基于MATLAB的减少图像噪声
基于Matlab的图像去噪算法的研究...
2011级毕业设计（论文）基于MATLAB的图像滤波中值算法研究年级: 2011级学号:姓名:专业:电子信息工程指导老师：二零一五年六月\\摘要觉效果，妨碍了人们的正常识别，严重时会影响图像中的有用信息。
所以，消除图像采集和传输过程中产生的噪声,降低噪声对原图像的干扰，提高图像质量，增强图像视觉效果，成为了数字图像处理领域里的重要部分。
本文首先对噪声的几种类型进行了介绍，重点讨论了几种经典的图像去除噪声的滤波算法，然后本文主要研究分析均值滤波法、中值滤波法、维纳滤波法，并进行相应的仿真。
对图像处理应用时的常用函数及其主要用法进行分析,详细阐述了这三种去噪算法原理及特点，最后运用Matlab软件对多张图片进行仿真去噪，并对去噪效果进行评价与分析。
并在此基础上，提出了一种改进的中值滤波去噪方法.关键词：图像去噪；均值滤波；中值滤波；维纳滤波程序代码抠叩82 192 8248AbstractThe digital image in the formation transmission and recording process is often polluted by various noises, affect the visual effects of the image, and impede the normal people’s recognition, seriously affecting the useful information of aimage。
Therefore, eliminate the noise of image acquisition and transmission processing, reduce the noise disrupt original image， improve image quality，enhance the visual effect of the image, has become an important part of the field of digital image processing。
利用Matlab进行图像去噪和图像增强
利用Matlab进行图像去噪和图像增强随着数字图像处理技术的不断发展和成熟，图像去噪和图像增强在各个领域都有广泛的应用。
而在数字图像处理的工具中，Matlab凭借其强大的功能和易于使用的特点，成为了许多研究者和工程师首选的软件之一。
本文将介绍如何利用Matlab进行图像去噪和图像增强的方法和技巧。
一、图像去噪图像去噪是指通过一系列算法和技术，将图像中的噪声信号去除或减弱，提高图像的质量和清晰度。
Matlab提供了多种去噪方法，其中最常用的方法之一是利用小波变换进行去噪。
1. 小波变换去噪小波变换是一种多尺度分析方法，能够对信号进行时频分析，通过将信号分解到不同的尺度上，实现对图像的去噪。
在Matlab中，可以使用"dwt"函数进行小波变换，将图像分解为低频和高频子带，然后通过对高频子带进行阈值处理，将噪声信号滤除。
最后通过逆小波变换将去噪后的图像重构出来。
这种方法能够有效抑制高频噪声，保留图像的细节信息。
2. 均值滤波去噪均值滤波是一种基于平均值的线性滤波方法，通过计算像素周围邻域内像素的平均值，替代原始像素的值来去除噪声。
在Matlab中，可以使用"imfilter"函数进行均值滤波，通过设置适当的滤波模板大小和滤波器系数，实现对图像的去噪。
二、图像增强图像增强是指通过一系列算法和技术，改善图像的质量、增强图像的细节和对比度，使图像更容易被观察和理解。
Matlab提供了多种图像增强方法，以下将介绍其中的两种常用方法。
1. 直方图均衡化直方图均衡化是一种通过对图像像素值的分布进行调整，增强图像对比度的方法。
在Matlab中，可以使用"histeq"函数进行直方图均衡化处理。
该函数能够将图像的像素值分布拉伸到整个灰度级范围内，提高图像的动态范围和对比度。
2. 锐化增强锐化增强是一种通过增强图像边缘和细节来改善图像质量的方法。
在Matlab中，可以使用"imsharpen"函数进行图像的锐化增强处理。
Matlab中的图像去噪方法探究
Matlab中的图像去噪方法探究引言：图像去噪是数字图像处理中一个重要的领域，通常被用于清除图像中的噪声，提高图像的质量。
Matlab作为最常用的科学计算软件之一，提供了众多图像去噪方法的实现。
本文将探究在Matlab环境下常用的图像去噪方法，包括均值滤波、中值滤波、小波去噪和Total Variation（TV）去噪等。
1. 均值滤波均值滤波是一种简单且常用的图像去噪方法。
其基本思想是通过计算像素周围邻域像素的平均值来减少噪声的影响。
在Matlab中，可以使用`imfilter`函数来实现均值滤波。
该函数通过对图像进行卷积操作，可以选择不同大小的滤波器来达到不同程度的去噪效果。
然而，均值滤波的缺点是会导致图像的细节模糊化，并且无法处理噪声的非高斯分布情况。
2. 中值滤波中值滤波是一种基于排序统计的图像去噪方法。
它的原理是通过对像素周围邻域像素进行排序，然后选择中间值作为输出像素的值。
与均值滤波相比，中值滤波能够更好地保留图像的细节信息。
Matlab中的`medfilt2`函数可以用于实现中值滤波。
需要注意的是，中值滤波对于椒盐噪声和脉冲噪声等非高斯分布噪声具有较好的去除效果，但对于高斯噪声等其他类型噪声的去噪效果相对较差。
3. 小波去噪小波去噪是一种基于小波变换的图像去噪方法，它通过将图像信号分解为不同频率的小波系数，然后根据小波系数的能量分布情况进行去噪处理。
在Matlab中，可以使用Wavelet Toolbox提供的函数来实现小波去噪。
其中，`wdenoise`函数可以根据设定的阈值对小波系数进行修正，从而实现图像去噪的效果。
由于小波去噪考虑了图像的频域特性，因此在去除噪声的同时能够尽可能地保留图像的细节信息。
4. Total Variation（TV）去噪Total Variation（TV）去噪是一种基于偏微分方程的图像去噪方法，它通过最小化图像的总变差来减少图像中的噪声。
在Matlab中，可以使用Image Processing Toolbox中的`imdenoise`函数来实现TV去噪。
matlab去噪声方法
matlab去噪声方法MATLAB中去噪声的方法有很多，以下列举了一些常用的方法：1. 均值滤波：均值滤波是一种简单且有效的去噪声方法，它通过计算邻域内像素的平均值来减小噪声。
具体操作是创建一个与输入图像大小相同的零矩阵，然后遍历图像的每个像素，将邻域内的像素值求和，最后除以邻域内像素的数量，得到滤波后的像素值。
2. 中值滤波：中值滤波主要用于去除图像中的脉冲噪声和椒盐噪声。
该方法的核心思想是将图像中相邻像素的灰度值进行排序，然后取中间值作为滤波后的像素值。
3. 高斯滤波：高斯滤波是一种广泛应用于图像去噪的方法，它通过在图像上滑动一个高斯核函数来降低噪声。
高斯核函数的宽度决定了滤波的效果，宽度越大，去噪效果越明显，但同时也会导致图像变得模糊。
4. 双边滤波：双边滤波是一种基于邻域的滤波方法，它同时考虑了像素的空间距离和灰度差异。
通过在图像上滑动一个双边核函数，可以有效地去除噪声并保留图像的细节。
5. 基于小波变换的方法：小波变换可以将图像分解为不同尺度、方向和频率的子带，通过对子带的处理，可以有效地去除图像中的噪声。
常用的有小波分解、小波合成和小波去噪等方法。
6. 基于深度学习的方法：深度学习方法，如卷积神经网络（CNN）和循环神经网络（RNN），在图像去噪领域也取得了很好的效果。
通过训练神经网络，可以学习到图像的复杂特征，从而在去噪的同时保留图像的细节。
在MATLAB中实现这些方法，可以利用内置的图像处理函数或自行编写代码。
例如，使用imfilter函数实现均值滤波，使用im2double函数将图像转换为双精度值等。
同时，可以借助图像处理工具箱中的各种滤波器和图像读取、显示函数，如sobel、roberts、prewitt算子等，来实现特定的去噪效果。
基于MATLAB的图像去噪研究
中图分类号 ： Ｔ Ｐ ３ ９ １
文献标 志码 ： Ａ
文章编号 ： １ ０ ０ ６ — ８ ２ ２ ８ （ ２ ０ １ ５ ） ｏ ６ — １ ０ — ０ ３
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏｎ ｉ ｍａ ｇｅ ｄｅ ｎｏ ｉ ｓ ｉ ｎｇ ｗｉ ｔ ｈ Ｍ ＡＴＬＡＢ
Ｙ０ Ｗｅ ｎ
法——平均值法 、 二值 形态滤波器法、 中值滤 波器法和果得到 ，
小波 图像 去 噪 法 是 较 为 理 想 的 处 理 随 机 噪 声 的 方 法 。 关 键 词 ：去 噪 ；Ｍａ ｔ ｌ ａ ｂ ； 小波 ；仿 真
松 分布 的随机变 量作为光 电噪声 的模 型 ， 在光 照较强 时 ， 泊松 分布趋 向于更 易描述 的高斯分布 ； ③感 光片 颗粒噪 声 ， 曝光过 人 类获取外 界信息 约有 ８ ０ ％是 来 自视 觉所接 收的 图像信 颗粒 息， 因此图像信息加工处理 技术 的广泛研究和应 用是必然的趋 程 中曝光颗粒 的分 布呈现一种随机性 。在大多数情况下 ， 势 。在分 析和 使用 图像信 息之 前 ， 需 要对 图像 进行 一系 列处 噪声可 用高斯 白噪声作为有效模 型。 由此可 以看 出 ， 绝大 多数 的常 见 图像噪 声 都可用 均值 为 理 。图像处理 是针对性很强 的技术 ， 所采 用的方法综合了各学 零、 方差不 同的高斯 白噪声 作为其模 型 ， 因而为 了简便和 一般 科 的先进成果 ， 各学科 的相 互渗透促使 了图像处理 技术的快速 采用零均值 的高斯 白噪声作为噪声源 。 发展 。其 中 ， 为 了提高 图像 的质量 以及后续 更高层 次的处理 ， 化，
０ 引言
对 图像进行去噪处理是不可或缺的重要环节 。
１ ． ２ 图 像 质 量 的 评 价
基于MATLAB的数字图像噪声去除技术研究
［５］ 焦李 成，谭 山．图 像 的 多 尺 度 几 何 分 析：回 顾 和 展 望 ［Ｊ］． 电 子 学 报 ，２００３（增 刊 １）：１９７５－１９８１．
Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ｎｏｉｓｅ Ｒｅｍｏｖａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｂａｓｅｄ ｏｎ ＭＡＴＬＡＢ
ＷＡＮＧ Ｄｏｎｇ－ｄБайду номын сангаасｎｇ，ＷＡＮＧ Ｆｕ－ｍｉｎｇ
均值滤波的方法是对待处理的当前像素选择一个 模 板 ，该 模 板 由 其 近 邻 的 若 干 像 素 组 成 ，用 模 板 中 像 素 的均值来替代原像素值。用 ＭＡＴＬＡＢ 实现的代码如下：
Ｉ＝ｉｍｒｅａｄ（＇０１．ｂｍｐ＇）；％ 读 入 原 图 Ｊ１＝ｉｍｎｏｉｓｅ（‘噪 声 类 型 ’）；％ 加 噪 图 像 Ｈ＝ｏｎｅｓ（３，３）／９；％ 选 择 ３×３ 的 模 板 Ｂ１＝ｃｏｎｖ２（Ｊ１，Ｈ）；％ 均 值 滤 波
分 别 添 加 高 斯 白 噪 声 、椒 盐 噪 声 ，然 后 分 别 采 取 均 值 滤
波 、中 值 滤 波 、维 纳 滤 波 方 法 对 图 像 去 噪 复 原 。 图 像 质
量 的 评 价 标 准 （均 方 误 差 Ｓ）公 式 为 ：
∑ ｛‖ｆ（ｘ，ｙ）－ｇ（ｘ，ｙ）‖２｝
Ｓ＝
．
∑ ｛‖ｆ（ｘ，ｙ）‖２｝
３．２．３ 维 纳 滤 波 前面提到的两种降噪方法实质是通过对图像变换
实现，维纳滤波是 要 对 图 像 进 行 恢 复 实 现。 图 像 恢 复 技术以获取视觉质量 某 种 程 度 的 改 善 为 目 的，所 不 同 的是图像恢复过程实 际 上 是 一 种 估 计 过 程，需 要 根 据 指定图像退化的模型 对 退 化 图 像 进 行 恢 复，以 取 得 未 经过退化的原始图 像。 与 中 值 滤 波 不 同，维 纳 滤 波 作 为一种经典的线性滤 波 方 法，在 信 号 和 图 像 处 理 领 域 中具有广泛的应用。其设计原理依据的是最小均方误 差准则（ＭＳＥ），即从含 噪 信 号 运 用 滤 波 变 换 所 得 到 恢 复后估计的信号，使 得 与 原 信 号 相 比 较 它 们 之 间 的 均 方误差最小。用 ＭＡＴＬＡＢ 实现的代码如下：
基于MATLAB的图像去噪实验报告
实验二图像去噪一、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m=imread('pout.tif');x=imnoise(m,'salt & pepper',0.02);y=imnoise(m,'gaussian',0,0.01);figure(1)subplot(311)imshow(m);subplot(312)imshow(x)subplot(313)imshow(y);q=filter2(fspecial('average',3),x);w=filter2(fspecial('average',3),y);n=medfilt2(m);figure(2)subplot(311)imshow(uint8(q));subplot(312)imshow(uint8(w));subplot(313)imshow(n);2、实验结果四、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：中值滤波对于椒盐噪声效果好，因为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。
中值滤波是选择适当的点来代替污染的点所以处理效果会更好。
由于噪声的均值不为零，所以均值滤波不能很好的去除噪声点。
均值滤波对于高斯噪声效果好，因为高斯噪声的幅值近似于正态分布但是却分布在每个点像素上。
图像中的每个点都是污染点，所以如果采用中值滤波会找不到合适的干净点，由于正态分布的均值为零，所以均值滤波可以削弱噪声。
基于Matlab的数字图像处理降噪方法
80%
参数调整
根据不同的图像和降噪需求，调 整滤波器大小、阈值等参数。
实验结果展示和分析
01
02
03
04
结果展示
通过对比降噪前后的图像，展 示降噪效果。
• 主观评价
通过观察降噪后的图像，评估 降噪效果。
• 客观评价
• 讨论
使用PSNR、SSIM等客观评价 指标，量化评估降噪效果。
分析不同降噪算法在不同图像 上的优缺点，以及参数调整对 降噪效果的影响。
详细描述
均值滤波对去除高斯噪声有一定效果，但可能会使图像模糊。在Matlab中，可以使用`imfilter`函数实 现均值滤波。
高斯滤波降噪
总结词
高斯滤波是一种线性滤波方法，通过将像素值替换为高斯函数在邻近像素上的加 权和，从而达到降噪效果。
详细描述
高斯滤波能够平滑图像并减少噪声，同时保持图像的边缘清晰。在Matlab中， 可以使用`imgaussfilt`函数实现高斯滤波。
基于Matlab的数字图像处理 降噪方法
目
CONTENCT
录
• 引言 • 数字图像降噪的基本原理 • 基于Matlab的图像降噪技术 • 实验和结果分析 • 结论和未来工作 • 参考文献
01
引言
数字图像处理的重要性
数字图像处理是计算机视觉领域的重要分支，广泛应用于安防、 医疗、通信、交通等领域。
通过数字图像处理，可以对图像进行增强、分析和理解，提高图 像的视觉效果和信息含量。
降噪在数字图像处理中的角色
降噪是数字图像处理中的一项基础任 务，旨在消除图像中的噪声，提高图 像质量。
噪声可能来源于图像获取、传输和存 储过程中，对后续图像分析和识别任 务产生干扰。
- 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)。
目录第一章概述 (2)第二章典型噪声介绍 (3)第三章基于MATLAB的模拟噪声生成 (5)第四章均值滤波处理方法 (7)4.1均值滤波原理 (7)4.2 均值滤波法对图像的处理 (9)第五章中值滤波处理方法5.1 中值滤波原理 (12)5.2中值滤波法对图像的处理 (12)第六章频域低通滤波法 (15)6.1理想低通滤波器(ILPF)对图像的处理 (15)6.2 巴特沃思低通滤波器（BLPF）对图像的处理 (18)6.3 指数滤波器(ELPF)对图像的处理 (20)6.4 梯形滤波器（TLPF)对图像的处理 (22)6.5 构建二维滤波器对图像的处理 (24)第七章总结与体会 (27)参考文献 (28)第一章概述图像平滑主要有两个作用：一个是清除或减少噪声，改善图像质量；另一个是模糊图像，使图像看起来更柔和自然。
图像噪声来自于多方面，有来自于系统外部的干扰，如电磁波或经电源窜进系统内部的外部噪声；也有来自于系统内部的干扰，如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声。
实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。
减少噪声的方法可以在空间域或在频率域处理。
空间域常用的方法有领域平均法、中值滤波法、多图像平均法等；在频域可以采用理想低通、巴特沃斯低通等各种形式的低通滤波器进行低通滤波。
图像平滑处理的主要目的是去噪声，而噪声有很多种，大体可分为两类：加性噪声和乘性噪声。
加性噪声通常表现为椒盐噪声、高斯噪声等；乘性噪声的一个典型例子就是光照变化。
图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。
图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。
图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。
该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。
第二章典型噪声介绍2.1高斯噪声数字图像的噪声主要来源于图像的获取和传输过程。
按其产生的原因可分为:光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声等。
按其是否独立于空间坐标以及和图像是否关联可分为加性噪声和乘性噪声。
为了最大限度地减少噪声对图像的影响,人们从改善硬件质量和对受污图像进行处理两个方面做了许多的工作,文中主要考虑对受污图像进行处理的算法研究。
为了对受污图像进行处理,人们对噪声进行了研究并建立了相应的数学模型。
对噪声表述的数学建模主要考虑噪声的成因和分析受污图像上噪声的统计特性两个因素，这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。
高斯随机变量z的概率密度函数( PDF)由下式给出:其中, z表示图像像元的灰度值;μ表示z的期望；σ表示z的标准差2.2椒盐噪声椒盐噪声主要来源于成像过程中的短暂停留和数据传输中产生的错误。
其PDF为：如果b>a，则灰度值b在图像中将显示为一个亮点，反之则a的值将显示为一个暗点。
若Pa或Pb为零，则脉冲称为单极脉冲。
如果Pa和Pb均不可能为零，尤其是它们近似相等时，则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，因此称为椒盐噪声。
2.3乘性噪声有的噪声与图像信号有关，这可以分为两种情况：一种是某像素点的噪声只与该像素点的图像信号有关，另一种是某像素点的噪声与该点及其邻域的图像信号有关。
如果噪声和信号成正比，则含噪图像f(x,y)可以表示为：f(x,y)= g(x,y)+ n(x,y)g(x,y)第三章基于MATLABD的模拟噪声生成MATLAB图像处理工具箱提供的噪声添加函数imnoise,它可以对图添加一些典型的噪声。
其语法是：J=imnoise(I,type)J=imnoise(I,type,parameters)其功能是：返回对原图像I添加典型噪声的图像J,参数type和parameters 用于确定噪声的类型和相应的参数。
三种典型的噪声：type=’gaussian’时,为高斯噪声；type=’salt&pepper’时，为椒盐噪声；type=’speckle’时，为乘法噪声；如下程序就实现了对名为‘熊猫’图像的3种噪声污染了的图像：i=imread('熊猫.jpg'); %读取图像I=rgb2gray(i);I1=imnoise(I,'gaussian'); %加高斯噪声I2=imnoise(I,'salt & pepper',0.02); %加椒盐噪声I3=imnoise(I,'speckle'); %加乘性噪声subplot(221),imshow(I); %显示图像Ititle('原图像');subplot(222),imshow(I1);title('受高斯噪声污染的图像');subplot(223),imshow(I2);title('受椒盐噪声污染的图像');subplot(224),imshow(I3);title('受乘性噪声污染的图像');处理结果如图3.1所示：原图像受高斯噪声污染的图像受椒盐噪声污染的图像受乘性噪声污染的图像图3.1 图像添加噪声处理结果第四章均值滤波处理方法4.1 均值滤波原理对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。
邻域平均法是空间域平滑技术，如图4.1所示。
图4.1 领域这种方法的基本思想是，在图像空间，假定有一副N×N个像素的原始图像f(x,y),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。
经过平滑处理后得到一副图像 g(x,y), 其表达式如下：式中： x,y=0,1,2,…，N-1；s为（x，y）点领域中点的坐标的集合，但不包括（x，y）点；M为集合内坐标点的总数。
邻域平均法对抑制噪声是有效的，但是随着邻域的加大，图像的模糊程度也愈加严重。
为克服这一缺点，可以采用阈值法减少由于邻域平均法产生的模糊效应。
其公式如下：式中：T为规定的非负阈值。
领域平均法通常借助于模板的卷积运算来实现。
图像和模板都可以认为是矩阵，它们在卷积时，首先要进行扩展和模板翻转，然后再相乘求和。
这样的处理很复杂，而且当图像和模板增大之后，运算量会增加很多。
但是常用的模板其上下左右都是对称的，它们翻转后和原模板相同。
这时模板与原图像卷积运算可以按以下步骤进行：（1）讲模板在图像中从左到右、从上到下漫游，而模板中各个位置点会与图像中的某个像素点重合；（2）将模板每个位置上的系数与它重合的像素灰度值相乘；（3）将所有乘积求和；（4）把求和的结果赋给图像中与模板中心重合的像素。
值得注意的是，当处理图像四周的像素点时，模板中心在图像边缘，就会有一部分模板处于图像之外，正规的处理是，卷积前对图像进行扩展，其四周补上一定宽度的零像素，那么原图像之外的这部分模板计算结果为零。
但在工程上看，也有其他的处理方法，比如，这些点不进行卷积保留原来的像素值，或者重复其最近像素的卷积结果等。
图4.2是几种常见的领域平均模板Box模板 4领域平均模板高斯模板加权平均模板图4.2 领域平均模板4.2均值滤波法对图像的处理在MATLAB 图像处理工具箱中，提供了imfilter 函数用于实现均值滤波，imfilter 的语法格式为：B=imfilter(A,H)其功能是，用H 模板对图像A 进行均值滤波，模板为：取H1,程序如下：i=imread('熊猫.jpg'); %读取图像 I=rgb2gray(i);I1=imnoise(I,'gaussian');I2=imnoise(I,'salt & pepper',0.02); I3=imnoise(I,'speckle');H1=ones(3,3)/9; %3×3领域模板 J=imfilter(I,H1); %领域平均 J1=imfilter(I1,H1); J2=imfilter(I2,H1); J3=imfilter(I3,H1);subplot(221),imshow(J); title('原图像滤波后'); subplot(222),imshow(J1);title('高斯污染图像滤波后'); subplot(223),imshow(J2);title('椒盐污染图像滤波后'); subplot(224),imshow(J3);title('乘法污染图像滤波后'); 运行结果如图4.3⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=111111111911H ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=11111111111111111111111112512H图4.3 3×3领域模板处理结果取H2，程序如下：i=imread('熊猫.jpg'); %读取图像I=rgb2gray(i);I1=imnoise(I,'gaussian');I2=imnoise(I,'salt & pepper',0.02);I3=imnoise(I,'speckle');H2= ones(5,5)/25; %5×5领域模板J=imfilter(I,H2); %领域平均J1=imfilter(I1,H2);J2=imfilter(I2,H2);J3=imfilter(I3,H2);subplot(221),imshow(J);title('原图像滤波后');subplot(222),imshow(J1);title('高斯污染图像滤波后');subplot(223),imshow(J2);title('椒盐污染图像滤波后');subplot(224),imshow(J3);title('乘法污染图像滤波后');运行结果如图4.4：图4.4 5×5领域模板处理结果比较处理后的图像结果可知，领域平均处理后，图像的噪声得到了抑制，但图像变得相对模糊，对高斯噪声的平滑效果比较好。
领域平均法的平滑效果与所选用的模板大小有关，模板尺寸越大，则图像的模糊程度越大。