数字图像去噪典型算法及matlab实现
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。
利用中值滤波去除图像噪声的研究及MATLAB实现
文章编号:1001-3717(2006)01-0063-03利用中值滤波去除图像噪声的研究及MA TL AB实现3江景涛,姜学东,李福荣(莱阳农学院机电工程学院,山东青岛266109)摘要:根据扫描工程图像的特点,研究了图像中噪声产生的机理和消除方法;提出了利用中值滤波法消除图像噪声的实用方法。
使用软件工具MA TL AB快速地实现了图像的中值滤波。
结果表明,利用中值滤波法消除图像中的随机噪声是图像噪声处理的最佳方法。
关键词:图像处理;噪声;中值滤波;Matlab中图分类号:TP317.4文献标识码:AThe Study of R emoving Image Noise with Medium V alue Filterand Matlab R ealizationJ IAN G Jing2tao,J IAN G Xue2dong,L I Fu2rong(College of Mechanical and Electronic Engineering,LAC,Qingdao266109,China)Abstract:In t his paper,t he mechanism of p roducing image noise and met hod of removing it were st udied, according to t he p roperty of engineering drawing and image.A practical met hod of removing image noise wit h medium value filter was p ut forward.The medium value filter of image was realized wit h MA TL AB software system.As t he result s show t hat medium value filter is an optimum met hod in removing image noise.K ey w ords:image p rocessing;noise;medium value filter;Matlab 图纸以简洁的形式表达复杂的信息,它具有自然、直观、含义清晰等特点,被大量采用,特别是随着计算机辅助设计系统的出现,给设计和维护工程图纸提供了有效的手段。
数字图像处理中图像去噪的算法实现方法
数字图像处理中图像去噪的算法实现方法数字图像处理是指对数字化的图像进行处理、分析和修改的过程。
图像去噪是其中一项重要的任务，它的目标是尽量降低图像中的噪声，并使图像保持尽可能多的细节信息。
本文将介绍数字图像处理中常用的图像去噪算法及其实现方法。
一、图像噪声的分类在了解图像去噪算法之前，我们需要了解图像中可能存在的噪声类型。
常见的图像噪声主要有以下几种：1. 高斯噪声：是一种符合高斯分布的噪声，其特点是随机性较强，像素值呈现连续分布。
2. 盐噪声和胡椒噪声：分别指图像中像素值变为最大值和最小值的噪声。
这种噪声会导致图像呈现颗粒状或斑点状的亮点和暗点。
3. 椒盐噪声：是指图像中同时存在盐噪声和胡椒噪声。
4. 均匀噪声：是指图像中像素值随机增减的噪声，使图像呈现均匀的亮度变化。
二、常用的图像去噪算法1. 均值滤波算法均值滤波算法是一种简单直观的图像去噪方法。
它的基本原理是用邻域像素的平均值来代替当前像素的值。
具体实现方法如下：（1）选择一个固定大小的滑动窗口，如3×3或5×5。
（2）将窗口中的像素值求平均，并将平均值赋给当前像素。
均值滤波算法的优点是简单易懂、计算量小，但它对于去除噪声的效果有限，特别是对于像素值发生较大变化的情况效果较差。
2. 中值滤波算法中值滤波算法是一种基于排序统计的图像去噪方法。
它的基本原理是用邻域像素的中值来代替当前像素的值。
具体实现方法如下：（1）选择一个固定大小的滑动窗口，如3×3或5×5。
（2）对窗口中的像素值进行排序，并取中间值作为当前像素的值。
中值滤波算法的优点是对于不同类型的噪声都有较好的去除效果，但它在去除噪声的同时也会对图像细节产生一定的模糊。
3. 双边滤波算法双边滤波算法是一种基于像素相似性的图像去噪方法。
它的基本原理是通过考虑像素的空间距离和像素值的相似程度来进行滤波。
具体实现方法如下：（1）选择一个固定大小的滑动窗口，如3×3或5×5。
Matlab中的图像降噪算法与技术
Matlab中的图像降噪算法与技术摘要随着数字图像处理的快速发展，图像降噪成为实际应用中一个重要的问题。
在本文中，我们将探讨Matlab中的图像降噪算法与技术。
首先，我们将介绍图像降噪的基本原理和方法。
然后，我们将深入研究Matlab中常用的图像降噪算法，包括均值滤波、中值滤波、高斯滤波等。
最后，我们将讨论图像降噪的一些进一步扩展和应用。
一、图像降噪的基本原理和方法图像降噪是指通过一系列算法和技术，减少或去除数字图像中的噪声信号，以使图像更清晰、更易于识别和分析。
图像噪声主要来自于图片采集过程中的环境噪声、传感器噪声以及信号传输中的干扰等。
图像降噪的基本原理是通过对图像进行滤波处理，使噪声信号受到抑制，同时尽量保留图像的有用信息。
常用的图像降噪方法包括空域滤波和频域滤波。
空域滤波是指对图像的像素直接进行操作的滤波方法，例如均值滤波、中值滤波等。
频域滤波是指将图像转换到频域进行处理的滤波方法，例如傅里叶变换和小波变换。
二、Matlab中常用的图像降噪算法1. 均值滤波均值滤波是一种最简单、最常用的图像降噪方法。
它通过计算像素周围邻域内像素的平均值，将当前像素的值替换为该平均值。
在Matlab中，我们可以使用imfilter函数来实现均值滤波。
具体步骤如下：（1）读取图像，并将其转换为灰度图像。
（2）选择适当的滤波器大小和模板类型。
（3）使用imfilter函数进行滤波处理。
（4）显示并保存结果图像。
2. 中值滤波中值滤波是一种非线性图像滤波方法，它通过将像素周围邻域内像素的灰度值进行排序，然后选择中间值作为当前像素的灰度值。
这种方法对于椒盐噪声等脉冲性噪声有很好的抑制效果。
在Matlab中，我们可以使用medfilt2函数来实现中值滤波。
3. 高斯滤波高斯滤波是一种线性平滑滤波方法，它通过将像素周围邻域内的像素值与高斯函数进行加权平均来实现图像降噪。
在Matlab中，我们可以使用fspecial和imfilter函数来实现高斯滤波。
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的图像去噪算法仿真综述
基于Matlab的图像去噪算法仿真在信息化的社会里，图像在信息传播中所起的作用越来越大。
所以，消除在图像采集和传输过程中而产生的噪声，保证图像受污染度最小，成了数字图像处理领域里的重要部分。
本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的图像去噪算法。
首先介绍图像处理应用时的常用函数及其用法；其次详细阐述了四种去噪算法原理及特点；最后运用Matlab软件对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，通过分析仿真结果得出：一．均值滤波是典型的线性滤波，对高斯噪声抑制是比较好的；二．中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；三．维纳滤波对高斯噪声有明显的抑制作用；四．对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。
本论文主要是从两方面展开，首先是图像去噪算法：简要说明了图像噪声的概念及分类，详细阐述了邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法的去噪原理及特点。
其次是基于Matlab的图像去噪算法仿真：根据邻域平均法、中值滤波法、维纳滤波法及模糊小波变换法原理分析，运用Matlab仿真软件编写代码，对一张含噪图片（含高斯噪声或椒盐噪声）进行仿真去噪，并对结果分析讨论，比较几种方法的优缺点。
本论文仿真时选取一张彩色图片“2010-03-09-2.bmp”，并在图片中加入两种噪声：高斯噪声和椒盐噪声。
所谓高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。
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，属于非平稳噪声。
本章利用Matlab软件对含噪图像的去噪算法进行仿真，将应用邻域平均法、中值滤波法、维纳滤波法和模糊小波变换法对含有高斯噪声和椒盐噪声图像的去噪效果进行比较，从而得到相应结论。
1.1邻域平均法的仿真本节选用邻域平均法对含有高斯噪声和椒盐噪声的图片进行去噪，并用Matlab软件仿真。
（1）给图像加入均值为0，方差为0.02的高斯噪声，选择3×3模板去噪Matlab部分代码：j=imnoise(x,'gaussian',0,0.02);h=ones(3,3);h=h/9;k=conv2(j,h);仿真结果如图4-1所示。
图像去噪处理的研究及MATLAB仿真
图像去噪处理的研究及MATLAB仿真[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MATLABThe Research of Image De-noising Based on Matlab[Abstract] Image is one kind of important information source, may help People through the imagery processing to understand the information 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 have very extensive and ripe using so on. MATLAB is one kind of highly effective engineering calculation language，in aspects and so on value computation, data processing, imagery processing, neural network, wavelet analysis all has the widespread application.This article has stated the theory of wavelet threshold denoising ，then 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 reference of threshold denoising methods in actual image process．Keywords: Wavelet transformation; Image denoising; Wavelet threshold; MATLAB目录前言第一章图像与噪声 (1)1.1 噪声图像模型及噪声特性 (1)1.1.1 含噪模型 (1)1.1.2 噪声特性 (1)1.2 图像质量的评价 (2)1.2.1 主观评价 (2)1.2.2 客观评价 (2)第二章图像去噪方法 (4)2.1 传统去噪方法 (4)2.1.1 空域滤波 (4)2.1.2 频域低通滤波法 (5)2.2 小波去噪 (8)2.2.1 小波去噪的发展历程 (8)2.2.2 小波去噪的研究现状 (9)2.2.3 小波去噪方法 (11)第三章小波变换理论基础 (12)3.1 从傅里叶变换到小波变换 (12)3.2 小波理论的基本概念 (13)3.2.1 连续小波变换 (13)3.2.2 离散小波变换 (15)第四章小波阈值去噪及MATLAB仿真 (18)4.1 小波阈值去噪概述 (18)4.1.1 阈值去噪法简述 (18)4.2 基于MATLAB的小波去噪函数简介 (19)4.3 小波去噪对比试验 (20)4.3.1 实验信号的产生 (20)4.3.2 各参数下的去噪效果对比 (22)4.4 利用小波去噪函数去除给定图像中的噪声 (25)总结与展望（本行顶头，下面的红色字去掉） (28)1 全文工作总结 (28)2 工作展望 (28)致谢语 (30)参考文献 (31)附录 (34)前言图像在生成和传输过程中常常因受到各种噪声的干扰和影响而使图像降质，这对后续图像的处理(如分割、压缩和图像理解等)将产生不利影响。
- 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)。
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。
图像信号在产生、传输过程中都可能会受到噪声的污染，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；目前比较经典的图像去噪算法主要有以下三种：均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。
有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。
中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。
中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。
其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。
很容易自适应化。
Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。
对于去除高斯噪声效果明显。
实验一：均值滤波对高斯噪声的效果代码I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2); imshow(J);title('加入高斯噪声之后的图像');%采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9subplot(2,3,3);imshow(K1);title('改进后的图像1');subplot(2,3,4); imshow(K2);title('改进后的图像2');subplot(2,3,5);imshow(K3);title('改进后的图像3');subplot(2,3,6);imshow(K4);title('改进后的图像4');PS：filter2用法fspecial函数用于创建预定义的滤波算子，其语法格式为：h = fspecial(type)h = fspecial(type,parameters)参数type制定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。
type= 'gaussian'，为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。
type= 'laplacian'，为拉普拉斯算子，参数为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
type= 'log'，为拉普拉斯高斯算子，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。
type= 'sobel'，为著名的sobel算子，用于边缘提取，无参数。
type= 'unsharp'，为对比度增强滤波器，参数alpha用于控制滤波器的形状，范围为[0,1]，默认值为0.2。
据我目测，使用均值滤波去噪（高斯噪声）效果选用的邻域半径越大效果越好，当然其代价也会更大，另外确切的去噪效果的好坏还需要用SNR等数据来度量。
实验二：二维自适应维纳滤波对高斯噪声的滤除效果代码I=imread('C:\Documents and Settings\Administrator\桌面\1.gif'); %读取图像J=imnoise(I,'gaussian',0,0.005); %加入均值为0，方差为0.005的高斯噪声K2=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[5 5]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[7 7]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[9 9]); %对加噪图像进行二维自适应维纳滤波subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J);title('加噪图像');subplot(2,3,3);imshow(K1);title('恢复图像1');subplot(2,3,4);imshow(K2);title('恢复图像2');subplot(2,3,5);imshow(K3);title('恢复图像3');subplot(2,3,6);imshow(K4);title('恢复图像3');PS：维纳滤波的两个函数wiener2与deconvwnr都能够完成维纳滤波的功能， deconvwnr强调图象复原方面，wiener2强调图象空间域锐化的作用，其中J=wiener2(I,[m,n])返回有噪声图像I经过wierner(维纳)滤波后的图像，[m,n]指定滤波器窗口大小为m*n,默认值为3*3，J=wiener2(I,[m,n],noise)指定噪声的功率，[J,noise]=wiener2(I,[m,n])在图像滤波的同时，返回噪声功率的估计值noise。
imnoise的语法格式为J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回对原始图像I添加典型噪声的有噪图像J。
参数type和parameters用于确定噪声的类型和相应的参数。
实验三：对加入椒盐噪声的图像分别作均值、中值和维纳滤波代码I=imread(1.gif');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02);J3=imnoise(I,'speckle',0.02);运行效果见图2I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');J=imnoise(I,'salt & pepper',0.02);%h=ones(3,3)/9;%产生3*3的全1数组%B=conv2(J,h);%卷积运算K2=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3K= medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波K1=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J);title('加噪图像');subplot(2,3,3);imshow(K2);title('均值滤波后的图像');subplot(2,3,4);imshow(K);title('中值滤波后的图像');subplot(2,3,5);imshow(K1);title('维纳滤波后的图像');通过图3我们也可得出结论，即中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。
中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。
对点、线和尖顶较多的图像不宜采用中值滤波，因为一些细节点可能被当成噪声点。
实验四:分别使用二维统计滤波对椒盐噪声和高斯噪声进行滤波代码I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');J1=imnoise(I,'salt & pepper',0.004);subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J1);title('加椒盐噪声后的图像');J= ordfilt2(J1,5,ones(3,4));% 进行二维统计顺序过滤subplot(2,3,3);imshow(J);title('椒盐噪声滤波后的图像');J2=imnoise(I,'gaussian',0,0.004);subplot(2,3,4);imshow(J2);title('加高斯噪声后的图像');J3= ordfilt2(J2,5,ones(3,4));subplot(2,3,5);imshow(J3);title('高斯噪声滤波后的图像');PS：MATLAB小波分析工具箱提供的用于图像去噪的函数有wrcoef2和wpdencmp，其语法格式分别为：X=wrcoef2(‘type’,C,S,’wname’)[xd,treed,datad,perf0,perfl2]=wpdencmp(x,sorh,N,’wname’,crit,par,keepapp)其中，X=wrcoef2(‘type’,C,S,’wname’)返回基于小波分解结构［Ｃ，Ｓ］的小波重构图像Ｘ。