对同时含有椒盐噪声和高斯噪声的消噪处理.
数字图像处理试题集(复习)
第一章引言一.填空题1. 数字图像是用一个数字阵列来表示的图像。
数字阵列中的每个数字，表示数字图像的一个最小单位，称为__像素_。
2. 数字图像处理可以理解为两个方面的操作：一是从图像到图像的处理，如图像增强等；二是_从图像到非图像的一种表示，如图像测量等。
3. 数字图像处理可以理解为两个方面的操作：一是_从图像到图像的处理_，如图像增强等；二是从图像到非图像的一种表示，如图像测量等。
4. 图像可以分为物理图像和虚拟图像两种。
其中，采用数学的方法，将由概念形成的物体进行表示的图像是_虚拟图像_。
5. 数字图像处理包含很多方面的研究内容。
其中，__图像重建_的目的是根据二维平面图像数据构造出三维物体的图像。
四.简答题1. 数字图像处理的主要研究内容包含很多方面，请列出并简述其中的4种。
①图像数字化：将一幅图像以数字的形式表示。
主要包括采样和量化两个过程。
②图像增强：将一幅图像中的有用信息进行增强，同时对其无用信息进行抑制，提高图像的可观察性。
③图像的几何变换：改变图像的大小或形状。
④图像变换：通过数学映射的方法，将空域的图像信息转换到频域、时频域等空间上进行分析。
⑤图像识别与理解：通过对图像中各种不同的物体特征进行定量化描述后，将其所期望获得的目标物进行提取，并且对所提取的目标物进行一定的定量分析。
2. 什么是图像识别与理解？图像识别与理解是指通过对图像中各种不同的物体特征进行定量化描述后，将其所期望获得的目标物进行提取，并且对所提取的目标物进行一定的定量分析。
比如要从一幅照片上确定是否包含某个犯罪分子的人脸信息，就需要先将照片上的人脸检测出来，进而将检测出来的人脸区域进行分析，确定其是否是该犯罪分子。
3. 简述数字图像处理的至少3种主要研究内容。
①图像数字化：将一幅图像以数字的形式表示。
主要包括采样和量化两个过程。
②图像增强：将一幅图像中的有用信息进行增强，同时对其无用信息进行抑制，提高图像的可观察性。
数字图像处理复习习题库
数字图像处理复习习题库将M幅图像相加求平均利用了M幅图像中同一位置的M个像素的平均值，用一个n*n的模板进行平滑滤波利用了同一幅图像中的n*n个像素的平均值。
因为参与的像素个数越多，消除噪声的能力越强，所以如果M>n*n，则前者消除噪声的效果较好，反之则后者消除噪声的效果较好。
3.比较均值滤波和中值滤波对图像的椒盐噪声和高斯噪声抑制过程中的优势，并说明其原因。
对于椒盐噪声，中值滤波效果比均值滤波效果好。
其原因为：椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。
中值滤波是选择适当的点来替代污染点的值，所以处理效果好。
因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。
对于高斯噪声，均值滤波效果比中值滤波效果好。
其原因是：高斯噪声是幅值近似正态分布，但分布在每点像素上。
因为图像中的每点都是污染点，所中值滤波选不到合适的干净点。
因为正态分布的均值为0，所以根据统计数学，均值可以消除噪声。
4.伪彩色增强和假彩色增强有何异同点？伪彩色增强是对一幅灰度图象经过三种变换得到三幅图象，进行彩色合成得到一幅彩色图像；假彩色增强则是对一幅彩色图像进行处理得到与原图象不同的彩色图像；主要差异在于处理对象不同。
相同点是利用人眼对彩色的分辨能力高于灰度分辨能力的特点，将目标用人眼敏感的颜色表示。
5.图像几何失真校正的主要步骤。
（1）空间变换：对图像平面上的像素进行重新排列以恢复原空间关系；（2）灰度插值：对空间变换后的像素赋予相应的灰度值以恢复原位置的灰度值。
6.梯度法与Laplacian算子检测边缘的异同点？梯度算子和Laplacian检测边缘对应的模板分别为-1-11111-411（梯度算子）（Laplacian算子）梯度算子是利用阶跃边缘灰度变化的一阶导数特性，认为极大值点对应于边缘点；而Laplacian算子检测边缘是利用阶跃边缘灰度变化的二阶导数特性，认为边缘点是零交叉点。
相同点都能用于检测边缘，且都对噪声敏感。
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。
去除图像噪声方法
去除图像噪声方法去除图像噪声是图像处理领域中一个重要的任务，它可以提高图像的质量和细节，并改善后续图像分析和处理的准确性。
目前，有许多方法可以用来去除图像噪声。
下面我将介绍一些常见的方法。
1. 统计滤波器：统计滤波器是一种简单而有效的方法，它利用邻域像素值的统计信息来去除噪声。
常见的统计滤波器包括中值滤波器、均值滤波器和高斯滤波器。
中值滤波器通过取邻域像素的中值来去除噪声，适用于椒盐噪声和脉冲噪声；均值滤波器通过取邻域像素的平均值来去除噪声，适用于高斯噪声；高斯滤波器通过卷积操作将图像模糊，从而去除噪声。
2. 基于波let变换的方法：波let变换是一种多分辨率分析方法，可以将图像分解为不同尺度的频带。
通过对小波系数进行阈值处理，可以减小较小的波动，从而去除噪声。
常见的基于波let变换的方法包括小波阈值去噪和小波软阈值去噪。
小波阈值去噪通过选择适当的阈值来将小波系数除噪，适用于高斯噪声；小波软阈值去噪通过对小波系数进行软阈值处理，适用于椒盐噪声和脉冲噪声。
3. 基于偏微分方程的方法：偏微分方程方法是一种基于偏微分方程的图像去噪方法。
它通过定义偏微分方程来描述图像中的噪声和边缘特征，并通过迭代求解偏微分方程来去除噪声。
常见的基于偏微分方程的方法包括非线性扩散滤波和总变差去噪。
非线性扩散滤波通过改变图像的梯度来去除噪声，适用于高斯噪声；总变差去噪通过最小化图像的总变差来去除噪声，适用于椒盐噪声和脉冲噪声。
4. 基于深度学习的方法：深度学习是一种机器学习方法，近年来在图像去噪任务中取得了很大的成功。
通过构建深度卷积神经网络，并通过大量的图像数据对其进行训练，可以实现高效的图像去噪。
常见的基于深度学习的方法包括基于卷积自编码器的方法和基于生成对抗网络的方法。
卷积自编码器是一种将输入图像压缩到较小维度编码，再通过解码恢复图像的神经网络，它可以学习到图像的低层特征，从而去除噪声；生成对抗网络是一种通过博弈的方式训练生成器和判别器网络的方法，可以生成逼真的去噪图像。
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。
10种常用滤波方法
10种常用滤波方法
滤波是信号处理领域中常用的技术，用于去除噪声、增强信号的一些特征或改变信号的频谱分布。
在实际应用中，经常使用以下10种常用滤波方法：
1.均值滤波：将像素点周围邻域像素的平均值作为该像素点的新值，适用于去除高斯噪声和椒盐噪声。
2.中值滤波：将像素点周围邻域像素的中值作为该像素点的新值，适用于去除椒盐噪声和激动噪声。
3.高斯滤波：使用高斯核函数对图像进行滤波，通过调整高斯窗口的大小和标准差来控制滤波效果。
适用于去除高斯噪声。
4.双边滤波：通过考虑像素的空间距离和像素值的相似性，对图像进行滤波。
适用于平滑图像的同时保留边缘信息。
5. 锐化滤波：通过滤波操作突出图像中的边缘和细节信息，常用的方法有拉普拉斯滤波和Sobel滤波。
6.中可变值滤波：与中值滤波相似，但适用于非线性信号和背景噪声的去除。
7.分位值滤波：通过对像素值进行分位数计算来对图像进行滤波，可以去除图像中的异常像素。
8.快速傅里叶变换滤波：通过对信号进行傅里叶变换，滤除特定频率的成分，常用于频谱分析和滤波。
9.小波变换滤波：利用小波变换的多尺度分析特性，对信号进行滤波处理，适用于图像去噪和图像压缩。
10.自适应滤波：通过根据信号的局部特征自动调整滤波参数，适用于信号中存在时间和空间变化的情况。
以上是常见的10种滤波方法，每种方法都有不同的适用场景和优缺点。
在实际应用中，选择合适的滤波方法需要根据具体的信号特征和处理需求来确定。
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。
- 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)。
燕山大学课程设计说明书题目：同时含有椒盐噪声和高斯噪声的图像消噪处理学院（系）：里仁学院年级专业：09工业自动化仪表学号： 0912********学生姓名：姚宁指导教师：赵彦涛程淑红教师职称：讲师副教授燕山大学课程设计（论文）任务书院（系）：电气工程学院基层教学单位：自动化仪表系说明：此表一式四份，学生、指导教师、基层教学单位、系部各一份。
2012年6月29日燕山大学课程设计评审意见表目录第一章摘要 (1)第二章引言 (2)第三章噪声的特性 (3)第四章对图像的消噪处理 (4)4.1 中值滤波 (4)4.2 维纳滤波 (8)4.3 中值滤波与维纳滤波的结合 (10)第五章学习心得 (14)第六章参考文献 (15)同时含有椒盐噪声和高斯噪声的消噪处理一、摘要本文研究的是对同时含有椒盐噪声和高斯噪声的消噪处理。
首先，本文对高斯噪声和椒盐噪声作出解释，从根本是理解高斯噪声和椒盐噪声，并用图像生动形象的解释这两种噪声产生的影响，如正文中图1 所示。
对图像的消噪处理时，有均值滤波，中值滤波，维纳滤波，超限像素平滑法等方法，在这里我们选取中值滤波和维纳滤波进行分析。
一、中值滤波：选取一个窗口，并对窗口中的像素灰度值进行排序，用中间值代替窗口中心的像素值。
其消噪效果如文中图2和图3所示。
由图中我们可以看到中值滤波对图像中的椒盐噪声有很好的滤除效果，并能较好的保留图像的边缘，但对图像中的高斯噪声的滤波效果不是很理想。
二、维纳滤波：运用维纳滤波的方法进行滤波时，我们可以根据他的原理进行编程滤波，也可以直接运用维纳滤波的函数wiener2(a)进行滤波。
其运行结果如文中图4所示。
由图中我们可以发现维纳滤波能够很好地滤去高斯噪声，但对椒盐噪声的滤波效果不是很理想。
所以我们采用将这两种方法结合起来，来对同时还有椒盐噪声和高斯噪声的图像进行滤波。
三、中值维纳滤波：首先我们将图像中的像素点按一定的条件分为椒盐噪声点和信号点，然后对椒盐噪声点进行中值滤波，信号点保留，最后再对整个图像进行维纳滤波，其结果如图5所示。
从图中我们可以看出中值维纳滤波对图像的处理想过还是挺理想的。
关键字：椒盐噪声高斯噪声中值滤波维纳滤波中值维纳滤波二、引言数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。
图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。
例如，使用CCD摄像机获取图像，光照强度和传感器温度是生成图像中产生大量噪声的主要因素。
图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。
比如，通过无线网络传输的图像可能会因为光或其他大气因素的的干扰被污染。
噪声不仅仅严重影响人们观赏图像时的视觉效果，还有可能影响边缘检测、图像分割、特征提取、模式识别等后续更高层的处理结果，因此采用适当的方法尽量减少噪声时一个非常重要的预处理步骤。
在实际生活中，最常见的为高斯噪声和脉冲噪声（椒盐噪声）两类，所以去除这两类噪声是非常需要的。
本文通过对这两种噪声的去噪方法进行了根本的分析和研究，并用Matlab进行了编程和调试，最终确定出最优的去噪方案，简单易懂，深入浅出。
为今后的研究提供了相关的参考资料和编程，具有深刻的研究意义！三、噪声的特性实际生活中最常见的是高斯噪声和脉冲噪声（椒盐噪声），下面便分别对这两种解释做出解释和比较。
1、高斯噪声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，这种噪声经常被用于实践中。
高斯随机变量z的PDF（概率密度函数）由下式给出：22()/2()xp zμσ--=（1）式中，z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差，2σ称为z的方差。
2、脉冲噪声（双极）脉冲噪声的PDF可由下式给出：()abP z ap z P z b=⎧⎪==⎨⎪⎩其他（2）如果b a>，灰度值b在图像中将显示为一个亮点，相反，a的值将显示为一个暗点。
如果aP和bP为零，则脉冲噪声称为单极脉冲。
如果aP和bP均不可能为零，尤其是它们近似相等时，脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒，因此双机脉冲噪声也称为椒盐噪声。
在这，我们研究的是椒盐脉冲。
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的。
在实际生活中，这两种噪声一般都是同时存在的。
为了更形象，清楚的了解椒盐噪声和高斯噪声对图像的影响，我们运用Matlab,对一个图像进行加噪处理，分别认识一下椒盐噪声和高斯噪声以及椒盐、高斯同时存在时，反映在图像上的效果。
其程序如下所示：clear;clc;I=imread('Miss512G.bmp');[a,b]=size(I);figuresubplot(2,2,1);imshow(I);title('灰白原图');J=imnoise(I,'salt & pepper',0.02);subplot(2,2,2);imshow(J);title('加椒盐噪声后的图像');G=imnoise(I,'gaussian',0.02);subplot(2,2,3);imshow(G);title('加高斯噪声后的图像'); K=imnoise(J,'gaussian',0.02);subplot(2,2,4);imshow(K);title('加椒盐噪声和高斯噪声后的图像');其运行结果如图1所示：灰白原图加椒盐噪声后的图像加高斯噪声后的图像加椒盐噪声和高斯噪声后的图像四、对图像的消噪处理对含有椒盐噪声和高斯噪声的图像进行消噪预处理时，有许多方法，例如均值滤波，中值滤波，超限像素平滑法及维纳滤波等，在这里，我们先选用中值滤波的方法。
4.1、中值滤波它是对一个滑动窗口内的诸像素灰度值进行排序，用中间值代替窗口中心像素的灰度值的滤波方法。
它是一种非线性的平滑法，在抑制噪声的同时能有效保护边缘少受模糊。
实现中值滤波的步骤如下所示：① 选择一个规格的窗口，如3*3的矩形窗口，放入图像（灰度值矩阵）的左上角。
② 将窗口中的灰度值进行升序（降序）排列，用排在中间的灰度值来代替窗口中心的灰度值。
③ 将窗口向右移一列，在进行步骤②。
到图像的有边缘后，向下移一行从左往右依次进行步骤②和步骤③。
运用Matlab 进行编程，程序如下所示：clear; clc;图1I=imread('Miss512G.bmp');[a,b]=size(I);figuresubplot(2,2,1);imshow(I);title('灰白原图');J=imnoise(I,'salt & pepper',0.02);K=imnoise(J,'gaussian',0.02);[a,b]=size(K);subplot(2,2,2);imshow(K);title('加椒盐噪声和高斯噪声后的图像'); %3*3中值滤波for i=1:afor j=1:bif(i==1|i==a|j==1|j==b)G(i,j)=K(i,j);elsetemp(1)=K(i-1,j-1);%取3*3的窗口temp(2)=K(i-1,j);temp(3)=K(i-1,j+1);temp(4)=K(i,j-1);temp(5)=K(i,j);temp(6)=K(i,j+1);temp(7)=K(i+1,j-1);temp(8)=K(i+1,j);temp(9)=K(i+1,j+1);temp=sort(temp);%按升序排序G(i,j)=temp(5);%取中间值endendendsubplot(2,2,3);imshow(G);title('3*3中值滤波后的图像');%5*5中值滤波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)G5(i,j)=K(i,j);elsetemp(1)=K(i-2,j-2);temp(2)=K(i-2,j-1);temp(3)=K(i-2,j);temp(4)=K(i-2,j+1);temp(5)=K(i-2,j+2);temp(6)=K(i-1,j-2);temp(7)=K(i-1,j-1);temp(8)=K(i-1,j);temp(9)=K(i-1,j+1);temp(10)=K(i-1,j+2);temp(11)=K(i,j-2);temp(12)=K(i,j-1);temp(13)=K(i,j);temp(14)=K(i,j+1);temp(15)=K(i,j+2);temp(16)=K(i+1,j-2);temp(17)=K(i+1,j-1);temp(18)=K(i+1,j);temp(19)=K(i+1,j+1);temp(20)=K(i+1,j+2);temp(21)=K(i+2,j-2);temp(22)=K(i+2,j-1);temp(23)=K(i+2,j);temp(24)=K(i+2,j+1);temp(25)=K(i+2,j+2);temp=sort(temp);G5(i,j)=temp(13);endendendsubplot(2,2,4);imshow(G5);title('5*5中值滤波后的图像');其运行后的结果如图2所示。
我们还可以直接运用中值滤波的函数进行Matlab滤波，由于当选取7*7和11*11大的窗口时，按上述方法编程的程序很长，从而增加了工作量，所以我们可直接用中值滤波的函数medfilt2(a),进行中值滤波。
程序如下所示：g=medfilt2(K,[7,7]);subplot(1,2,1);imshow(g);title('7*7中值滤波后的图像')g=medfilt2(K,[11,11]);subplot(1,2,2);imshow(g);title('11*11中值滤波后的图像')其运行结果如图3所示：灰白原图加椒盐噪声和高斯噪声后的图像3*3中值滤波后的图像5*5中值滤波后的图像7*7中值滤波后的图像11*11中值滤波后的图像由上图中的3*3、5*5、7*7和11*11窗口的滤波效果，我们可以从中看到中值滤波能有效地消除椒盐噪声，并且随着窗口大小的增加，滤波效果越好。
但是随着中值滤波，图像也变得模糊起来。
所以当窗口增大到一定值之后，虽然也起到了去噪的效果，但是图像会变得过于模糊，不利于图片观赏。