用matlab频域低通滤波，频域高通滤波处理彩色图像的程序

程序如下：

clearall

clc

I=imread('up4-Amp.png')

OutImg=I

R=I(:,:,1)

G=I(:,:,2)

B=I(:,:,3)

R=medfilt2(R,[3,3])

G=medfilt2(G,[3,3])

B=medfilt2(B,[3,3])

I1=cat(3,R,G,B) %对彩色图像R,G，B三个通道分别进行3×3模板的中值亏做禅滤波cat函数用于连接两个矩阵或数组

R=filter2(fspecial('销尘average',3),R)/255

G=filter2(fspecial('average',3),G)/255

B=filter2(fspecial('average',3),B)/255

I2=cat(3,R,G,B) %对彩色图像R,G，B三个通道分别进行3×3模板的均值滤波

figure,imshow(I)

title('原图')

figure,

imshow(I1)

title('中值滤波')

figure,imshow(I2)

title('均值滤波')

扩展资料：

注意事项

1、在频域滤波，由于是点乘，所以滤波模板矩阵和图像矩阵必须尺寸一样。

2、因为尺寸一样，它们的胡斗原点必须要对齐。

3、因在进行离散傅里叶变换后，在频域点乘，相当于在时域卷积，但是这个时候实际上是对时域周期矩阵进行卷积。直接在时域卷积，matlab默认是在边界补0。

4、Matlabfreqz2（）这个函数可以自动得到一个指定尺寸的，对应于时域的频域模板。

5、图像经过傅里叶变换后，它的原点在左上角。而模板经过freqz2后，原点在中心，所以只要平移其中的一个就好了。

6、在对原图像进行傅里叶变换之前，按照一定规则补0就好了。

BM3D 是一种降噪方法提高了图像在变换域的稀疏表示。BM3D 降噪方法的优点是更好的保留图像中的一些细节，BM3D采用了不同的去噪策略。通过搜索相似块并在变换域进行滤波，或首得到块评估值，最后对图像中每个点进行加权得到最终去噪效果。 

原理：首先将一幅图像分割成尺寸较小的小像素片，选定参考片后，寻找与参考片相似的小片组成 3D 块。此过程过后将得到 3D 块。然后将所有相似块进行 3D 变换。将变换后的 3D 块进行阈值收缩，这也是除去噪声的过程。然后进行 3D 逆变换。最后将所有的 3D 块通过加权平均后还原到图像中。

BM3D算法的大致流程：答族

第1步. 初始估计

（1）逐块估计。对含噪图像中的每一块 

（i）分组。找到它的相似块然后把它们聚集到一个三维数组。 

（ii）联合硬阈值。对形成的三维数组进行三维变换，通过对变换域的系数进行硬阈值处理减弱噪声，然后逆变换得到组中所有图像块的估计值，然后把这些估计值返回到他们的原始位置。

（2）聚集。对得到的有重叠的块估计，通过对他们进行衫举数加权平均得到真实图像的基础估计。 

第2步. 最终估计 

（1）逐块估计。对基础估计图像中的每一块 

（i） 分组。通过块匹配找到与它相似的相似块在基础估计图像中的位置，通过这些位置得到两个三维数组，一个是从含噪图像中得到的，一个是从基础估计图像中得到的。 

（ii）联合维纳滤波。对形成的两个三维数组均进行三维变换，以基础估计图像中的能量谱作为能量谱对含噪三维数组进行维纳滤波，然后逆变换得到组中所有图像块的估计，然后把这些估计值返回到他们的原始位置。

（2）聚集。对得到的有重叠的局部块估计，通过对他们进行加权平均得到真实图像的最终估计。

clear

close all

I = imread('eight.tif')

J = imnoise(I,'salt &pepper',0.02)

K = medfilt2(J)

imshow(J)title('噪声干扰图像')

figure, imshow(K)title('medfilt2滤波图像')

X=Ja=2b=2

k=floor(a*b/2)+1

[M,N]=size(X)

uint8 Y=zeros(M,N)

funBox=zeros(a,b)

temp=zeros(a*b)

for i=1:M-a

for j=1:N-b

funBox=X(i:i+a,j:j+b)

temp=funBox(:)

tempSort=sort(temp)

Y(i,j)=tempSort(k)

end

end

figure, imshow(Y)title('自编程序滤波图像')

clear

close all

c=imread('123.png')%把彩色图片转化成灰度图片，256级

figure,imshow(c),title('原始图象')%显示原始图象

g=imnoise(c,'gaussian',0.1,0.002) %加入高斯噪声

figure,imshow(g),title('加入高斯噪声之后的图象') %显示加入高斯噪声之后的图象

%实验步骤二：用系统预定义滤波器进行均值滤波

n=1

A=fspecial('average',n)%生成系统预定义的3X3滤波器

Y=filter2(A,g)/255 %用生成的滤波器进行滤波,并归一化

figure,imshow(Y),title('系统函数谈历滤波图像')%显示滤波后的图象

a(1:n,1:n)=1 %a即n×n模板,元素全是1

p=size(g) %输入图像是p×q的,且p>n,q>n

x1=double(g)

x2=x1

%A(a:b,c:d)表示A矩阵的第a到b行,第c到d列的所有元素

for i=1:p(1)-n+1

for j=1:p(2)-n+1

c=x1(i:i+(n-1),j:j+(n-1)).*a %取出x1中从(i,j)开始的n行n列元素与模板相乘

s=sum(sum(c))%求c矩阵(即模板)中各元素之和

x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n)%将模板各元素的均值赋给模板中心位置的元素

end

end

%未被赋值的元素取原值

d=uint8(x2)

%实验步骤三:用自己的编写的函数进行均值滤波差吵

%调用自编函数进行均值滤波，n为模板虚侍侍大小

figure,imshow(d),title('自编程序滤波图像')%显示滤波后的图象

---