椒盐噪声的话一般可以用中值滤波器去除, 中值滤波器很容易实现, 依此遍历图像中每个像素点, 每个像素点与其周围的8个点像素值做一下排序操作, 找到这九个点中的中值点赋给当前遍历点的像素就可以了, 算法很简单吧. 我这有c++的源码, 楼主要想要的话发邮件到我的邮箱769569350@qq.com我可以把程序发给你.
创新互联-专业网站定制、快速模板网站建设、高性价比乐清网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式乐清网站制作公司更省心,省钱,快速模板网站建设找我们，业务覆盖乐清地区。费用合理售后完善，十载实体公司更值得信赖。
较为常用的图像二值化方法有：1）全局固定阈值；2）局部自适应阈值；3）OTSU等。
局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。
这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。
亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
常用的局部自适应阈值有：
1）局部邻域块的均值；
2）局部邻域块的高斯加权和。
//运行以下程序即可
public class ImageInit {
BufferedImage image;
private int iw, ih;
private int[] pixels;
public ImageInit(BufferedImage image) {
this.image = image;
iw = image.getWidth();
ih = image.getHeight();
pixels = new int[iw * ih];
}
public BufferedImage changeGrey() {
PixelGrabber pg = new PixelGrabber(image.getSource(), 0, 0, iw, ih,
pixels, 0, iw);
try {
pg.grabPixels();
} catch (InterruptedException e) {
e.printStackTrace();
}
// 设定二值化的域值，默认值为100
int grey = 100;
// 对图像进行二值化处理，Alpha值保持不变
ColorModel cm = ColorModel.getRGBdefault();
for (int i = 0; i iw * ih; i++) {
int red, green, blue;
int alpha = cm.getAlpha(pixels[i]);
if (cm.getRed(pixels[i]) grey) {
red = 255;
} else {
red = 0;
}
if (cm.getGreen(pixels[i]) grey) {
green = 255;
} else {
green = 0;
}
if (cm.getBlue(pixels[i]) grey) {
blue = 255;
} else {
blue = 0;
}
pixels[i] = alpha 24 | red 16 | green 8 | blue; // 通过移位重新构成某一点像素的RGB值
}
// 将数组中的象素产生一个图像
Image tempImg = Toolkit.getDefaultToolkit().createImage(
new MemoryImageSource(iw, ih, pixels, 0, iw));
image = new BufferedImage(tempImg.getWidth(null),
tempImg.getHeight(null), BufferedImage.TYPE_INT_BGR);
image.createGraphics().drawImage(tempImg, 0, 0, null);
return image;
}
public BufferedImage getMedian() {
PixelGrabber pg = new PixelGrabber(image.getSource(), 0, 0, iw, ih,
pixels, 0, iw);
try {
pg.grabPixels();
} catch (InterruptedException e) {
e.printStackTrace();
}
// 对图像进行中值滤波，Alpha值保持不变
ColorModel cm = ColorModel.getRGBdefault();
for (int i = 1; i ih - 1; i++) {
for (int j = 1; j iw - 1; j++) {
int red, green, blue;
int alpha = cm.getAlpha(pixels[i * iw + j]);
// int red2 = cm.getRed(pixels[(i - 1) * iw + j]);
int red4 = cm.getRed(pixels[i * iw + j - 1]);
int red5 = cm.getRed(pixels[i * iw + j]);
int red6 = cm.getRed(pixels[i * iw + j + 1]);
// int red8 = cm.getRed(pixels[(i + 1) * iw + j]);
// 水平方向进行中值滤波
if (red4 = red5) {
if (red5 = red6) {
red = red5;
} else {
if (red4 = red6) {
red = red6;
} else {
red = red4;
}
}
} else {
if (red4 red6) {
red = red4;
} else {
if (red5 red6) {
red = red6;
} else {
red = red5;
}
}
}
int green4 = cm.getGreen(pixels[i * iw + j - 1]);
int green5 = cm.getGreen(pixels[i * iw + j]);
int green6 = cm.getGreen(pixels[i * iw + j + 1]);
// 水平方向进行中值滤波
if (green4 = green5) {
if (green5 = green6) {
green = green5;
} else {
if (green4 = green6) {
green = green6;
} else {
green = green4;
}
}
} else {
if (green4 green6) {
green = green4;
} else {
if (green5 green6) {
green = green6;
} else {
green = green5;
}
}
}
// int blue2 = cm.getBlue(pixels[(i - 1) * iw + j]);
int blue4 = cm.getBlue(pixels[i * iw + j - 1]);
int blue5 = cm.getBlue(pixels[i * iw + j]);
int blue6 = cm.getBlue(pixels[i * iw + j + 1]);
// int blue8 = cm.getBlue(pixels[(i + 1) * iw + j]);
// 水平方向进行中值滤波
if (blue4 = blue5) {
if (blue5 = blue6) {
blue = blue5;
} else {
if (blue4 = blue6) {
blue = blue6;
} else {
blue = blue4;
}
}
} else {
if (blue4 blue6) {
blue = blue4;
} else {
if (blue5 blue6) {
blue = blue6;
} else {
blue = blue5;
}
}
}
pixels[i * iw + j] = alpha 24 | red 16 | green 8
| blue;
}
}
// 将数组中的象素产生一个图像
Image tempImg = Toolkit.getDefaultToolkit().createImage(
new MemoryImageSource(iw, ih, pixels, 0, iw));
image = new BufferedImage(tempImg.getWidth(null),
tempImg.getHeight(null), BufferedImage.TYPE_INT_BGR);
image.createGraphics().drawImage(tempImg, 0, 0, null);
return image;
}
public BufferedImage getGrey() {
ColorConvertOp ccp = new ColorConvertOp(
ColorSpace.getInstance(ColorSpace.CS_GRAY), null);
return image = ccp.filter(image, null);
}
// Brighten using a linear formula that increases all color values
public BufferedImage getBrighten() {
RescaleOp rop = new RescaleOp(1.25f, 0, null);
return image = rop.filter(image, null);
}
// Blur by "convolving" the image with a matrix
public BufferedImage getBlur() {
float[] data = { .1111f, .1111f, .1111f, .1111f, .1111f, .1111f,
.1111f, .1111f, .1111f, };
ConvolveOp cop = new ConvolveOp(new Kernel(3, 3, data));
return image = cop.filter(image, null);
}
// Sharpen by using a different matrix
public BufferedImage getSharpen() {
float[] data = { 0.0f, -0.75f, 0.0f, -0.75f, 4.0f, -0.75f, 0.0f,
-0.75f, 0.0f };
ConvolveOp cop = new ConvolveOp(new Kernel(3, 3, data));
return image = cop.filter(image, null);
}
// 11) Rotate the image 180 degrees about its center point
public BufferedImage getRotate() {
AffineTransformOp atop = new AffineTransformOp(
AffineTransform.getRotateInstance(Math.PI,
image.getWidth() / 2, image.getHeight() / 2),
AffineTransformOp.TYPE_NEAREST_NEIGHBOR);
return image = atop.filter(image, null);
}
public BufferedImage getProcessedImg() {
return image;
}
public static void main(String[] args) throws IOException {
String filePath="F:/k7qp5.png";
FileInputStream fin = new FileInputStream(filePath);
BufferedImage bi = ImageIO.read(fin);
ImageInit flt = new ImageInit(bi);
flt.changeGrey();
flt.getGrey();
flt.getBrighten();
bi = flt.getProcessedImg();
String pname = filePath.substring(0, filePath.lastIndexOf("."));
File file = new File(pname + ".jpg");
ImageIO.write(bi, "jpg", file);
}
}
1、dilate函数
该函数能够实现二值图像的膨胀操作，有以下形式：
BW2=dilate(BW1，SE)
BW2=dilate(BW1，SE，…，n)
其中：BW2=dilate(BW1，SE)表示使用二值结构要素矩阵SE队图像数据矩阵BW1执行膨胀操作。输入图像BW1的类型为double或unit8，输出图像BW2的类型为unit8。BW2=dilate(BW1，SE，…，n)表示执行膨胀操作n次。
2、erode 函数
该函数能够实现二值图像的腐蚀操作，有以下形式：
BW2= erode(BW1，SE)
BW2= erode(BW1，SE，…，n)
其中：BW2= erode(BW1，SE)表示使用二值结构要素矩阵SE队图像数据矩阵BW1执行腐蚀操作。输入图像BW1的类型为double或unit8，输出图像BW2的类型为unit8。BW2= erode(BW1，SE，…，n)表示执行腐蚀操作n次。
3、bwmorph函数
该函数的功能是能实现二值图像形态学运算。它的格式如下：
① BW2=bwmorph(BW1，operation)
② BW2=bwmorph(BW1，operation，n)
其中：对于格式①，bwmorph函数可对二值图像BW1采用指定的形态学运算；对于格式②，bwmorph函数可对二值图像BW1采用指定的形态学运算n次。operation为下列字符串之一：
‘clean’：除去孤立的像素(被0包围的1)
‘close’：计算二值闭合
‘dilate’：用结构元素计算图像膨胀
‘erode’：用结构元素计算图像侵蚀
4、imclose函数
该函数功能是对灰度图像执行形态学闭运算，即使用同样的结构元素先对图像进行膨胀操作后进行腐蚀操作。调用格式为：
IM2=imclose(IM,SE)
IM2=imclose(IM,NHOOD)
5、imopen函数
该函数功能是对灰度图像执行形态学开运算，即使用同样的结构元素先对图像进行腐蚀操作后进行膨胀操作。调用格式为：
IM2=imopen(IM,SE)
IM2=imopen(IM,NHOOD)
3用MATLAB编程实现图像去噪
3.1 二值形态学消除图像噪声
用二值形态学方法对图像中的噪声进行滤除的基本思想[4]是：使用具有一定形态的结构元素去度量和提取图像中的对应形状，以达到消除图像噪声的目的。下面是二值形态学消除图像噪声的一个实例。
首先将tire.tif图像加入椒盐噪声，这种噪声前面已经介绍过，它在亮的图像区域内是暗点，而在暗的图像区域内是亮点，再对有噪声图像进行二值化操作，再对有噪声图像进行开启操作，由于这里的结构元素矩阵比噪声的尺寸要大，因而开启的结果是将背景上的噪声点去除了，最后对前一步得到的图像进行闭合操作，将轮胎上的噪声点去掉了。
下面是算法实现的程序代码：
I1=imread('tire.tif'); %读灰度图tire.tif
I2=imnoise(I1,'salt pepper'); %在图像上加入椒盐噪声
figure,imshow(I2) %显示加椒盐噪声后的灰度图像
I3=im2bw(I1); %把加椒盐噪声后的灰度图像二值化
figure,imshow(I3) %显示二值化后的图像
I4=bwmorph(I3,'open'); %对二值噪声图像进行二值形态学开运算
figure,imshow(I4) %显示开运算后的图像
I5=bwmorph(I4,'close'); %对上述图像进行形态学闭运算
figure,imshow(I5) %显示最终处理后的图像
//声明IplImage指针
IplImage* pFrame = NULL;
IplImage* pFrImg = NULL;
IplImage* pBkImg = NULL;
CvMat* pFrameMat = NULL;
CvMat* pFrMat = NULL;
CvMat* pBkMat = NULL;
pBkImg = cvCreateImage(cvSize(pFrame-width, pFrame-height), IPL_DEPTH_8U,1);
pFrImg = cvCreateImage(cvSize(pFrame-width, pFrame-height), IPL_DEPTH_8U,1);
pBkMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
pFrMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
pFrameMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
//转化成单通道图像再处理
cvCvtColor(pFrame, pBkImg, CV_BGR2GRAY);
cvCvtColor(pFrame, pFrImg, CV_BGR2GRAY);
cvConvert(pFrImg, pFrameMat);
cvConvert(pFrImg, pFrMat);
cvConvert(pFrImg, pBkMat);
//二值化前景图
cvThreshold(pFrMat, pFrImg, 60, 255.0, CV_THRESH_BINARY);
不知道你说的什么意思，要对一个图像进行二值化处理用OpenCV的话就是
void cvThreshold( const CvArr* src, CvArr* dst, double threshold,
double max_value, int threshold_type );
这个函数是定阈值二值化处理，比较粗略吧。另外可以用自适应阈值二值化，那样的话就会比这个更精细。
