噪聲，簡而言之就是圖像中隨機出現(xiàn)的灰度變化大的離散的像素點。噪聲可能來自于圖像采集，量化等過程，也可能產(chǎn)生于圖像傳送過程中，具有離散性和隨機性等特點。

1.噪聲的分類

根據(jù)噪聲服從的分布對其進行分類：
（1）高斯噪聲（Gaussian white noise）:最普通的噪聲，噪聲信號隨機分布，沒有規(guī)律；
（2）泊松噪聲（Poisson noise）:常在亮度非常小時出現(xiàn)，或在高倍電子放大線路中出現(xiàn)，噪聲信號服從Poisson分布。
（3）顆粒噪聲：白噪聲的一種，圖像中顯示明顯的顆粒，最常見的便是椒鹽噪聲（salt & pepper noise）。

2.函數(shù)imnoise

在Matlab中有一個重要的噪聲生成函數(shù)imnoise,其常見語法說明如下：

語法參數(shù)說明

J = imnoise(I,type)	按照給定類型添加圖像噪聲給圖像I
J = imnoise(I,type,parameters)	parameters泛指可以添加的參數(shù)，類型不同，參數(shù)自然不同
J = imnoise(I,‘gaussian’,m,v)	添加高斯白噪聲，均值為m，方差為v。default狀態(tài)下，m = 0,v = 0.01
J = imnoise(I,‘localvar’,V)	添加零均值，局部方差為V的高斯白噪聲給圖像I。V是與I尺寸相同的數(shù)組
J = imnoise(I,‘poisson’)	添加Poisson噪聲給圖像I
J = imnoise(I,‘salt & pepper’,d)	添加椒鹽噪聲給圖像I，d是噪聲密度。這將影響d * numel(I)個像素。default狀態(tài)下，d = 0.05
J = imnoise(I,‘speckle’,v)	添加乘法噪聲給圖像I，v是方差。機理：J = I + n * I,n是均勻分布的隨機噪聲。在default狀態(tài)下，v = 0.04

注意：函數(shù)imnoise在將輸入圖像添加噪聲的過程中，若輸入圖像的數(shù)據(jù)類型是double型，范圍為[0,1]，噪聲‘gaussian’,‘poisson’,‘speckle’的參數(shù)類型總是被指定；若輸入圖像的數(shù)據(jù)類型是uint8或uint16,imnoise函數(shù)先將圖像數(shù)據(jù)類型轉(zhuǎn)化成double類型，添加指定的參數(shù)，最后輸出時又將數(shù)據(jù)類型還原成原輸入圖像數(shù)據(jù)類型。

參數(shù)說明：對于多數(shù)噪聲類型，輸入圖像I的數(shù)據(jù)類型可以是uint8,uint16,int16,single或double。輸出圖像的數(shù)據(jù)類型和輸入圖像的數(shù)據(jù)類型相同。若I超過了2維，則將其作為多維圖像處理，而不是RGB圖像處理。

3.imnoise函數(shù)使用示例

代碼：

I = imread('eight.tif'); subplot(221),imshow(I); title('Original image'); J = imnoise(I,'gaussian',0,0.02);%添加高斯白噪聲，均值0，方差0.02 subplot(222),imshow(J); title('Gaussian'); K = imnoise(I,'salt & pepper',0.03);%添加椒鹽噪聲，密度0.03 subplot(223),imshow(K); title('Salt & Pepper'); L = imnoise(I,'poisson');%添加Poisson噪聲 subplot(224),imshow(L); title('Poisson');

運行截圖：
觀察運行結(jié)果可知：椒鹽噪聲的強度最大，但噪聲分布最稀松，高斯噪聲和泊松噪聲分布比較密，但高斯噪聲的強度比泊松噪聲的強度大。

總結(jié)

以上是生活随笔為你收集整理的Matlab中函数imnoise使用浅谈的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。