В Шаге 4 было рассмотрено применение операции сглаживания для устранения шума. Рассмотрим примеры низкочастотной фильтрации с использованием других шумоподавляющих масок. Это могут быть следующие маски:
Маска 1: 
Маска 2: 
.
Маски для подавления шума представлены в виде нормированного массива для получения единичного коэффициента передачи, чтобы при подавлении шума не было искажений средней яркости. На рисунках представлено результат обработки зашумленного изображения маской 1 и маской 2.
F=(1/10)*[1 1 1; 1 2 1; 1 1 1];
Lvyh=filter2(F,L,'same')/(3*3);
figure, imshow(Lvyh);
Рис. 8. Результат восстановления зашумленного импульсным шумом изображения с применением маски 1.
F=(1/16)*[1 2 1; 2 4 2; 1 2 1];
Lvyh=filter2(F,L,'same')/(3*3);
figure, imshow(Lvyh);
Рис. 9. Результат восстановления зашумленного импульсным шумом изображения с применением маски 2.
Это были примеры подавления импульсных шумов. Рассмотрим аналогичные примеры подавления гауссовского и мультипликативного шумов.
Зашумленное гауссовским шумом изображение
| 
Восстановленное изображение с применением маски 1
| 
Восстановленное изображение с применением маски 2
|
Рис. 10. Результат восстановления зашумленного гауссовским шумом изображения с применением маски 1 и маски 2.
Зашумленное мультипликативным шумом изображение
| 
Восстановленное изображение с применением маски 1
| 
Восстановленное изображение с применением маски 2
|
Рис. 11. Результат восстановления зашумленного мультипликативным шумом изображения с применением маски 1 и маски 2.
Отметим, что универсальных методов нет и к обработке каждого изображения следует подходить индивидуально. Если речь идет о медианной и низкочастотной фильтрации, то качество обработки во многом зависит от удачного выбора размеров локальной апертуры.
Рассмотренные методы после некоторой модификации можно применять для обработки цветных изображений. Приведем пример подавления импульсного шума на цветном изображении.
Возьмем некоторое исходное изображение (рис. 12):
L=imread('lily.bmp');
figure, imshow(L);
Рис. 12. Исходное цветное изображение.
Наложим на него импульсный шум с некоторыми характеристиками:
L=imnoise(L,'salt&pepper',0.05);
figure, imshow(L);
Рис. 13. Зашумленное изображение.
Далее для каждой цветовой составляющей применим операцию медианной фильтрации.
for k=1:s; % обработка отдельно по каждой составляющей L=Lin(:,:,k); for i=1+n1:N+n1; disp(i) for j=1+m1:M+m1; if j==1+m1; D=0; for a=-n1:n1; for b=-m1:m1; D(n1+1+a,m1+1+b)=L(i+a,j+b); end; end; end; if j>1+m1; for a=-n1:n1; D(n1+1+a,m+1)=L(i+a,j+m1); end; D=D(1:n,2:m+1); end; Lres(i,j)=median(D(:)); end; end;end;
Рис. 14. Восстановленное изображение с применением метода медианной фильтрации.
Представленные выше методы являются довольно эффективными алгоритмами восстановления изображений, которые были искажены импульсным, гауссовским или мультипликативным шумом. Эти методы служат основой для построения других более сложных методов решения задач по устранению шумовой составляющей на изображениях.
