数字图像处理
数字图像处理课件ppt
06 数字图像处理的应用案例
人脸识别系统
总结词
人脸识别系统是数字图像处理技术的重要应 用之一，它利用计算机视觉和图像处理技术 识别人的面部特征，实现身份认证和安全监 控等功能。
详细描述
人脸识别系统通过采集输入的人脸图像，提 取出面部的各种特征，如眼睛、鼻子、嘴巴 等部位的形状、大小、位置等信息，并与预 先存储的人脸特征进行比对，从而判断出人 的身份。该系统广泛应用于门禁系统、安全
分类器设计
总结词
分类器设计是图像识别技术的核心，它通过训练分类器，使其能够根据提取的特征对图 像进行分类和识别。
详细描述
分类器设计通常采用机器学习算法，如支持向量机、神经网络和决策树等。这些算法通 过训练数据集进行学习，并生成分类器模型，用于对新的未知图像进行分类和识别。
模式识别
总结词
模式识别是图像识别技术的最终目标，它通 过分类器对提取的特征进行分类和识别，实 现对图像的智能理解和处理。
源调查和环境监测。
计算机视觉
为机器人和自动化系统提供视 觉感知能力，用于工业自动化
、自主导航等。
数字图像处理的基本流程
特征提取
从图像中提取感兴趣的区域、 边缘、纹理等特征，为后续分 类或识别提供依据。
图像表示与压缩
将图像转换为易于处理和分析 的表示形式，同时进行数据压 缩，减少存储和传输成本。
预处理
详细描述
模式识别在许多领域都有广泛应用，如人脸 识别、物体识别、车牌识别等。通过模式识 别技术，可以实现自动化监控、智能安防、 智能驾驶等应用。随着深度学习技术的发展 ，模式识别的准确率和鲁棒性得到了显著提 高。
05 数字图像处理中的常用算 法
傅里叶变换算法
傅里叶变换
数字图像处理技术解析
数字图像处理技术解析第一章：数字图像处理基础知识数字图像处理是一门研究如何处理和操作数字图像的学科。
数字图像是离散的表示了光的强度和颜色分布的连续图像。
数字图像处理技术可以应用于许多领域，如医学影像、机器视觉、遥感图像等。
1.1 数字图像表示与存储数字图像可以使用像素（pixel）来表示，每个像素包含一定数量的位元（bit），用于表示图像的灰度值或颜色信息。
常见的像素表示方法有灰度图像和彩色图像。
在计算机中，数字图像可以以不同的方式进行存储，如位图存储、压缩存储等。
1.2 数字图像处理的基本操作数字图像处理的基本操作包括图像增强、图像恢复、图像压缩和图像分割等。
图像增强可以改善图像的质量，使其更适于人眼观察或用于其他应用。
图像恢复是指通过去除图像中的噪声、模糊等不良因素，使图像恢复到原始清晰状态。
图像压缩可以减少图像的存储空间和传输带宽。
图像分割是将图像分成几个具有独立特征的区域，用于目标检测、目标跟踪等应用。
第二章：数字图像增强技术数字图像增强技术可以提高图像的质量和信息内容，使其更适合进行后续处理或人眼观察。
常用的图像增强方法包括灰度变换、直方图均衡化和空域滤波等。
2.1 灰度变换灰度变换是通过对图像的灰度值进行变换，来改变图像的对比度和亮度。
常见的灰度变换方法包括线性变换、非线性变换和直方图匹配等。
线性变换通过对灰度值进行线性和平移变换，可改变图像的对比度和亮度。
非线性变换使用非线性函数对灰度值进行变换，如对数变换、反转变换等。
直方图匹配是将图像的直方图变换为期望直方图，以达到对比度和亮度的调整。
2.2 直方图均衡化直方图均衡化是一种常用的图像增强方法，可以通过对图像的直方图进行变换，使得图像的灰度分布更加均匀。
直方图均衡化可以增加图像的对比度，使得图像细节更加清晰。
该方法适用于灰度图像和彩色图像。
2.3 空域滤波空域滤波是一种基于像素的图像处理方法，通过对图像的局部像素进行加权平均或非线性操作，来改变图像的特征。
数字图像处理技术
数字图像处理技术数字图像处理技术是一种针对数字图像进行处理和分析的技术。
随着计算机技术的不断发展和普及，数字图像处理技术在图像处理领域中扮演着越来越重要的角色。
本文将详细介绍数字图像处理技术的概念、原理、应用及未来发展方向。
概念数字图像处理技术是指利用计算机对数字图像进行处理和分析的技术。
数字图像是通过像素表示的图像，而像素是图像最小的单元，每个像素都有其特定的数值表示颜色和亮度。
数字图像处理技术可以对图像进行各种操作，如增强图像的质量、提取图像特征、恢复图像信息等。
原理数字图像处理技术的原理主要包括图像获取、图像预处理、图像增强、图像分割、特征提取和图像识别等基本步骤。
1.图像获取：通过相机或扫描仪等设备获取数字图像，将图像转换为数字信号。
2.图像预处理：对原始图像进行去噪、几何校正、尺度变换等预处理操作，以提高后续处理的效果。
3.图像增强：通过直方图均衡化、滤波等方法增强图像的对比度、亮度等特征。
4.图像分割：将图像分割成若干个区域或对象，以便更好地分析和处理图像。
5.特征提取：提取图像中的特征信息，如颜色、纹理、形状等，为图像识别和分类提供依据。
6.图像识别：利用机器学习、深度学习等算法对图像进行分类、识别和分析。
应用数字图像处理技术在各个领域都有广泛的应用，如医疗影像分析、无人驾驶、安防监控、智能交通等。
以下列举一些典型的应用场景：•医疗影像分析：利用数字图像处理技术分析医学影像，辅助医生进行疾病诊断和治疗。
•安防监控：通过视频监控系统、人脸识别技术等实现对安全领域的监控和警报。
•智能交通：通过交通监控系统、车辆识别技术等提高交通管理效率和道路安全。
未来发展数字图像处理技术在人工智能、物联网等新兴技术的推动下不断发展和创新，未来的发展方向主要包括以下几个方面：1.深度学习在图像处理中的应用：深度学习技术在图像分类、目标检测等方面取得重大突破，将在数字图像处理领域得到更广泛的应用。
2.虚拟现实与增强现实：数字图像处理技术将与虚拟现实、增强现实技术结合，实现更加沉浸式的用户体验。
数字图像处理技术
数字图像处理技术数字图像处理技术是一种利用计算机对图像进行处理和分析的技术。
随着计算机技术和图像采集设备的不断发展，数字图像处理技术已经广泛应用于影像处理、医学图像分析、机器视觉、模式识别等领域。
本文将重点介绍数字图像处理技术的基本原理、常见的图像处理方法和应用领域。
一、数字图像处理技术的基本原理数字图像处理是在计算机中对图像进行数值计算和变换的过程。
图像是由像素组成的二维数组，每个像素包含了图像中某一点的亮度或颜色信息。
数字图像处理技术主要包括如下几个基本步骤：1. 图像采集：利用摄像机、扫描仪等设备将实际场景或纸质图像转换成数字图像。
2. 图像预处理：对采集到的图像进行预处理，包括图像增强、去噪、几何校正等操作，以提高图像质量。
3. 图像变换：通过一系列的数值计算和变换，改变图像的亮度、对比度、颜色等特征，以满足特定的需求。
4. 图像分析：对图像进行特征提取、目标检测、模式识别等操作，以获取图像中的各种信息。
5. 图像展示：将处理后的图像显示在计算机屏幕上或输出到打印机、投影仪等设备上，以便人们观看和分析。
二、常见的图像处理方法1. 图像增强：通过调整图像的亮度、对比度、颜色等参数，使图像更清晰、更鲜艳。
2. 图像滤波：利用滤波器对图像进行低通滤波、高通滤波、中值滤波等操作，以去除噪声、平滑图像或增强边缘。
3. 图像分割：将图像分成若干个区域，以便更好地分析和识别图像中的目标。
4. 特征提取：从图像中提取出与目标相关的特征，如纹理特征、形状特征、颜色特征等。
5. 目标检测：利用机器学习、模式识别等方法，从图像中检测和识别出目标，如人脸、车辆等。
三、数字图像处理技术的应用领域数字图像处理技术在很多领域都有广泛的应用，以下列举几个主要的应用领域：1. 影像处理：数字图像处理技术可以应用于电影特效、动画制作、数字摄影等领域，提高影像的质量和逼真度。
2. 医学图像分析：数字图像处理技术可以应用于医学影像的分析、诊断和治疗，如CT扫描、核磁共振等。
数字图像处理
第一章概论一、数字图像与像素数字图像是由一个个的像素（Pixel）构成的，各像素的值(灰度，颜色)一般用整数表示。
二、数字图像处理的目的1、提高图像的视觉质量。
2、提取图像中的特征信息。
3、对图像数据进行变换、编码和压缩。
三、工程三层次图像处理、图像分析和图像理解图像理解符号目标像素高层中层低层高低抽象程度数据量操作对象小大语义图像分析图像处理四、图像处理硬件系统组成图像输入设备（采集与数字化设备，如数码相机），图像处理设备（如PC机）和图像输出设备（如显示器，打印机）第二章数字图像处理基础一、图像数字化过程----采样与量化模拟图像的数字化包括采样和量化两个过程。
细节越多，采样间隔应越小。
把采样后得到的各像素的灰度值进一步转换为离散量的过程就是量化。
一般，灰度图像的像素值量化后用一个字节(8bit)来表示。
二、采样、量化与图像质量的关系采样点数越多，图像质量越好；量化级数越多，图像质量越好。
为了得到质量较好的图像采用如下原则：对缓变图像，细量化，粗采样，以避免假轮廓。
对细节化图像，细采样，粗量化，以避免模糊。
三、图像尺寸、数据量、颜色数量的计算灰度图像的像素值量化后用一个字节(8bit)来表示。
彩色图像的像素值量化后用三个字节(24bit)来表示。
一幅512X512（256K）的真彩色图像，计算未压缩的图像数据量是多少？（必考）图像总像素：512px*512px=256K总数据量：256K*3Byte=768KB一幅256X256（64K）的真彩色图像，计算未压缩的图像数据量是多少？图像总像素：256px*256px=64K总数据量：64K*1Byte=64KB四、数字图像类型二值图像、灰度图像、索引颜色图像)和真彩色图像。
五、数字图像文件的类型jpg、bmp、tif、gifJPEG采用基于DCT变换的压缩算法,为有损压缩。
六、图像文件三要素文件头、颜色表、图像数据七、读取一个图像，并将其尺寸缩小0.5倍，将缩小后的图像旋转30度。
数字图像处理
数字图像处理概述数字图像处理是一项广泛应用于图像处理和计算机视觉领域的技术。
它涉及对数字图像进行获取、处理、分析和解释的过程。
数字图像处理可以帮助我们从图像中提取有用的信息，并对图像进行增强、复原、压缩和编码等操作。
本文将介绍数字图像处理的基本概念、常见的处理方法和应用领域。
数字图像处理的基本概念图像的表示图像是由像素组成的二维数组，每个像素表示图像上的一个点。
在数字图像处理中，我们通常使用灰度图像和彩色图像。
•灰度图像：每个像素仅包含一个灰度值，表示图像的亮度。
灰度图像通常表示黑白图像。
•彩色图像：每个像素包含多个颜色通道的值，通常是红、绿、蓝三个通道。
彩色图像可以表示图像中的颜色信息。
图像处理的基本步骤数字图像处理的基本步骤包括图像获取、前处理、主要处理和后处理。
1.图像获取：通过摄像机、扫描仪等设备获取图像，并将图像转换为数字形式。
2.前处理：对图像进行预处理，包括去噪、增强、平滑等操作，以提高图像质量。
3.主要处理：应用各种算法和方法对图像进行分析、处理和解释。
常见的处理包括滤波、边缘检测、图像变换等。
4.后处理：对处理后的图像进行后处理，包括去隐私、压缩、编码等操作。
常见的图像处理方法滤波滤波是数字图像处理中常用的方法之一，用于去除图像中的噪声或平滑图像。
常见的滤波方法包括均值滤波、中值滤波、高斯滤波等。
•均值滤波：用一个模板覆盖当前像素周围的像素，计算平均灰度值或颜色值作为当前像素的值。
•中值滤波：将模板中的像素按照灰度值或颜色值大小进行排序，取中值作为当前像素的值。
•高斯滤波：通过对当前像素周围像素的加权平均值来平滑图像，权重由高斯函数确定。
边缘检测边缘检测是用于寻找图像中物体边缘的方法。
常用的边缘检测算法包括Sobel 算子、Prewitt算子、Canny算子等。
•Sobel算子：通过对图像进行卷积运算，提取图像中的边缘信息。
•Prewitt算子：类似于Sobel算子，也是通过卷积运算提取边缘信息，但采用了不同的卷积核。
数字图像处理技术
数字图像解决技术一. 数字图像解决概述数字图像解决是指人们为了获得一定的预期结果和相关数据运用计算机解决系统对获得的数字图像进行一系列有目的性的技术操作。
数字图像解决技术最早出现在上个世纪中期, 随着着计算机的发展, 数字图像解决技术也慢慢地发展起来。
数字图像解决初次获得成功的应用是在航空航天领域, 即1964年使用计算机对几千张月球照片使用了图像解决技术, 并成功的绘制了月球表面地图, 取得了数字图像解决应用中里程碑式的成功。
最近几十年来, 科学技术的不断发展使数字图像解决在各领域都得到了更加广泛的应用和关注。
许多学者在图像解决的技术中投入了大量的研究并且取得了丰硕的成果, 使数字图像解决技术达成了新的高度, 并且发展迅猛。
二. 数字图象解决研究的内容一般的数字图像解决的重要目的集中在图像的存储和传输, 提高图像的质量, 改善图像的视觉效果, 图像理解以及模式辨认等方面。
新世纪以来, 信息技术取得了长足的发展和进步, 小波理论、神经元理论、数字形态学以及模糊理论都与数字解决技术相结合, 产生了新的图像解决方法和理论。
比如, 数学形态学与神经网络相结合用于图像去噪。
这些新的方法和理论都以传统的数字图像解决技术为依托, 在其理论基础上发展而来的。
数字图像解决技术重要涉及：⑴图像增强图像增强是数字图像解决过程中经常采用的一种方法。
其目的是改善视觉效果或者便于人和机器对图像的理解和分析, 根据图像的特点或存在的问题采用的简朴改善方法或加强特性的措施就称为图像增强。
⑵图像恢复图像恢复也称为图像还原, 其目的是尽也许的减少或者去除数字图像在获取过程中的降质, 恢复被退化图像的本来面貌, 从而改善图像质量, 以提高视觉观测效果。
从这个意义上看, 图像恢复和图像增强的目的是相同的, 不同的是图像恢复后的图像可当作时图像逆退化过程的结果, 而图像增强不用考虑解决后的图像是否失真, 适应人眼视觉和心理即可。
⑶图像变换图像变换就是把图像从空域转换到频域, 就是对原图像函数寻找一个合适变换的数学问题, 每个图像变换方法都存在自己的正交变换集, 正是由于各种正互换集的不同而形成不同的变换。
数字图像处理的概念
数字图象处理的概念数字图象处理是指利用计算机对数字图象进行各种操作和处理的技术。
数字图象处理广泛应用于医学影像、遥感图象、工业检测、安防监控、图象识别等领域。
本文将详细介绍数字图象处理的概念、原理、方法和应用。
一、概念数字图象处理是指对数字图象进行各种算法和技术处理的过程。
数字图象是由离散的像素点组成的，每一个像素点都有自己的亮度值或者颜色值。
数字图象处理通过对这些像素点进行操作，改变图象的亮度、对照度、颜色、清晰度等特征，从而达到图象增强、图象复原、图象分割、图象压缩等目的。
二、原理数字图象处理的原理基于图象的数字化表示和计算机的处理能力。
首先，将摹拟图象通过采样和量化的方式转换为数字图象。
然后，利用计算机的算法和技术对数字图象进行处理。
常用的处理方法包括滤波、变换、编码、分割、识别等。
最后，将处理后的数字图象重新转换为摹拟图象，以便显示和输出。
三、方法1. 图象增强图象增强是指通过调整图象的亮度、对照度、清晰度等特征，使图象更加清晰、鲜明和易于观察。
常用的图象增强方法有直方图均衡化、灰度拉伸、滤波、锐化等。
2. 图象复原图象复原是指通过消除图象受到的噪声和失真，恢复图象的原始信息。
常用的图象复原方法有空域滤波、频域滤波、最小二乘法、反卷积等。
3. 图象分割图象分割是将图象分成若干个区域，每一个区域具有相似的特征。
常用的图象分割方法有阈值分割、边缘检测、区域生长等。
4. 图象压缩图象压缩是通过减少图象的数据量，以达到减小存储空间和传输带宽的目的。
常用的图象压缩方法有无损压缩和有损压缩。
5. 图象识别图象识别是指通过计算机对图象中的目标进行自动识别和分类。
常用的图象识别方法有模板匹配、特征提取、机器学习等。
四、应用数字图象处理在各个领域都有广泛的应用。
1. 医学影像数字图象处理在医学影像领域中起到了重要的作用。
它可以匡助医生对病人进行诊断和治疗，如CT扫描、MRI、X光等。
2. 遥感图象数字图象处理在遥感图象领域中用于地理信息系统、农业、林业、环境保护等方面。
- 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)。
基于MATLAB的数字图像空域平滑法
摘要：本文通过在MATLAB环境下，对比中值滤波与均值滤波处理带有椒盐噪声的图像，中值滤波不同模板处理加入椒盐噪声的图像以及中值滤波处理加入不同噪声图像的效果图，分析中值滤波的优缺点。
1 引言
图像平滑的目的是为了去除或衰减图像中的噪声和假轮廓,它可以分为空域法和频域法.而空域法就是直接对图像的像素灰度值进行处理,以达到滤除或衰减图像中噪声的目的.空域法主要包括基于平均的方法和中值滤波法.本文重点以中值滤波法为主,详细介绍MATLAB环境下,中值滤波相对均值滤波的优缺点，不同模板中值滤波对加入椒盐噪声图像的处理效果以及中值滤波法对加入不同噪声图像的处理效果。
2 中值滤波的概念
中值滤波是一种典型的低通滤波器,属于非线性滤波技术,它的目的是保护图像边缘的同时去除噪声。
所谓中值滤波，是指把以某点（x,y）为中心的小窗口内的所有象素的灰度按从大到小的顺序排列,若窗口中的象素为奇数个,则将中间值作为(x，y)处的灰度值。
若窗口中的象素为偶数个，则取两个中间值的平均值作为(x，y)处的灰度值。
中值滤波对去除椒盐噪声很有效。
中值滤波器的缺点是对所有象素点采用一致的处理，在滤除噪声的同时有可能改变真正象素点的值，引入误差，损坏图像的边缘和细节。
3 中值滤波器与均值滤波器的比较
本文采用的图像是一幅多值图像，首先将其灰度化，并加入椒盐噪声，在MATALB环境下，采用3*3窗口的中值滤波器与均值滤波器处理此图像，编写程序如下：
A=imread('1.jpg');
h=ones(3,3)/9;
A_zh=rgb2gray(A);
A_noi=imnoise(A_zh,'salt & pepper',0.02);
A_med=medfilt2(A_noi);
A_low=imfilter(A_noi,h);
subplot(2,2,1);imshow(A_zh);title('灰度图像');
subplot(2,2,2);imshow(A_noi);title('加入椒盐噪声的图像');
subplot(2,2,3);imshow(A_med);title('中值滤波图像');
subplot(2,2,4);imshow(A_low);title('均值滤波图像');
程序运行结果如图2所示。
图像文件1.jpg中存储着一幅彩色图像，把该文件读入后使用函数imadjust进行调整。
调整后的范围是默认的范围【0 0 0；1 1 1】，
程序运行结果如图1所示，从图中可看出中值滤波处理椒盐噪声使图像更加清晰，保留图像的边缘信息。
4 中值滤波采用不同模板
使用中值滤波器处理加入椒盐噪声的图像，选取3*3,5*5,7*7几种不同模板，编写程序如下：
A=imread('1.jpg');
A_zh=rgb2gray(A);
A_noi=imnoise(A_zh,'salt & pepper',0.02);
A_med1=medfilt2(A_noi,[3,3]);
A_med2=medfilt2(A_noi,[5,5]);
A_med3=medfilt2(A_noi,[7,7]);
subplot(2,2,1);imshow(A_noi);title('加入椒盐噪声的图像');
subplot(2,2,2);imshow(A_med1);title('3*3领域窗');
subplot(2,2,3);imshow(A_med2);title('5*5领域窗');
subplot(2,2,4);imshow(A_med3);title('7*7领域窗');
程序运行结果如图2所示，3*3领域窗口中值滤波在滤除噪声时比5*5和7*7中值滤波效果好一些。
3*3中值滤波图像清晰，明暗对比度明显。
5中值滤波器处理不同噪声图像
图2
数字图像的噪声按概率密度函数（PDF）分为椒盐噪声、高斯噪声泊松噪声以及乘性噪声等，本文对同一副图像加入不同噪声，采用相同的中值滤波器进行处理。
对图像加入不同噪声，编写程序及运行结果如图3所示：
A=imread('1.jpg');
A_zh=rgb2gray(A);
A1=imnoise(A,'salt & pepper',0.02);
A2=imnoise(A,'gaussian',0,0.01);
A3=imnoise(A,'poisson');
A4=imnoise(A,'speckle',0.04);
subplot(2,2,1);imshow(A1);title('加入椒盐噪声');
subplot(2,2,2);imshow(A2);title('加入高斯噪声');
subplot(2,2,3);imshow(A3);title('加入泊松噪声');
subplot(2,2,4);imshow(A4);title('加入乘性噪声');
图3
使用相同模板的中值滤波器对加入不同噪声的图像进行处理，编写程序如下：A=imread('1.jpg');
A_zh=rgb2gray(A);
A_med1=imnoise(A_zh,'salt & pepper',0.02);
A_med2=imnoise(A_zh,'gaussian',0,0.01);
A_med3=imnoise(A_zh,'poisson');
A_med4=imnoise(A_zh,'speckle',0.04);
A5=medfilt2(A_med1);
A6=medfilt2(A_med2);
A7=medfilt2(A_med3);
A8=medfilt2(A_med4);
subplot(2,2,1);imshow(A5);title(''中值滤波椒盐噪声图像');
subplot(2,2,2);imshow(A6);title('中值滤波高斯噪声图像');
subplot(2,2,3);imshow(A7);title(''中值滤波泊松噪声图像');
subplot(2,2,4);imshow(A8);title(''中值滤波乘性噪声图像');
图4
程序运行结果如图4所示，中值滤波处理椒盐噪声图像和泊松噪声图像，比处理高斯噪声和乘性噪声图像效果好，图像清晰度好，相对来说，处理椒盐噪声图像效果最为明显。
，图像质量高。
6结语
通过本文的分析和实例可以看出，中值滤波作为数字图像处理中重要的一部分，应用MATLAB 语言进行编程，具有编程简单、操作方便等特点，特别是对于
加入椒盐噪声的图像，中值滤波是一种有效地处理方式，并且模板维数越小效果越明显。
但是中值滤波器对短拖尾分布噪声（如高斯噪声）,滤波性能较差。
参考文献：
【1】孙兵旗，孙明. 实用数字图像处理与分析. 中国农业大学出版社，2008.
【2】廖绍纲. 数字图像处理：活用Matlab.西南交通大学出版社.
【3】于万波. 基于MATLAB的图像处理.【北京】清华大学出版社，2008.3【4】汤国安，张有顺等. 遥感数字图像处理. 科学出版社，2006.
【5】钱海军，雷剑刚，钱峰. 基于MATLAB图像增强中直方图均衡化的应用.
珠海城市职业技术学院
【6】袁西霞，岳建华等. MATLAB在中值滤波改进算法中的应用，广东工业大学学报，2007.3
【7】吕品品. 浅谈MATLAB在数字图像处理中的应用. 数字技术与应用.
【8】马琳，于宁. 数字图像增强算法分析. 交通科技与经济，2011.
【9】李小红，蒋建国，吴从中，詹曙. 图像去椒盐噪声滤波器的研究. 工程图学学报，2009.
【10】顾晓东，郭仕德，余道衡. 一种基于PCNN的图像去噪新方法. 电子与信息学报，2002.
【11】刘莉, 谈文蓉, 王燕. 一种基于PCNN 和自适应中值滤波的去噪方法.
西南民族大学学报·自然科学版，2010.
【12】杨宁，张培林，任国全. 一种自适应加权中值滤波方法的研究. 计算机应用与软件，2010.
（注：可编辑下载，若有不当之处，请指正，谢谢!）。