同时含有椒盐噪声和高斯噪声的图像消噪处理图像课设论文.
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。
对同时含有椒盐噪声和高斯噪声的 消噪处理
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。
图像阈值分割及去噪的实现毕业论文
图像阈值分割及去噪的实现毕业论文目录摘要 (1)Abstract (2)目录 (3)引言 (4)第一章图像噪音 (5)第二章图像缩放和灰度变换处理 (6)2.1图像缩放处理方法 (6)2.2图像灰度变换处理 (6)第三章图像阈值分割 (8)3.1图像分割技术概要 (8)3.2图像阈值分割原理 (8)3.3图像阈值分割方法 (9)第四章图像去噪 (12)4.1滤波原理 (12)4.2滤波实现方法 (12)第五章仿真实验结果和讨论 (16)5.1图像二值化算法对比 (16)5.2图像去噪效果对比 (17)结论 (21)参考文献 (22)致谢语 (23)引言数字图像处理是从20 世纪60 年代以来随着计算机技术和VLSI 的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用上都取得了巨大的成就，并引起各方面人士的广泛重视[1]。
首先，视觉是人类最重要的感知手段，图像又是视觉的基础。
因此数字图像成为心理学、生物医学、计算机科学等诸多方面的学者研究视觉感知的有效工具。
其次，数字图像处理在军事、遥感、工业图像处理等大型应用中也有不断增长的需求。
为适用特殊的场合和获得较好的视觉效果，常常需要一种有效的方法来对图像进行处理。
数字图像处理技术从广义上可看作是各种图像加工技术的总称。
它包括利用计算机和其他电子设备完成的一系列工作，如图像分割、图像变换、图像去噪等。
本文主要是在整合各种优秀的阈值分割和滤波算法的基础上，实现对图像进行分割和去噪，达到处理和读取图像的目的。
在MATLAB仿真的基础上，比对各种分割和去噪方法的优缺点。
第一章图像噪声大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。
噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。
因此，实时采集的图像需进行滤波处理。
消除图像中的噪声成份叫做图像的平滑化或滤波操作。
按信号与噪声的关系，噪声主要分为加性噪声和乘性噪声[2]：1)加性噪声，即与信号存在与否无关，是独立于信号之外的噪声，叠加方式为[3]：()()()= + (1.1)x t s t n t其中()表示噪声信号。
毕业论文-基于中值滤波的图像椒盐噪声滤除算法的研究与应用
本科生毕业论文（设计）题目：基于中值滤波的图像椒盐噪声滤除算法的研究与应用院系：信息科学与技术学院专业：计算机科学与技术学生姓名：**学号：********指导教师：罗笑南(教授)（职称）二〇年月基于中值滤波的图像椒盐噪声滤除算法的研究与应用摘要摘要在现实生活中，将实际获得的图像进行数字化，并在其传输和处理过程中，不可避免的存在着一定的外部干扰和内部干扰，使用户所获得的数字图像被噪声污染，而这些噪声中椒盐噪声的表现更为明显。
为此有大量学者针对椒盐噪声进行研究分析。
中值滤波算法以其非线性的特点，在处理椒盐噪声上有显著的效果，因此许多学者针对中值滤波算法进行改进。
典型的如加权中值滤波器、开关中值滤波器、自适应中值滤波器等。
然而这些滤波器或在保护图像细节上能力不足，或去除噪声效果不佳，或对于高密度噪声无法处理，或过于复杂不便于硬件实现，存在着一定的缺陷。
本文研究了几种典型的改进后的中值滤波算法，通过理论分析与实验仿真，比较其在去噪及保护图像细节各方面的优缺点。
在此基础上，本文给出了一种基于噪声检测的模糊自适应中值滤波算法。
在该算法中，通过设计窗口自适应的噪声检测机制，有效的区分了噪声与非噪声像素点，从而高效的保护了图像细节信息，并大量减少需要处理的像素点，降低算法运行时间。
同时对于检测出的噪声点，则采用改进了的自适性中值滤除算法进行噪声滤除，在该滤波算法中加入了窗口自适应控制，对于高密度噪声也能有效的进行去噪处理。
通过详细的理论分析后，本文基于matlab进行大量仿真实验，验证了这些新方法在噪声去除与细节保留上的有效性。
关键词：图像去噪、椒盐噪声、噪声检测、自适应中值滤波、开关阈值滤波AbstractThe acquisition, recording and transmission of digital images through sensors or communication channels are often interfered by different types of noises, which may change the image. Impulse noise is one most common and important kind of noise. Impulse noise removal in image processing is an important pre-processing so that many researchers work on the restoration of images corrupted by impulse noise. Being the most popular nonlinear filter, the median filter is often used to remove impulse noise because of its good denoising power. In that case, many image-denoising filters are proposed based on the median filter, such as the weighted median filter, soft switching filter, adaptive median filter, etc.In this paper, a new image-denoising filter that is based on several advanced median filter is proposed. There is a two-phase scheme in this new algorithm. In the first phase, an impulse noise detection is used to identify pixels which are likely to be noise candidates. The noise detection has variable window size for removal of impulses, so that we can keep most of the signal content of the uncorrupted pixels, and time used for filtering can be reduced by a wide margin. In the second phase, the noise candidates will be filtered by the new filter. Based on the adaptive median filter, the proposed filter is superior to some other filters mentioned in this paper not only for smooth pictures but also images that are complicated and have many sharp edges. Being incorporated with variable windows size, our method is also very useful for images with high noise level.Key Words:image denoising, salt-and-pepper noise, adaptive median filter,impulse noise detector, switching-based median filter目录第一章引言 (1)1.1课题背景及其意义 (1)图像滤波技术概述 (1)中值滤波研究现状 (2)本论文的主要工作 (3)1.3论文章节安排 (4)第二章图像去噪算法综述 (5)2.1图像去噪方法概述 (5)2.2图像噪声模型 (6)2.3图像去噪质量的评估方法 (7)2.4中值滤波 (8)2.5维纳滤波 (9)2.6均值滤波 (11)2.7其他滤波技术 (12)2.8小结 (13)第三章几种中值滤波去噪方法分析 (14)3.1标准中值滤波方法(STANDARD MEDIAN FILTER,SM) (14)3.2带权值的中值滤波方法(WEIGHTED MEDIAN FILTER) (15)3.3三态中值滤波方法(TRI-STATE MEDIAN FILTER) (17)3.4自适应软开关滤波方法 (18)3.5自适应中值滤波方法 (20)3.6实验结果分析 (21)3.7小结 (26)第四章基于噪声检测的自适应中值滤波 (27)4.1噪声检测机制 (27)4.2椒盐噪声滤除方法 (33)4.2.1 噪声滤除策略 (34)4.2.2 动态窗口策略 (35)4.2.3 VAM滤波方法 (37)4.3小结 (37)第五章仿真结果分析比较 (39)5.1噪声检测机制性能分析 (39)5.2V AM滤波器去噪效果分析 (41)5.3小结 (45)第六章结语 (46)6.1论文主要工作总结 (46)6.2展望 (46)参考文献 (48)致谢 (50)第一章引言1.1 课题背景及其意义冈萨雷斯曾在其著作中提到，视觉是人类感觉中最高级的，而图像又在人类的感知中起着重要的作用[1]。
基于小波变换的图像混合去噪法(学位论文).
长春工业大学硕士学位论文基于小波变换的图像混合去噪法姓名：周明月申请学位级别：硕士专业：信号与信息处理指导教师：王宏志20070301氏春工业大学硕士学位论文摘要图像在获取和传输的过程中经常要受到噪声的污染。
噪声对图像分析有着非常重要的影响，必须在分析前去除。
所以，图像去噪成为图像分析和处理的重要技术。
传统的去噪方法不仅滤出了图像的噪声，同时使图像细节变得模糊。
小波变换是继傅琨叶变换之后的又一时频分析工具。
小波变换由于在时域频域同时具有良好的局部化性质和多分辨率分析的特点，因此不仅能满足各种去噪要求，如低通、高通、随机噪声的去除，而且与传统的去噪方法相比较，有着无可比拟的优点，成为信号分析的一个强有力的工具，被誉为分析信号的数学显微镜。
其应用包括图像预处理、图像压缩与传输、图像分析、特征提取等图像处理的很多阶段。
首先，介绍了本课题的研究目的，并介绍了目前常用的去噪方法及这些方法之间的比较。
其次，在简述了小波变换的发展历史和小波变换的基本理论知识后，对以小波为工具在数字图像处理方面进行了有益的探索。
再次，给出了小波边缘检测理论，接下来针对小波去噪的理论和方法着重进行了介绍，包括小波去噪的原理、方法和阈值去噪处理等方面的内容。
最后，对本文的工作进行了总结。
小波变换由于具有“数学显微镜”的作用，在去噪的同时能保持图像细节，得到原图像的最佳恢复。
在众多的小波去噪方法中，运用最多的是Ｄｏｎｏｈｏ小波阈值萎缩法，但Ｄｏｎｏｈｏ给出的阈值有“过扼杀”小波系数的倾向，重建误差较大。
本文提出基于小波变换与中值滤波相结合的方法实现了图像去噪。
该方法在去噪之前，先通过小波边缘检测确定图像边缘特征的小波系数，保留这些位置的小波系数，其不受闽值去噪影响，对其它位置的小波系数进行自适应阈值去噪，去除高斯噪声。
然后对图像进行中值滤波，去除椒盐噪声。
该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声的混合噪声，而且能较好的保留图像的边缘细节，其滤波效果优于传统的图像去噪方法。
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。
图像去噪算法研究毕业设计论文
(此文档为word格式，下载后您可任意编辑修改！) 优秀论文审核通过未经允许切勿外传图像去噪算法研究摘要图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。
数字图像噪声去除涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系已十分完善，且其实践应用很广泛，在医学、军事、艺术、农业等都有广泛且成熟的应用。
MATLAB 是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。
MATLAB是一种向量语言，它非常适合于进行图像处理。
本文概述了小波阈值去噪的基本原理。
对常用的几种阈值去噪方法进行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。
为实际的图像处理中，小波阈值去噪法的选择和改进提供了数据参考和依据。
关键字：小波变换；图像去噪；阈值；MATLABAbstractImage is one kind of important information source, may the connotation. The digital image de-noise involves domains and so on optical system, microelectronic technology, computer science，mathematical analysis,it’s a very comprehensive interdisciplinary science, now its practice application is very widespread. In the medicine, the military, art, the agriculture and all . MATLAB is one kind of language, in aspects and so on value computation, data processing, imagery processing, neural network, wavelet analysis all .This article done comparing experiments using several good threshold denoising methods. Finally according to the theory analysis and simulation results, the paper discusses several kinds of factors which affect the denoising capability in a complete denoising algorithm. That provides the date referenceof threshold denoising methods in actual image process.Keywords: Wavelet transformation; Image denoising; Wavelet threshold; MATLAB目录第一章绪论 (1)1.1引言 (1)1.2数字图像的基本概念 (1)1.3数字图像处理的基本理论 (1)1.4问题的产生 (2)1.5文各章节的安排 (2)第二章图像去噪基本方法研究 (3)2.1图像噪声的基本概念 (3)2.2图像去噪方法基本方法 (3)2.2.1 均值滤波 (3)2.2.2 中值滤波 (5)2.3实验结果 (10)2.3.1 均值滤波 (10)2.3.2 中值滤波 (12)第三章小波变换的图像去噪 (15)3.1小波变换 (15)3.2小波去噪问题的描述 (15)3.3小波变换的图像去噪原理 (17)3.4阈值的选取 (21)3.5小波去噪基于MATLAB的实现 (21)3.6实验结果 (23)3.7几种算法的比较 (23)第四章总结与展望 (25)参考文献 (26)致谢 (27)第一章绪论1.1引言近些年来,随着数码产品及各类数字产品的普及，数字图像处理已成为数学技术和计算机技术交叉领域的一个研究热点。
生物医学图像处理中的噪声去除与图像增强算法
生物医学图像处理中的噪声去除与图像增强算法生物医学图像处理在医学诊断、疾病监测和研究领域起着至关重要的作用。
然而，由于成像设备和条件的限制，导致生物医学图像中常常存在噪声，并且图像质量可能不尽如人意。
因此，噪声去除和图像增强算法成为了生物医学图像处理的核心内容。
本文将介绍一些常用的噪声去除与图像增强算法，并探讨它们在生物医学图像处理中的应用。
在生物医学图像中常见的噪声主要有高斯噪声、椒盐噪声和泊松噪声。
高斯噪声是由于成像器件的电子噪声引起的，会给图像带来均值为0的随机分布的像素值扰动。
椒盐噪声则表现为图像中孤立的黑点或白点，这是由于成像过程中信号的缺失或随机跳变引起的。
而泊松噪声则主要出现在低剂量的正电子断层扫描（PET）图像中。
针对高斯噪声，最常用的噪声去除算法之一是基于加权平均的滤波器，如均值滤波器和中值滤波器。
均值滤波器通过计算像素周围邻域的平均值来去除噪声。
然而，均值滤波器对于去除高斯噪声的效果并不理想，因为它容易导致图像细节的损失。
相比之下，中值滤波器通过计算邻域像素的中位数来去除噪声，能够有效地保留图像的边缘信息。
对于椒盐噪声，可以使用自适应中值滤波器来进行噪声去除。
自适应中值滤波器在计算中位数时，根据像素邻域中非噪声像素的比例动态调整滤波器的大小。
这样可以更好地适应不同强度的噪声，并在保留图像细节的同时去除噪声。
针对泊松噪声，可以采用最小化总变差（total variation，TV）的方法来进行噪声去除。
TV正则化方法通过最小化图像的总变差来抑制噪声，并恢复出清晰的图像细节。
这种方法特别适用于低剂量PET图像，因为其在噪声抑制的同时也能够充分保留图像的显著性特征。
除了噪声去除算法外，图像增强算法也是生物医学图像处理中重要的一部分。
图像增强旨在改善图像的视觉质量和信息内容，以便更好地进行医学诊断。
常用的图像增强算法包括直方图均衡化、伪彩色处理和多尺度分解。
直方图均衡化是一种常用的图像增强方法，通过将图像的像素值重新映射到一个更均匀的分布，从而增强图像的对比度和细节。
- 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）：年级专业： 13级自动化仪表学号：学生姓名：指导教师：吴晓光教师职称：讲师燕山大学课程设计（论文）任务书院（系）：基层教学单位：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。
2015年 12月 31 日燕山大学课程设计评审意见表目录一、噪声的分类 (1)二、滤波原理 (1)三、综合智能识别 (1)四、处理结果 (1)五、程序 (1)六、参考文献 (1)摘要在数字图像处理领域，图像噪声的滤除一直是最重要、最基本的研究课题之一。
由高斯噪声和椒盐噪声叠加而成的混合噪声是数字图像中存在的一种典型噪声。
而传统方法对于这种类型噪声的处理效果往往是不尽如人意的，主要表现在滤除图像噪声的同时会对图像细节产生丢失。
绝大部分自然图像几乎同时含有椒盐噪声和高斯噪声，简单的使用传统的滤波算法不能获得理想的滤波效果。
为了解决混有这两种噪声图像的滤波问题，分别针对以椒盐噪声为主的混合噪声图像和高斯噪声为主的混合噪声图像，提出了双阂值滤波算法。
这种算法是在修正后的阿尔法均值滤波算法的基础上做了两方面的改进:首先，提出在图像邻域内为不同灰度值的像素点给出归一化的权值，用这些权值和其对应的灰度值共同决定滤波输出。
其次，所设计的权值可以用修正因子来进行微调，来获得理想的滤波效果。
实验证明，其处理效果优于传统滤波算法和修正后的阿尔法均值滤波算法。
本论文所提出的算法均在MATLAB上进行了仿真，并进行相应的新旧算法比较，本文介绍有中值滤波，均值滤波等经典的滤波的算法，通过与改进后的自适应中值滤波和维纳滤波进行对比。
主题词：阿尔法均值滤波中值滤波维纳滤波一、噪声的分类在我们的图像中常见的噪声主要有以下几种:（1）加性噪声加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声。
这类带有噪声的图像g可看成为理想无噪声图像f与噪声n 之和，即=+g f n（2）乘性噪声乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，这类噪声和图像的关系是=+⨯g f f n（3）高斯噪声高斯噪声是数字图像的主要噪声源，高斯噪声是一种随机噪声，在任选瞬时中任取n个，其值按n个变数的高斯概率定律分布。
1、高斯噪声完全是由两瞬时的协方差函数和它的时变平均值来确定，如果噪声是平稳的，则平均值与时间无关，此时协方差函数则变成只与所探讨的两瞬时之差有关的相关函数，在意义上与功率谱密度等同。
2、高斯噪声可以是大量独立的脉冲所产生的，从而在任何有限时间间隔内，这些脉冲中的每一个脉冲值与所有脉冲值的总和相比都可忽略不计。
3、实际上热噪声、散弹噪声及量子噪声都是高斯噪声。
高斯白噪声:如果某个噪声，它的功率谱密度服从均匀分布，而幅度分布服从高斯分布，则称其为高斯白噪声。
散粒噪声和热噪声都是高斯白噪声，所谓高斯白噪声中的“高斯”是指概率分布函数是正态函数，而“白噪声”则是指它的一阶矩为常数，二阶矩不相关，表示为先后信号在时间上的相关性。
这是考查一个信号的两个不同方面的问题。
时变信号是信号的幅度随时间变化的信号，幅度不随时间变化的信号，即幅度保持为常数的信号叫时不变信号。
高斯白噪声是指信号中包含从负无穷到正无穷之间的所有频率分量，且各频率分量在信号中的权值相同。
白光包含各个频率成分的光，白噪声这个名称是由此而来的。
它在任意时刻的幅度是随机的，但在整体上满足高斯分布函数。
(x)(z)()xx aF f dz σ-∞-==Φ⎰1.3高斯噪声的经典算法 1.3.1算术均值滤波法1）算法原理:算术平均滤波是根据N 个采样数据1x 、2x ……N x ，寻找Y ，使得Y与各个采样值之间的偏差的平方之和最小，即:21(y x)Ni E i ==-∑最小。
而Y 是由一元函数求极值的原理获得11Nii y x N==∑2)算法特点:此算法对于周期性波动的信号具有很好的滤波平滑效果，比较适用于那些具有随机干扰的信号的滤波。
此种算法对于信号的滤波效果和平滑程度将取决于N 的值。
N 较小时，平滑度低，滤波效果不太明显。
N 较大时，灵敏度低，平滑度高，实时性差。
而此算法的主要缺陷在于:不适用对要求计算速度较快或者测量速度较慢的实 时控制。
3)算术均值滤波器算术均值滤波器是最简单的均值滤波器。
令表示中心在点(x, y)处、大小为m*n 的矩形子图像窗口(邻域)的一组坐标。
算术均值滤波在xy S 定义的区域中计算被污染图像g （x,y ）的平均值。
在点(x, y)处复原图像*f 的值，就简单地使用xy S 定义的区域中的像素计算出的算数平均值，即*(s,t)S 1(x,y)(s,t)xyf g mn ∈=∑（m 和n 是奇整数）这个操作可以使用大小为m*n 的一个空间滤波器来实现，其所有的系数均为其值的 1 /mn 。
均值滤波平滑一幅图像中的局部变化，虽然模糊了结果，但降低了噪声。
这个操作可以用其系数为1 /mn 的卷积模版来实现。
其滤波模板为:⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=111111111911ω（4）“椒盐”噪声此类嗓声如图像切割引起的即黑图像上的白点。
白图像上的黑点噪声，在变换域引入的误差，使图像反变换后造成的变换噪声等。
去噪后的图像一般需要考虑三个方面的因素:1.噪声衰减程度2.区域平滑程度3.边缘保持程度。
去嗓后的图像保持尽可能地衰减噪声，尽可能地平滑区域，尽可能地保持图像边缘鲜明。
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。
去除脉冲干扰和椒盐噪声最常用的算法是中值滤波。
路面图像被看作为结构光图像，一般运用区域分割技术里的阂值分割法来去除白噪声和一些椒盐噪声，而一般不能运用中值滤波来滤除白噪声和部分椒盐噪声，因为滤波器模板在图像中漫游的时候会影响光条中像素的灰度分布，给之后重心法的细化过程带来负面影响。
从大量实验研究中可发现，通过摄像机拍摄获取的图像受椒盐噪声、离散脉冲和均值为零的高斯噪声的影响很严重。
图像噪声给数字图像处理带来了许多困难，对图像识别、特征提取、图像分割等有直接的影响。
因此，实时采集获得的图像必须经过滤波预处理。
去除图像里的那部分噪声成份被称为图像的滤波或平滑化操作。
平滑的目的有两个:一是为了适应计算机处理过程中的要求，滤除掉图像数字化过程中所混入的部分噪声;二是提取出处理对象的一些特征作为图像识别时的特征模式。
而滤波处理过程中的要求也有两条:一是不能破坏图像轮廓和边缘等重要的信息;二是使图像变得更清晰， 视觉效果更好。
椒盐噪声是指两种噪声，一种是盐噪声(salt noise)，另一种是胡椒噪声(peppernoise)。
盐=白色，椒=黑色。
前者是高灰度噪声，后者属于低灰度噪声。
一般两种噪声同时出现，呈现在图像上就是黑白杂点。
处理方法：中值滤波法在滤除椒盐噪声的领域应用的十分广泛。
可是中值滤波在滤除椒盐噪声时有其固有的不足，比如中值滤波法并不能非常好地保护图像边缘和图像中的大部分细节信息，因此中值滤波在细节和边缘要求比较严格的情况下并不能得到人们理想的处理效果。
1.4.1自适应中值滤波法传统的中值滤波方法只能一致地应用到整个图像，无论图像点的好坏均会受到该滤波窗口的影响，这样势必会影响到未受噪声干扰的图像细节。
为了解决这个问题，提出了一种简单且易实现的“自适应中值滤波法”，该方法既可有效滤除严重的噪声干扰，又能较好保持图像细节。
该方法首先必须将整个图像分割成为L 个子图像，之后依次统计出每一个子图像中噪声点的个数，再依照子图像里噪声点的个数，在每一个子图像中自动选取滤波窗口的尺寸。
在实现此方案的过程中，首先必须进行整体噪声检测。
而噪声检测算法的实现是来源于对随机噪声图像的两点假设:一是受到污染的噪声点从局部来看，其灰度值会明显 低于或高于其邻域中的其它像素点的灰度值;二是假若没有受到随机噪声的干扰的数字 图像局部应当是相对平稳的，可能在区域的边缘地区会有明显的跳跃。
假设ijx 代表受到噪声干扰的图像中像素点（i,j ）的灰度值，ijm 是以点(i,j)为中心，大小为3x3的窗口内所有图像点的中值，即},...,...{1,11,1++--=j i ij j i ij x x x Med m则有：⎩⎨⎧≥-=其他1Td m x f ij ij ij式中，Td 是预先设定的门限值，1=ij f 表示图像点(i,j)是一个噪声点，=ij f 表示图像点(i ，j)是一个未受污染的好点。
在完成自适应中值滤波随机噪声的检测之后，可将图像里的全部像素分为两大类:噪声点和好点(没有受到噪声污染的点)，之后再根据实际中图像被污染的情况，自动选择每个子图像所能适用的中值滤波函数窗口的尺寸，进行自适应中值滤波。
其详细步骤如下:(1)检测随机噪声，确定好点和噪声点。
(2)将图像分割成L 个预处理的子图像。
(3)分别计算各个子图像中好点和噪声点的个数。
(4)如果噪声点的个数大于某个设定的阂值，则对该子图像采用5x5大小的窗口进行 中值滤波;反之，则对该子图像采用3x3大小的窗口进行中值滤波。
(5)将经上述处理的L 个子图像合成起来，以得到消除噪声的恢复图像。
这种自适应中值滤波方法通过将待处理的图像分割为L 个子图像，然后再根据每个子图像受噪声污染的实际情况，自动地选择滤波窗口的大小。
这样既可有效滤除严重的噪声干扰，同时也保持了图像的细节。
二、滤波原理2.1滤波图像复原逆滤波法是最简单的图像恢复方法。
对1式两边作二维傅立叶变换，得到),(),(),(),(v u N v u F v u H v u G +=),(v u H 为成像系统的转移函数。
估算得到的恢复图像的傅立叶变换),(^v u F 为 ),(),(),(),(),(),(^v u H v u N v u F v u H v u G v u F +==若知道转移函数),(v u H ，上式经反变换即可得到恢复图像。
逆滤波恢复法会出现病态性，若0),(=v u H ，而噪声0),(≠v u N ，则),(/),(v u N v u H 比),(y x F 大很多，使恢复出来入),(^y x f 与),(y x f 相差很大，甚至面目全非。
考虑到降质系统的转移函数),(v u H 的带宽比噪声要窄的多，其频率特性也具有低通性质，因此可令逆滤波的转移函数),(1v u H 为⎪⎩⎪⎨⎧>+≤+=02122021221)(0)(),(/1),(D v u D v u v u H v u H 2.2维纳滤波复原逆滤波简单，但可能带来噪声的放大，而维纳滤波对逆滤波的噪声放大有抑制作用。