使用Matlab编写代码实现图片的读取降噪以及保存（读取自带的图片）

在MATLAB中，你可以通过其内置的图像处理工具箱来实现图片的读取、降噪和保存。以下是一个简单的步骤说明：

1. **图片读取**:
首先，你需要使用`imread`函数来读取图片文件。例如，如果你的图片文件名为`image.jpg`，你可以这样做：

   img = imread('image.jpg');

2. **图片降噪**:
MATLAB有许多降噪滤波器，比如`imnoise`函数用于添加噪声，而`medfilt2`可以进行中值滤波来平滑图像并降低噪声。下面是一个使用中值滤波的例子：

   % 创建一个中值滤波器
   filterSize = 5; % 可以调整滤波器大小
   denoisedImg = medfilt2(img, [filterSize filterSize]);

3. **图片保存**:
使用`imwrite`函数将处理后的图片保存回磁盘：

   imwrite(denoisedImg, 'denoised_image.jpg');

这是一个基础的过程，实际应用中可能会根据图片的具体情况选择更复杂的降噪算法，如基于小波变换的去噪或者自适应滤波。

相关问题

使用Matlab编写代码实现图片的读取降噪以及保存（读取matlab自带的图片）

在MATLAB中，你可以使用内置的函数来轻松地读取、处理图像并将其保存。以下是一个简单的步骤，展示如何完成这个任务：

1. **图片读取**:
使用`imread`函数读取MATLAB自带的图片文件。例如，如果你想要读取名为"my_image.jpg"或"my_image.png"的图片，可以这样做：

   img = imread('my_image.jpg'); % 或者 'my_image.png'

2. **图片降噪**:
MATLAB提供了多种降噪滤波器，如`medfilt2`（中值滤波）和`wiener2`（维纳滤波）。这里以中值滤波为例：

   if isstruct(img) % 判断是否已经是结构化数组（如果来自某些特定格式）
       img = im2double(img); % 转换为双精度，便于处理
   end
   
   % 中值滤波降噪
   filtered_img = medfilt2(img);

3. **图片保存**:
通过`imwrite`函数将处理后的图片保存回原格式：

   imwrite(filtered_img, 'cleaned_my_image.jpg'); % 或者选择其他后缀名

matlab图片降噪

### Matlab 图像降噪方法

#### 使用高斯滤波器进行图像降噪
在MATLAB中，可以通过使用`imgaussfilt`函数来应用高斯滤波器以减少图像中的噪声。此过程涉及定义标准偏差和滤波器大小参数。

% 读取原始图像
originalImage = imread('example.jpg');

% 向图像添加噪声
noisyImage = imnoise(originalImage, 'gaussian', 0, 0.02);

% 应用高斯平滑滤波器
filteredGaussian = imgaussfilt(noisyImage, 2); % 这里的'2'代表标准差σ

上述代码展示了如何加载一张图片，在其上施加随机分布的高斯白噪音，并利用指定宽度的标准正态分布核来进行卷积操作从而达到去噪目的[^2]。

#### 利用邻域平均法与中值滤波法对比降噪效果
对于含有椒盐类型的脉冲干扰源所造成的破坏性影响较大的情况，则更倾向于采用非线性的处理方式——即所谓的“中位数过滤”。下面给出了一种比较两种不同技术之间差异的具体实例：

% 加入椒盐噪声到原图
saltPepperNoisedImg = imnoise(originalImage,'salt & pepper',0.02);

% 邻域均值滤波(3x3窗口)
meanFilteredImg = filter2(fspecial('average',[3 3]), saltPepperNoisedImg)/255;

% 中值滤波 (同样尺寸为3×3 的窗格)
medianFilteredImg = medfilt2(saltPepperNoisedImg,[3 3]);

这里先是对选定的目标对象附加一定比例（本例设定了0.02）水平下的‘Salt&Pepper’形式杂质；接着分别采取简单算术求和再除以其总数值得来的局部区域内的灰度级代替方案以及选取该范围内排序位于中间位置像素强度作为新输出点这两套策略完成净化作业[^3]。

#### 自适应维纳滤波的应用场景
当面对特定种类比如说是服从零均值独立同分布假设下产生的加性高斯白色扰动成分时，还可以考虑调用内置工具箱提供的专门针对此类问题优化过的解决方案—自适应Wiener Filtering:

% 创建测试图案并引入污染项
testPattern = checkerboard;
corruptedTestPat = testPattern + randn(size(testPattern))*sqrt(8);
figure; imshow(corruptedTestPat), title('Corrupted Test Pattern')

% 执行二维自适应wiener滤波恢复清晰版本
restoredWIthAWF = wiener2(uint8(round(corruptedTestPat)), [5 5]);

subplot(1,2,1),imshow(restoredWIthAWF),title('Restored with AWF')
subplot(1,2,2),imshow(testPattern),title('Original Checker Board')

这段脚本首先构建了一个棋盘样式的样本集合作为目标载体，随后人为叠加了幅度较高的随机波动使之变得模糊不清难以辨认；最后借助于`wiener2()`命令实现了基于统计特性的最佳估计重建流程，成功还原出了接近真实的参照物形态[^5]。