一、引言：图像噪声与降噪研究的意义

图像噪声是数字图像处理中不可避免的问题，源于传感器缺陷、传输干扰或环境因素。噪声的存在会降低图像质量，影响后续分析（如目标检测、医学影像诊断）。Matlab作为强大的数值计算工具，提供了丰富的图像处理函数库，可高效模拟噪声生成并验证降噪算法效果。本报告通过实际案例，详细说明如何利用Matlab实现噪声添加与降噪，为相关研究提供技术参考。

二、Matlab图像噪声添加方法

噪声类型可分为高斯噪声、椒盐噪声、泊松噪声等，不同噪声对图像的影响各异。以下通过Matlab代码演示噪声添加过程。

1. 高斯噪声添加

高斯噪声服从正态分布，常用于模拟传感器热噪声。Matlab中可通过imnoise函数实现：

% 读取图像
img = imread('lena.png');
if size(img,3)==3
    img = rgb2gray(img); % 转为灰度图
end
% 添加高斯噪声（均值0，方差0.01）
noisy_img = imnoise(img,'gaussian',0,0.01);
% 显示结果
subplot(1,2,1), imshow(img), title('原始图像');
subplot(1,2,2), imshow(noisy_img), title('高斯噪声图像');

关键参数说明：imnoise的第四个参数为方差，值越大噪声越强。实际应用中需根据场景调整参数。

2. 椒盐噪声添加

椒盐噪声表现为随机黑白点，模拟传输中的脉冲干扰。代码示例：

% 添加椒盐噪声（密度0.05）
noisy_img = imnoise(img,'salt & pepper',0.05);
% 显示结果
figure;
subplot(1,2,1), imshow(img), title('原始图像');
subplot(1,2,2), imshow(noisy_img), title('椒盐噪声图像');

密度参数：取值范围[0,1]，值越大噪声点越多。医学图像处理中常通过调整密度模拟不同污染程度。

3. 自定义噪声生成

若需特定分布噪声，可通过随机数生成函数实现：

% 生成均匀分布噪声（范围[-0.2,0.2]）
noise = 0.4*rand(size(img)) - 0.2;
noisy_img = im2uint8(double(img)/255 + noise);
noisy_img = uint8(255*mat2gray(noisy_img)); % 归一化并转换类型

注意事项：自定义噪声需确保数据范围合法，避免溢出导致图像失真。

三、Matlab图像降噪算法实现

降噪算法需平衡噪声去除与细节保留。以下介绍三种经典方法。

1. 均值滤波

均值滤波通过局部区域像素平均实现降噪，适用于高斯噪声：

% 创建3x3均值滤波器
h = fspecial('average',[3 3]);
% 应用滤波
denoised_img = imfilter(noisy_img,h,'replicate');
% 显示结果对比
figure;
subplot(1,3,1), imshow(img), title('原始图像');
subplot(1,3,2), imshow(noisy_img), title('噪声图像');
subplot(1,3,3), imshow(denoised_img), title('均值滤波结果');

局限性：均值滤波会模糊边缘，对椒盐噪声效果较差。

2. 中值滤波

中值滤波取局部区域像素中值，可有效去除椒盐噪声：

% 应用中值滤波（邻域大小5x5）
denoised_img = medfilt2(noisy_img,[5 5]);
% 显示结果
figure;
imshowpair(noisy_img,denoised_img,'montage');
title('左：椒盐噪声图像 右：中值滤波结果');

参数选择：邻域越大，降噪能力越强，但计算量增加。实际中需权衡效果与效率。

3. 小波降噪

小波变换通过多尺度分析分离噪声与信号，适用于非平稳噪声：

% 小波降噪步骤
[thr,sorh] = ddencmp('den','wv',noisy_img); % 获取默认阈值
denoised_img = wdencmp('gbl',noisy_img,'sym4',2,thr,sorh);
% 显示结果
figure;
subplot(1,3,1), imshow(img), title('原始图像');
subplot(1,3,2), imshow(noisy_img), title('噪声图像');
subplot(1,3,3), imshow(denoised_img), title('小波降噪结果');

关键点：sym4为小波基函数，2表示分解层数。不同小波基（如db4、coif5）会影响结果，需通过实验选择最优参数。

四、降噪效果评估方法

客观评估需结合峰值信噪比（PSNR）和结构相似性（SSIM）：

% 计算PSNR
psnr_val = psnr(denoised_img,img);
fprintf('PSNR值为: %.2f dB\n', psnr_val);
% 计算SSIM
ssim_val = ssim(denoised_img,img);
fprintf('SSIM值为: %.4f\n', ssim_val);

指标解读：PSNR越高表示降噪质量越好，SSIM越接近1表示结构保留越完整。实际应用中需结合主观视觉效果综合判断。

五、实际应用建议

1. 噪声类型匹配：高斯噪声优先选择均值滤波或小波降噪，椒盐噪声适用中值滤波。
2. 参数调优：通过实验确定滤波器大小、小波分解层数等参数，避免过拟合或欠拟合。
3. 算法组合：可先使用中值滤波去除椒盐噪声，再通过小波变换处理剩余噪声。
4. 实时性考虑：均值滤波计算简单，适合实时系统；小波降噪复杂度高，但效果更优。

六、结论与展望

Matlab提供了从噪声模拟到降噪验证的完整工具链，通过合理选择算法与参数，可显著提升图像质量。未来研究可探索深度学习在降噪中的应用（如CNN、GAN），进一步优化复杂噪声场景下的处理效果。

实践价值：本报告提供的代码与参数可直接用于课程实验或项目开发，帮助研究者快速验证降噪算法性能，为图像处理领域的创新提供技术支撑。