数字图像中值滤波操作的取证检测
数字图像处理实验 实验三 中值滤波
数字图像处理基础实验指导书
信息工程学院
2013年4月16日
实验三中值滤波
一．实验目的
1．熟悉matlab图像处理工具箱及中值滤波函数的使用；
2．理解和掌握中值滤波的方法和应用；
二．实验设备
1、PC机一台；
2、软件MATLAB；
三．实验内容及步骤
1. 启动matlab
双击桌面matlab图标启动matlab环境；
2. 在matlab命令窗口中输入相应程序。
书写程序时，首先读取图像，一般调用matlab 自带的图像，如:cameraman图像；给图像添加不同的噪声；再调用相应的图像增强（中值滤波）函数，设置参数；最后输出处理后的图像；
3．浏览源程序并理解含义；
4．运行，观察显示结果；
5．结束运行，退出；
四．实验参考程序及结果
在matlab环境中，程序首先读取图像，然后调用图像增强（中值滤波）函数，设置相关参数，再输出处理后的图像。
I = imread('cameraman.tif');
figure,imshow(I);
J1=imnoise(I,‘salt& pepper’,0.2);%添加椒盐噪声
J2= imnoise(I,‘gaussian’,0,0.005);%添加高斯噪声
J11=medfilt2(J1,[5,5]);
J22=medfilt2(J2,[5,5]);
figure,imshow(J11);
figure,imshow(J22);
五．实验报告要求
1、记录实验过程
2、给出完整结果（包括读入图像、加噪图像和滤波后的图像）。
数字图像处理之快速中值滤波算法
数字图像处理之快速中值滤波算法快速中值滤波算法 ： 在图像处理中，在进⾏如边缘检测这样的进⼀步处理之前，通常需要⾸先进⾏⼀定程度的降噪。
中值滤波是⼀种⾮线性数字滤波器技术，经常⽤于去除图像或者其它信号中的噪声。
这个设计思想就是检查输⼊信号中的采样并判断它是否代表了信号，使⽤奇数个采样组成的观察窗实现这项功能。
观察窗⼝中的数值进⾏排序，位于观察窗中间的中值作为输出。
然后，丢弃最早的值，取得新的采样，重复上⾯的计算过程。
中值滤波是图像处理中的⼀个常⽤步骤，它对于斑点噪声和椒盐噪声来说尤其有⽤。
保存边缘的特性使它在不希望出现边缘模糊的场合也很有⽤。
为了演⽰中值滤波器的⼯作过程，我们给下⾯的数组加上观察窗 3 ，重复边界的数值： x = [2 80 6 3] y[1] = Median[2 2 80] = 2 y[2] = Median[2 80 6] = Median[2 6 80] = 6 y[3] = Median[80 6 3] = Median[3 6 80] = 6 y[4] = Median[6 3 3] = Median[3 3 6] = 3 于是 y = [2 6 6 3] 其中 y 是 x 的中值滤波输出。
普通中值滤波算法伪代码： Input: image X of size m*n, kernel radius r. output: image Y as X. for i = r to m - r do for j = r to n - r do initialize list A[] for a = i-r to i+r for b = j-r to j+r add X(a, b) to A[] end end sort A[] then Y(i ,j) = A[A.size/2] end end 处理前： 处理后： 但是，上述算法在像素处理处的复杂度为O(r2). OpenCV实现代码：#include "cv.h"#include "highgui.h"#include <iostream>using namespace std;using namespace cv;int main(int argc, char* argv[]){Mat src = imread("beauty.jpg");Mat dst;//参数是按顺序写的//⾼斯滤波//src:输⼊图像//dst:输出图像//Size(5,5)模板⼤⼩，为奇数//x⽅向⽅差//Y⽅向⽅差GaussianBlur(src,dst,Size(5,5),0,0);imwrite("gauss.jpg",dst);//中值滤波//src:输⼊图像//dst::输出图像//模板宽度，为奇数medianBlur(src,dst,3);imwrite("med.jpg",dst);//均值滤波//src:输⼊图像//dst:输出图像//模板⼤⼩//Point(-1,-1):被平滑点位置，为负值取核中⼼blur(src,dst,Size(3,3),Point(-1,-1));imwrite("mean.jpg",dst);//双边滤波//src:输⼊图像//dst:输⼊图像//滤波模板半径//颜⾊空间标准差//坐标空间标准差bilateralFilter(src,dst,5,10.0,2.0);//这⾥滤波没什么效果，不明⽩imwrite("bil.jpg",dst);waitKey();return0;}View Code 快速中值滤波算法： O(r)复杂度的Huang算法：<> 这个代码的核⼼在于维护⼀个kernel直⽅图，可以实现快速的读取和删除扫描区域的像素值。
中值滤波在数字图像去噪中的应用
中值滤波在数字图像去噪中的应用
数字图像是由像素点构成的，每个像素点都有对应的灰度值。
然而，现实中的图像很
容易受到噪声的影响，这导致像素点的灰度值出现了误差。
因此，在数字图像处理过程中，需要对这些噪声进行去除，以保证图像的质量。
中值滤波是数字图像去噪中最常用的方法之一，其基本思想是用像素点周围的像素值
的中值代替该像素点的灰度值。
在该方法中，采用一个算子(滤波器)在图像上进行滑动，
将算子覆盖区域内的像素值按照从小到大的顺序排列，然后取其中间值作为当前像素的新值。
这样，中值滤波能够有效地去除某些类型的噪声，例如椒盐噪声等。
中值滤波的应用非常广泛，以下列举几个例子：
1. 医学图像去噪
医学图像中常常存在一些突发的噪声，这些噪声会对图像的分析造成困扰。
通过使用
中值滤波，在保持图像细节的同时，有效地去除噪声。
2. 工业图像分析
工业图像通常存在一些随机噪声，如灯光的反射等。
使用中值滤波可以去除这些噪声，从而更好地进行图像分析。
3. 视频增强
在电影和视频中，经常存在噪声干扰，这些噪声会影响观众的观感。
利用中值滤波进
行去噪，可以大大改善视频质量，提高观影体验。
4. 地震波形去噪
在地震波形分析中，由于地震信号的低频组成部分与噪声的高频成分往往是错过的，
因此中值滤波可以在保留地震信号基本信息的情况下，有效地去除高频噪声。
总之，中值滤波是数字图像去噪领域最简单、有效和经济的一种方法，它在许多领域
中都有着广泛的应用。
数字图像处理实验报告（邻域平均法和中值滤波法）
数字图像处理实验报告（邻域平均法和中值滤波法）数字图像处理实验报告班级:姓名:学号:日期:邻域平均法和中值滤波处理一、实验目的图像变换是数字图像处理中的一种综合变换，如直方图变换、几何变换等。
通过本实验，使得学生掌握两种变换的程序实现方法。
二、实验任务请设计程序，分别用邻域平均法，其模板为：和中值滤波法对testnoise 图像进行去噪处理（中值滤波的模板的大小也设为3X 3）。
三、实验环境本实验在Windows 平台上进行，对内存及cpu 主频无特别要求，使用VC或者MINGW (gcc)编译器均可。
四、设计思路介绍代码的框架结构、所用的数据结构、各个类的介绍(类的功能、类中方法的功能、类的成员变量的作用)、各方法间的关系写。
在此不进行赘述。
五、具体实现实现设计思路中定义的所有的数据类型，对每个操作给出实际算法。
对主程序和其他模块也都需要写出实际算法。
代码：<邻域平均法>(3*3)#include#include#include#include "hdr.h" /* ------ 定义结构指针--- */struct bmphdr *hdr;// 定义用于直方图变量unsigned char *bitmap,*count,*new_color; /* ---- main() 函数编--- */ int main(){ //定义整数i，j 用于函数循环时的，nr_pixels 为图像中像素的个数int i, j ,nr_pixels,nr_w,nr_h; // 定义两个文件指针分别用于提取原图的数据和生成直方图均衡化后的图像FILE *fp, *fpnew; // 定义主函数的参数包括：输入的位图文件名和输出的位图文件名，此处内容可以不要，在DOS下执行命令的时候再临时输入也可，为了方便演示，我这里直接把函数的参数确定了。
//argc=3; //argv[1]="test.bmp"; //argv[2]="testzf.bmp"; // 参数输入出错显示/* if (argc != 3) {printf("please input the name of input and out bitmap files\n");exit(1);}*/// 获取位图文件相关信息// hdr = get_header(argv[1]); hdr = get_header("testnoise.bmp");if (!hdr) exit(1); // 以二进制可读方式打开输入位图文件fp = fopen("testnoise.bmp", "rb");if (!fp) {printf("File open error!\n");exit(1);} // 文件指针指向数据区域fseek(fp, hdr->offset, SEEK_SET)计算位图像素的个数nr_pixels = hdr->width * hdr->height;nr_w = hdr->width;nr_h = hdr->height;bitmap = malloc(nr_pixels);new_color = malloc(nr_pixels);count = malloc((nr_w+2)*(+nr_h+2));//读取位图数据到bitmap 中fread(bitmap, nr_pixels, 1, fp);fclose(fp);// 因为图像边缘无法使用邻域平均，所以根据邻近颜色填补图像的周围一圈，存入count[] 数组中// 中心图像存入count[] for(i=nr_w+3;i<(nr_w+2)*(+nr_h+2)-nr_w-3;i++) { j=i/(nr_w+2);if(i%(nr_w+2)!=0&&(i+1)%(nr_w+2)!=0) count[i]=bitmap[i-nr_w-1-2*j]; } // 填补第一排for(i=1;i} // 填补最后一排for(i=1;i} // 填补左边一排for(i=0;i} // 填补右边一排for(i=0;i<nr_h+3;i++)< p="">{ count[(i+1)*(nr_w+2)-1]=count[(i+1)*(nr_w+2)-2];}// 邻域平均3*3for(j=nr_w+3,i=0;j<(nr_w+2)*(+nr_h+2)-nr_w-3;j++) {if(j%(nr_w+2)!=0&&(j+1)%(nr_w+2)!=0)new_color[i]=(count[j]+count[j-1]+count[j+1]+count[j-nr_w-2]+count[j-1-nr_w-2]+count[j+1-nr_w-2]+count[j+nr_w+2]+count[j-1+nr_w+2]+count[j+1+nr_w+2])/9,i++; } //结果存入bitmap[] 中for (i = 0; i < nr_pixels; i++;bitmap[i]=new_color[i]; // 打开一个以输出文件名命名的文件,设为可写的二进制形式fpnew = fopen("test_lynoise.bmp", "wb+");// 由于位图文件的头部信息并没有因直方图均衡化而改变，因此输出图像的头部信息从原位图文件中拷贝即可：fwrite(hdr->signature, 2, 1, fpnew); fwrite(&hdr->size, 4, 1, fpnew);fwrite(hdr->reserved, 4, 1, fpnew); fwrite(&hdr->offset, 4, 1, fpnew); fwrite(&hdr->hdr_size, 4, 1, fpnew); fwrite(&hdr->width, 4, 1, fpnew); fwrite(&hdr->height, 4, 1, fpnew); fwrite(&hdr->nr_planes, 2, 1, fpnew); fwrite(&hdr->bits_per_pixel, 2, 1, fpnew); fwrite(&hdr->compress_type, 4, 1, fpnew); fwrite(&hdr->data_size, 4, 1, fpnew); fwrite(&hdr->resol_hori, 4, 1, fpnew); fwrite(&hdr->resol_vert, 4, 1, fpnew);fwrite(&hdr->nr_colors, 4, 1, fpnew); fwrite(&hdr->important_color, 4, 1, fpnew); if (hdr->offset > 54) fwrite(hdr->info, (hdr->offset - 54), 1, fpnew); // 直方图均衡化的数据(bitmap) 赋值fwrite(bitmap, nr_pixels, 1, fpnew);// 关闭fclose(fpnew);// 释放内存(优化程序必需) free(hdr);free(bitmap);</nr_h+3;i++)<>。
MATLAB中数字图像中值滤波的实现步骤
MATLAB中数字图像中值滤波的实现步骤MATLAB中数字图像中值滤波的实现步骤数字图像中值滤波是一种常用的图像处理技术，它可以有效地去除图像中的噪声。
在MATLAB中，实现数字图像中值滤波的步骤如下：1. 导入图像：首先，我们需要导入待处理的图像。
在MATLAB中可以使用imread函数来读取图像文件，并将其存储为一个矩阵。
2. 确定滤波窗口大小：中值滤波是一种局部处理方法，它通过对每个像素周围的邻域进行排序，并选择中间值作为滤波后的像素值。
因此，我们需要确定滤波窗口的大小。
通常情况下，窗口大小选择为奇数，以确保有一个中心像素。
3. 处理边界像素：由于滤波窗口通常是一个正方形或矩形，所以在图像的边界处可能会出现边界像素无法完全包含在滤波窗口内的情况。
为了解决这个问题，一种常见的做法是通过在图像的边界处填充一圈像素值来扩展图像。
在MATLAB中，可以使用padarray函数来实现边界像素的填充。
4. 遍历图像像素：对于图像中的每个像素，我们需要将它的邻域像素提取出来，并进行排序。
在MATLAB中，可以使用imcrop函数来提取邻域像素，并使用sort函数对像素进行排序。
5. 计算中值：排序后，我们可以直接选择排序后数组的中间值作为滤波后的像素值。
如果邻域大小为奇数，则中间值正好是排序后数组的中间元素；如果邻域大小为偶数，则可以选择中间两个元素的平均值作为中值。
在MATLAB中，可以使用median函数来计算中值。
6. 更新像素值：将计算得到的中值作为滤波后的像素值，并更新到图像矩阵中。
7. 输出结果：最后，我们可以使用imwrite函数将处理后的图像保存到文件中，或使用imshow函数显示处理结果。
以上就是MATLAB中实现数字图像中值滤波的步骤。
通过对图像进行中值滤波处理，可以有效地去除噪声，提高图像质量。
数字图像处理中的图像滤波研究
数字图像处理中的图像滤波研究一、引言图像滤波是数字图像处理中的重要技术之一，用于改善图像的质量和增强图像的特定特征。
图像滤波可以去除图像中的噪声和不必要的细节，从而提高图像的视觉效果和信息传输性能。
本文将深入探讨数字图像处理中的图像滤波研究。
二、图像滤波的基本原理图像滤波是通过对图像进行局部加权平均或差值运算，改变图像的灰度分布和空间响应，从而实现图像的模糊、锐化、增强等效果。
图像滤波主要包括线性滤波和非线性滤波两种方法。
2.1 线性滤波线性滤波是指通过卷积操作实现的滤波方法。
常见的线性滤波器包括均值滤波器、高斯滤波器和中值滤波器等。
均值滤波器通过对图像区域内像素值进行平均，从而实现图像的模糊效果；高斯滤波器则通过对图像区域内像素值进行加权平均，从而实现图像的模糊和去噪效果；中值滤波器则通过选取区域内像素值的中值，从而实现图像的去噪效果。
2.2 非线性滤波非线性滤波是指通过对图像像素值进行排序和比较，选择滤波器的操作方法。
常见的非线性滤波器包括基于排序统计的滤波器、自适应滤波器和边缘保留滤波器等。
基于排序统计的滤波器通过对图像像素值进行排序，并选择特定位置的像素值进行滤波，从而实现图像的锐化和边缘增强效果；自适应滤波器则通过根据图像局部统计特性改变滤波器参数，从而实现图像的自适应处理；边缘保留滤波器则通过保留图像边缘信息的方式进行滤波，从而实现图像的去噪效果。
三、图像滤波的应用图像滤波在各个领域都有广泛的应用。
3.1 图像去噪图像去噪是图像滤波的一大应用领域。
通过应用不同的滤波器和滤波方法，可以去除图像中的椒盐噪声、高斯噪声等不同类型的噪声，提高图像的质量和清晰度。
3.2 图像增强图像增强是通过滤波方法改善图像的对比度、边缘和细节，从而使图像更加鲜明和清晰。
常见的图像增强方法包括直方图均衡化、区域增强和多尺度增强等。
3.3 图像特征提取图像滤波还可以应用于图像特征提取。
通过选择合适的滤波器和滤波算法，可以有效地提取图像中的边缘、纹理和角点等特征，为后续图像处理和分析提供基础。
简述数字滤波中的中值滤波法
中值滤波是一种数字信号处理中常用的非线性滤波方法，用于去除信号中的噪声或异常值。
中值滤波的原理是取窗口中所有像素值的中间值作为该位置的新值。
中值滤波的步骤如下：
1. **定义窗口大小：** 选择一个合适大小的窗口，通常是一个正方形或矩形的邻域。
窗口的大小取决于噪声的性质和图像的特点。
2. **将窗口放置在图像的每个像素位置上：** 对于每个位置，将窗口覆盖的像素值按大小进行排序。
3. **选择中值作为新的像素值：** 将排序后的像素值中间的值（中值）赋给当前位置的像素。
中值滤波的优点包括对椒盐噪声等离群点较为鲁棒，不容易受到极端值的影响。
然而，它的缺点是对图像边缘细节的保护较差，可能导致图像模糊。
中值滤波在图像处理、信号处理和其他领域中被广泛应用，特别是在需要去除噪声的情况下。
多媒体图像处理实验——中值滤波实验报告
中值滤波：一．实验原理中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。
二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。
W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
二．实验内容用大小为5×5的中值滤波器对图1进行处理，在不同窗口中显示原图像及各处理结果图像。
图1—待处理图像三．实验程序%对边缘进行拓展再进行5*5滤波clearI=imread('D:\lvbo.jpg'); %读入原图像I=double(I);figure()subplot(121); %画出原图像imshow(I,[]);title('before');[M,N]=size(I);new=ones(M+4,N+4); %定义对原图像进行边沿拓展之后的新图像new(3:(M+2),3:(N+2))=I(1:M,1:N);%3到M+2行，3到N+2列与原图像相等new(1,3:N+2)=I(2,:); %行对称拓展new(2,3:N+2)=I(1,:);new(M+3,3:N+2)=I(M,:);new(M+4,3:N+2)=I(M-1,:);new(:,1)=new(:,4); %列对称拓展new(:,2)=new(:,3);new(:,N+3)=new(:,N+2);new(:,N+4)=new(:,N+1);for i=1:M; %1到M 行，1到N 列用5*5模板循环计算中值并赋值给中间数 for j=1:N; %即进行中值滤波A=new(i:i+4,j:j+4);A=A(:);B=sort(A,'ascend');C=median(B);new(i+2,j+2)=C;end ;end ;D=new(3:M+2,3:N+2);subplot(122);imshow(D,[]);title('after'); %显示均值滤波后的图像四．结果分析经过中值滤波前后图像如图2所示，由图可以看出，中值滤波后，去除了椒盐噪声，且处理之后的图像相比较于均值滤波处理之后的图像清晰，所以中值滤波效果优于均值滤波。
中值滤波处理
中值滤波处理中值滤波处理——一种常见的数字图像处理技术数字图像处理是计算机视觉领域中重要的一部分，其目的是对数字图像进行处理和改进，以便更好地满足人类的需求。
其中，中值滤波是常见的一种数字图像处理技术。
中值滤波是一种非线性滤波方法，其基本思想是取一个滤波模板中的所有像素值，按照大小排序后取中间值作为当前像素的新值，以此来消除噪声、平滑图像等。
中值滤波处理技术通常在数字图像处理中广泛应用，特别是在噪声较大的情况下，能够对图像进行更好的改进和处理。
从算法原理上来看，中值滤波处理主要分为以下几个步骤：首先，需要设置窗口大小，即需要对滤波的区域进行设置，一般设置为3x3、5x5、7x7等区域。
然后，需要将当前像素点与周围窗口中的所有像素值进行排序，以得到其中位数。
最后，将该中位数赋值给当前像素点，从而得到处理后的图像。
需要注意的是，在处理过程中，窗口的大小设置和像素排序都会对结果产生影响，因此需要根据实际需求进行合理的选择。
中值滤波处理技术具有多种优势。
首先，由于其非线性特性，能够更好地处理非正态分布的噪声。
其次，由于中值滤波是一种非参数方法，对数据的分布情况不作任何适应性假设，因此更加适用于各种类型的数字图像。
此外，相对于其他平滑滤波技术，中值滤波处理技术在细节保持方面更加出色，能够更好地保留图像细节，提高图像的清晰度和质量。
尽管中值滤波处理技术具有诸多优势，但也存在着一些缺点。
其中，最明显的一点是，在处理过程中会导致图像细节信息的损失，特别是在处理较大噪声的情况下。
此外，在处理过程中，由于要进行像素值的排序，因此处理时间较长，对于大规模数字图像处理较困难。
综上所述，中值滤波处理技术是数字图像处理中一种常见而又重要的处理技术。
虽然存在一些缺点，但其非线性特性和较好的细节保持能力使其在噪声较大、需要保留图像细节等方面有着广泛的应用。
因此，中值滤波处理技术在数字图像处理技术领域中有着重要的地位和发展前景。
图像处理中的数字图像滤波算法
图像处理中的数字图像滤波算法图像处理是计算机科学领域中的一个重要研究方向，它涉及到对图像进行各种操作和处理，以提取有用的信息。
其中，数字图像滤波算法是图像处理中的一项基本技术，它可以改善图像的质量、增强图像的细节，并去除图像中的噪声。
本文将探讨数字图像滤波算法的原理和应用。
一、数字图像滤波算法的原理数字图像滤波算法是基于信号处理理论的一种技术，它通过对图像进行一系列的数学运算，改变图像中像素的值，从而实现对图像的增强和去噪。
常见的数字图像滤波算法包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而常用的滤波算法，它通过计算像素周围邻域内像素的平均值来代替当前像素的值。
均值滤波可以有效地去除图像中的高频噪声，但会导致图像的细节丢失。
2. 中值滤波中值滤波是一种非线性滤波算法，它通过计算像素周围邻域内像素的中值来代替当前像素的值。
中值滤波可以有效地去除图像中的椒盐噪声和脉冲噪声，但对于连续的噪声效果不明显。
3. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波算法，它通过计算像素周围邻域内像素的加权平均值来代替当前像素的值。
高斯滤波可以有效地平滑图像，并保持图像的细节信息。
二、数字图像滤波算法的应用数字图像滤波算法在图像处理中有着广泛的应用，下面将介绍几个常见的应用场景。
1. 图像去噪图像中的噪声会降低图像的质量和清晰度，使得图像难以被正确解读。
数字图像滤波算法可以通过去除图像中的噪声，提高图像的质量和清晰度。
其中，中值滤波在去除椒盐噪声和脉冲噪声方面效果较好，而高斯滤波则适用于平滑图像并去除高频噪声。
2. 图像增强在某些情况下，图像的细节可能因为光照不均匀、噪声等原因而不够清晰。
数字图像滤波算法可以通过增强图像的细节，使得图像更加清晰和易于观察。
其中，锐化滤波是一种常用的图像增强算法，它通过增加图像的对比度和边缘来提高图像的清晰度。
3. 图像边缘检测图像边缘是图像中灰度变化较大的区域，对于图像的分割和特征提取具有重要意义。
测绘技术中的数字影像处理方法介绍
测绘技术中的数字影像处理方法介绍数字影像处理是测绘技术中一个重要的方向，广泛应用于地理信息系统、遥感技术和测绘图像处理等领域。
本文将介绍数字影像处理的基本原理和常用方法，涵盖图像预处理、特征提取和分类识别等方面。
1. 图像预处理图像预处理是数字影像处理的第一步，主要目的是对原始图像进行噪声去除、增强、几何校正等处理，提高后续处理的效果。
常用的图像预处理方法包括滤波、图像增强和几何校正。
滤波是一种常用的图像预处理方法，它通过对图像进行平滑处理，消除图像中的噪声。
常见的滤波方法有均值滤波、中值滤波和高斯滤波等。
均值滤波通过计算图像窗口内像素的平均值来滤波，适用于较小的噪声；中值滤波则通过计算图像窗口内像素的中位数来滤波，对于斑点噪声效果较好；而高斯滤波则采用高斯函数对像素进行加权平均，适用于高斯噪声。
图像增强是通过对图像的亮度、对比度、颜色和清晰度等进行调整，提高图像质量。
常见的图像增强方法有直方图均衡化、对比度拉伸和图像锐化等。
直方图均衡化通过重新分配像素的灰度级，使得图像的像素值在整个灰度范围内均匀分布，提高图像对比度；对比度拉伸则通过扩展图像的灰度范围，增加图像的亮度差异；而图像锐化则通过增强图像的边缘、纹理和细节来提高图像清晰度。
几何校正是对图像进行变换，使得图像中的线段和角度恢复到真实的地理坐标。
常用的几何校正方法有刚性变换和非刚性变换。
刚性变换适用于与地面坐标存在固定比例关系的图像，如正射影像；而非刚性变换适用于需要考虑地形起伏、变形等因素的图像，如航空影像。
2. 特征提取特征提取是数字影像处理的关键环节，主要目的是从图像中提取出能够描述和表达地物特征的信息。
常用的特征提取方法包括几何特征、纹理特征和频谱特征等。
几何特征是指从图像中提取出的形状和几何结构等特征。
常见的几何特征有面积、周长、中心点、形状和方向等。
几何特征在地物分类和目标提取等方面有广泛应用，如用于提取建筑物、道路和水域等地物。
数字图像处理实验三中值滤波和均值滤波实验报告
数字图像处理实验三均值滤波、中值滤波的计算机实现12281166 崔雪莹计科1202 班一、实验目的：1）熟悉均值滤波、中值滤波处理的理论基础；2）掌握均值滤波、中值滤波的计算机实现方法；3）学习VC++ 6。
0 的编程方法；4）验证均值滤波、中值滤波处理理论；5）观察均值滤波、中值滤波处理的结果。
二、实验的软、硬件平台：硬件：微型图像处理系统，包括：主机，PC机；摄像机；软件：操作系统：WINDOWS2000或WINDOWSXP应用软件：VC++6.0三、实验内容：1）握高级语言编程技术；2）编制均值滤波、中值滤波处理程序的方法；3）编译并生成可执行文件；4）考察处理结果。
四、实验要求：1）学习VC+确6。
0编程的步骤及流程；2）编写均值滤波、中值滤波的程序；3）编译并改错；4）把该程序嵌入试验二给出的界面中（作适当修改）；5）提交程序及文档；6）写出本次实验的体会。
五、实验结果截图实验均值滤波采用的是3X3的方块，取周围的像素点取得其均值代替原像素点。
边缘像素的处理方法是复制边缘的像素点，增加一个边框，计算里面的像素值得均值滤波。
均值氓浜1W赵六、实验体会本次实验在前一次的实验基础上增加均值滤波和中值滤波，对于椒盐噪声的处理，发现中值滤波的效果更为好一点，而均值滤波是的整个图像变得模糊了一点，效果差异较大。
本次实验更加增加了对数字图像处理的了解与学习。
七、实验程序代码注释及分析// HistDemoADIg.h :头文件//#in elude "ImageWnd.h"#pragma once// CHistDemoADIg 对话框classCHistDemoADIg : public CDialogEx{//构造public:CHistDemoADlg(CWnd* pParent = NULL); // 标准构造函数intnWidth;intnHeight;intnLen;intnByteWidth;BYTE *lpBackup;BYTE *lpBitmap;BYTE *lpBits;CStringFileName;CImageWndsource,dest;// 对话框数据enum { IDD = IDD_HISTDEMOA_DIALOG };protected:virtual void DoDataExchange(CDataExchange* pDX); // DDX/DDV 支持// 实现protected:HICON m_hIcon;// 生成的消息映射函数virtual BOOL OnInitDialog();afx_msg void OnSysCommand(UINT nID, LPARAM lParam);afx_msg void OnPaint();afx_msg HCURSOR OnQueryDragIcon();DECLARE_MESSAGE_MAP()public:voidLoadBitmap(void);afx_msg void OnOpen();afx_msg void OnHist();voidHistogramEq(void);voidNoColor(void);void HistogramEq1(intnWidth,intnHeight,BYTE *lpInput,BYTE *lpOutput);voidMeanFilter(intnWidth,intnHeight,BYTE *lpInput,BYTE *lpOutput);voidMedianFilter(intnWidth,intnHeight,BYTE *lpInput,BYTE *lpOutput); afx_msgvoid OnBnClickedClose();afx_msg void OnBnClickedMeanfilter();afx_msg void OnBnClickedMedianfilter();};HistDemoADlg.cpp 对HistDemoADlg.h 进行具体的实现，OnOpen() 函数响应ID 为IDC_OPEN的按钮事件，而且会调取文件选择对话框，选取文件之后，会显示在原始图像区域显示对应的位图图像，OnHist()函数会响应ID为IDC_HIST的按钮事件，调用HistogramEq()进行直方图均衡化的处理，HistogramEq()会调用HistogramEq1()进行直方图均衡化的处理，并用dst.setlmage()显示处理之后的图像，以及NoColor()函数，对原始图像转化为灰度图像之后再显示。
中值滤波在数字图像去噪中的应用
中值滤波在数字图像去噪中的应用数字图像处理是现代科学技术领域中的一个重要领域。
随着科技的不断进步，数字图像的应用越来越广泛，例如数字摄像机、星座观测、医疗影像、雷达图像、卫星图像等。
数字图像中常常含有噪声，这是由于图像信号采样、传输过程中受到干扰或者由于图像处理过程中产生的。
因此，数字图像去噪一直是数字图像处理的重要研究课题之一。
中值滤波是去噪中常用的一种方法，本文将从中值滤波的原理、应用和发展等方面对其做进一步讨论。
一、中值滤波的原理中值滤波是通过选择像素区域内像素灰度值的中值来代替该像素值的方法。
它通过对图像中每个像素周围的像素进行排序，选取中间值来代替该像素值，使得噪声信号受到抑制，从而达到去噪的目的。
对于大小为3x3的模板，在图像中移动时，中心像素总是选择与其相邻的8个像素组成一个9个像素的区域，然后从这个9个像素的区域中选择一个中间值来代替中心像素的值。
中值滤波是图像处理中去噪的一种有效方法，它被广泛应用于数字图像处理的各个领域。
具体应用如下：1、医疗图像的去噪处理在医疗方面，中值滤波已经成为影像处理中常用的方法之一，例如CT扫描图像、MRI 影像，以及X射线等。
在这些影像处理中，中值滤波可以使噪声减少，从而使图像变得更加清晰，同时保留了图像中头骨、气管等皮质骨边缘等特征。
在实时视频领域，中值滤波同样被广泛应用。
例如在视频压缩场景中，利用中值滤波能够减少高频分量的噪声，最终提高视频信号的质量，降低编码码率；在智能监控的场景中，中值滤波可以减少图像噪声，使得图像特征更加明显。
3、手写数字识别的预处理在手写数字识别中，中值滤波可以去掉手写数字图像中的噪声，减小对手写数字识别的影响，最终使得手写数字识别的识别率更加准确。
中值滤波虽然是一种简单的图像去噪方法，但是其准确性却得到了广泛的认可，因此在中值滤波的基础上，也出现了很多相关的算法和方法。
例如：1、自适应中值滤波自适应中值滤波是一种在局部图像区域内选择最佳中值滤波半径的扩展方法。
取中值滤波算法
取中值滤波算法
中值滤波算法是一种非线性平滑技术，其基本原理是将像素点某个邻域窗口内的所有像素点灰度值的中值作为该像素点的输出值，以消除孤立的噪声点。
具体来说，中值滤波算法的实现步骤如下：
1. 定义一个滑动窗口，大小可以根据实际情况选择，例如33、55等。
2. 将滑动窗口放置在待处理的像素点上，并将窗口内的所有像素点按照灰度值的大小进行排序。
3. 选取排序后中间位置的像素点的灰度值作为输出值，即作为该像素点的中值。
4. 将滑动窗口移动到下一个待处理的像素点上，重复步骤2和步骤3，直到处理完整个图像。
中值滤波算法特别适用于消除椒盐噪声等类型的孤立噪声点，因为它能够将周围的像素值接近真实值，从而消除孤立的噪声点。
同时，中值滤波算法也具有较好的边缘保护能力，能够保留图像的细节和边缘信息。
需要注意的是，中值滤波算法的时间复杂度较高，因为需要对每个像素点的邻域内的所有像素点进行排序操作。
因此，在实际应用中，可以采用一些优化技术来加速中值滤波算法的运算过程，例如使用快速排序算法进行排序等。
一种有效的中值滤波图像盲取证检测方案
关键 词 ： 盲取 证 ； 中值 滤波 ； 相 关性描 述子 ； 增强特征 中图分 类号 ： Ｔ Ｐ ３ ７ 文献标 识码 ： Ａ 文章编 号 ： １ ６ ７ ３ ． ５ ６ ９ ２ （ ２ ０ １ ７ ） ０ ６ － ６ ６ ８ － ０ ７
ｎ ｅ ｃ ｅ ｓ ｓ ａ ｙ ．Ｓ ｒ ｏ ａ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｂ ｌ ｉ ｎ ｄ ｆ ｏ ｒ ｅ ｎ ｓ ｉ ｃ ｓ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｓ ｃ ｈｅ ｍｅ ｏ ｆ ｄ ｉ ｇ ｉ ｔ ａ ｌ ｉ ｍａ ｇ ｅ ｗａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ． Ｆ ｉ ｒ ｓ ｔ ｌ ｙ，ｔ ｈ ｅ ｓ ｃ ｈ ｅ ｍｅ ｓ ｔ ｕｄ ｉ ｅ ｄ ｔ ｈ ｅ ｃ ｏ ｍｐｌ ｅ ｘ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｂ ｙ ｍｅ ｄ ｉ ａ ｎ ｉｌ ｆ ｔ ｅ ｉｎ ｒ ｇ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ａ ｎ ａ ｌ ｙ ｚ ｉ ｎ ｇ ｔ ｈ ｅ ｐ ｉ ｘ ｅ ｌ ｄ ｉ ｆ ｆ ｅ ｒ — ｅ ｎ ｃ ｅ ｓ ｏ ｆ ｉ ｍａ ｇ ｅ ｓ ．Ｔｈ ｅ ｎ，ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ｃ ｏ ｍｐｕ ｔ ｅ ｄ ａ ｌ ｏ ｎ ｇ ａ ｓ ｐｅ ｃ ｉ ｉｃ ｆ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｗｅ ｒ ｅ ｄ ｅ ｓ ｃ ｉｂ ｒ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ａ ｌ ｉ ｎ ｅ ａ ｒ ｐ ｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｔ ｏ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ａ ｌ ｉ ｎｅ ａ ｒ ｄ ｅ ｓ ｃ ｉｐ ｒ ｔ ｏ ｒ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｓ ；ａ ｎ ｄ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｃ ｏ ｍｐ ｕ ｔ ｅ ｄ ａ ｌ ｏ ｎ ｇ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｓ ｗｅ ｒ ｅ ｄ ｅ ｓ ｃ ｉｂ ｒ ｅ ｄ ｂ ｙ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｈ ｉ ｓ ｔ ｏ ｇ ｒ ａ ｍ ｏ ｆ ｒ ｏ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ ｌ ｏ ｃ ａ ｌ ｂ ｉ ｎａ ｙ ｒ ｐ ａ ｔ ｔ ｅ ｒ ｎ ｔ ｏ ｆ ｏ ｒ ｍ ａ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｄ ｅ ｓ ｃ ｒ ｉ ｐ ｔ ｏ ｒ ．Ｆ ｉ ｎ ａ ｌ ｌ ｙ，ａ ｎ ｅ ｎ ｈ ａ ｎｃ ｅ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ Ｌ Ｎ ｗａ ｓ ｐ ｒ ｅ ｓ ｅ ｎ — ｔ ｅ ｄ ｂ ｙ ｉ ｎ ｃ ｏ ｒ ｐ ｏ ｒ ａ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｔ ｗｏ ｄｅ ｓ ｃ ｉｐｔ ｒ ｏ ｒ ｓ ｗｈ ｉ ｃ ｈ ｍａ ｋ ｉ ｎ ｇ ｔ ｈｅ ｍｅ ｄ ｉ ａ ｎ ｉ ｆ ｌ ｔ ｅ ｉｎ ｒ ｇ ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｐ ｅ ｆｏ ｒ ｒ ｍａ ｎ ｃ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｆ ｕ ｒ ｔ ｈ ｅ ｒ ．Ｔｈ ｅ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｄ ｅ ｍｏ ｎ ｓ ｔ ｒ ａ ｔ ｅ ｄ ｔ ｈａ ｔ ｔ ｈ ｅ ｎ ｏ ｖ ｅ ｌ ｍｅ ｔ ｈ ｏ ｄ ｇ ａ ｉ ｎ ｅ ｄ ｆ ａ ｖ ｏ ｒ ａ ｂ ｌ ｅ ｐｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ｃ ｏ ｍｐ ａ ． ．
图像处理-中值滤波定位中值的方法
图像处理-中值滤波定位中值的⽅法上图为对⼀幅图⽚加窗后的3*3像素矩阵，进⾏中值滤波时需要找出9个像素中的中值，然后将其赋值给中⼼像素，上图采⽤的⽅法是先对每⼀⾏进⾏⼤中⼩的数值排序，然后提取三个最⼩值中的最⼤值，三个中值中的中值，三个最⼤值中的最⼩值，对提取的三个数值再做⼀次⼤中⼩排序，此时得到的中值即为所需要的9个像素值的中值，将其赋值给M22即可实现中值滤波。
下⾯介绍上⾯这种寻找中值的⽅法的原理，原理简单粗暴，对每⾏排序的元素进⾏⼀次整体定位：将9个元素填充⾄上图的9个格⼦中，中值位于格⼦5。
在对三⾏进⾏排序后，若想找到中值，则必须找到最后⼀次排序所需要的三个数，即可能能够填⼊5的值，⽽刚好，这样的值再经过两次排序后仅有三个：原理如下1：最⼩值中的最⼤值，为什么选最⼩值中的最⼤值作为最终的排序元素，第⼀次排序后的三个最⼩值Min1，Min2，Min3中的最⼩值必然是9个元素的最⼩值，只能填⾄格⼦1，假如此时填⼊格⼦1的为Min1，则三个最⼩值中的中值⼀定⽐Min1⼤，所以中值可能填⼊的格⼦号⼀定⼤于等于2，并且⼀定⼩于当前⾏的中值和最⼤值以及三个最⼩值中的最⼤值所在⾏的所有元素，共五个元素，则可能填⼊的格⼦号⼀定⼩于5，则三个最⼩值中的中值可能填⼊的格⼦号为2~4；最后三个最⼩值中的最⼤值同理可能填⼊的格⼦号为3~7；则该最⼤值成为可能填⼊格⼦5的备选项。
2：三⾏的三个中值的中值为何能够成为备选项也采⽤上述的分析模式，三个中值中的最⼩值可能填⼊的格⼦号为2~4；三个中值中的中值可能填⼊的格⼦号为4~6，三个中值中的最⼤值可能填⼊的格⼦号为7~8。
则该中值成为可能填⼊格⼦5的备选项。
3：同理，三个最⼤值中最⼩值可能格⼦号3~7，中值可能格⼦号为6~8，最⼤值必定为所有元素的最⼤值，即只能填⼊格⼦9。
则该最⼩值成为可能填⼊格⼦5的备选项。
最后在上述三个备选项中选出中值即为所有元素的中值，唯⼀⼀个能够填⼊格⼦5的元素。
数字图像中值滤波操作的取证检测
四、数字图像中值滤波操作的取证检测
（二）、中值滤波取证
基本目标：设计一种取证算法，对给定一幅自然照片图像，鉴 别其是否经历过中值滤波操作。
关键问题：如何构造并提取有效的特征测度，利用合适的模式 分类方法区分经历中值滤波操作前后的数字图像，同时能区分中值 滤波操作与其它各种图像处理操作。
四、数字图像中值滤波操作的取证检测
2 2
（ 8）
由式(8)可以看出，概率 P{ y(n) y(n 1)} 的大小仅依赖于共同元素集 Cx 中排序在最中间的两个元素值，即 c ( r ) 和 c(r 1) 。
四、数字图像中值滤波操作的取证检测
图2所不为不同 c ( r )和 c(r 1)取值下 P{ y(n) y(n 1)}的可视化概率图。从中可 以看到，当 c ( r ) 和c(r 1) 越接近时，越靠近对角线c ( r ) =c(r 1) 附近，滤波 c(r ) 和 c(r 1) 间差值不高于100时，此概 后相邻像素相等的概率越大。当 率基本保持大于0.5。
四、数字图像中值滤波操作的取证检测
基于式(5)和式(6)，可计算 y(n) 和 y (n 1) 相等的概率如下：
P{ y(n) y(n 1)} P{x(n r ) [0, c(r )], x(n r 1) [0, c(r )]} P{x(n r ) [c(r ), c(r 1)], x(n r 1) [c(r ), c(r 1)], x(n r ) x(n r 1)} P{x(n r ) [c(r 1),255], x(n r 1) [c(r 1),255]}
c(r ) y ( n) x ( n r ) c(r 1)
数字图像 中值滤波实验报告 matlab
数字图像中值滤波实验报告 matlab中值滤波一、实验目的：①掌握中值滤波的原理、滤波过程；②熟悉Matlab编程。
二、实验内容：利用中值滤波，对图像进行滤波；三、实验原理：中值滤波是一种非线性滤波，于它在实际运算过程中并不需要图像的统计特性，所以比较方便。
中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。
在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。
但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。
中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。
设有一个一维序列f1，f2，…，fn，取窗口长度为m(m 为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数，fiv，…。
fi1，…，f1，…，fi1，…，fiv，其中i为窗口的中心位置。
vm12。
再将这m个点按其数值大小排列，取其序号为正中间的那作为出。
用数学公式表示为:YiMedfiv,,fi,,fiviZ,vm12 (2-2)例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。
此例若用平均滤波，窗口也是取5，那么平均滤波输出为般输出为: Zifivfiv1fifivm iZ (2-3)034075。
因此平均滤波的一对于二位序列Xij进行中值滤波时，滤波窗口也是二维的，但这种二位窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。
二维数据的中值滤波可以表示为：Yi,jMed{Xij},A为滤波窗口A (2-4)在实际使用窗口时，窗口的尺寸一般先用33再取55逐渐增大，直到其滤波效果满意为止。
对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。
使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
四、数字图像中值滤波操作的取证检测
（二）、中值滤波取证
基本目标：设计一种取证算法，对给定一幅自然照片图像，鉴 别其是否经历过中值滤波操作。
关键问题：如何构造并提取有效的特征测度，利用合适的模式 分类方法区分经历中值滤波操作前后的数字图像，同时能区分中值 滤波操作与其它各种图像处理操作。
四、数字图像中值滤波操作的取证检测
三、数字图像取证方法
目前的数字图像认证方法包括主动图像认证方法和被动图像 认证方法。
主动图像认证一般应用数字签名或脆弱水印方法来验证图像 内容的原始性和真实性，能够标记出篡改的位置。
被动图像认证，即数字图像取证，是指在不依赖任何预签名 或预嵌入信息的前提下，对图像数据的原始性、真实性及来源进 行鉴别。数字图像取证的基本原理是利用原始图像数据自身画有 特征所具有的一致性和独特性，作为自身的“固有指纹”，任何 篡改操作都会在一定程度上破坏它们的完整性，且操作自身会遗 留下新的指纹性痕迹；每幅图像均携有其摄取设备所独有的成像 通道信息，具有一定的可区分性，由此可实现对图像获取设备， 即图像源，的盲鉴别。
1、统计特性分析 为分析中值滤波前后信号统计特性的变化，首先需要对中值滤波操作进 行公式化描述。中值滤波器的输出依赖于局部邻域内数字元素的排序，中 值滤波即取排位在最中间的一个元素(或两个元素的均值)作为输出。为简化 分析，将以一维数字序列为滤波对象，可将其理解成一幅数字图像中的某 一行或列像素值。图1所示为中值滤波过程中相邻输出元素的计算示意图。
数字图义 二、数字图像操作分类 三、数字图像取证方法分类 四、数字图像中值滤波操作的取证检测
参考文献
[1] Cao G, Zhao Y, Ni R, et al. Forensic detection of median filtering in digital images[C]// Multimedia and Expo (ICME), 2010 IEEE International Conference on. IEEE, 2010:89-94. [2] 曹刚. 数字图像操作取证技术研究[D]. 北京交通大学, 2013.
三、数字图像取证方法
本文主要探讨数字图像中值滤波操作的取证检测，从理论上分析了中 值滤波所引起的图像一阶微分域统计特性异常，基于此提出了一种快速有 效的中值滤波操作检测算法。
四、数字图像中值滤波操作的取证检测
（一）问题描述及分析
在数字图像中值滤波取证方面，拟解决的问题是判断给定图像是 否经历过中值滤波操作。在此，主要考虑经典的中值排序滤波算子， 即取窗口内排位在中间的元素值为输出值。
数字图像操作取证技术正是在这样的背景下提出，旨在通过被动的 盲分析手段来认证图像数据的原始性和真实性、鉴别和分析图像所经历 的操作处理及估计图像的操作历史。该技术的特点是仅以图像数据本身 为分析对象，不需对图像进行额外的预处理，可用于认证当前已广泛流 通的网络数字图像。
一、研究背景及意义
在2004年美国总统竞选活动中，一张记录民主党候选人约翰·克里跟女明星简·方达在反越战 集会上同台出现的图像在网络上广泛流传，引发的政治联想不言而喻；虽然此照片后来被证 实是由两张不同出处的原始照片拼接而成，但当时对候选人的政治命运已产生重大影响。
一、研究背景及意义
数字图像的广泛应用促进了数字图像编辑工具的开发与应用普及， 如Adobe Photoshop、ACDSee、CorelDRAW 和Windows操作系统自带的 画板(Paint)等。利用这些编辑工具，越来越多的用户开始对数字照片图 像进行自由随意的修改，以达到润饰照片和增强视觉效果的目的。然而， 这也使得对图像数据形式及内容的改动变得更加容易，给一些带有非法 目的的恶意用户以可乘之机，在未经授权的情形下对图像数据与内容进 行非法操作，如违规编辑、合成虚假图像等，从而造成虚假图像在人们 的社会生活中泛滥成灾。
中值滤波是一种次序统计滤波器，相关参数是窗口大小。通过频 率特性分析可以发现，中值滤波是一种低通滤波器，定性的分析可以 得出结果：当频率w 2 / n时，中值滤波与均值滤波频率响应是相似的， 其中n表示中值滤波窗口长度。故从频域分析的角度较难检测中值滤 波操作。
然而，依据中值计算的本质，通过观察相邻像素滤波前后的相关 性发现，经过中值滤波后自然图像非平滑区域的一阶微分统计特性出 现异常，由此可设计相应的中值滤波取证算法。
（2）
其中，median{}表示计算所指定数值集合的中值；y(n),n 0,1,2,...,N,
为滤波后的数字序列；滤波器的窗口宽度为（2r+1）。相应地易
得
y(n 1) median {x(i)}
（3）
{i[ nr 1,n r 1]}
美国新闻记者在报道2003年伊拉克战争时伪造的新闻照片图像，事发后当事记者被报社开除。
二、数字图像操作分类
依据用户的行动意图，数字图像操作可分为恶意操作和非恶意操作。 诸如拼接、合成和复制粘贴等内容改变型操作会调整图像的内容结构及 语义表达，通常被视为恶意操作；诸如滤波、对比度调节和重釆样等内 容保持型操作仅影响图像的视觉质量而未改变图像语义，通常被视为非 恶意操作。常用的数字图像操作方法有: 1)拼接。 2)滤波。滤波是一种广泛使用的数字图像处理方式，主要包括低通滤波、 锐化滤波和中值滤波等三种常见的滤波算子。其中，中值滤波是一种次 序统计滤波，以邻域内系列元素的中间值作为其滤波单元的输出。中值 滤波的特性是在平滑图像的同时能较好地保持边缘，其独特的应用是去 椒盐噪声。 3)对比度增强。 4)重采样。 5)压缩编码。
图1 原始信号x(n) 经历中值滤波后变为y(n)
四、数字图像中值滤波操作的取证检测
假设原始数字序列为
x(n),n 1,2,...,N
（1）
考虑常用的8比特灰度级深度的数字图像，故假定x(n)[0,255] 。经
过传统的中值滤波处理后变为
y(n) median {x(i)} {i[nr,nr ]}