高斯滤波
高斯滤波sigma系数取值范围
高斯滤波sigma系数取值范围1.引言1.1 概述概述部分的内容应该对高斯滤波的背景和基本原理进行简要介绍。
以下是可能的内容：高斯滤波是一种常用的图像处理方法，被广泛应用于图像平滑和噪声去除的任务中。
它的原理是将一个高斯函数与图像进行卷积操作，从而实现对图像的平滑效果。
高斯函数是一种钟形曲线，它具有一个中心点和一个标准差（sigma）。
通过调整标准差的取值大小，可以控制高斯滤波的程度和效果。
较小的标准差会导致较强的平滑效果，而较大的标准差则会导致较弱的平滑效果。
高斯滤波的实现过程是将每个像素与周围的邻居像素进行加权平均。
这些权重是由高斯函数决定的，距离中心像素越远的邻居像素具有更小的权重。
这种加权平均的操作使得图像中的噪声得到了抑制，同时也能保留图像的边缘信息。
在实际应用中，选择合适的sigma值至关重要。
较小的sigma值可以有效去除高频噪声，但可能会导致细节信息的模糊。
而较大的sigma 值保留了更多的细节信息，但对于噪声的去除效果可能不够明显。
因此，在实际应用中需要根据具体的需求来选择合适的sigma值。
在接下来的文章中，我们将进一步探讨高斯滤波的sigma系数的作用以及推荐的取值范围，以帮助读者更好地理解和应用这一图像处理方法。
1.2 文章结构文章结构部分的内容应该包括以下内容：文章结构部分旨在简单介绍本文的组织结构和各个部分的主要内容，以帮助读者更好地了解文章的整体框架。
本文主要包括引言、正文和结论三个部分。
引言部分主要概述了本文的研究背景和意义，明确了本文的目的和重要性。
在引言部分，将简要介绍高斯滤波的原理和应用，并重点指出高斯滤波的sigma系数在图像处理中的作用。
正文部分将具体讨论高斯滤波的原理和应用，以及高斯滤波的sigma 系数对滤波效果的影响。
在该部分，将通过举例和实验数据来说明不同sigma系数取值范围对滤波结果的影响程度，并对其进行分析和解释。
结论部分将对前文所述内容进行总结，并给出推荐的sigma系数取值范围。
高斯滤波器的作用
高斯滤波器的作用在数字图像处理中，高斯滤波器是一种常用的平滑滤波器，它可以有效地去除图像中的噪声，使图像更加清晰和平滑。
高斯滤波器的作用主要是通过对图像中的像素值进行加权平均来实现的。
高斯滤波器通过在图像上滑动一个小的窗口来处理每个像素。
在窗口内，每个像素的值会与高斯函数中的权重相乘，并求和得到新的像素值。
这样可以使图像中每个像素的值受到周围像素的影响，从而减少噪声的影响，使图像更加清晰。
高斯滤波器的主要作用之一是平滑图像。
在图像处理中，噪声是不可避免的，特别是在低光照条件下拍摄的图像中。
噪声会导致图像细节模糊，影响图像质量。
通过使用高斯滤波器，可以有效地去除图像中的噪声，使图像更加平滑，细节更加清晰。
高斯滤波器还可以用于边缘检测。
边缘是图像中像素值变化较大的地方，通常表示物体之间的分界线或者物体的轮廓。
高斯滤波器可以通过平滑图像来减少噪声的影响，从而更容易检测图像中的边缘。
通过边缘检测，可以帮助我们更好地理解图像内容，进行目标识别和分割。
除了平滑和边缘检测，高斯滤波器还可以用于图像增强和特征提取。
在一些图像处理任务中，我们需要突出图像中的某些特征或者增强图像的对比度。
通过适当调整高斯滤波器的参数，可以实现对图像的增强和特征提取，从而更好地满足不同应用的需求。
总的来说，高斯滤波器在数字图像处理中起着至关重要的作用。
它不仅可以帮助我们去除图像中的噪声，使图像更加清晰和平滑，还可以用于边缘检测、图像增强和特征提取等任务。
因此，熟练掌握高斯滤波器的原理和应用是每个图像处理工程师都应该具备的基本技能。
通过合理地使用高斯滤波器，我们可以更好地处理图像数据，实现各种图像处理任务，提高图像处理的效果和质量。
高斯和函数卡曼滤波
高斯和函数卡曼滤波
高斯和函数卡曼滤波是信号处理领域的两个重要概念。
本文将就这
两个概念做详细介绍。
一、高斯滤波
高斯滤波是一种常用的线性滤波器，其基本思想是用高斯函数对图像
进行平滑处理，从而达到降噪的目的。
高斯函数是一种连续可导的函数，具有平滑性和支持度的特点，其密度函数方程为：
G(x)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{x^2}{2\sigma^2}}
其中，x为自变量，\sigma为标准差。
高斯函数的主要作用是对噪声进行平滑操作，降低其对图像的影响，
同时也可以对图像进行平滑处理，消除图像中的纹理和细节，从而使
图像更加清晰明了。
二、函数卡曼滤波
函数卡曼滤波是一种非线性滤波器，它通过估计信号的状态和噪声的
统计特性，对信号进行滤波处理。
函数卡曼滤波通过预测信号的状态，对当前的观测值进行修正，从而得到更加精确的估计。
函数卡曼滤波的主要优点是能够不断自适应地调整滤波器的参数，以适应噪声和信号的变化。
它在转移过程中可以利用之前的信息，产生更加准确和可靠的估计结果，从而大大提高了信号处理的效率。
总的来说，高斯滤波和函数卡曼滤波各有其优点和应用领域。
高斯滤波适用于对噪声平滑处理和图像的平滑处理，而函数卡曼滤波适用于对特定信号进行滤波处理。
这两种滤波器都是信号处理中常用的滤波方式，对于不同的应用场合，需要选择合适的滤波器进行处理。
图像滤波之高斯滤波介绍
图像滤波之⾼斯滤波介绍1 ⾼斯滤波简介 了解⾼斯滤波之前，我们⾸先熟悉⼀下⾼斯噪声。
⾼斯噪声是指它的服从（即）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，是指先后信号在时间上的相关性，包括和。
⾼斯滤波器是⼀类根据⾼斯函数的形状来选择权值的线性平滑滤波器。
⾼斯平滑滤波器对于抑制服从正态分布的噪声⾮常有效。
⼀维零均值⾼斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，⾼斯分布参数Sigma决定了⾼斯函数的宽度。
对于图像处理来说，常⽤⼆维零均值离散⾼斯函数作平滑滤波器，⾼斯函数的图形：2 ⾼斯滤波函数 对于图像来说，⾼斯滤波器是利⽤⾼斯核的⼀个2维的卷积算⼦，⽤于图像模糊化（去除细节和噪声）。
1) ⾼斯分布 ⼀维⾼斯分布： ⼆维⾼斯分布： 2) ⾼斯核 理论上，⾼斯分布在所有定义域上都有⾮负值，这就需要⼀个⽆限⼤的卷积核。
实际上，仅需要取均值周围3倍标准差内的值，以外部份直接去掉即可。
如下图为⼀个标准差为1.0的整数值⾼斯核。
3 ⾼斯滤波性质 ⾼斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有⽤．这些性质表明，⾼斯平滑滤波器⽆论在空间域还是在频率域都是⼗分有效的低通滤波器，且在实际图像处理中得到了⼯程⼈员的有效使⽤．⾼斯函数具有五个⼗分重要的性质，它们是： （1）⼆维⾼斯函数具有旋转对称性，即滤波器在各个⽅向上的平滑程度是相同的．⼀般来说，⼀幅图像的边缘⽅向是事先不知道的，因此，在滤波前是⽆法确定⼀个⽅向上⽐另⼀⽅向上需要更多的平滑．旋转对称性意味着⾼斯平滑滤波器在后续边缘检测中不会偏向任⼀⽅向． （2）⾼斯函数是单值函数．这表明，⾼斯滤波器⽤像素邻域的加权均值来代替该点的像素值，⽽每⼀邻域像素点权值是随该点与中⼼点的距离单调增减的．这⼀性质是很重要的，因为边缘是⼀种图像局部特征，如果平滑运算对离算⼦中⼼很远的像素点仍然有很⼤作⽤，则平滑运算会使图像失真． （3）⾼斯函数的傅⽴叶变换频谱是单瓣的．正如下⾯所⽰，这⼀性质是⾼斯函数付⽴叶变换等于⾼斯函数本⾝这⼀事实的直接推论．图像常被不希望的⾼频信号所污染(噪声和细纹理)．⽽所希望的图像特征（如边缘），既含有低频分量，⼜含有⾼频分量．⾼斯函数付⽴叶变换的单瓣意味着平滑图像不会被不需要的⾼频信号所污染，同时保留了⼤部分所需信号． （4）⾼斯滤波器宽度(决定着平滑程度)是由参数σ表征的，⽽且σ和平滑程度的关系是⾮常简单的．σ越⼤，⾼斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(⽋平滑)之间取得折衷． （5）由于⾼斯函数的可分离性，较⼤尺⼨的⾼斯滤波器可以得以有效地实现．⼆维⾼斯函数卷积可以分两步来进⾏，⾸先将图像与⼀维⾼斯函数进⾏卷积，然后将卷积结果与⽅向垂直的相同⼀维⾼斯函数卷积．因此，⼆维⾼斯滤波的计算量随滤波模板宽度成线性增长⽽不是成平⽅增长．4 ⾼斯滤波应⽤ ⾼斯滤波后图像被平滑的程度取决于标准差。
高斯滤波的参数
高斯滤波的参数
高斯滤波是一种常用的图像处理方法，其主要作用是去除图像中的噪声。
在进行高斯滤波时，需要设置一些参数，这些参数将影响到滤波的效果。
以下是高斯滤波的一些参数及其含义。
1. 卷积核大小：卷积核是高斯滤波的核心组成部分，其大小决定了滤波的范围。
通常情况下，卷积核的大小越大，滤波的效果越明显。
但是，卷积核过大也会导致图像失真，因此需要根据具体情况进行调整。
2. 标准差：标准差是高斯滤波中的一个重要参数，它决定了卷积核中各个像素的权重。
标准差越大，像素的权重越分散，滤波效果越平滑。
但是，标准差过大也会导致图像模糊，因此需要进行适当调整。
3. 像素值范围：高斯滤波的处理结果取决于像素值的范围。
通常情况下，像素值范围越大，滤波效果越明显。
但是，像素值范围过大也会导致图像失真，因此需要进行适当调整。
4. 边界处理方式：高斯滤波在处理图像边缘时需要进行特殊处理，常见的处理方式有填充、截断、重复等。
不同的边界处理方式会对滤波结果产生影响，需要根据具体情况选择适当的处理方式。
总之，在进行高斯滤波时，需要充分考虑各个参数的影响，并进行适当调整，才能得到较好的滤波效果。
- 1 -。
均值滤波,高斯滤波,中值滤波
均值滤波,高斯滤波,中值滤波均值滤波，高斯滤波和中值滤波是数字图像处理中常用的三种平滑滤波技术，用于降低图像噪声和去除图像中的不相关细节。
本文将对这三种滤波方法进行介绍、比较和分析。
一、均值滤波均值滤波是一种简单的平滑滤波方法，它的原理是用滤波窗口内像素的平均值来代替中心像素的值。
具体来说，对于滤波窗口内的每个像素，计算其邻域内所有像素的平均值，然后将结果作为中心像素的值。
这样可以有效地平滑图像并去除高频噪声。
然而，均值滤波的缺点是它不能很好地保留图像的边缘信息，使得图像看起来模糊且失去细节。
二、高斯滤波高斯滤波是一种基于高斯分布的平滑滤波方法，它认为像素点的邻域内的像素值与中心像素点的距离越近，其权重越大。
它的滤波过程是在滤波窗口内，对每个像素点进行加权平均。
加权的权重由高斯函数决定，距离中心像素点越近的像素点的权重越大，距离越远的像素点的权重越小。
通过这种加权平均的方式，可以更好地保留图像的细节和边缘信息，同时有效地去除噪声。
高斯滤波的唯一缺点是计算复杂度较高，特别是对于大型滤波窗口和高分辨率图像来说。
三、中值滤波中值滤波是一种统计滤波方法，它的原理是用滤波窗口内像素的中值来代替中心像素的值。
具体来说，对于滤波窗口内的每个像素，将其邻域内的像素按照大小进行排序，然后将排序后像素的中值作为中心像素的值。
中值滤波对于椒盐噪声和脉冲噪声有很好的去噪效果，能够保持图像的边缘信息，避免了均值滤波和高斯滤波的模糊问题。
然而，中值滤波的缺点是不能去除高斯噪声和高频噪声，因为当滤波窗口内的像素含有这些噪声时，中值滤波会产生失真效果。
比较和分析：三种滤波方法各有优劣，应根据实际需求选择合适的滤波方法。
均值滤波是最简单、计算复杂度最低的方法，在去除高斯噪声和低频噪声方面效果较差，但对边缘信息的保留效果较差。
高斯滤波通过加权平均的方式更好地保留了图像的细节和边缘信息，适用于处理高斯噪声并且具有一定的平滑效果。
中值滤波对于椒盐噪声和脉冲噪声有很好的去噪效果，并保持了图像的边缘信息，但对于高斯噪声和高频噪声则效果较差。
差分高斯滤波
差分高斯滤波差分高斯滤波(DOG)是一种图像处理技术，广泛应用于计算机视觉、图像处理和模式识别等领域。
它的基本原理是通过对原始图像进行高斯模糊滤波，然后计算它与模糊后的图像的差异，从而实现图像的边缘检测和特征提取等目的。
高斯滤波是一种常用的图像平滑滤波技术。
它通过对图像中每个像素周围的邻域进行加权平均来平滑图像，从而消除噪声和细节，并减少图像中的高频分量。
高斯滤波对图像进行平滑处理时，使用的是高斯函数的权重。
高斯函数是一种常用的数学函数，用于描述自然界中许多现象的分布。
在图像处理中，高斯函数通常被用来模拟图像中像素的分布。
高斯滤波的原理就是以某个像素为中心，计算该像素周围的邻域中像素的加权平均值，其中的权重就是高斯函数。
高斯函数的参数包括平均值和方差，它们决定了函数的形状和大小。
方差越大，高斯函数越平，平滑效果越好。
在差分高斯滤波中，我们先将原始图像进行一次高斯滤波，得到一个平滑的图像。
接着，再对这个平滑的图像进行一次高斯滤波，但是卷积核的方差小于第一次滤波的方差。
假设第一次高斯滤波使用的方差为s1，第二次高斯滤波使用的方差为s2，滤波后得到的两个图像分别为G1和G2。
则差分高斯图像可以表示为：DOG=G1-G2这个DOG图像表示了原始图像中的边缘和纹理信息。
因为第二次高斯滤波的卷积核相对较小，所以只有梯度比较大的位置才能保留下来，而其他的位置经过了两次高斯滤波之后被平滑掉了。
因此，DOG图像最适合用来检测细节和边缘。
差分高斯滤波的一个重要应用是在SIFT(尺度不变特征变换)算法中，它被用来提取图像的特征点。
SIFT算法是一种用于图像特征匹配和目标识别的算法，它通过在多个尺度下检测和描述局部特征点，实现图像的尺度不变性和旋转不变性。
在SIFT算法中，差分高斯滤波被用来在图像中寻找尺度空间极值点，它能够有效地过滤掉那些不是特征点的像素，只保留具有较高的梯度和稳定性的像素。
除了在SIFT算法中的应用外，差分高斯滤波还被用于其他领域，例如人脸检测、文本检测、图像分类和数字水印等。
图像处理中的平滑滤波方法比较
图像处理中的平滑滤波方法比较近年来，图像处理被广泛应用于计算机视觉、图像识别等领域。
在图像处理中，平滑滤波是一个常见的操作，它可以去除噪点、边缘保持等。
不同的平滑滤波方法会对图像产生不同的影响，因此选择合适的平滑滤波方法非常重要。
本文将比较五种常见的平滑滤波方法：均值滤波、高斯滤波、中值滤波、双边滤波和小波变换。
一、均值滤波均值滤波是最简单的一种平滑滤波方法，它将图像中每个像素点周围的像素值取平均数，并将平均值赋值给该像素点。
均值滤波可以消除图像的高频噪声，但同时也会损失一些图像的细节信息。
此外，均值滤波对较大的噪声点效果并不理想，很容易使图像产生模糊现象。
二、高斯滤波高斯滤波是一种局部加权平均滤波方法，它可以对图像进行模糊处理，同时保留较多的图像细节信息。
高斯滤波的核心理念是将周围像素的加权平均值作为该像素点的值。
高斯滤波的其中一个优点是可以更好地处理高斯白噪声、椒盐噪声等图像噪声，提高图像质量。
但是，高斯滤波也可能产生一定程度的模糊。
三、中值滤波中值滤波是一种基于统计学原理的平滑滤波方法，它将3×3或者5×5个像素的中间值作为该像素点的值。
中值滤波不会像均值滤波那样对图像像素进行加权平均，因此可以更好地去除图像噪声。
中值滤波常用于处理椒盐噪声、斑点噪声等，它能够减弱噪点的影响，同时保持图像的轮廓、边缘等细节特征。
四、双边滤波双边滤波是一种非线性滤波方法，它在平滑图像的同时，还可以保留图像的细节信息。
双边滤波在处理不同光照条件下的图像、模糊图像、具有强噪音的图像等方面具有较好的效果。
它的核心思想是在像素空间和像素值空间同时进行加权，从而能够更好地保留图像细节信息。
双边滤波的计算速度相对较慢，但是它常被用于实时视频处理等场景。
五、小波变换小波变换是在频域进行滤波的一种方法，它能够分离图像信号的低频和高频成份，对于高频噪点可以进行好的去除。
小波变换可以提取出不同频率的信息，对于保留图像细节来说非常有用。
- 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)。
方法一:clc;a=imread('yuan.bmp'); %读取图像矩阵figure(1);imshow(a);%显示原始图像b=double(a);%对图像矩阵进行处理%disp(b);[m,n]=size(b);tem=[1 1 2 1 1;1 2 4 2 1;2 4 8 4 2;1 2 4 2 1;1 1 2 1 1];%高斯5*5的模板。
for i=3:m-2 %不处理边缘的像素点。
for j=3:n-2t=0;for x=1:5for y=1:5t=t+tem(x,y)*b(i-3+x,j-3+y);%对每一个点进行线性叠加。
endendt=t/52;%乘以系数。
也就是平滑度if t>255 %不能大于255，也不能小于0t=255;elseif t<0t=0;endb(i,j)=t;endendfigure(2);disp(b);b=uint8(b);%复原，没有这一项处理，最后显示的就是一张空白。
imshow(b);%显示处理后的图像。
以上程序是仿照c++程序写的，搞了几天，才有结果的，在显示图像的时候老是出现问题，不是黑图，就是白图，原来是范围的问题，读出；来的矩阵范围太小，转化为更大的，转化后再转化回来。
下面是关于数据范围的说明，希望有帮助。
imshow和image: 图像的显示是最为重要的，用imshow和image都可以显示图像，但是有一定的区别。
用的不对，就会象我最初一样，老是出错，或者得到一张空白图或者是彩色图显示成颗粒状、反相黑白图等等。
image是用来显示附标图像，即显示的图像上有x,y坐标轴的显示，可以看到图像的像素大小。
imshow 只是显示图像。
它们都可以用subplot来定位图像显示的位置，用colormap来定义图像显示用的颜色查找表，比如用colormap(pink)，可以把黑白图像显示成带粉红色的图像，很有趣的。
在这里最值得注意的是要显示的图像像素矩阵的数据类型。
显示真彩色图像像素三维矩阵X，如果是uint8类型，要求矩阵的数据范围为0-255，如果是double型，则其数据范围为0-1，要不就会出错或者出现空白页。
类型转换很简单，如果你原来的数值是uint8,在运算中转换为double 后，实际要显示的数值没有改变的话，只要用uint8(X)就可转换为uint8型，如果不想转换频繁，也可在显示时用X/255来转换为符合0-1double类型范围要求的数值显示。
如果显示索引图像(二维矩阵)，因为不同数据类型对应颜色查找表colormap的基点不同，会有所区别，如果不对的话，会出现很多意外的显示效果的。
如果索引图像像素数值是double型,则它的取值范围为1-length(colormap),数值起点为1，则矩阵中数值为1的对应colormap中第一行数据,如果索引图像像素数值是uint8，则取值范围为0-255，数值起点为0，则矩阵中数值为0的对应colormap中第一行数据，所以索引图像这两个数据类型之间的转换，要考虑到+1或-1。
直接用uint8或double转换则会查找移位，产生失真情况。
uint16数据类型与uint8类似，取值范围为0-65536。
方法二;%图像高斯平滑滤波处理img=imread('1.jpg');f=rgb2gray(img);subplot(1,2,1);imshow(f);f=double(f);f=fft2(f);f=fftshift(f);[m,n]=size(f); %d0=80;m1=fix(m/2);n1=fix(n/2);for i=1:mfor j=1:nd=sqrt((i-m1)^2+(j-n1)^2);h(i,j)=exp(-d^2/2/d0^2);endendg=f.*h;g=ifftshift(g);g=ifft2(g);g=mat2gray(real(g));subplot(1,2,2);imshow(g);imwrite(img,'2.jpg');处理前后比照：方法三:高斯低通滤波对图像进行低通滤波代码，这个是灰度图像的彩色图像就是取出RGB三个分量进行滤波再整合I1=imread('flower.jpg'); %读取图像I=rgb2gray(I1); %将图像变为灰度图象%将灰度图像的二维不连续Frourier变换的零频率成分移到频谱的中心s=fftshift(fft2(I));[M,N]=size(s); %分别返回s的行数到M中，列数到N中n=2; %对n赋初值%GLPF滤波，d0=5，15，30（程序中以d0=30为例）d0=30; %初始化d0n1=floor(M/2); %对M/2进行取整n2=floor(N/2); %对N/2进行取整for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离h=1*exp(-1/2*(d^2/d0^2)); %GLPF滤波函数s(i,j)=h*s(i,j); %GLPF滤波后的频域表示endends=ifftshift(s); %对s进行反FFT移动%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数s=uint8(real(ifft2(s)));figure; %创建图形图像对象imshow(s); %显示GLPF滤波处理后的图像title('GLPF滤波(d0=30)'); %为经GLPF滤波后的图像添加标题方法四:clear;clc;I=imread('红萝卜[灰白].JPG');[a,b]=size(I);figuresubplot(1,2,1);imshow(I);title('灰白原图');K=imnoise(I,'salt & pepper',0.02);[a,b]=size(K);subplot(1,2,2);imshow(K);title('加椒盐噪声后图像');%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);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);G(i,j)=temp(5);endendendfiguresubplot(1,2,1);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(1,2,2);imshow(G5);title('5×5中值滤波后的图像');方法五:MATLAB给图片加椒盐噪声和滤噪M=imread('dl011.jpg') %读取MATLAB中的名为cameraman的图像subplot(3,3,1)imshow(M) %显示原始图像title('original')P1=imnoise(M,'gaussian',0.02) %加入高斯躁声subplot(3,3,2)imshow(P1) %加入高斯躁声后显示图像title('gaussian noise');P2=imnoise(M,'salt & pepper',0.02) %加入椒盐躁声subplot(3,3,3)imshow(P2) %%加入椒盐躁声后显示图像title('salt & pepper noise');g=medfilt2(P1) %对高斯躁声中值滤波subplot(3,3,5)imshow(g)title('medfilter gaussian')h=medfilt2(P2) %对椒盐躁声中值滤波subplot(3,3,6)imshow(h)title('medfilter salt & pepper noise')l=[1 1 1 %对高斯躁声算术均值滤波1 1 11 1 1];l=l/9;k=conv2(P1,l)subplot(3,3,8)imshow(k,[])title('arithmeticfilter gaussian')%对椒盐躁声算术均值滤波d=conv2(P2,l)subplot(3,3,9)imshow(d,[])title('arithmeticfilter salt & pepper noise')。