最新数字图像去噪典型算法仿真与分析
图像处理中的图像去噪算法比较分析
图像处理中的图像去噪算法比较分析图像去噪是图像处理中一个非常重要的任务，其目的是去除或减少图像中的噪声，使图像更加清晰、具有更好的视觉效果。
随着科技的不断发展，图像去噪算法也在不断地改进和演化。
本文将对图像处理中常用的图像去噪算法进行比较分析，包括均值滤波、中值滤波、双边滤波和小波去噪算法。
首先，均值滤波是一种简单而常用的图像去噪算法。
该算法基于邻域平均的原理，通过计算像素周围邻域的平均值来去除噪声。
均值滤波对于平滑噪声较少且噪声强度较小的图像效果较好，但对于噪声强度较大的图像效果不佳。
它的主要优点是计算简单、速度较快，适用于实时处理应用。
其次，中值滤波是另一种常用的图像去噪算法。
该算法通过将像素周围邻域的像素值排序，并取中间值作为去噪后的像素值，从而实现去除噪声的效果。
中值滤波对于椒盐噪声等局部噪声有较好的去噪效果，但对于高斯噪声等全局噪声效果不佳。
由于中值滤波的核心操作是排序计算，因此在处理效率方面相对较低。
第三，双边滤波是一种结合了空间域和灰度域信息的图像去噪算法。
该算法引入了像素之间的相似性和距离度量，通过对空间域和灰度域进行加权平均，既能够平滑图像，又能够保留边缘细节。
双边滤波对于各种类型的噪声都具有较好的去噪效果，并且可以控制平滑程度。
然而，双边滤波的计算复杂度较高，处理大尺寸图像时速度较慢。
最后，小波去噪是一种基于小波变换原理的图像去噪算法。
该算法通过将图像分解成多个不同频率的子带，对低频子带进行平滑，高频子带进行细节增强，从而实现去噪去毛刺的效果。
小波去噪对于各种类型的噪声都具有较好的去噪效果，并且能够保留图像的细节和纹理。
但小波去噪的计算复杂度较高，需要进行多次小波分解和重构，算法的实现较为复杂。
综上所述，不同的图像去噪算法具有各自的优缺点，适用于不同类型噪声的去除。
均值滤波和中值滤波是两种简单而常用的去噪算法，适用于低强度噪声和局部噪声处理。
双边滤波和小波去噪算法是基于更复杂原理的图像去噪算法，适用于各种类型的噪声和较高强度噪声的处理。
图像处理中的噪声去除方法和效果评价
图像处理中的噪声去除方法和效果评价噪声是图像处理领域中常见的问题之一。
在图像采集、传输和存储过程中，噪声往往会以各种形式引入图像，从而导致图像质量下降和信息丢失。
因此，研究和应用有效的噪声去除方法对于提高图像质量和增强图像细节非常重要。
本文将介绍图像处理中常见的噪声去除方法和评价方法。
一、图像噪声的分类常见的图像噪声主要包括高斯噪声、椒盐噪声、泊松噪声、固定模式噪声等。
高斯噪声是一种均值为0、方差为σ²的随机噪声。
椒盐噪声则是指在图像中随机分布出现的黑白像素点，其比例可以根据实际情况进行调整。
泊松噪声主要由光子计数引起，其分布满足泊松分布的统计规律。
固定模式噪声是由于设备本身或传输过程中的非线性特性引起的噪声。
二、噪声去除方法1. 均值滤波均值滤波是一种简单的线性平滑滤波方法，通过计算邻域像素的平均值来减少图像中的噪声。
具体而言，对于一个大小为n×n的滤波模板，将滤波模板内的像素值进行求平均操作，然后将平均值赋给目标像素。
均值滤波适用于高斯噪声的去除，但对于椒盐噪声等其他类型的噪声效果不佳。
2. 中值滤波中值滤波是一种非线性滤波方法，其原理是将滤波模板内的像素值按照大小进行排序，然后取中值作为目标像素的值。
中值滤波相比于均值滤波，在去除椒盐噪声等其他类型噪声时表现更好，能够有效保持图像的边缘和细节。
3. 自适应滤波自适应滤波是一种基于图像统计特性的非线性滤波方法。
其核心思想是根据图像中像素的灰度差异来调整滤波器的参数，从而在保持图像细节的同时去除噪声。
自适应滤波方法通常需要根据具体应用场景进行参数调优，以获得最佳的去噪效果。
4. 小波去噪方法小波去噪方法将信号分解为不同尺度的子带，然后通过对具有较小能量的高频子带进行阈值处理，将其置零，最后将处理后的子带重构成去噪后的信号。
小波去噪方法在处理非平稳噪声时表现良好，能够有效去除信号中的噪声，并保留信号的细节。
三、噪声去除效果评价对于图像噪声去除的效果评价是非常重要的，它能够客观地反映算法的优劣和适用性。
图像去噪算法及其应用
图像去噪算法及其应用图像去噪算法是数字图像处理领域中的一个重要分支，其主要任务是将图像中的噪声去除，以提高图像的质量和清晰度。
随着计算机技术的不断发展和普及，图像去噪算法也得到了广泛的应用。
本文将介绍图像去噪算法的基本原理及其在实际应用中的一些案例。
一、图像去噪算法的基本原理图像去噪算法的基本原理是利用数字图像处理技术，对图像进行滤波处理，去除噪声。
滤波有很多种方法，其中比较常见的有均值滤波、中值滤波、小波变换等。
以下分别介绍一下这几种方法的原理及其适用范围：1.均值滤波均值滤波是一种常见的线性平滑滤波方法，其原理是用像素周围的颜色平均值来代替该像素的颜色。
具体实现时，使用一个固定大小的矩形来计算像素的平均值，然后将平均值作为新的像素值。
均值滤波的优点是计算简单，但是对于图像中的高斯噪声、脉冲噪声等较强的噪声，效果不太好。
2.中值滤波中值滤波是一种非线性滤波方法，其原理是用像素周围的颜色中位数来代替该像素的颜色。
中值滤波的优点是能有效去除图像中的椒盐噪声、斑点噪声等，但对于高斯噪声、周期噪声等较强的噪声，效果不佳。
3.小波变换小波变换是一种用于分析非平稳信号的数学工具，也被广泛应用于图像处理领域。
通过小波变换，我们可以将图像分解成不同频率的子图像，然后在每个子图像上进行处理，最后将所有子图像合并为一个图像。
小波变换具有良好的局部性和多尺度特性，能够有效地去除不同类型的噪声。
二、图像去噪算法的应用案例1.医学图像处理医学图像处理是图像处理领域的一个重要应用领域，其主要任务是对医学图像进行分析、处理和诊断，以辅助医生对疾病进行诊断和治疗。
在医学图像处理中，图像去噪算法常常被应用于CT、MRI等医学影像数据的预处理，以提高其清晰度和准确性。
2.视频图像处理随着数字化技术的发展，视频图像处理在娱乐、教育、安防等领域得到了广泛的应用。
在视频图像处理中，图像去噪算法的主要任务是去除视频中的噪声和干扰，以提高图像的清晰度和稳定性，从而为后续处理提供更加可靠的基础。
图像处理中的图像去噪方法对比与分析
图像处理中的图像去噪方法对比与分析图像处理是一门涉及数字图像处理和计算机视觉的跨学科领域。
去噪是图像处理中一个重要的任务，它的目的是减少或消除图像中的噪声，提高图像的质量和清晰度。
在图像处理中，有许多不同的去噪方法可供选择。
本文将对其中几种常见的图像去噪方法进行对比与分析。
首先是均值滤波器，它是最简单的去噪方法之一。
均值滤波器通过计算像素周围邻域的像素值的平均值来降低图像中的噪声。
它的优点是简单易懂，计算速度快，但它的效果可能不够理想，因为它会导致图像模糊。
接下来是中值滤波器，它是一种非线性滤波器。
中值滤波器通过对像素周围邻域的像素值进行排序，并选取中间值来替代当前像素的值。
它的优点是可以有效地去除椒盐噪声和激光点噪声等噪声类型，而且不会对图像的边缘和细节造成太大的损失。
然而，中值滤波器也有一些缺点，例如无法去除高斯噪声和处理大面积的噪声。
另一种常见的去噪方法是小波去噪。
小波去噪利用小波变换的多尺度分解特性，将图像分解为不同尺度的频带，然后根据频带的能量分布进行噪声和信号的分离，再对分离后的频带进行阈值处理和重构。
小波去噪的优点是可以提供较好的去噪效果，并且能够保留边缘和细节。
然而，小波去噪的计算复杂度较高，处理大尺寸的图像会耗费较多的时间。
另外，还有一种常见的图像去噪方法是非局部均值去噪（Non-local Means Denoising，NLM）。
NLM方法基于图像的纹理特征，通过计算像素周围的相似度来降噪。
它的优点是可以保持图像的纹理和细节，并且可以处理各种类型的噪声。
然而，NLM方法的计算复杂度较高，对于大尺寸的图像来说可能会耗费较多的时间。
最后，自适应滤波器也是一种常见的图像去噪方法。
自适应滤波器根据图像的局部特性来调整滤波器的参数，以达到更好的去噪效果。
它的优点是可以根据图像的特点进行自适应调整，并且可以有效地去除噪声和保留细节。
然而，自适应滤波器也存在一些缺点，例如可能会对图像的边缘造成一定的模糊。
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。
数字图像处理中的图像去噪算法
数字图像处理中的图像去噪算法数字图像处理（Digital Image Processing，DIP）已经成为了一个热门的研究领域，在许多领域都有广泛的应用。
而在数字图像处理中，图像去噪是一个十分重要的问题。
噪声是数字图像中不可避免的一部分，因为图像在获取、传输以及存储时，都可能受到各种各样的噪声的干扰。
因此，图像去噪算法的研究意义重大。
本文将介绍数字图像处理中一些经典的图像去噪算法并进行简单的比较。
这些算法包括：中值滤波、高斯滤波、双边滤波、小波变换去噪、总变差去噪以及基于深度学习的去噪算法。
1. 中值滤波中值滤波是最基本和常用的图像去噪方法之一，它是一种非线性滤波方法。
中值滤波的思想是对图像中的每个像素取相邻像素的中值作为输出像素的灰度值。
这个方法常常用于去除椒盐噪声。
中值滤波的优点是噪声抑制效果好，适用于去除离群点等类型的噪声。
但如果噪声的分布为高斯分布，则中值滤波的效果会变得不太好。
此外，在中值滤波时，窗口大小的选取会对滤波结果产生影响，较小的窗口易产生伪影，而较大的窗口易导致较大的模糊。
2. 高斯滤波高斯滤波是一种线性的滤波方法，它利用高斯函数对像素进行加权平均来减小噪声的影响。
高斯滤波的优点是保留了图像的整体特征，同时对噪声的抑制效果也不错。
此外，该算法计算快速，适合处理大尺寸的图像。
3. 双边滤波双边滤波是一种非线性的滤波方法，它在进行像素平均的同时，同时考虑像素的空间距离和灰度值距离。
通过像素间的空间距离和灰度值差异来决定权值，从而使得该算法在保留图像细节的同时，对噪声具有很好的抑制效果。
双边滤波在去除高斯噪声和椒盐噪声方面都有不错的效果。
4. 小波变换去噪小波变换去噪是基于小波分析的一种非线性滤波方法。
该算法首先将图像分解为不同尺度的局部频率信号，然后利用小波系数来判断像素是否为噪声。
接着，将噪声部分所对应的小波系数进行修正，最终再进行反变换得到去噪后的图像。
该算法在处理非线性噪声效果也很好。
数字图像去噪典型算法及matlab实现
图像去噪是数字图像处理中的重要环节与步骤。
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、线与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：使原始图像与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9 subplot(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]。
图像处理中的图像去噪方法与效果评估
图像处理中的图像去噪方法与效果评估图像去噪是数字图像处理中的一项关键任务，它旨在从图像中去除噪声，使其更清晰、更易于分析和理解。
在图像处理的众多应用中，图像去噪是一个必备的步骤，它可以用于医学图像、卫星图像、摄影图像等领域。
目前，有许多图像去噪方法可供选择，这些方法可以根据去噪原理、去噪效果和计算效率等方面进行分类。
下面将介绍几种常用的图像去噪方法，并对它们的效果进行评估。
1. 统计滤波方法统计滤波是一种基于统计原理的去噪方法，它通过对图像的像素值进行统计分析来判断噪声像素和信号像素，并通过滤波操作来抑制噪声。
常用的统计滤波方法包括中值滤波、高斯滤波和均值滤波。
中值滤波是一种简单有效的统计滤波方法，它通过对图像中的每个像素周围的邻域进行排序，然后取中间值作为该像素的新值。
中值滤波对于椒盐噪声和斑点噪声有较好的去除效果，但对于高斯噪声和高频噪声效果较差。
高斯滤波是一种基于高斯函数的滤波方法，它将像素的值与其周围像素的值进行加权平均，权值由高斯函数确定。
高斯滤波可以有效地平滑图像，并且保持边缘信息，但对于噪声的去除效果较差。
均值滤波是一种简单的滤波方法，它将像素的值与其邻域像素的平均值进行替换，可以有效地降低噪声的影响，但会导致图像模糊。
2. 小波变换方法小波变换是一种多尺度分析方法，可以将图像分解为不同频率的子带，然后根据子带的特征对噪声进行去除。
小波变换方法具有良好的去噪效果和较高的计算效率，在图像压缩、细节增强等应用中得到了广泛的应用。
小波去噪方法通常包括两个步骤：小波分解和阈值处理。
在小波分解阶段，图像被分解为不同频率的子带；在阈值处理阶段，对每个子带的系数进行阈值处理，然后通过逆小波变换将图像重建。
常用的小波去噪方法包括基于软阈值和硬阈值的去噪方法。
软阈值方法将小于某个阈值的系数置零，大于阈值的系数乘以一个缩放因子；硬阈值方法将小于阈值的系数置零，大于等于阈值的系数保持不变。
这两种方法在去除噪声的同时也会对图像细节造成一定的损失。
- 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)。
数字图像去噪典型算法仿真与分析1个人信息*********23摘要：图像去噪是数字图像处理中的重要环节和步骤。
本文首先介绍了常见45的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值6滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪7声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得8出了三种方法各自的适用性特点。
9关键词：图像去噪；均值滤波；中值滤波；维纳滤波Simulation and Analysis of Image De-noising Methods1011in Digital Image12Name:***13(个人信息****)14Abstract: Image denoising is one of the most important parts and steps 15of image processing. Firstly, the paper introduces the common image noise.16Then, based on the principle and methods of eliminating image noise, it 17discusses mean filtering, median filtering, and Wiener filtering which 18are typical image donoising. Finally, it uses these methods to eliminate 19image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes2021the applicability of each method in different application.Key words: image denoising; mean filtering; median filtering; Wiener2223filtering24250 引言数字图像是现代人们获取信息的主要来源。
由于成像系统、传输介质和记录2627设备等的不完善，数字图像在其形成、传输记录过程中往往会收到多种噪声的28污染。
一般来说，现实中的图像都是带噪图像。
噪声使图像变得模糊，甚至淹没图像特征，给后面图像区域分割、分析判断等工作带来了困难。
因此，在边2930缘检测、图像分割、特征提取、模式识别等高层次处理之前，选用适当的方法31尽量地去除噪声干扰是一个非常重要的环节和步骤，也一直是图像处理研究领域进行的主要课题之一。
3233在图像去噪的研究方面，国内外的一些学者提出了大量的算法，如一些典型34的图像去噪算法，均值滤波、中值滤波、维纳滤波、小波变换等[1-5]。
近年来，35一些改进的、新型的算法也被许多学者提出。
文[6]提出了一种改进的均值滤波36算法，该算法针对均值滤波在抑制噪声的过程中会损失图像的边缘等细节信息37问题，在计算局部窗口内中心像素灰度均值时，既考虑了窗口内各像素与中心像素间的灰度差异，又顾及了窗口内各像素与中心像素间的距离；但是容易导3839致图像细节因过度平滑而变得模糊。
对于复杂的噪声图像，文[7]提出了一种基40于同性质点个数的噪声点检测算法，这是一种改进的中值滤波算法，该算法对41于脉冲噪声来说不仅在滤除噪声方便有较好的效果，保持图像细节信息方面也42取得了一定的成就；但对未知噪声类型的图像进行滤除时其效果就不明显。
针43对经典维纳滤波器存在的不足，文[8]提出了一种新的自适应维纳滤波器，该滤44波器能够根据不同的图像特性在给定的多个模板之间自适应的选择模板，使得45滤波效果更加理想；但是对于不太复杂的图像，新的自适应维纳滤波和普通维46纳滤波相比，改善空间不是很大，效果不是很明显。
综上，现有的图像去噪方法大致可以分为两类：一类是空间域方法，另一类4748是频率域方法。
本文主要围绕着空间域的去噪方法，分析几种典型的空间域去49噪方法，研究总结各算法的优缺点、适用性及处理效率等，并通过MATLAB进行仿真和分析比较。
50511 噪声52噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理53解或分析的各种因素。
噪声在理论上可以定义为“不可预测，只能用概率统计54方法来认识的随机误差”[9]。
551.1 图像系统中的常见噪声依据噪声产生的原因，将经常影响图像质量的噪声源分为三类：阻性元器件5657内部产生的高斯噪声；光电转换过程中的泊松噪声（椒盐噪声）；感光过程中58产生的颗粒噪声。
根据噪声和信号的关系也可以将其分为两种形式：一类是加性噪声，另一类是乘性噪声。
59601.2 图像去噪的意义61噪声在图像处理中是一个非常重要的问题，它对图像的输入、采集、处理的62各个环节以及最终的输出结果都会产生一定的影响。
特别是在图像的输入、采63集过程中，噪声是个十分关键的问题，若输入伴有较大噪，必然影响之后的处64理以及最终的处理效果。
因此，任何一个良好的图像处理系统，无论是模拟处理还是计算机处理无不把减少最前一级的噪声作为主攻目标。
去噪处理已成为6566图像处理中极其重要的环节和步骤。
672 图像去噪典型算法现有的图像去噪方法大致可以划分为两类：一类是空间域方法，主要采用各6869种图像平滑模板对图像进行卷积处理，以达到压抑或消除噪声的目的；另一类是频率域方法，主要通过对图像进行变换后，选用适当的频率带通滤波器进行7071滤波处理，再经过反变换得到去噪后图像。
本文的工作主要围绕着空间域方法，72对三种典型的空间域去噪方法，均值滤波、中值滤波和维纳滤波，进行讨论、73仿真与分析。
742.1 均值滤波75均值滤波也称为线性滤波，其采用的主要方法为邻域平均法[1-4]。
均值滤波的基本思想是用领域几个像素值的均值来代替原图像中的各个像素值，其领域的7677选取通常为像素的4领域和8领域。
78假定有一幅由L*H个像素组成的图像f(x,y)，令Sxy表示中心在(x,y)点，尺寸为M*N的滑动模板窗口。
均值滤波过程就是计算模板中所有像素的均值7980g(x,y)，由公式1给出；然后将g(x,y)代替该点(x,y)原来的像素值f(x,y)，得到去噪后图像F(x,y)，如公式2所示。
818283这个操作可以用其系数1/M*N的卷积模板来实现。
由上式可知，经过均值处8485理后，噪声的均值不变，方差变小，说明噪声的强度减弱了，即噪声得到了抑86制。
当然，这种方法在平滑噪声的同时，也会模糊信号的细节和边缘，即在清87除噪声的同时也会对图像的高频细节成分造成破坏和损失，使图像模糊。
882.2 中值滤波89中值滤波是一种非线性信号处理方法，它的基本原理是把数字图像或数字序90列中的一点的值用该点的一个邻域中的各点值的中值代替。
通俗地讲中值滤波就是用一个活动窗口沿图象移动，窗口中心位置的象素灰度用窗口内所有象素91 灰度的中值来代替。
92 其算法步骤为：首先确定一个以某个像素(x,y)为中心点的邻域，常用的有方93 形、十字形和圆形等邻域；然后将邻域中的各个像素的灰度值进行排序，取其94 中间值作为中心点像素灰度的新值，这里的邻域通常被称为窗口，这个窗口可95 以是3*3、5*5等；当窗口在图像中上下左右进行移动后，利用中值滤波算法可96 以很好地对图像进行平滑处理[1-4]。
它是一种邻域运算，类似于卷积，但计算的97 不是加权求和，而是把邻域中的像素按灰度级进行排序然后选择该组的中间值98 作为输出像素值。
99 即用该像素的相邻像素的灰度中值来代替该像素的值，由公式3给出。
100(,)(,)((,))xyx y S f x y median f x y -∈= (3)101领域的大小决定在多少个数值中求中值，窗口的形状决定在什么样的几何空102 间中去元素计算中值。
窗口的大小和形状有时对滤波效果影响很大。
103 2.3 维纳滤波104 维纳(Wiener)滤波器是一种自适应滤波器，它根据图像的局部方差调整滤波105 器的输出，它的最终目标是使恢复图像g(x,y)与原始图像f(x,y)的均方差最小。
106 所谓自适应滤波，就是利用潜意识可以获得的滤波器参数等结果，自动的调节107 现时刻的滤波器参数，以适应信号的噪声未知的或随时间变换的统计特性。
108 Wiener 算法[1] [5]首先估计出像素的局部矩阵均值和方差：109110然后，对于每一个像素利用Wiener 滤波器估计出其像素值：111 222(,)((,))g x y f x y σνμμσ-=+- (5)112 这里，v 2是图像中噪声的方差。
维纳滤波去噪方法根据图像的局部方差来调整113 滤波器的输出，当局部方差大时，滤波器的平滑效果较弱；当局部方差小时，114 滤波器平滑效果较强。
它比线性滤波器具有更好的选择性，可以更好地保存图115 像的边缘和高频细节信息。
116 3 仿真结果及分析117 利用MATLAB 图像处理工具箱的函数可以非常方便地实现以上三种滤波方法。
118 但是，为了加深对这三种滤波方法的理解和运用，本文采用了自编的MATLAB 程119 序来进行仿真，其中Wiener 滤波器采用MATLAB 自带函数。
120 为了比较以上几种不同图像去噪的方法的优劣，本文对同一幅图像利用121 MATLAB 工具箱人为添加不同的图像噪声；然后分别采用均值滤波、中值滤波、122 维纳滤波等平滑处理办法对图像进行去噪复原，得到了丰富的实验结果。
限于123 篇幅，本文只给出了对添加有均值为零的高斯噪声和椒盐噪声的Leda 图像进行124 三种滤波算法处理的结果，如图1、图2、图3所示。
125126 图1 Leda 原始图像和添加噪声图像127128129图2 Leda添加高斯噪声的仿真结果130图3 Leda添加椒盐噪声的仿真结果131132通过对实验结果进行分析比较，从主观上可以得出以下结论：1) 对于均值滤波，由图2可以看出，图像中噪声含量很少，说明均值滤波对133134均值为零的高斯噪声有比较好的抑制作用。
由图3可以看出均值滤波对椒盐噪135声的去除效果不明显，噪声虽然得到了一定的抑制，但是图像边缘变得比较模糊，而且随着滤波器尺寸的增加，图像的细节锐化程度相应降低。
因为均值滤136137波只是将某点出现的噪声强度，让周围的数据平均分担了，所以得到的结果是138噪声幅值减小，但是噪声点的颗粒面积同时变大，而椒盐噪声均值不为零。