同时含有椒盐噪声和高斯噪声的图像消噪处理
基于matlab的图像高斯噪声和椒盐噪声的滤除
2.3 结论
在图像处理过程中,消除图像的噪声干扰是一个非常重要的问题,本文利用matlab软件,采用高斯滤波的方式,对带有椒盐噪声的图像进行处理,经过滤波后的图像既适合人眼的视觉感觉又能够消除图像中的干扰影响。
通过本次试验我们可以看到高斯滤波对于滤除图像的“椒盐”噪声非常有效，它可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，尤其在滤除叠加白噪声和长尾叠加噪声方面显出极好的性能。
一、对于椒盐噪声，中值滤波效果比均值滤波效果好。
原因：
1、椒盐噪声是幅值近似相等但随机分布在不同的位置上，图像中有干净点也有污染点。
2、中值滤波是选择适当的点来代替污染点的值，所以处理效果好。
3、因为噪声的均值不为零，所以均值滤波不能很好地去除噪声点。
二、对于高斯噪声，均值滤波效果比中值滤波效果好。
原因：
1、高斯噪声是幅值近似正态分布，但分布在每点像素上。
2、因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。
3、因为正态分布的均值为零，所以均值滤波可以削弱噪声。
数字图像去噪处理
一．加噪f=imread('mch.tif');figure(1);imshow(f);title('原始图像');g=imnoise(f,'salt & pepper',0.2);figure(2);imshow(g);title('椒盐噪声污染的图像');二．图像去噪1.均值滤波器【1】均值滤波：本例对一幅数字图像添加高斯噪声，并分别用3*3和7*7均值滤波模板进行噪声的滤除。
所需程序代码如下：clear all%打开图像I=imread('mch.tif');%创建均值滤波模板H1=ones(3)/9;H2=ones(7)/49;%添加高斯噪声，均值为0，方差为0.02 J=imnoise(I,'gaussian',0,0.02);%转换J为double数据类型J=double(J);%均值滤波G1=conv2(J,H1,'same');G2=conv2(J,H2,'same');%图像显示subplot(2,2,1);imshow(I);title('原始图像');subplot(2,2,2);imshow(J,[]);title('添加高斯噪声图像');subplot(2,2,3);imshow(G1,[]);title('3*3均值滤波图像');subplot(2,2,4);imshow(G2,[]);title('7*7均值滤波图像');【2】超限像素平滑法：clear all%打开图像I=imread('pout.tif');[m n]=size(I);%求图像尺寸T=50;%设定阈值G=[];%创建均值滤波模板H1=ones(3)/9;%添加椒盐噪声J=imnoise(I,'salt & pepper',0.05);%转换J为double数据类型J=double(J);%均值滤波G1=conv2(J,H1,'same');%超限像素平滑for i=1:mfor j=1:nif abs(J(i,j)-G1(i,j))>TG(i,j)=G1(i,j);elseG(i,j)=J(i,j);endendend%图像显示subplot(2,2,1);imshow(I);title('原始图像');subplot(2,2,2);imshow(J,[]);title('添加椒盐噪声图像');subplot(2,2,3);imshow(G1,[]);title('3*3均值滤波图像');subplot(2,2,4);imshow(G,[]);title('超限像素平滑图像');2. 中值滤波clear all%打开图像I=imread('21.tif');%添加椒盐噪声N1=imnoise(I,'salt & pepper',0.04); %添加高斯噪声N2=imnoise(I,'gaussian',0,0.02);%添加乘性噪声N3=imnoise(I,'speckle',0.02);G1=medfilt2(N1);G2=medfilt2(N2);G3=medfilt2(N3);%分别显示噪声图像和中值滤波图像subplot(2,3,1);imshow(N1);title('添加椒盐噪声图像');subplot(2,3,2);imshow(N2);title('添加高斯噪声图像');subplot(2,3,3);imshow(N3);title('添加乘性噪声图像');subplot(2,3,4);imshow(G1);title('椒盐噪声中值滤波图像'); subplot(2,3,5);imshow(G2);title('高斯噪声中值滤波图像'); subplot(2,3,6);imshow(G3);title('乘性噪声中值滤波图像');3. 维纳滤波【1】clear allI=imread('mch.tif');%添加高斯噪声N1=imnoise(I,'gaussian',0,0.005);%wiener2滤波J1=wiener2(N1,[5 5]);%分别显示噪声图像和滤波图像subplot(1,2,1);imshow(N1);title('添加高斯噪声图像');subplot(1,2,2);imshow(J1);title('维纳滤波图像');【2】%读原图i=imread('20.tif');subplot(2,2,1);imshow(i);title('原图');axis square;j=imnoise(i,'gaussian',0,0.1);subplot(2,2,2);imshow(j);title('加噪图像');axis square;%用sym4小波函数对j进行2层分解[c,l]=wavedec2(j,2,'sym4');%实现低通滤波消噪a1=uint8(wrcoef2('a',c,l,'sym4',2));%用coif2小波函数对j进行2层分解[gc,gl]=wavedec2(a1,2,'coif2');n=[1,2];%设置尺度向量p=[10.28,24.08];%设置阈值向量%对三个高频系数进行阈值处理nc=wthcoef2('h',gc,gl,n,p,'s');nc=wthcoef2('v',gc,gl,n,p,'s');nc=wthcoef2('d',gc,gl,n,p,'s');mc=wthcoef2('h',gc,gl,n,p,'s');mc=wthcoef2('v',gc,gl,n,p,'s');mc=wthcoef2('d',gc,gl,n,p,'s');%对更新后的小波分解结构进行阈值处理x2=waverec2(mc,gl,'coif2');%进行中值滤波for ii=1:252;for jj=1:252;temp=0;for m=0:3for n=0:3temp=temp+double(x2(ii+m,jj+n));endendtemp=temp/16;x4(ii,jj)=temp;endendfor ii=253:256for jj=253:256x4(ii,jj)=double(i(ii,jj));endend%显示去噪图像subplot(2,2,3);imshow(uint8(x4));title('消噪图像');axis square;4. 小波图像降噪【1】使用wdencmp函数%装载图像load sinsin%添加噪声init=20100111;randn('seed',init);x=X+18*randn(size(X));%获取默认值[thr,sorh,keepapp]=ddencmp('den','wv',x);%使用全局阈值降噪xd=wdencmp('gbl',x,'sym4',2,thr,sorh,keepapp);subplot(2,2,1)imshow(X,map);title('原始图像');subplot(2,2,2)imshow(x,map);title('加噪图像');subplot(2,2,3)imshow(xd,map);title('降噪图像');【2】使用wbmpen函数%装载图像load belmont2;nbc=size(map,1);%使用coif2执行图象的3层小波分解wname='coif2';lev=3;[c,s]=wavedec2(X,lev,wname);%由第1层的系数估计噪声标准差det1=detcoef2('compact',c,s,1);sigma=median(abs(det1))/0.6745;%对图像降噪，用wbmpen函数选择全局阈值alpha=1.2;thr=wbmpen(c,1,sigma,alpha);%使用软阈值和保存的低频信号，进行图像降噪keepapp=1;xd=wdencmp('gbl',c,s,wname,lev,thr,'s',keepapp);%结果显示colormap(pink(nbc));subplot(1,2,1);image(wcodemat(X,nbc));title('原始图像');subplot(1,2,2);image(wcodemat(xd,nbc));title(['降噪图像''THR='num2str(thr)]);5.形态学噪声滤除三．图像复原最小二乘方滤波复原（用NP）clear all%产生棋盘图像I=checkerboard(32);%高斯卷积造成图像模糊PSF=fspecial('gaussian',8,12);Blurred_I=imfilter(I,PSF,'conv');%添加噪声V=0.02;Blurred_I_Noisy=imnoise(Blurred_I,'gaussian',0,V);%噪声功率NP=V*prod(size(I));%真实PSF和NP图像复原J1=deconvreg(Blurred_I_Noisy,PSF,NP);%真实PSF和过大的NP图像复原J2=deconvreg(Blurred_I_Noisy,PSF,2*NP);%真实PSF和过小的NP图像复原J3=deconvreg(Blurred_I_Noisy,PSF,0.6*NP);ED=edgetaper(Blurred_I_Noisy,PSF);J4=deconvreg(ED,PSF,0.6*NP);subplot(2,3,1);imshow(I,[]);title('原始图像');subplot(2,3,2);imshow(Blurred_I_Noisy,[]);title('高斯模糊噪声图像');subplot(2,3,3);imshow(J1,[]);title('真实NP复原图像');subplot(2,3,4);imshow(J2,[]);title('过大的NP复原图像');subplot(2,3,5);imshow(J3,[]);title('过小的NP复原图像');subplot(2,3,6);imshow(J4,[]);title('振铃抑制复原图像');四．图像的去噪【注】用四种方法实现图像去噪1.clear all%打开图像I=imread('21.tif');%创建均值滤波模板H1=ones(3)/9;%高斯卷积造成图像模糊PSF=fspecial('gaussian',8,12);Blurred_I=imfilter(I,PSF,'conv');%添加噪声V=0.02;J=imnoise(Blurred_I,'gaussian',0,V); %噪声功率NP=V*prod(size(I));%真实PSF和NP图像复原J2=deconvreg(J,PSF,NP);%均值滤波G1=conv2(J,H1,'same');%中值滤波G2=medfilt2(J);%wiener2滤波J1=wiener2(J,[5 5]);%图像显示subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J,[]);title('高斯模糊噪声图像');subplot(2,3,3);imshow(J2,[]);title('真实NP复原图像');subplot(2,3,4);imshow(G1,[]);title('3*3均值滤波图像');subplot(2,3,5);imshow(G2);title('中值滤波图像');subplot(2,3,6);imshow(J1);title('维纳滤波图像');2.%装载图像load sinsin%添加噪声init=20100111;randn('seed',init);x=X+18*randn(size(X));%获取默认值[thr,sorh,keepapp]=ddencmp('den','wv',x);%使用全局阈值降噪xd=wdencmp('gbl',x,'sym4',2,thr,sorh,keepapp);%wiener2滤波J=wiener2(x,[5 5]);%中值滤波J1=medfilt2(x);%创建均值滤波模板H=ones(7)/49;%均值滤波J2=conv2(x,H,'same');%图像显示subplot(2,3,1)imshow(X,map);title('原始图像');subplot(2,3,2)imshow(x,map);title('加噪图像');subplot(2,3,3)imshow(xd,map);title('小波降噪图像');subplot(2,3,4)imshow(J,map);title('维纳滤波图像');subplot(2,3,5)imshow(J1,map);title('中值滤波图像');subplot(2,3,6)imshow(J2,map);title('均值滤波图像');3.clear all%打开图像I=imread('mch.tif')[m n]=size(I);%求图像尺寸T=50;%设定阈值G=[];%高斯卷积造成图像模糊PSF=fspecial('gaussian',8,12);Blurred_I=imfilter(I,PSF,'conv');%添加噪声V=0.02;Blurred_I_Noisy=imnoise(Blurred_I,'gaussian',0,V); %噪声功率NP=V*prod(size(I));%真实PSF和NP图像复原J=deconvreg(Blurred_I_Noisy,PSF,NP);%wiener2滤波J1=wiener2(Blurred_I_Noisy,[5 5]);%中值滤波J2=medfilt2(Blurred_I_Noisy);%创建均值滤波模板H=ones(7)/49;%均值滤波J3=conv2(Blurred_I_Noisy,H,'same');%超限像素平滑for i=1:mfor j=1:nif abs( Blurred_I_Noisy(i,j)-J3(i,j))>TG(i,j)=J3(i,j);elseG(i,j)= Blurred_I_Noisy(i,j);endendendsubplot(2,4,1);imshow(I,[]);title('原始图像');subplot(2,4,2);imshow(Blurred_I_Noisy,[]);title('高斯模糊噪声图像');subplot(2,4,3);imshow(J,[]);title('真实NP复原图像');subplot(2,4,4);imshow(J1,[]);title('维纳滤波图像');subplot(2,4,5);imshow(J2,[]);title('中值滤波图像');subplot(2,4,6);imshow(J3,[]);title('均值滤波图像');subplot(2,4,7);imshow(G,[]);title('超限像素平滑图像');4. clear all%打开图像I=imread('mch.tif');%创建均值滤波模板H1=ones(3)/9;H2=ones(7)/49;%添加高斯噪声，均值为0，方差为0.02 J=imnoise(I,'gaussian',0,0.02);%转换J为double数据类型J=double(J);%均值滤波G1=conv2(J,H1,'same');G2=conv2(J,H2,'same');%wiener2滤波J1=wiener2(J,[5 5]);%中值滤波G3=medfilt2(J);%图像显示subplot(3,2,1);imshow(I);title('原始图像'); subplot(3,2,2);imshow(J,[]);title('添加高斯噪声图像'); subplot(3,2,3);imshow(G1,[]);title('3*3均值滤波图像'); subplot(3,2,4);imshow(G2,[]);title('7*7均值滤波图像'); subplot(3,2,5);imshow(J1,[]);title('维纳滤波图像'); subplot(3,2,6);imshow(G3,[]);title('中值滤波图像');5.clear all%打开图像I=imread('21.tif');%创建均值滤波模板H=ones(7)/49;%添加高斯噪声，均值为0，方差为0.02 J=imnoise(I,'gaussian',0,0.02);%转换J为double数据类型J=double(J);%均值滤波G1=conv2(J,H,'same');%获取默认值[thr,sorh,keepapp]=ddencmp('den','wv',J);%使用全局阈值降噪G2=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp); %wiener2滤波G3=wiener2(J,[5 5]);%中值滤波G4=medfilt2(J);%图像显示subplot(3,2,1);imshow(I);title('原始图像');subplot(3,2,2);imshow(J,[]);title('添加高斯噪声图像');subplot(3,2,3);imshow(G1,[]);title('7*7均值滤波图像');subplot(3,2,4);imshow(G2,[]);title('小波降噪图像');subplot(3,2,5);imshow(G3,[]);title('维纳滤波图像');subplot(3,2,6);imshow(G4,[]);title('中值滤波图像');。
数字图像中高斯噪声的消除汇总
数字图像中高斯噪声的消除摘要本文主要研究图像同时受到高斯噪声的滤除。
实际图像在形成、传输的过程中，由于各种干扰因素的存在会受到噪声的污染,而且可能同时受到多种噪声的干扰,如脉冲噪声、高斯噪声、均匀噪声等。
噪声,被理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种因素。
对噪声的认识非常重要，它影响图像的输入、采集、处理的各个环节以及结果输出全过程，特别是图像的输入采集过程中，若输入中含有大量噪声，必然影响处理全过程及输出结果。
图像再传输的过程中会受到高斯噪声的影响,使图像模糊。
本文概述了几种空域和频域滤波的基本原理。
对低通滤波、维纳滤波中、值滤波和均值滤波四种去噪方法去除零均值不同标准差的高斯噪声叠加进了分析比较和仿真实现。
最后结合理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。
关键字: 滤波MATLAB 高斯噪声低通滤波维纳滤波中值滤波均值滤波目录摘要 (2)数字图像中高斯噪声的消除 (1)1噪声与图像 (1)1.1噪声的概念 (1)1.2常见的噪声及其对图像的影响 (1)1.3 含噪模型 (1)1.4常见的滤波器简介 (2)1.5 高斯噪声模型 (2)2图像质量的评价 (3)2.1 主观评价 (3)2.2 客观评价 (3)3图像去噪原理 (5)3.1低通滤波器 (5)3.2维纳滤波器 (5)3.3中值滤波器 (6)3.4均值滤波器 (6)4 用MATLAB程序处理 (6)4.1 Matlab编程 (6)4.2运行结果 (7)5总结 (8)I6参考文献 (9)附录1 (10)II数字图像中高斯噪声的消除1噪声与图像1.1噪声的概念噪声可以理解为“ 妨碍人们感觉器官对所接收的信源信息理解的因素”。
例如一幅黑白图片，其平面亮度分布假定为，那么对其接收起干扰作用的亮度分布即可称为图像噪声。
数字图像的主要是来源于图像的获取和传输过程,图像传感器的工作情况会受到各种因素的影响，如图像获取的环境条件，器件的质量，电磁干扰等都是产生噪声的因素。
图像去噪的原理及实现
图像噪声图像在摄取或传输时所受的随机信号干扰，表现为图像信息或者像素亮度的随机变化。
一张图像通常会包含很多噪声，很多时候将图像噪声看成是多维随机过程。
·噪声来源①图像在拍摄时不够明亮、亮度不够均匀；②电路各元器件自身噪声和相互影响；③传感器长期工作温度过高等。
·常见噪声高斯噪声：高斯噪声又称为正态噪声，在噪声图像的统计直方图上呈正态分布。
高斯噪声对原图像的影响是随机，特别常见的一种噪声。
椒盐噪声：脉冲噪声又称为椒盐噪声，因为用椒盐来命名特别形象。
它是一种随机出现的黑点（胡椒）或者白点（盐），前者是高灰度噪声，后者是低灰度噪声，一般两者同时出现在图像中。
·噪声的坏处①噪声污染的图像其可读性变差，清晰度变低；②可导致违规摄像头误判，有用可读点变少；③即便对图像进行去噪，其清晰度依然没有比不上原图。
·噪声处理空间域滤波：在原图像上直接进行数据运算，对像素的灰度值进行处理，常见算法有中值和均值滤波。
变换域滤波：对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域。
有傅立叶变换和小波变换等方法。
偏微分方程：过随时间变化的更新，使得图像向所要得到的效果逐渐逼近。
可以在去除噪声的同时，很好的保持边缘。
变分法：确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态。
·常见噪声处理算法均值滤波算术均值滤波：滤出加性噪声，但丢失细节算术均值滤波器就是简单的计算窗口区域的像素均值，然后将均值赋值给窗口中心点处的像素几何均值滤波：更好保护细节滤波后图像的像素由模板窗口内像素的乘积的1/mn幂给出。
中值滤波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，让周围像素的值接近真实值，从而消除孤立的噪声点。
·利用MATLAB实现图像去噪利用MATLAB图像处理工具箱的imfilter函数实现均值滤波和中值滤波。
中值滤波和均值滤波
中值滤波和均值滤波中值滤波和均值滤波是数字图像处理中常用的两种滤波方法，它们在图像去噪和平滑处理中起着重要的作用。
本文将从原理、应用以及优缺点等方面介绍这两种滤波方法。
一、中值滤波中值滤波是一种非线性滤波方法，其基本原理是用像素点周围邻域内的中值来代替该像素点的灰度值。
中值滤波可以有效地去除图像中的椒盐噪声和脉冲噪声，同时能够保持图像的边缘信息。
其处理过程如下：1.选取一个模板，模板的大小根据噪声的程度来确定；2.将模板中的像素点按照灰度值大小进行排序，取其中位数作为中心像素点的灰度值；3.将中心像素点的灰度值替换为中值；4.重复以上步骤，对整个图像进行滤波。
中值滤波的优点是能够有效地去除椒盐噪声和脉冲噪声，同时保持图像的边缘信息。
然而，中值滤波也存在一些缺点，例如不能处理高斯噪声和均匀噪声，对图像细节信息的保护效果较差。
二、均值滤波均值滤波是一种线性平滑滤波方法，其基本原理是用像素点周围邻域内的平均值来代替该像素点的灰度值。
均值滤波可以有效地去除高斯噪声和均匀噪声，同时能够保持图像的整体平滑。
其处理过程如下：1.选取一个模板，模板的大小根据滤波效果来确定；2.计算模板内所有像素点的灰度值的平均值；3.将中心像素点的灰度值替换为平均值；4.重复以上步骤，对整个图像进行滤波。
均值滤波的优点是能够有效地去除高斯噪声和均匀噪声，同时能够保持图像的整体平滑。
然而，均值滤波也存在一些缺点，例如不能处理椒盐噪声和脉冲噪声，对图像细节信息的保护效果较差。
中值滤波和均值滤波在图像处理中各有优劣。
中值滤波适用于去除椒盐噪声和脉冲噪声，能够保持图像的边缘信息，但在处理高斯噪声和均匀噪声时效果较差。
而均值滤波适用于去除高斯噪声和均匀噪声，能够保持图像的整体平滑，但对于细节信息的保护效果较差。
在实际应用中，根据图像的特点和噪声的类型选择合适的滤波方法是很重要的。
如果图像受到椒盐噪声和脉冲噪声的影响，可以选择中值滤波进行去噪处理；如果图像受到高斯噪声和均匀噪声的影响，可以选择均值滤波进行平滑处理。
加噪去噪的方法与引用场景
加噪去噪的方法与引用场景
加噪和去噪是数字图像处理中的重要概念。
以下是几种加噪和去噪的方法，以及它们的引用场景：
加噪的方法：
1. 添加高斯噪声：在图像中添加高斯噪声可以模拟图像在传输或记录过程中受到的随机误差。
高斯噪声是一种以正态分布形式出现的随机噪声。
2. 添加椒盐噪声：椒盐噪声是一种由图像传感器、传输信道等引起的随机误差，表现为图像中突然出现的白点或黑点。
添加椒盐噪声可以模拟这种情况。
去噪的方法：
1. 中值滤波：中值滤波器是一种非线性滤波器，可以将图像中的噪声去除。
中值滤波器对某个区域内的所有像素值进行排序，并将中值作为输出，对于去除椒盐噪声特别有效。
2. 高斯滤波：高斯滤波器是一种线性滤波器，通过将每个像素的值替换为其邻域内像素的加权平均值来去除噪声。
高斯滤波适用于去除高斯噪声。
3. 傅里叶变换：傅里叶变换可以将图像从空间域转换到频率域，通过在频率域中进行滤波操作，再反变换回空间域，可以达到去除噪声的效果。
傅里叶变换可以用于去除各种类型的噪声。
引用场景：
1. 医学图像处理：在医学领域，图像处理技术广泛应用于诊断、治疗和手术导航等方面。
去噪算法可以用于提高医学图像的清晰度和可读性，帮助医生更准确地诊断病情。
2. 遥感图像处理：遥感图像经常受到噪声的干扰，影响其质量和解译效果。
去噪算法可以提高遥感图像的信噪比，从而提高遥感数据的可利用性和可靠性。
3. 通信系统：在通信系统中，噪声是影响信号传输质量的重要因素之一。
通过去噪算法可以降低噪声对信号的影响，提高通信系统的性能和可靠性。
高斯噪声和椒盐噪声公式
高斯噪声和椒盐噪声公式全文共四篇示例，供读者参考第一篇示例：高斯噪声和椒盐噪声是数字图像处理中常见的两种噪声类型，对图像质量有着不同程度的影响。
在图像处理中，我们经常需要对噪声进行消除或降低，因此了解这两种噪声的特点和产生公式对于图像处理非常重要。
一、高斯噪声高斯噪声又称为白噪声，它是在图像中产生的一种随机噪声。
在实际应用中，由于各种因素如传感器的不确定性、环境的干扰等，会导致图像中出现高斯噪声。
一般来说，高斯噪声是服从高斯分布的随机变量产生的噪声。
高斯噪声的数学模型可以表示为：f'(x,y) = f(x,y) + n(x,y)f'(x,y)表示受到高斯噪声干扰后的图像像素值，f(x,y)表示原始图像像素值，n(x,y)表示高斯噪声。
高斯噪声的特点是均值为0，方差为\sigma^2，即：n(x,y) \sim N(0,\sigma^2)\sigma^2越大，噪声的强度越大。
高斯噪声对图像的影响主要体现在增加了图像的灰度值的随机性，使图像变得模糊、失真，降低了图像的质量。
在图像处理中需要采取相应的降噪措施来消除高斯噪声的影响。
二、椒盐噪声椒盐噪声是另一种常见的噪声类型，它的特点是在图像中突然出现明显的黑白点，类似于图像中加入了颗粒状的盐和胡椒。
椒盐噪声通常是由于数据采集或传输过程中发生错误导致的，例如传感器故障、数据损坏等。
f'(x,y) = \begin{cases}f(x,y), & p < q \\0, & q \leq p < 2q \\L-1, & 2q \leq p\end{cases}椒盐噪声的特点是不规则性强，严重干扰了图像的视觉效果，使图像的质量大幅下降。
处理椒盐噪声是图像处理中的一个重要问题。
三、高斯噪声和椒盐噪声的区别1. 高斯噪声是符合高斯分布的随机噪声，其幅值变化在一个比较小的范围内，呈现连续性；而椒盐噪声是不规则的黑白点分布，呈现离散性。
一种含椒盐噪声图像去噪的新方法
文章编号:1001-4098(2008)10-0123-04一种含椒盐噪声图像去噪的新方法唐斌兵,王正明,汪雄良(国防科技大学信息系统与管理学院,湖南长沙 410073)摘 要:经典基追踪模型不适用于非高斯噪声环境下的图像去噪问题。
基于不同的拟合误差项形式,提出一类新的基追踪扩展模型,并用于图像去噪。
实验结果表明,本文方法在椒盐噪声环境下具有显著的去噪效果。
关键词:图像去噪;椒盐噪声;基追踪;扩展模型中图分类号:T P391 文献标识码:A1 引言图像去噪是图像处理中的一个经典问题,也是一个典型的反问题,它要求从含噪的观测图像出发,得到原始的不含噪图像的估计。
常见的图像去噪都可表示为最小化某一类目标函数。
这些方法通过附加有关先验信息,将图像去噪问题归结为求解一种优化问题,从而得到反问题的解。
椒盐噪声是图像处理中十分常见的一种噪声,它可能产生于图像捕捉设备传感器上的坏点或者强噪声信道条件下的图像传输过程。
对于被椒盐噪声污染的图像,噪声点只取图像动态范围内(如0～255)的最大值或最小值,即在图像中出现一些灰度值很小(接近黑色)或灰度值很大(接近白色)的污染点,在图像上呈现一个个暗点和亮点,类似于胡椒末和盐粉的微粒,因此称为椒盐噪声。
基追踪方法[1-3]是信号稀疏表示领域的一种新方法,它寻求从完备的(过完备)函数(基)集合中得到信号的最稀疏的表示,即用尽可能少的函数基精确地表示原信号,从而获得信号内在本质特性。
基追踪方法正日益成为信号处理领域中一个非常重要的工具,在信号和图像去噪方面具有很好的应用前景[3]。
在去噪处理中,经典基追踪去噪模型所考虑的大多是加性的高斯白噪声,而实际上不同的应用环境中噪声的特性是不同的。
本文基于不同的拟合误差项形式,提出了一类新的基追踪扩展模型(P1-1);给出了其求解算法;通过含椒盐噪给出了其求解算法;通过含椒盐噪声图像的去噪实验,验证了该模型具有显著的去噪效果。
2 椒盐噪声的稀疏特性椒盐噪声图像的特点是噪声点均匀分布于整幅图像[4],分布于图像中的噪声个数占象素总数的百分比称为噪声密度。
图像中的噪点处理与降噪技术
• 如基于硬件加速的降噪方法、分布式降
噪算法等
03
多模态图像降噪方法的发展
• 针对多模态图像（如RGB-D图像、红
外图像等）
• 结合不同图像模态的信息进行降噪，提
高降噪效果
图像降噪技术面临的挑战与研究方向
01
挑战1：如何在保护图像细节和边缘信息的同时，有效去除噪声？
02
挑战2：如何降低图像降噪算法的计算复杂度，提高图像处理的实时性？
03
挑战3：如何针对多模态图像，结合不同图像模态的信息进行降噪？
对图像处理领域的启示与借鉴
启示1：图像降
噪技术的研究
需要充分考虑
实际应用场景，
如图像类型、
成像条件等
启示2：图像降
噪技术的研究
可以与其他图
像处理技术相
结合，如图像
分割、图像增
强等
启示3：图像降
噪技术的研究
需要关注算法
性能评估和优
化，以提高降
• 如非线性高斯滤波，引入非线性函数，
提高降噪效果
双边滤波(Bilateral Filter)及其改进算法
双边滤波基本原理
改进算法
• 结合空间域和频域信息进行
• 如自适应双边滤波（ABF），
滤波
根据邻域像素的梯度信息调整
• 保护图像边缘信息，去除椒
滤波窗口大小
盐噪声
• 如非局部双边滤波（NLBF），
图像中的噪点处理与降噪技术
01
图像噪点的基本概念与分类
什么是图像噪点及其成因
成因：
• 图像传感器的固有噪声
• 成像过程中的随机噪声
• 图像传输、存储过程中的噪声污染
对同时含有椒盐噪声和高斯噪声的图像进行处理
目录一、摘要二、均值滤波三、中值滤波四、超限像素平滑法五、总结六、参考文献一、摘要图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。
噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。
图像去噪是数字图像处理中的重要环节和步骤。
去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。
一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。
我们平常使用的滤波方法一般有均值滤波、中值滤波和维纳滤波，他们分别对某种噪声的滤除有较好的效果，但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好，在这里我们分别用多种方法对图像噪声进行处理，对比使用效果。
关键词：图像去噪、常见噪声、多种方法、使用效果。
二、均值滤波均值滤波算法：也称线性滤波，主要思想为邻域平均法。
假设图像有由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是独立的，则可用像素邻域内的各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。
这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。
而且邻域越大，在去噪能力增强的同时模糊程度越严重。
均值滤波对同时含有高斯和椒盐噪声的图像的处理：I1=imread('Miss.bmp');subplot(2,2,1);imshow(I1);title('原图');k1=imnoise(I1,'salt & pepper',0.01);I=imnoise(k1,'gaussian',0.01);subplot(2,2,2);imshow(I)title('加入高斯和椒盐噪声以后');[a,b]=size(I);I2=zeros(a+2,b+2);I3=zeros(a,b);for n=1:afor m=1:bI2(n+1,m+1)=I(n,m);end;end;for n=2:afor m=2:bI3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2(n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1)+I2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/9;end;end;subplot(2,2,3);imshow(uint8(I3));title('3*3均值滤波以后');[a,b]=size(I);I4=zeros(a+4,b+4);I5=zeros(a,b);for n=1:afor m=1:bI4(n+2,m+2)=I(n,m);end;end;for n=3:afor m=3:bI5(n-2,m-2)=[I4(n-2,m-2)+I4(n-2,m-1)+I4(n-2,m)+I4(n-2,m+1)+I4(n-2,m+2)+I4(n-1,m-2)+I4(n-1,m-1)+I4(n-1,m)+I4(n-1,m+1)+I4(n-1,m+2)+I4(n,m-2)+I4(n,m-1)+I4( n,m)+I4(n,m+1)+I4(n,m+2)+I4(n+1,m-2)+I4(n+1,m-1)+I4(n+1,m)+I4(n+1,m+1)+I4(n+ 1,m+2)+I4(n+2,m-2)+I4(n+2,m-1)+I4(n+2,m)+I4(n+2,m+1)+I4(n+2,m+2)]/25;end;end;subplot(2,2,4);imshow(uint8(I5));title('5*5均值滤波以后');运行效果：orginal加入噪声以后3*3平滑以后5*5平滑以后均值滤波对同时含有高斯和椒盐噪声的图像处理分析：根据对上图的观察可以明显发现，使用均值滤波对高斯噪声进行去噪效果比较好，虽然对椒盐也有效果，但是不如对高斯噪声的处理效果好。
基于MATLAB滤波算法对图像噪声信号处理的实现
技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号：82-946《现场总线技术应用200例》软件时空肖玉芝:讲师在读博士基金项目:支持舆情服务的藏汉机器翻译关键技术研究,编号:2010CB334708,973计划前期研究专项申请人:赵海兴基金项目:国家高技术研究发展计划863项目No.2007AA03Z241申请人:赵海兴基于MATLAB 滤波算法对图像噪声信号处理的实现Signal processing of image noise filtering algorithm based on MATLAB(1.青海师范大学;2.陕西师范大学)肖玉芝1,2XIAO Yu-zhi摘要:结合中值滤波和均值滤波算法,通过MATLAB 语言设计程序,对嵌入了椒盐和高斯噪声的图像进行滤波处理。
结果表明,中值滤波方法适于去除椒盐噪声,同时能较好保护图像边界,均值滤波适合于去除高斯噪声。
关键词:MATLAB;中值滤波;均值滤波;噪声信号中图分类号:TN957.52文献标识码:BAbstract:Combination of median filter and mean filter algorithm,embedded in the image of the Salt &Pepper and Gaussian noise filtered by the MATLAB language program.The results show that Median filtering method is suitable to remove the salt and pepper noise,and better protect the image boundary,the mean filter for removal of Gaussian noise.Key words:MATLAB;median filtering;mean filter;noise signal文章编号:1008-0570(2012)10-0478-031引言随着网络技术、计算机技术和通信技术的迅速发展,数字处理技术作为信息(文本、图像、音视频)的数字化处理技术得到学者的广泛关注,同时出现了许多新的应用领域。
Python-给图像添加椒盐噪声和高斯噪声
Python-给图像添加椒盐噪声和⾼斯噪声椒盐噪声和⾼斯噪声在噪声的概念中，通常采⽤信噪⽐（Signal-Noise Rate, SNR）衡量图像噪声。
通俗的讲就是信号占多少，噪声占多少，SNR越⼩，噪声占⽐越⼤。
在信号系统中，计量单位为dB，为10lg(PS/PN), PS和PN分别代表信号和噪声的有效功率。
在这⾥，采⽤信号像素点的占⽐充当SNR，以衡量所添加噪声的多少。
椒盐噪声⼜称为脉冲噪声，它是⼀种随机出现的⽩点（盐噪声）或者⿊点（椒噪声）。
⾼斯噪声是指它的概率密度函数服从⾼斯分布（即正态分布）的⼀类噪声。
原图：代码：import cv2import numpy as npfrom matplotlib import pyplot as pltfrom PIL import Imageimport randomdef gasuss_noise(image, mean=0, var=0.001):'''添加⾼斯噪声mean : 均值var : ⽅差'''image = np.array(image/255, dtype=float)noise = np.random.normal(mean, var ** 0.5, image.shape)out = image + noiseif out.min() < 0:low_clip = -1.else:low_clip = 0.out = np.clip(out, low_clip, 1.0)out = np.uint8(out*255)return outdef sp_noise(image,prob):'''添加椒盐噪声prob:噪声⽐例'''output = np.zeros(image.shape,np.uint8)thres = 1 - probfor i in range(image.shape[0]):for j in range(image.shape[1]):rdn = random.random()if rdn < prob:output[i][j] = 0elif rdn > thres:output[i][j] = 255else:output[i][j] = image[i][j]return outputimg = cv2.imread("1.jpg")gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 添加椒盐噪声，噪声⽐例为 0.02out1 = sp_noise(img, prob=0.02)# 添加⾼斯噪声，均值为0，⽅差为0.009out2 = gasuss_noise(img, mean=0, var=0.009)cv2.imshow('out1',out1)cv2.imwrite('sp.png',out1)cv2.imshow('out2',out2)cv2.imwrite('gasuss.png',out2)cv2.waitKey(0)cv2.destroyAllWindows()实验结果⾼斯（gasuss）椒盐（sp）。
图像去噪算法的研究
文章编号 ： １ ０ ０ ７ — １ ４ ２ ３ （ ２ ０ １ ４ ） ０ ５ — ０ ０ ２ ８ — ０ ４
图 形 囝 像
Ｄ ＯＩ ： １ ０ ． ３ ９ ６ ９ ６ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ７ — １ ４ ２ ３ ． ２ ０ １ ４ ． ０ ５ ． ０ ０ ６
值滤波 。 维纳滤波对高斯噪声有很好的抑制效果 ． 与此同时 ， 维纳 滤波却容 易丢失边缘信 息且对椒盐噪声几乎没有 去
噪作用。
关键词 ：
椒 盐噪声 ； 高斯噪声 ；中值滤波 ； 均值滤波 ； 维纳滤波
基金项 目：
国 家 大学 生创 新 创 业 项 目（ Ｎ ｏ ． ２ ０ １ ２ １ ０ ７ ２ ２ ０ ２ ８ ）
去 噪 和模 糊 二 者 之 间 应 该 具 有 一个 清 楚 的衡 量标 准
５ 结语
本文针对高斯 噪声 和椒盐 噪声 的去噪问题展开分
析， 分 别 使 用 中值 滤 波 、 均值 滤 波 和维 纳 滤 波 对 这 两 种
噪声进行 去噪 ． 仿 真结果 表明 ． 均值 滤波和维纳滤波对 于高斯 噪声具有 较好的效果 ． 但 是这两个去噪方法都 会对 图像 造成一定的边缘信息丢失现象 ． 并且维纳滤
参考文献：
『 ｌ １ 周品 ， 李晓东． Ｍａ ｔ Ｌ ａ ｂ数 字 图像 处 理 『 Ｍ１ ． 北京： 清 华 大 学 出版 社 ， ２ ０ １ ２
『 ２ １ 张铮 ， 王艳平霹 桂香 ． 数字图像处理与机器视觉： Ｖ ｉ ｓ ｕ ａ ｌ ｃ ＋ ＋ 与 Ｍａ ｔ Ｌ ａ ｂ实现『 Ｍ１ ． 北京： 人 民邮电出版社 ， ２ ０ １ ０
缘信息且对椒盐噪声几乎没有去噪效果 。
带有噪声信号的图像处理技术研究
带有噪声信号的图像处理技术研究随着科技的不断发展，图像处理技术在各行各业的应用中越来越广泛。
图像处理技术不仅可以提高图像的质量，增强图像的清晰度，还可以为人们提供更多的信息，满足人们对于图像的需求。
但是，图像处理技术在处理带有噪声信号的图像时面临着一些挑战，噪声信号会影响图像的质量，导致图像失真，而如何将噪声信号从图像中准确地去除，成为了图像处理技术研究中的重要问题。
一、图像噪声的分类及产生原因图像噪声可以分为多种，包括高斯噪声、脉冲噪声、椒盐噪声、周期性噪声、图像亮度噪声等，其中高斯噪声是最常见的一种噪声，也是最难以去除的一种。
噪声信号的产生原因有很多种，包括传感器本身的噪声、环境的干扰，以及信号采样、传输过程中的误差等。
二、图像去噪的方法图像处理技术中常用的去噪方法包括中值滤波、高斯滤波、均值滤波、小波变换等。
每种方法都有自己的优缺点，可以根据实际情况选择最合适的方法。
中值滤波是最简单也是最常用的一种去噪方法，它可以有效地降低图像噪声，但是对于一些斑点噪声和细节部分存在大量的噪声的图像效果不佳。
高斯滤波可以有效地平滑图像，但可能会导致图像模糊。
均值滤波也是一种常用的去噪方法，但是它的平滑效果不如高斯滤波。
三、小波变换在图像去噪中的应用小波变换是一种能够分解信号的连续波形为不同尺度的子波形的信号分析工具。
小波变换在图像处理领域中得到了广泛应用，尤其是在图像去噪中。
小波变换可以对图像进行多尺度分析，较好地处理图像细节部分的噪声，能够有效地保护图像的高频细节信息，同时去除图像的噪声，提高图像的质量。
小波变换的去噪方法包括硬阈值去噪和软阈值去噪，其中硬阈值去噪主要对噪声强度较大的噪声信号进行处理，而软阈值去噪则对噪声强度较小的噪声信号进行处理。
四、图像去噪的评价指标在图像去噪的实际应用中，如何评价去噪效果也是非常重要的。
通常使用的评价指标包括峰值信噪比（PSNR）、均方误差（MSE）和结构相似性（SSIM）。
同时含有椒盐噪声和高斯噪声的图像消噪处理
同时含有椒盐噪声和高斯噪声的图像消噪处理引言所谓噪声是电路或系统中不含信息量的电压或电流。
在工业与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。
这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰。
高斯噪声是指噪声的概率密度函数服从高斯分布（即正态分布）的一类噪声。
如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。
高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。
高斯白噪声包括热噪声和散粒噪声。
而椒盐噪声是指椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。
本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理，通过比较两种滤波技术对图像处理的效果，可以看出哪种滤波技术对椒盐噪声更起作用，哪种滤波技术对高斯噪声更有效果，再根据同一种滤波技术对不同窗口尺寸的图像进行滤波，比较处理效果，最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。
中值滤波：是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法：1：通过从图像中的某个采样窗口取出奇数个数据进行排序2：用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。
中值滤波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。
方法是去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。
生物医学图像中的噪声及其去除技术研究
生物医学图像中的噪声及其去除技术研究生物医学图像是医学研究领域中的重要组成部分，它们可以用于辅助疾病的诊断、治疗和监测。
然而，这些图像往往会受到噪声的干扰，从而影响到它们的准确性和可靠性。
因此，对于生物医学图像中的噪声及其去除技术的研究具有非常重要的意义。
噪声类型生物医学图像中的噪声种类很多，主要包括以下几种类型：1.高斯噪声。
高斯噪声是导致图像模糊和降低对比度的最常见的噪声类型。
它是由于图像采集过程中光电噪声、传感器噪声或信号传输错误而引起的。
2.椒盐噪声。
椒盐噪声通常被称为随机涂抹噪声，它通常是由于传感器错误，或者是在数字传输过程中数据丢失或损坏引起的。
3.斑点噪声。
斑点噪声是由于采集图像时的信号误差、传感器故障或仪器的非线性响应所引起的噪声类型。
4.偏移噪声。
偏移噪声通常是由于传感器摆放位置偏离、温度波动或传感器偏差所引起的噪声类型。
去噪技术针对这些噪声类型及其影响，研究人员开发了许多去噪技术。
以下是生物医学图像去噪技术的概述。
1.小波去噪。
小波去噪是一种常用的去噪技术，它在将图像分解成多个小波尺度后，可以使用软或硬阈值处理来隐藏小波系数的一部分，从而去除噪声。
2.小波变换，阈值处理法。
它与小波去噪具有相似的思想，但是它的阈值处理方法不同，不是使用固定的软或硬阈值，而是采用局部方差或中值绝对偏差作为阈值。
3.去混淆。
由于生物医学图像通常受到成像系统的模糊性影响，因此在去除噪声的同时，去混淆也是非常必要的。
去混淆的主要方法包括Wiener滤波器、Gilbert和Meltzer算法、非线性去混淆和估计膨胀算法等。
4.基于膨胀的去噪算法。
基于膨胀的去噪算法使用膨胀运算处理图像，使得噪声像素被原始像素所替代。
这种算法对于斑点噪声的去除效果非常好。
5.自适应中值滤波器。
自适应中值滤波器是一种像素值的非线性滤波器，可以根据像素值的分布来自适应地选择中值大小，有效地去除斑点噪声和椒盐噪声。
总结对于生物医学图像中的噪声及其去除技术的研究具有重要的实用价值。
电子科技大学数字图像处理实验报告2
电子科技大学数字图像处理实验报告实验名称彩色图像处理实验序号学生姓名学生学号指导教师提交日期摘要本实验利用MATLAB软件，对彩色图像作了一些简单处理。
通过访问数字图像RGB三个通道的对应矩阵，改变数字图像的色彩，得到了原图像的补色图像。
并编写了图像的RGB模型与HSI模型相互转换的程序，实现了两个模型之间的互相转换。
为了得到HSI模型的补色，可将HSI模型转换为RGB模型，用RGB的反色来近似HSI的反色。
然后对彩色图像加入高斯与椒盐噪声，观察了加入噪声后RGB三个通道的图像效果，并通过算术均值滤波与中值滤波分别对三个通道进行去噪，达到对整个彩色图像的去噪。
最后证明了单个通道的噪声会通过到HSI的转换扩散到所有HSI图像上。
实验原理：1、三基色原理：人的眼睛就像一个三色接收器的体系，大多数的颜色可以通过红、绿、蓝三色按照不同的比例合成产生。
同样绝大多数单色光也可以分解成红(red)绿(green)蓝(blue)三种色光。
这是色度学的最基本原理，即三基色原理。
三种基色是相互独立的，任何一种基色都不能由其它两种颜色合成。
红绿蓝是三基色，这三种颜色合成的颜色范围最为广泛。
红绿蓝三基色按照不同的比例相加合成混色称为相加混色。
人眼接收色彩的方法：加法混色。
光色(红色+绿色)=黄色(yellow)光色(红色+蓝色)=紫红(magenta)光色(蓝色+绿色)=青色(cyan)印刷四色：减法呈色颜料(黄色+青色)=白色-红色-蓝色=绿色颜料(紫红+青色)=白色-红色-绿色=蓝色颜料(黄色+紫红)=白色-绿色-蓝色=红色颜料色另外会附加一个黑色，即cyan、magenta、yellow、black四色(cmyk)。
2、彩色图像表示方法：RGB图像：一幅RGB图像就是彩色像素的一个M×N×3数组，其中每一个彩色像素点都是在特定空间位置的彩色图像相对应的红绿蓝三个分量。
RGB图像可以看成是一个有三幅灰度图像形成的“堆”，形成一幅RGB图像的三个图像常称为红、绿或蓝分量图像。
具有去除椒盐噪声能力的改进双边滤波算法
具有去除椒盐噪声能力的改进双边滤波算法周航;韩权【摘要】In allusion to the feature of bilateral filter having not the ability to remove salt-and-pepper noise,this paper proposes a adaptive template replacement algorithm,which firstly replaces the pixel value of bilateral filtering template areas and then bilateral filtering can be made for the replaced template areas to have the ability to remove the salt-and-pepper noise when equipped with the capacity of removing low-frequency noise while remaining edge with bilateral filtering.The experimental results show that improved bilateral filtering algorithm can remove salt-andpepper noise well,and compared with several classical algorithms having the ability to remove salt-and-pepper noise,the average value of PSNR calculated by the proposed algorithm has been improved more than 5.8％ and the average value of SSIM has been enhanced more than 2.75％ under the condition of 10％～90％ of noise density.%针对双边滤波器不能有效去除椒盐噪声这一特点,本文提出了一种自适应大小的模板替换算法,通过先替换双边滤波模板区域像素值,再对替换后的模板区域做双边滤波,使其在具有双边滤波保边并去除低频噪声能力的基础上兼具去除椒盐噪声的能力.实验结果证明:本文提出的算法在双边滤波的基础上可以有效去除图像中的椒盐噪声,与几种经典去除椒盐噪声的算法相比,在噪声密度1o％～90％的情况下,峰值信噪比(PSNR)平均值提升5.8％以上,结构相似性(SSIM)平均值提升2.75％以上.【期刊名称】《北京交通大学学报》【年(卷),期】2017(041)005【总页数】9页(P43-51)【关键词】图像处理;双边滤波;模板替换;椒盐噪声【作者】周航;韩权【作者单位】北京交通大学电子信息工程学院,北京100044;北京交通大学电子信息工程学院,北京100044【正文语种】中文【中图分类】TP391在图像的采集、传输和处理过程中，图像受环境、器材及处理方法的影响，不可避免的会产生不同程度的噪声，其中高斯噪声和椒盐噪声是较为常见的图像噪声污染源.受噪声影响，往往会给后续的图像处理(如识别和分割等)带来较大的影响，因此有效去除图像中的各种噪声显得尤为必要.针对高斯噪声，高斯滤波是一种简单可行的噪声处理方法，但高斯滤波在去除高斯噪声的同时会使图像丢失边缘等细节信息，从而使图像变得模糊，降低图像的整体质量.文献[1]提出了著名的双边滤波(Bilateral filter)算法，在高斯滤波器的基础上考虑像素间灰度值的差别，在去噪的同时可以保持图像边缘的清晰.但由于双边滤波采用高斯核作为算法基础来对带有噪声的图像进行处理，因此并不具备去除椒盐噪声的能力.针对椒盐噪声，标准中值滤波(SMF)算法[2]是一种简单有效的噪声处理方法，但当椒盐噪声密度较高时，中值滤波的滤波效果很差，且中值滤波模板区域越大，图像边缘会变得越模糊.针对中值滤波的这些缺点，近年来有研究人员提出新的算法来获得更好地去噪效果，其中较为经典的算法有：文献[3]提出的自适应中值加权滤波(Adaptive Center Weighted Median Filter，ACWMF)算法.文献[4]提出的递进开关中值滤波(Progressive Switching Median Filter, PSMF)算法.文献[5]提出的基于决策(Decision-Based Algorithm，DBA)算法.文献[6]提出的模糊自适应中值(Noise Adaptive Fuzzy Switching Median Filter，NAFSMF)算法.文献[7-8]提出的改进的基于决策的不对称裁剪的中值滤波(Modified Decision-Based Unsymmetrical Trimmed Median Filter，MDBUTMF)算法.文献[9]提出的弹性中值滤波1(Elastic Median Filter1 ，EMF1)算法，弹性中值滤波2(Elastic Median Filter 2，EMF2)算法.但以上改进算法均在高密度椒盐噪声下性能快速下降，为此本文作者提出了一种先替换双边滤波器模板区域像素值，再用替换后的模板区域进行双边滤波的方法来改进双边滤波算法，从而在双边滤波基础上对高密度椒盐噪声进行有效滤波.用DBA、NAFSMF、MDBUTMF、EMF1、EMF2算法与本文改进算法的椒盐噪声去除能力进行了对比，采用了峰值信噪比(PSNR)和结构相似性(SSIM)作为图像质量客观评价标准.实验结果证明本文提出的算法在椒盐噪声的去除能力上优于5种算法.1.1 NAFSMF算法NAFSMF算法在椒盐噪声点将当前像素值和所在邻域的中值进行加权平均后再进行赋值，其邻域所用模板大小不固定，弥补了中值滤波算法限定模板大小的不足.算法设定两个阈值T1和T2，T1=10,T2=30，以3×3作为最小模板大小设置自适应模板检测模板中心点附近像素点的灰度值，直到检测到非椒盐噪声点为止，此时的模板大小记为w×w，w的最大值为7.设模板中心点像素灰度值为P(i,j)，记M(i,j)=median(Pi-w,j-w,Pi,j-w,Pi+w,j-w,Pi-w,j)，记D(i,j)为该点附近3×3的模板区域内其他像素灰度值与P(i,j)差值的最大值.根据D(i,j)的大小做如下判断，记F(i,j)为将模板中心像素点的灰度值P(i,j)替换为[1-F(i,j)]×P(i,j)+F(i,j)×M(i,j).NAFSMF算法极大地改善了FSMF算法的性能[10]，在处理高密度椒盐噪声图像时性能优良，处理中低密度椒盐噪声图像时性能相对较差.实验表明，当椒盐噪声密度高于80%时NAFSMF算法性能快速下降但滤波效果仍然显著.1.2 MDBUTMF算法针对高密度椒盐噪声污染的图像，MDBUTMF在基于决策的非对称裁剪中值滤波器(DBUTMF)[11]的基础上增加了噪声检测机制.MDBUTMF算法固定使用3×3的模板窗口.如果模板中心像素点是椒盐噪声点，则对该点进行滤波.对椒盐噪声点进行滤波时，如果模板内所有点均为椒盐噪声点，则使用模板中所有点灰度值的均值来替换P(i,j)；如果模板中有非椒盐噪声点存在，则移除椒盐噪声点后用剩余像素点灰度值的中值替换P(i,j).由于该算法采用固定大小模板滤波，利用均值代替中心像素，因此算法鲁棒性较低，对部分图像滤波无效.MDBUTMF算法在处理低密度椒盐噪声图像时性能优良，在处理中高密度椒盐噪声时性能快速下降.其主要原因在于当图像中椒盐噪声密度较高时，3×3的模板区域内所有点均为椒盐噪声点的概率变大，其灰度值的均值与中心点的真实灰度值相差较大，因此算法性能快速下降.2.1 双边滤波的算法改进双边滤波是一种以高斯核(Gaussian Kernel)为基础的非线性的滤波方法，可以同时考虑像素的空间距离和像素间灰度值的差别，从而达到保边去噪的目的.其基本公式为Gσs(‖p-q‖)Gσr(‖Ip-Iq‖)IqWp=Gσs(‖p-q‖)Gσr(‖Ip-Iq‖)式中：p、q分别为像素点的空间位置;Ip、Iq为像素的灰度值;S是以p为中点的模板区域; Gσs和Gσr分别代表空间距离和灰度值的高斯核函数;BF[I]p为替换后的模板中心点像素灰度值;Wp为权值系数.可以看出在双边滤波中采用高斯核直接对原始图像的像素空间距离和像素间灰度值进行处理，当模板区域中心点为椒盐噪声点时，Wp为零，因此双边滤波不具有去除椒盐噪声的能力.在此基础上，本文作者提出了先用自适应大小的模板替换方法来替换模板区域内椒盐噪声像素点，再用高斯核对替换后的模板区域内像素空间距离和像素间灰度值进行处理的方法来改进双边滤波算法.改进后的算法流程如图1所示，改进后的算法公式为‖‖‖‖)式中为替换后的模板区域；均为新模板中与Ip、Iq相对应像素的灰度值.改进后的算法对模板中心p点的灰度值进行了替换，因此可以有效避免高斯权值过小的问题.2.2 自适应大小的模板替换由于改进算法需要对模板区域像素进行替换如图2所示，在进行模板替换时，模板大小的选取将直接影响改进算法对椒盐噪声的滤波效果.如果选取的模板过小，则在高密度椒盐噪声下，模板区域内很有可能没有有效像素，替换后的像素值依然为无效像素，且当椒盐噪声密度大于70%时这一现象尤为明显，因此在高密度椒盐噪声的情况下去噪效果很差.如果选取的模板过大，则在低密度椒盐噪声下滤波时，距离中心像素点较远的像素值，会直接影响替换像素的灰度值大小，即距离中心像素点越远，则该点像素值与中心像素点的真实灰度值差异可能会越大，因此选取的模板过大时对低密度椒盐噪声的图片滤波效果较差.采用自适应大小的模板替换方法则可以有效避免这一问题，以固定模板大小3×3为例，对椒盐噪声密度分别为70%、80%、90%的Lena图进行模板替换操作，效果如图2所示，可以看到采用自适应模板大小的模板替换方案明显更好，且椒盐噪声密度越大差异越明显.以固定模板大小7×7为例，对椒盐噪声密度分别为10%、20%、30%的Lena图进行模板替换操作，效果如图3所示，可以看到采用自适应模板大小的模板替换方案明显更好，且椒盐噪声密度越小差异越明显.本文采用自适应大小的模板替换算法，该算法包括以下3个过程.1)检测模板中心点是否为椒盐噪声点，如果是则进行模板替换；如果不是，则不改变该点的灰度值.设待处理像素点的灰度值为P(i,j)，判定公式为2)自适应调整模板大小.检测模板内是否有非椒盐噪声点，如果有，模板大小设定为3×3；如果没有，则扩大模板大小继续检测，模板最大值设定为7×7.3)对模板区域进行裁剪，删除模板内的噪声点.对剩余像素分类后替换中心像素灰度值.2.3 模板中心点的替换规则以3×3的模板大小为例对中心点的替换规则，共分为以下两种情况.1)模板区域内灰度值小于76(0.3倍255)或大于178(0.7倍255)的像素点在所有有效像素点中个数最多.灰度值小于76的像素点最多时，对灰度值小于76的像素点集合取中值，用此中值来替换模板中心点的灰度值，替换方式如图4所示，图中C1、C2、C3分别表示模板区域内灰度值小于76、灰度值大于178、灰度值介于76至178的像素点个数；当模板区域内灰度值大于178的像素点在所有有效像素点中个数最多时替换方式与之类似，对灰度值大于178的像素点集合取中值，用此中值来替换模板中心点的灰度值.2)模板区域内灰度值介于76～178之间的像素点在所有有效像素点中个数最多，或灰度值小于76、大于178、介于76～178之间的3组像素点集合内某两组的像素点个数相等且大于另一组.此时直接取灰度值介于76～178之间的像素点集合的中值，用此中值来替换模板中心点的灰度值.此外，如果模板大小扩大到7×7时区域内所有像素点仍均为椒盐噪声点，则采用模板中心点前一点的替换值来替换模板中心点，替换方法如图5所示，其中NA 表示不适用.按以上步骤遍历图像中所有椒盐噪声点后，再用双边滤波器的模板从图像右上角遍历图像中所有像素点，此时双边滤波器选中的模板区域即为模板替换后新的模板区域.实验在Matlab R2015b平台下完成，选用的所有图片大小均为512×512，tiff格式，对8张不同的图片分别添加了10%～90%的椒盐噪声并进行滤波.3.1 改进算法实验结果分析传统的双边滤波由于采用高斯核为基础，由式(2)不难看出双边滤波算法既类似于传统的高斯滤波采用局部加权平均的思想，又考虑像素点的空间邻近度关系和像素灰度值的相似性，通过两者的结合，能很好地达到保持图像边缘又有效平滑高斯噪声的目的[12].但当模板区域S的中心点p为椒盐噪声点时，S内其他点的灰度值Iq与p点灰度值Ip差异很大，从而导致高斯核Gσr(‖Ip-Iq‖)极小并趋于0，因此传统的双边滤波算法不具备去除椒盐噪声的能力.而改进算法可以有效避免高斯核趋于0的情况，因此在理论上改进算法应在具有传统双边滤波算法保边和去除高斯噪声能力的同时，可以对椒盐噪声进行有效滤波.为了验证这一性能，在图6中给出了3种算法去噪后的图像对比，对Lena图添加了均值为0，方差为0.05的高斯噪声，用改进算法对加噪后的图像进行滤波，并与双边滤波和高斯滤波进行对比，表1中给出了3种算法对受不同方差大小高斯噪声污染的Lena图去噪后PSNR和SSIM的大小.3种算法模板大小均为7×7的矩阵，双边滤波的空间参数和颜色参数分别为10、0.2，改进算法的颜色参数为由图6可以看出相比于高斯滤波，双边滤波和本文改进算法均有较好的保边能力，且保边效果一致.由表1可以看出改进算法相较于双边滤波去除高斯噪声的能力几乎相同，因此认为改进算法保留了双边滤波保边和去除高斯噪声的能力.为了验证改进算法在双边滤波保边和去除高斯噪声的能力之外还具有去除椒盐噪声的能力，对Lena添加均值为0，方差为0.05的高斯噪声，噪声密度20%的椒盐噪声，用改进算法和双边滤波分别对加噪后的图像进行滤波并进行对比.滤波结果如图7所示.由图7显然可以看出双边滤波对同时含有高斯噪声和椒盐噪声的图像滤波效果很差，而本文改进算法的滤波效果明显好于双边滤波.因此认为改进算法保留了双边滤波保边和去除高斯噪声能力的同时具有去除椒盐噪声的能力.3.2 改进算法与经典算法对比为了验证改进算法对椒盐噪声的去噪能力，实验选用8张大小为512×512的常用图像处理图片，见图8和图9.对其添加10%～90%密度的椒盐噪声，并用本文改进算法和DBA、NAFSMF、MDBUTMF、EMF1、EMF2算法对其进行滤波，给出了滤波后的PSNR和SSIM.图8和9分别给出了几种算法在噪声密度为30%、50%、70%的情况下对Lena图和Peppers图的处理效果，并给出了相应的结构相似性局部值的分布图.1)由图8和9可以看出几种算法在滤波的同时均不会对图像边缘造成过度模糊，即拥有较好的保边性能.在结构相似性局部值的分布图中，像素点的颜色越深代表滤波后的图像在这一点的灰度值与原图像差别越大，因此可以看出在30%、50%、70%的3种噪声密度下改进算法的滤波效果均好于DBA、MDBUTMF、EMF1、EMF2算法，且噪声密度越高，该算法的优势越明显，相比于NAFSMF算法，改进算法性能好于NAFSMF算法，但随着噪声密度的提高，两种算法间的差距逐渐2)在图10、11中分别给出了不同噪声密度下几种算法的PSNR和SSIM的计算值的折线图，与其他5种算法相比，本文提出的改进算法滤波效果更好，且PSNR平均值提升5.8%以上，SSIM平均值提升2.75%以上.因为使用了自适应模板大小，本文的改进算法在高椒盐噪声密度下的滤波效果较好.图12、13给出了当椒盐噪声密度为95%时这几种算法的处理结果，在图12、13中前2张图片分别为Lena 和Peppers图原图和加噪后的图像，后6张依次为DBA、NAFSMF、MDBUTMF、EMF1、EMF2、改进算法的处理结果.综合以上的PSNR和SSIM数据，可以看出在不同椒盐噪声密度下本文提出的改进算法滤波效果均远好于DBA、EMF1、EMF2算法.与MDBUTMF算法相比，改进算法在低椒盐噪声密度时滤波效果与其相近，在中高椒盐噪声密度时MDBUTMF算法性能急剧下降，改进算法滤波效果远好于MDBUTMF算法.与NAFSMF算法相比，改进算法在中低椒盐噪声密度时滤波效果远好于NAFSMF算法，在高椒盐噪声密度时NAFSMF算法性能下降较慢，但改进算法滤波效果仍好于NAFSMF算法.因此认为本文提出的改进算法综合性能好于以上5种算法，这一结果与主观视觉感受相吻合.1)传统的双边滤波具有良好的保边和去除高斯噪声的能力，但并不具有去除椒盐噪声的能力.因此本文作者提出了一种先对模板区域像素灰度值进行替换，再进行双边滤波的方法来改进传统双边滤波算法，使其具有良好的去除椒盐噪声的能力，拓宽了双边滤波的应用范围.2)在Matlab平台下的实验中，验证了本文作者提出的改进算法的滤波性能，实验共对8张图像处理领域常用的图片进行了滤波处理.实验结果表明，在噪声密度10%～90%的情况下与经典算法DBA、NAFSMF、MDBUTMF、EMF1、EMF2相比，本文提出的改进算法滤波效果更好，PSNR平均值提升5.8%以上，SSIM平均值提升2.75%以上，且对受到高密度椒盐噪声污染的图像具有更好的滤波效果.【相关文献】[1] TOMASI C, MANDUCHI R. Bilateral filtering for gray and color images[C]//International Conference on Computer Vision, 1998:839.[2] PITAS I, VENETSANOPOULOS A N. Order statistics in digital image processing[J]. Proceedings of the IEEE, 1992, 80(12):1893-1921.[3] KO S J,LEE Y H.Center weighted median filters and their applications to image enhancement[J].IEEE Transactions on Circuits and Systems,1991,38(9):984-993.[4] WANG Z, ZHANG D. Progressive switching median filter for the removal of impulse noise from highly corrupted images[J]. IEEE Transactions on Circuits & Systems II Analog & Digital Signal Processing, 1999, 46(1):78-80.[5] SRINIVASAN K S, EBENEZER D. A new fast and efficient decision-based algorithm for removal of high-density impulse noises[J]. IEEE Signal Processing Letters, 2007, 14(3):189-192.[6] TOH K K V, ISA N A M. Noise adaptive fuzzy switching median filter for salt-and-pepper noise reduction[J]. IEEE Signal Processing Letters, 2010, 17(3):281-284.[7] ESAKKIRAJAN S,VEERAKUMAR T,SUBRAMANYAM A N,et al.Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter[J].IEEE Signal Processing Letters,2011,18(5):287-290.[8] JOURABLOO A, FEGHAHATI A H, JAMZAD M. New algorithms for recovering highly corrupted images with impulse noise[J]. Scientia Iranica, 2012, 19(6):1738-1745.[9] ERKAN U, KILICMANB A. Two new methods for removing salt-and-pepper noise from digital images[J]. ScienceAsia, 2016, 42(1): 28-32.[10] 曾宪佑, 黄佐华. 一种新型的自适应模糊中值滤波算法[J]. 计算机工程与应用, 2014,50(17):134-136.ZENG Xianyou, HUANG Zuohua. New adaptive fuzzy median filtering algorithm[J]. Computer Engineering and Applications, 2014, 50(17):134-136. (in Chinese)[11] SRINIVASAN K S, EBENEZER D. A new fast and efficient decision-based algorithm for removal of high-density impulse noises[J]. IEEE Signal Processing Letters, 2007, 14(3):189-192.[12] 张海荣. 双边滤波去噪方法及其应用研究[D]. 合肥:合肥工业大学, 2014.ZHANG Hairong.Research on bilateral filtering denoising methods and their applications[D].Hefei:Hefei University of Technology, 2014.(in Chinese)。
图像去噪实验报告
姓名：学号：图像去噪——数字图像处理实验二报告一、实验目的1. 熟悉图像高斯噪声和椒盐噪声的特点；2. 掌握利用均值滤波和中值滤波去除图像噪声的方法。
二、实验内容1. 打开Matlab 编程环境。
2. 读入图像，在图像上分别添加高斯噪声和椒盐噪声。
3. 显示原图像和噪声图像。
4. 对噪声图像进行均值滤波和中值滤波处理。
5. 显示处理效果图。
三、实验程序及结果1.实验程序2.实验结果图 1. 原图像图2. 加入噪声后的图像图3. 处理后的图像四、实验思考：1. 比较均值滤波和中值滤波的对高斯噪声和椒盐噪声图像的处理效果，分析原理？答：(1).从实验结果可以看出：○1对于加了椒盐噪声的图像，利用中值滤波抑制噪声得到的效果更好；○2对于加了高斯噪声的图像，利用均值滤波抑制噪声得到的效果更好；○3均值滤波是图像变得平滑、模糊；○4中值滤波对高斯噪声的抑制作用更差，中值滤波适合处理含椒盐噪声的图像。
(2).分析如下：○1椒盐噪声包含椒噪声（低灰度值）和盐噪声（高灰度）。
若进行中值滤波，对模板中的像素从小到大排列，取模板中排在中间位置的像素值来替代原来的像素值，则最亮和最暗的点一定被排在两侧，排在中间位置的像素值接近原像素值，这样就能达到滤除噪声的目的。
若进行均值滤波，用模板中全体像素点均值来替代原来的像素值，则较大和较小的像素值对结果影响大，这样就把椒盐噪声平均到了最终结果中，不利于滤除噪声。
○2高斯噪声是服从高斯分布（即正态分布）的噪声。
若进行中值滤波，则随机地将噪声像素点的灰度值加到了最终得到的像素值中，不利于滤除噪声。
若进行均值滤波，则可以将高斯噪声取平均隐含于最终得到的像素值中，能较好地滤除噪声。
○3由于均值滤波是用模板中全体像素点均值来替代原来的像素值，所以它在降低噪声的同时会使图像模糊，特别是边缘和细节处。
而且邻域越大，在去噪能力增强的同时模糊程度也越严重。
○4由于中值滤波对模板中的像素从小到大排列，取模板中排在中间位置的像素值来替代原来的像素值，则最亮和最暗的点一定被排在两侧，排在中间位置的像素值接近原像素值，所以中值滤波对去除椒盐噪声有奇效。
- 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)。
同时含有椒盐噪声和高斯噪声的图像消噪处理引言所谓噪声是电路或系统中不含信息量的电压或电流。
在工业与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。
这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰。
高斯噪声是指噪声的概率密度函数服从高斯分布（即正态分布）的一类噪声。
如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。
高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。
高斯白噪声包括热噪声和散粒噪声。
而椒盐噪声是指椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。
本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理，通过比较两种滤波技术对图像处理的效果，可以看出哪种滤波技术对椒盐噪声更起作用，哪种滤波技术对高斯噪声更有效果，再根据同一种滤波技术对不同窗口尺寸的图像进行滤波，比较处理效果，最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。
中值滤波：是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法：1：通过从图像中的某个采样窗口取出奇数个数据进行排序2：用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。
中值滤波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。
方法是去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2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
中值滤波用3*3的滤波窗口进行中值滤波处理：程序如下：>> i=imread('Winter.jpg'); %读入图像subplot(2,2,1);imshow(i); %显示原始图像title('original'); %设置图像标题j = imnoise(i,'salt & pepper',0.02); %加均值为0，方差为0.02的椒盐噪声subplot(2,2,2);imshow(j); %显示处理后的图像title('加入椒盐噪声');k = imnoise(i,'gaussian',0.02); %加均值为0，方差为0.02的加入高斯噪声l = imnoise(k,'salt & pepper',0.02); %加均值为0，方差为0.02的椒盐噪声subplot(2,2,3);imshow(l);title('加入椒盐噪声和高斯噪声');r=l(:,:,1);g=l(:,:,2);b=l(:,:,3);[m,n]=size(r);for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n)G(i,j)=r(i,j);elsehao(1)=r(i-1,j-1);hao(2)=r(i-1,j);hao(3)=r(i-1,j+1);hao(4)=r(i,j-1);hao(5)=r(i,j);hao(6)=r(i,j+1);hao(7)=r(i+1,j-1);hao(8)=r(i+1,j);hao(9)=r(i+1,j+1);hao=sort(hao);G(i,j)=hao(5);endendend>> for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n)K(i,j)=g(i,j);elsehao(1)=g(i-1,j-1);hao(2)=g(i-1,j);hao(3)=g(i-1,j+1);hao(4)=g(i,j-1);hao(5)=g(i,j);thao(6)=g(i,j+1);hao(7)=g(i+1,j-1);hao(8)=g(i+1,j);hao(9)=g(i+1,j+1);hao=sort(hao);K(i,j)=hao(5);endendend>> for i=1:mfor j=1:nif(i==1|i==m|j==1|j==n) L(i,j)=b(i,j);elsehao(1)=b(i-1,j-1);hao(2)=b(i-1,j);hao(3)=b(i-1,j+1);hao(4)=b(i,j-1);hao(5)=b(i,j);hao(6)=b(i,j+1);hao(7)=b(i+1,j-1);hao(8)=b(i+1,j);hao(9)=b(i+1,j+1);hao=sort(hao);L(i,j)=hao(5);endendend>> l(:,:,1)=G;>> l(:,:,2)=K;>> l(:,:,3)=L;>> subplot(2,2,4);>> imshow(l);original加入椒盐噪声加入椒盐噪声和高斯噪声图一3*3的滤波窗口的中值滤波J结论：可以看出中值滤波对椒盐噪声的消噪处理效果比较好，但是对高斯噪声的消噪处理效果不是很理想。
用5*5的滤波窗口进行中值滤波处理：程序如下:>> i=imread('Winter.jpg'); %读入图像subplot(2,2,1);imshow(i); %显示原始图像title('original');j = imnoise(i,'salt & pepper',0.02); %加均值为0，方差为0.02的椒盐噪声。
subplot(2,2,2);imshow(j); %显示处理后的图像title('加入椒盐噪声');k = imnoise(i,'gaussian',0.02); %加均值为0，方差为0.02的加入高斯噪声l = imnoise(k,'salt & pepper',0.02); %加均值为0，方差为0.02的椒盐噪声subplot(2,2,3);imshow(l);title('加入椒盐噪声和高斯噪声');r=l(:,:,1);g=l(:,:,2);b=l(:,:,3);[a,b]=size(r);for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b)P(i,j)=r(i,j);elsehao(1)=r(i-2,j-2);hao(2)=r(i-2,j-1);hao(3)=r(i-2,j);thao(4)=r(i-2,j+1);hao(5)=r(i-2,j+2);hao(6)=r(i-1,j-2);hao(7)=r(i-1,j-1);hao(8)=r(i-1,j);hao(9)=r(i-1,j+1);hao(10)=r(i-1,j+2);hao(11)=r(i,j-2);hao(12)=r(i,j-1);hao(13)=r(i,j);hao(14)=r(i,j+1);hao(15)=r(i,j+2);hao(16)=r(i+1,j-2);hao(17)=r(i+1,j-1);hao(18)=r(i+1,j);hao(19)=r(i+1,j+1);hao(20)=r(i+1,j+2);hao(21)=r(i+2,j-2);hao(22)=r(i+2,j-1);hao(23)=r(i+2,j);hao(24)=r(i+2,j+1);hao(25)=r(i+2,j+2);hao=sort(hao);P(i,j)=hao(13);endendend>> for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) Q(i,j)=g(i,j);elsehao(1)=g(i-2,j-2);hao(2)=g(i-2,j-1);hao(3)=g(i-2,j);hao(4)=g(i-2,j+1);hao(5)=g(i-2,j+2);hao(6)=g(i-1,j-2);hao(7)=g(i-1,j-1);hao(8)=g(i-1,j);hao(9)=g(i-1,j+1);hao(10)=g(i-1,j+2);hao(11)=g(i,j-2);hao(12)=g(i,j-1);hao(13)=g(i,j);hao(14)=g(i,j+1);hao(15)=g(i,j+2);hao(16)=g(i+1,j-2);hao(17)=g(i+1,j-1);hao(18)=g(i+1,j);hao(19)=g(i+1,j+1);hao(20)=g(i+1,j+2);hao(21)=g(i+2,j-2);hao(22)=g(i+2,j-1);hao(23)=g(i+2,j);hao(24)=g(i+2,j+1);hao(25)=g(i+2,j+2);hao=sort(hao);Q(i,j)=hao(13);endendend>> for i=1:afor j=1:bif(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) W(i,j)=b(i,j);elsehao(1)=b(i-2,j-2);hao(2)=b(i-2,j-1);hao(3)=b(i-2,j);hao(4)=b(i-2,j+1);hao(5)=b(i-2,j+2);hao(6)=b(i-1,j-2);hao(7)=b(i-1,j-1);hao(8)=b(i-1,j);hao(9)=b(i-1,j+1);hao(10)=b(i-1,j+2);hao(11)=b(i,j-2);hao(12)=b(i,j-1);hao(13)=b(i,j);hao(14)=b(i,j+1);hao(15)=b(i,j+2);hao(16)=b(i+1,j-2);hao(17)=b(i+1,j-1);hao(18)=b(i+1,j);hao(19)=b(i+1,j+1);hao(20)=b(i+1,j+2);hao(21)=b(i+2,j-2);hao(22)=b(i+2,j-1);hao(23)=b(i+2,j);hao(24)=b(i+2,j+1);hao(25)=b(i+2,j+2);hao=sort(hao);W(i,j)=hao(13);endendendl(:,:,1)=P;l(:,:,2)=Ql(:,:,3)=wsubplot(2,2,4)imshow(l);original加入椒盐噪声加入椒盐噪声和高斯噪声图2 5*5的滤波窗口中值滤波比较图二和图一的第四幅图，发现对于椒盐噪声，中值滤波效果更好。