.DrawLine(new Pen(Color.Silver), x1, y1, x2, y2); } Font font = new Font("Arial", 12, (FontStyle.Bold | FontStyle.Italic)); LinearGradientBrush brush = new LinearGradientBrush(new Rectangle(0, 0, image.Width, image.Height), Color.Red, Color.Crimson, 1.2f, true); g.DrawString(checkCode, font, brush, 0, 0); //画图片的前景噪音点 for (int i = 0; i < 100; i++) { int x = random.Next(image.Width); int y = random.Next(image.Height); image.SetPixel(x, y, Color.FromArgb(random.Next())); } //画图片的边框线 g.DrawRectangle(new Pen(Color.Silver), 0, 0, image.Width - 1, image.Height - 1); System.IO.MemoryStream ms = new System.IO.MemoryStream(); image.Save(ms, System.Drawing.Imaging.ImageFormat.Gif); Response.ClearContent(); Response.ContentType = "image/Gif"; Response.BinaryWrite(ms.ToArray()); } finally { g.Dispose(); image.Dispose(); }希望对你有帮助

刚刚做完，运行没问题的，就贴给你吧。7×7、11×11你自己改啦！哈哈，第一次在百度知道回答问题……clear;clc;I=imread("红萝卜[灰白].JPG");[a,b]=size(I);figuresubplot(1,2,1);imshow(I);title("灰白原图");K=imnoise(I,"salt & pepper",0.02);[a,b]=size(K);subplot(1,2,2);imshow(K);title("加椒盐噪声后图像");%3*3中值滤波for i=1:a for j=1:b if(i==1|i==a|j==1|j==b) G(i,j)=K(i,j); else temp(1)=K(i-1,j-1); temp(2)=K(i-1,j); temp(3)=K(i-1,j+1); temp(4)=K(i,j-1); temp(5)=K(i,j); temp(6)=K(i,j+1); temp(7)=K(i+1,j-1); temp(8)=K(i+1,j); temp(9)=K(i+1,j+1); temp=sort(temp); G(i,j)=temp(5); end endendfiguresubplot(1,2,1);imshow(G);title("3×3中值滤波后的图像");%5*5中值滤波for i=1:a for j=1:b if(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) G5(i,j)=K(i,j); else temp(1)=K(i-2,j-2); temp(2)=K(i-2,j-1); temp(3)=K(i-2,j); temp(4)=K(i-2,j+1); temp(5)=K(i-2,j+2); temp(6)=K(i-1,j-2); temp(7)=K(i-1,j-1); temp(8)=K(i-1,j); temp(9)=K(i-1,j+1); temp(10)=K(i-1,j+2); temp(11)=K(i,j-2); temp(12)=K(i,j-1); temp(13)=K(i,j); temp(14)=K(i,j+1); temp(15)=K(i,j+2); temp(16)=K(i+1,j-2); temp(17)=K(i+1,j-1); temp(18)=K(i+1,j); temp(19)=K(i+1,j+1); temp(20)=K(i+1,j+2); temp(21)=K(i+2,j-2); temp(22)=K(i+2,j-1); temp(23)=K(i+2,j); temp(24)=K(i+2,j+1); temp(25)=K(i+2,j+2); temp=sort(temp); G5(i,j)=temp(13); end endendsubplot(1,2,2);imshow(G5);title("5×5中值滤波后的图像");

图像降噪是图像处理中的专业术语。在现实生活中，我们看到的数字图像，在数字化和传输过程中由于常受到成像设备与外部环境噪声干扰等影响，把这些图像称为含噪图像或者叫噪声图像。减少数字图像中噪声的过程称为图像降噪,有时候又称为图像去噪。图像滤波就是在尽量保留图像细节特征的条件下，对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。图像滤波是图像降噪的方法，图像降噪有很多方法，主要有：1、均值滤波器 此法适用于去除通过扫描得到的图象中的颗粒噪声。领域平均法能够有力地抑制噪声,同时也由于平均而引起了模糊现象,模糊程度与邻域半径成正比。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。2、自适应维纳滤波器它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。3、中值滤波器它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换。其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点。所以中值滤波对于滤除图像的椒盐噪声非常有效。4、形态学噪声滤除器此方法适用的图像类型是图象中的对象尺寸都比较大,且没有细小的细节。它将开启和闭合结合起来来滤除噪声，先对有噪声图象进行开启操作,可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作,将图象上的噪声去掉。5、小波去噪这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤:(1)对图象信号进行小波分解。(2)对经过层次分解后的高频系数进行阈值量化。(3)利用二维小波重构图象信号。

使用imwrite函数，当利用imwrite函数保存图像时，Matlab缺省的方式是将其简化道uint8的数据格式。 比如你的图片在数组H中，要把它保存成图像用inwrite指令：imwrite(H,"F:毕业设计加噪后的图像.jpg"); 此语句的意义为：把数组H输出为jpg格式的图片；图片名称：加噪后的图像；保持路径为 F:毕业设计。若不写路径，则保存到当前程序所在的文件夹，默认的是MATLAB安装文件夹里的work文件夹。

%%中值I=imread("lena.bmp"); %读原图J1=imnoise(I,"salt & pepper",0.02); %加均值为0，方差为0.02的椒盐噪声J2=imnoise(I,"gaussian",0.02); %加均值为0，方差为0.02的高斯噪声。subplot(2,2,1),imshow(J1); %显示有椒盐噪声图像subplot(2,2,2),imshow(J2); %显示有高斯噪声图像I1= medfilt2(J1,[5,5]); %对有椒盐噪声图像进行5×5方形窗口中值滤波I2= medfilt2(J2,[5,5]); %对有高斯噪声图像进行5×5方形窗口中值滤波subplot(2,2,3),imshow(I1); %显示有椒盐噪声图像的滤波结果subplot(2,2,4),imshow(I2); %显示有高斯噪声图像的滤波结果 %%均衡I=imread("lena.bmp"); %将图读入到Iimshow(I); %显示图像figure,imhist(I); %直方图I2=histeq(I); %均衡化figure;imshow(I2); %处理后图像显示figure;imhist(I2); %均衡化后直方图imwrite(I2,"lena2.bmp"); %保存图像

不是因为加噪声有用，而是为了【演示】滤波降噪的效果。这就跟为了演示洗衣粉的效果，做广告时会先把衣服弄脏一样。

自己产生[x,y] 2维随机数，用分布函数为权，取用点的个数就可以了。如考虑中心对称，用极座标[r,sita] 也许更方便。2维椒盐噪声，即产生[x,y,1] 和 [x,y,0], 1 是白点，0是黑点。计算机的伪随机数，就是白噪声，均匀分布。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

高斯噪点跟椒盐噪点的特点，他们呈现的映像不同高斯模糊，椒盐是点粒

就是噪声所占当前全部像素的百分比。如果是0.05，就是说有百分之5的像素受到影响

可以使用下面这个函数添加噪声imnoise滤波的方法请查看参考资料 J = IMNOISE(I,TYPE,...) Add noise of a given TYPE to the intensity image I. TYPE is a string that can have one of these values: "gaussian" Gaussian white noise with constant mean and variance "localvar" Zero-mean Gaussian white noise with an intensity-dependent variance "poisson" Poisson noise "salt & pepper" "On and Off" pixels "speckle" Multiplicative noise Depending on TYPE, you can specify additional parameters to IMNOISE. All numerical parameters are normalized; they correspond to operations with images with intensities ranging from 0 to 1.更详细的可以查看帮助祝你学习愉快！

因此这种噪声比较常见吧，谁知道呢

程序送上希望对你有帮助%%%%%%%%%%%%读入图像%%%%%%%%%%%%%%%I=imread("eight.tif");%读入图像文件imshow(I);title("原图.tif");%显示图标题像并设置标题J=imnoise(I,"salt&pepper",0.05);%添加加噪声密度D为0.05的椒盐噪声figure,imshow(J);title("加入椒盐噪声.tif");%显示处理后的图像并设置标题[m,n]=size(I);f=I;fori=2:(m-1)forj=2:(n-1)iff(i,j)>3&f(i,j)<252f(i,j)=f(i,j);elsef(i,j)=0.75*f(i,j-1)+0.75*f(i-1,j)-0.5*f(i-1,j-1);endendendfigure,imshow(f);title("过滤后图像")

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J = imnoise(I,type);　　2、J = imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗。　　3、y = wgn(m,n,p,imp,state) 重置RANDN的状态。

image.jpg如何增强该图像,写出matlab程序有以下几个方法：1. 灰度线性变换， 是一种空域的方法， 直接对每一个像素的灰度值进行增强图像。2. 直方图均衡变换。通常用来增加许多图像的全局对比度，亮度可以更好地在直方图上分布。3. 同态滤波利用去除乘性噪声(multiplicative noise)，可以同时增加对比度以及标准化亮度，借此达到图像增强的目的。

　　一.噪声的空间和频率特性　　相关的讨论是定义噪声空间特性的参数和这些噪声是否与图象相关。频率特性是指噪声在傅里叶域的频率内容(即，相对于电磁波谱)，例如，当噪声的傅里叶谱是常量时，噪声通常称为白噪声。这个术语是从白光的物理特性派生出来的，它将以相等的比例包含可见光谱中所有的频率。从第4章的讨论中不难看出，以等比例包含所有频率的函数的傅里叶谱是一个常量。由于空间的周期噪声的异常(5.2.3节)，在本章中假设噪声独立于空间坐标，并且它与图象本身无关联(简言之，噪声分量值和象素值之间不相关)。这些假设至少在某些应用中(有限量子成像，例如X光和核医学成像就是一个很好的例子)是无效的，但复杂的处理空间非独立和相关噪声的情况不在我们所讨论的范围。二.一些重要噪声的概率密度和函数　　基于前面章节的假设，所关心的空间噪声描述符是5.1节中所提及模型的噪声分量灰度值的统计特性。它们可以被认为是由概率密度函数(PDF)表示的随机变量，下面是在图象处理应用中最常见的PDF。高斯噪声由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。事实上，这种易处理性非常方便，使高斯模型经常用于临界情况下 。高斯随机变量z的PDF由下式给出: (5.2.1)其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。高斯函数的曲线如图5.2(a)所示。当z服从式(5.2.1)的分布时候，其值有70%落在[(μ-σ),(μ+σ)]内，且有95%落在[(μ-2σ),( μ+2σ)]范围内。 瑞利噪声瑞利噪声的概率密度函数由下式给出:(5.2.2)概率密度的均值和方差由下式给出:(5.2.3)和(5.2.4)图5.2(b)显示了瑞利密度的曲线。注意，距原点的位移和其密度图形的基本形状向右变形的事实.瑞利密度对于近似偏移的直方图十分适用.伽马(爱尔兰)噪声伽马噪声的PDF由下式给出:(5.2.5)其中，a>0，b为正整数且"!"表示阶乘。其密度的均值和方差由下式给出:(5.2.6)和(5.2.7)图5.2(c)显示了伽马密度的曲线，尽管式(5.2.5)经常被用来表示伽马密度，严格地说，只有当分母为伽马函数Г(b)时才是正确的。当分母如表达式所示时，该密度近似称为爱尔兰密度。

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。去除脉冲干扰级椒盐噪声最常用的算法是中值滤波。

用matlab打开一个图像，对该图像添加椒盐噪声(imnoise)并且用巴特沃斯滤波器去噪(buttord)。题目2的第1小问很容易查到帮助，但是buttord一个给音频去噪的函数用于图片是个难点。椒盐噪声于是先待找找到合适的降噪方法这个我调试用的lena.jpg原图img=imread("lena.jpg");imgn=imnoise(img,"salt & pepper", 0.05);figure(1);imshow显示原图imshow(img);figure(2);imshow(imgn);imshow椒盐噪声加入后的图

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。

1、打开Matlab，点击“新建脚本”，如下图所示。2、在代码编辑区输入代码，先利用Imread函数读取图像，然后使用Imshow函数将图像展示出来，以便与添加噪声后的图像做对比。3、Matlab中利用imnoise函数可以添加各种噪声，而使用“gaussian”参数就可以添加高斯噪声。4、选择保存位置，并为m文件重命名，如下图所示所示，设置完成，点击“保存”。5、这样，就在Matlab中为图像添加了高斯噪声，并且把一组对比图显示在同一个窗口中，如下图所示。

椒盐噪声：这种噪声值不是连续变化，而只有1个极值，譬如0,255的8级灰度图象中，椒盐噪声值只能出现255，而不出现其它中间值，因此它表现为图象某些点特别亮，类似我们的晶体盐的亮度的感觉，所以叫椒盐噪声。泊松噪声，则是分布符合泊松噪声模型

椒=黑色，盐=白色；图像双极型噪声（bipolar），数学定义为p(y)={alpha,y=x时；beta,y=a时；gama,y=b时。}，其中x为原始图像像素，椒盐噪声记为z，y为被污染的噪声，此处alpha+beta+gama=1，对受椒盐噪声污染的图像进行统计描述，出现椒盐噪声的像素，带噪声的图像像素只会出现两种取值：a或b。来自《数字图像处理》王桥，科学出版社。

在去除椒盐噪声方面均值滤波会模糊图像，并且去除效果较差。相比之下，中值滤波能够较好地去除椒盐噪声。中值滤波器在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。中值滤波器对椒盐噪声的滤波效果较好。扩展资料：注意事项：噪声类型是‘salt & pepper" 一定注意空格的位置 这里比较严格。当噪声类型是"salt & pepper"的时候，第三个参数的意思是噪声密度，比如0.1，那么总像素个数的10%为黑白点，当然是黑点还是白点都是随机的。在图像处理领域，影响图像质量的噪声主要有指数噪声、均匀噪声、椒盐噪声等。其中椒盐噪声的去除是图像处理里面一个研究很久的课题，出现最早的有效方法是中值滤波，是一种非线性滤波方法，对图像的所有像素点均进行处理，改变了图像中真实的像素点，这是传统中值滤波的一个重大缺点。参考资料来源：百度百科-椒盐噪声参考资料来源：百度百科-中值滤波参考资料来源：百度百科-均值滤波

可以在图像中随机选取像素点赋值为0或者255去除。因为椒噪声表现为黑色属于低灰度图像。盐噪声表现为白色属于高灰度图像。利用这种特性，可以在图像中随机选取像素点赋值为0或者255即可。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生类比数位转换器或位元传输错误等。失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。处理方式常用的去除这种噪声的有效手段是使用中值滤波器。

噪点值处于0到255之间。椒盐噪声是一种较为常见的噪音信号，255为图像中白色噪音，称为盐噪音，0为图像中黑色噪音，称为椒噪音，当图像中同时存在两种噪音时，统称为椒盐噪音。