matlab怎么给图片加入噪声

在MATLAB中给图片加入噪声，可以使用内置函数如`imnoise`来实现。该函数能够将噪声添加到图像中，并且支持多种噪声类型。以下是一个基本的示例，展示了如何使用`imnoise`函数给图像添加高斯噪声：

% 读取一张图像
I = imread('example.jpg');

% 将图像转换为灰度图（如果它不是灰度图）
I_gray = rgb2gray(I);

% 使用imnoise函数添加高斯噪声
% 第一个参数为图像变量，第二个参数为噪声类型（'gaussian'表示高斯噪声），第三个和第四个参数分别为均值和标准差
I_noisy = imnoise(I_gray, 'gaussian', 0, 0.01);

% 显示原始图像和加入噪声后的图像
figure;
subplot(1,2,1), imshow(I_gray), title('Original Image');
subplot(1,2,2), imshow(I_noisy), title('Image with Gaussian Noise');

以上代码首先读取了一个图像文件，并将其转换为灰度图像（如果原始图像是彩色的）。然后，使用`imnoise`函数添加了高斯噪声，其中均值设为0，标准差设为0.01。最后，展示了原始图像和添加噪声后的图像。

除了高斯噪声，`imnoise`还支持其他类型的噪声，如'poisson'（泊松噪声）、'salt & pepper'（椒盐噪声）和'speckle'（斑点噪声）等。

相关问题

用MATLAB给图片加入噪声再锐化，举个例子

在MATLAB中，可以使用内置函数对图像添加噪声并随后进行锐化处理。这里以常见的高斯噪声和双边滤波+锐化为例：

首先，导入一张图片，比如`img = imread('peppers.png');`。

1. 添加高斯噪声：

% 定义噪声标准差
sigma = 0.1;
% 创建一个与原图相同尺寸的零矩阵
noisy_img = img + sigma * randn(size(img));

这会在图像上添加随机的高斯分布噪声，`randn(size(img))`生成对应大小的正态分布随机数。

2. 高级去噪（双边滤波）：

% 设定滤波半径和梯度阈值
radius = 3; % 可自定义调整
sigma_color = 20; % 颜色空间方差
sigma_space = 5; % 空间域方差
filtered_img = imfilter(noisy_img, fspecial('bilateral', radius, sigma_color, sigma_space), 'replicate');

双边滤波会保留边缘信息同时平滑噪声。

3. 锐化处理：

% 使用unsharp mask（锐化）技术增强细节
sharpened_img = imsharpen(filtered_img);

`imsharpen()`函数应用了锐化操作，通常会使图像边缘更明显。

最后，你可以通过`imshow([noisy_img, filtered_img, sharpened_img])`显示原始、去噪和锐化后的三张图片，比较效果。

matlab图片去噪声

### 使用Matlab进行图像去噪的方法

#### 噪声分类与特点
在图像处理中，噪声可以分为多种类型，其中最常见的是加性高斯白噪声(AGWN)，这种类型的噪声具有均值为0、方差恒定的特性[^1]。

#### 高斯白噪声去除策略
对于受高斯白噪声污染的图像，一种有效的解决方案是利用平滑滤波器来降低噪声的影响。具体来说，可以通过应用低通滤波器（如均值滤波器）、自适应滤波器或是更高级别的维纳滤波器来进行降噪操作[^2]。

#### 维纳滤波器简介
维纳滤波是一种统计最优线性估计技术，特别适用于已知输入信号功率谱密度以及观测数据含有的加性白色高斯噪声情况下的恢复问题。其核心在于计算待求解系统的传递函数H(u,v)，并通过最小化误差平方准则得到最佳估计结果。

#### 实现过程中的注意事项
为了确保良好的效果，在实际编程过程中需要注意几个方面：
- 正确设置参数：比如窗口大小的选择会影响最终的效果；
- 对不同种类和强度的噪声采取针对性措施；
- 考虑到边缘保护等因素以防止过度模糊现象的发生；

下面给出一段简单的MATLAB代码用于演示如何采用二维快速傅里叶变换配合维纳滤波完成一幅灰度图象上的高斯白噪音消除：

% 加载原始图片并添加人工合成的高斯白噪声
originalImage = imread('cameraman.tif');
noisyImage = imnoise(originalImage,'gaussian',0,0.02);

figure;
subplot(1,3,1); imshow(originalImage); title('Original Image');
subplot(1,3,2); imshow(noisyImage);    title('Noisy Image');

% 定义PSF (Point Spread Function), 这里假设是一个均匀分布的小圆盘形状
LEN = 7; % PSF长度
THETA = 11; % 方向角
PSF = fspecial('motion', LEN, THETA);

% 应用Wiener Filter进行去噪
deblurredImage = deconvwnr(noisyImage, PSF);
subplot(1,3,3); imshow(deblurredImage); title('Deblurred Image using Wiener Filter')

这段脚本首先加载了一张测试照片`cameraman.tif`作为原图，并在其基础上加入了指定信噪比(SNR=20dB)的人工制造出来的AWGN形成带噪版本。接着定义了一个模拟相机抖动效应产生的点扩散函数(PSF)，最后调用了内置函数`deconvwnr()`执行基于此先验信息的逆卷积运算从而达到抑制随机扰动的目的。