手把手教你学Simulink--图像增强与复原（Image Enhancement & Restoration）场景实例：不同噪声环境下图像去噪算法性能分析-CSDN博客

本文链接：https://blog.csdn.net/MHD0815/article/details/148676959

一、所需工具和环境

在图像增强与复原领域，去噪算法对于提高图像质量至关重要。不同类型的噪声（如高斯噪声、椒盐噪声等）需要不同的去噪策略。通过Simulink，我们可以比较几种常见的去噪算法在不同噪声环境下的性能。

一、所需工具和环境

确保你已经安装了以下工具箱：

MATLAB R2023a 或更新版本
Simulink
Image Processing Toolbox

二、步骤详解

步骤1：准备图像数据及添加噪声

首先加载并准备好要处理的原始图像，并根据需要添加不同类型的噪声（例如高斯噪声或椒盐噪声）。可以使用MATLAB中的imnoise函数为图像添加噪声。

matlab

深色版本

I = imread('your_image_file.jpg'); % 加载图像
I = im2double(I); % 转换为双精度

添加高斯噪声：

matlab

深色版本

noisyImageGaussian = imnoise(I, 'gaussian', 0, 0.01); % 添加均值为0，方差为0.01的高斯噪声

添加椒盐噪声：

matlab

深色版本

noisyImageSaltPepper = imnoise(I, 'salt & pepper', 0.05); % 添加密度为0.05的椒盐噪声

步骤2：创建Simulink模型

打开Simulink并创建一个新的模型文件。

matlab

深色版本

modelName = 'NoiseReductionComparison';
new_system(modelName);
open_system(modelName);

步骤3：添加噪声图像输入模块

由于Simulink主要用于处理数值信号，直接支持图像输入不是特别直观。我们可以使用MATLAB Function块来读取图像，并将其逐像素地传递给后续处理模块。

在Simulink中添加一个MATLAB Function块来读取并初始化图像数据：

matlab

深色版本

add_block('built-in/MATLAB Function', [modelName '/Noisy Image Source']);
set_param([modelName '/Noisy Image Source'], 'FunctionName', 'getNoisyImage');

然后，在该函数中编写代码以读取图像并初始化输出信号尺寸：

matlab

深色版本

function out = getNoisyImage()
persistent I;
if isempty(I)
    I = imread('your_image_file.jpg'); % 加载图像
    I = im2double(I); % 转换为双精度
    noisyImageGaussian = imnoise(I, 'gaussian', 0, 0.01); % 添加高斯噪声
    I = noisyImageGaussian; % 可替换为其他类型的噪声图像
end
out = I(:); % 将图像矩阵转换为列向量
end

步骤4：设计去噪算法

添加多种去噪逻辑

在Simulink中添加多个MATLAB Function块分别用于实现不同的去噪算法，如均值滤波、中值滤波和非局部均值（Non-local Means, NLM）滤波等。

matlab

深色版本

% 均值滤波器
add_block('built-in/MATLAB Function', [modelName '/Mean Filter']);
set_param([modelName '/Mean Filter'], 'FunctionName', 'applyMeanFilter');

% 中值滤波器
add_block('built-in/MATLAB Function', [modelName '/Median Filter']);
set_param([modelName '/Median Filter'], 'FunctionName', 'applyMedianFilter');

% 非局部均值滤波器
add_block('built-in/MATLAB Function', [modelName '/NLM Filter']);
set_param([modelName '/NLM Filter'], 'FunctionName', 'applyNLMFilter');

在每个函数中编写代码以应用相应的去噪方法：

matlab

深色版本

% 均值滤波器函数
function out = applyMeanFilter(u, rows, cols)
img = reshape(u, rows, cols); % 恢复图像尺寸
filteredImg = imgaussfilt(img, 1); % 使用高斯滤波作为示例，实际应使用mean filter
out = filteredImg(:); % 将结果转换回列向量
end

% 中值滤波器函数
function out = applyMedianFilter(u, rows, cols)
img = reshape(u, rows, cols); % 恢复图像尺寸
filteredImg = medfilt2(img, [3 3]); % 应用3x3的中值滤波
out = filteredImg(:); % 将结果转换回列向量
end

% 非局部均值滤波器函数
function out = applyNLMFilter(u, rows, cols)
img = reshape(u, rows, cols); % 恢复图像尺寸
filteredImg = nonlocalmeans(img, 'PatchSize', 5, 'SearchSize', 11); % 示例参数
out = filteredImg(:); % 将结果转换回列向量
end

注意：上述代码中nonlocalmeans是伪代码，实际使用时需要调用正确的MATLAB函数或自定义实现。

步骤5：重构图像并显示结果

为了可视化处理后的图像，可以在Simulink中添加多个Video Viewer块，并通过MATLAB Function块将处理后的图像数据重新组织为二维矩阵形式以便于显示。

matlab

深色版本

add_block('vision/Video Viewer', [modelName '/Mean Filter Viewer']);
add_block('vision/Video Viewer', [modelName '/Median Filter Viewer']);
add_block('vision/Video Viewer', [modelName '/NLM Filter Viewer']);

在最后一个MATLAB Function块中编写代码以恢复图像尺寸并传递给Video Viewer：

matlab

深色版本

function out = reshapeImage(u, rows, cols)
out = reshape(u, rows, cols); % 恢复图像尺寸
end

步骤6：连接各模块

按照逻辑顺序连接各个模块：从噪声图像源到不同去噪算法块，再到图像重构和显示模块。

步骤7：设置仿真参数

配置仿真时间、求解器类型等参数以确保仿真结果的准确性和计算效率。

matlab

深色版本

set_param(modelName, 'StopTime', 'Inf'); // 设置停止时间为无限，即持续运行
set_param(modelName, 'Solver', 'Fixed-step'); // 使用固定步长求解器
set_param(modelName, 'FixedStep', 'auto'); // 自动选择固定步长

步骤8：运行仿真并测试

点击运行按钮开始仿真，并检查不同去噪算法的效果。你可以尝试不同的噪声类型（如改变imnoise的参数）、不同级别的噪声强度以及调整去噪算法的参数（如滤波器大小），观察其对图像质量和细节保留的影响。

总结

本文提供了一个基于Simulink的不同噪声环境下图像去噪算法性能分析的基本指南。尽管直接在Simulink中实现完整的图像处理流程具有一定的挑战性，但通过结合MATLAB的强大功能，我们可以有效地模拟这一过程。这个例子展示了如何集成噪声图像输入、应用多种图像去噪算法以及显示处理结果的基本流程。希望这能为你进一步探索更复杂的图像处理技术提供灵感和基础。同时，根据实际需求调整模型参数、尝试不同的去噪策略也是进一步探索的方向。