【基础】MATLAB中的图像去噪：应用高斯滤波与双边滤波

# 1. MATLAB中的图像去噪概述

图像去噪是图像处理中一项重要的任务，旨在从图像中去除不必要的噪声，从而提高图像质量。在MATLAB中，提供了丰富的图像去噪工具和算法，本文将重点介绍两种常用的图像去噪方法：高斯滤波和双边滤波。

# 2. 图像去噪理论基础

### 2.1 图像噪声的类型和特性

图像噪声是指叠加在图像信号上的不期望的信号，会影响图像的视觉质量和信息提取。图像噪声的类型多种多样，常见的有：

- **高斯噪声：**具有正态分布，分布在图像像素的各个通道中，通常由传感器热噪声或电子噪声引起。
- **椒盐噪声：**随机分布在图像像素中，像素值要么为最大值（白色），要么为最小值（黑色），通常由数据传输错误或存储故障引起。
- **脉冲噪声：**随机分布在图像像素中，像素值异常大或小，通常由传感器缺陷或外来干扰引起。
- **均匀噪声：**在整个图像中均匀分布，使图像整体变亮或变暗，通常由照明不均匀或相机曝光错误引起。
- **周期噪声：**以规则的模式分布在图像中，通常由外部干扰或相机振动引起。

### 2.2 图像去噪算法的基本原理

图像去噪算法旨在从噪声图像中恢复原始图像，其基本原理是：

- **空间滤波：**利用图像像素的空间邻域信息，通过加权平均或其他操作去除噪声。
- **频域滤波：**将图像变换到频域，对噪声分量进行滤除，再变换回空间域。
- **非局部均值滤波：**利用图像中像素的相似性，从相似区域获取信息来恢复噪声像素。
- **机器学习：**训练深度学习模型，利用图像特征和噪声分布规律进行去噪。

每种算法都有其优缺点，选择合适的算法取决于图像噪声的类型、图像特征和去噪要求。

# 3. 高斯滤波实践应用

### 3.1 高斯滤波的原理和实现

高斯滤波是一种基于高斯函数的线性平滑滤波器，其核心思想是使用一个高斯核对图像进行加权平均，从而达到去噪的目的。高斯核是一个对称的钟形函数，其表达式为：

G(x, y) = (1 / (2πσ^2)) * exp(-(x^2 + y^2) / (2σ^2))

其中，σ 为高斯核的标准差，控制着滤波器的平滑程度。σ 值越大，滤波器越平滑，去噪效果越好，但同时也会导致图像