中值滤波&均值滤波
数字图像处理作业（中值滤波&均值
滤波）
学院：电子信息工程学院
专业：控制工程
姓名：苏良碧
1中值滤波
1.1、中值滤波原理：
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。
二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)}，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。
W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
1.2、实现方法：
（1）通过从图像中的某个采样窗口取出奇数个数据进行排序；
（2）用排序后的中值取代要处理的数据即可；
1.3、matlab程序（zhongzhilvbo.m）
clear;
close all;
I=imread('I3_256.bmp');
figure,imshow(I),title('原始图象');
J=imnoise(I,'salt&pepper',0.02);
imshow(J);title('噪声干扰图像')
X=J;a=3;b=3;%3*3的邻域
k=floor(a*b/2)+1;%求出中值，即k=5
[M,N]=size(X);%求出输入图像的行数M和列数N
uint8Y=zeros(M,N);
funBox=zeros(a,b);
temp=zeros(a*b);
%X(a:b,c:d)表示A矩阵的第a到b行,第c到d列的所有元素
for i=1:M-a
for j=1:N-b
funBox=X(i:i+a,j:j+b);%把图像中的一个3*3领域赋给funbox
temp=funBox(:);%把领域中的每个元素赋给temp
tempSort=sort(temp);%对其中的像素值进行排序
Y(i,j)=tempSort(k);%将模板的中值（k=5）赋给模板中
心位置的元素
end;
end;
figure,imshow(Y);title('中值滤波图像')1.4、结果：
2均值滤波
2.1、均值滤波原理
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。
再用模板中的全体像素的平均值来代替原来像素值。
2.2、实现方法
均值滤波也称为线性滤波，其采用的主要方法为领域平均法。
线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m∑f（x，y）m为该模板中包含当前像素在内的像素总个数。
2.3、matlab程序(junzhilvbo.m)
clear;
close all;
c=imread('I3_256.bmp');%把彩色图片转化成灰度图片，256级figure,imshow(c),title('原始图象');%显示原始图象
g=imnoise(c,'salt&pepper',0.02);%加入椒盐噪声噪声
figure,imshow(g),title('加入椒盐噪声之后的图象');%显示加入高斯噪声之后的图象
n=3;
a(1:n,1:n)=1;%a即n×n模板,元素全是1
p=size(g);%输入图像是p×q的,且p>n,q>n
x1=double(g);
x2=x1;
%A(a:b,c:d)表示A矩阵的第a到b行,第c到d列的所有元素
for i=1:p(1)-n+1
for j=1:p(2)-n+1
c=x1(i:i+(n-1),j:j+(n-1)).*a;%取出x1中从(i,j)开始的n行n列元素与模板相乘
s=sum(sum(c));%求c矩阵(即模板)中各元素之和
x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n);%将模板各元素的均值赋给模板中心位置的元素
end
end
%未被赋值的元素取原值
d=uint8(x2);
figure,imshow(d),title('均值滤波后的图像');%显示均值滤波后的图象
2.4、结果
3结论
中值滤波器对处理椒盐噪声非常有效，因为这种噪声是以黑白点叠加在图像上的。
经均值滤波器处理后的图像肃然可见噪声更少，但是所付出的代价是图像变得模糊了。
在这种情况下综合考虑可以得出，中值滤波器要远远优于均值滤波器。
通常，中值滤波器比均值滤波器更适合去除椒盐噪声。
中值滤波
12
改进：多级中值滤波
兼有细节保护和噪声抑制 。 长度较小的窗口能够较好地保护信号的细节信息， 但却不能有效地滤除随机噪声。 而长度较大的滑动窗口能更好地抑制噪声，同时 却严重地损失重要信息。 根据噪声性质自动改变滤波窗口长度的滑动加权 中值滤波器，更好地适应去噪的需求。
13
谢 谢 观 赏
14
中值滤波
1
中值滤波
1.中值滤波的简介 2.中值滤波的原理及应用 3.中值滤波的特点
2
1.中值滤波的简介
3
1.提出
1971年 J.W.Tukey提出中值滤 波 ，对尖脉冲的良好抑制能力。
2.线性滤 波到非线 性滤波
克服线性滤波的局限性 ：处理 图像时,线性滤波将破坏边缘, 不能有效滤除脉冲噪声 。 滤除噪声的同时会使信号中重 要的细节信息受损。
4
3.普通中值 滤波到改进 的中值滤波
2.中值滤波的原理及应用
5
一般中值滤波 设有一个序列 ：x1, x2, x3, x4, x5,将它们按照绝对值 大小重新排列此序列: x3,x5,x2,x4,x1.中值是x2，此值就 作为滤波的输出 。
中值滤波
2.1.1 中值滤波原理中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。
中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。
在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。
中值滤波的目的是保护图像边缘的同时去除噪声。
在一维的情况下，中值滤波器是一个含有奇数个像素的窗口，在处理之后，将窗口正中的像素灰度值用窗口内各像素灰度值的中值来代替。
设有一个维序列f 1，f 2，…，f n ，取窗口长度为奇数m ，对此序列进行中值滤波，就是从输入序列中相续抽出m 个数，f i-v ，…f i ，…f i+v ，其中为窗口的中心值v=(m-1)／2，再将这m 个点的数值按其数值大小排列，取其序号为正中间的那个数作为滤波输出。
中值滤波表达式为：{}v i i v i i f f f Med F +-=,,,, （2-1）对二维序列{X i,j }的中值滤波，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。
二维中值滤波可表示为：{}为滤波窗口，A x Med F j i Aj i ,,= （2-2） 在实际使用窗口时，窗口的尺寸一般先用33⨯再取55⨯逐渐增大，直到其滤波效果满意为止。
由于中值滤波是非线性运算，在输入和输出之间的频率上不存在一一对应关系，故不能用一般线性滤波器频率特性的研究方法。
设G 为输入信号频谱，F 为输出信号频谱，定义F G H /=为中值滤波器的频率响应特性，实现表明H 是与G 有关，呈不规则波动不大的曲线，其均值比较平坦，可以认为信号经中值滤波后，传输函数近似为1，即中值滤波对信号的频域影响不大，频谱基本不变。
中值滤波与均值滤波
06
中值滤波与均值滤波的优缺点 分析
中值滤波的优缺点分析
在此添加您的文本17字
优点
在此添加您的文本16字
能够有效去除椒盐噪声：中值滤波对于去除由异常值引起 的椒盐噪声非常有效，因为它会将异常值视为非正常值而 进行替换。
在此添加您的文本16字
保护边缘信息：与均值滤波相比，中值滤波在处理过程中 更不容易模糊图像的边缘信息。
分治算法实现中值滤波
总结词
时间复杂度较低，适用于较大数据量
详细描述
分治算法实现中值滤波的基本思路是将待处理的像素点及其邻域内的像素值分为两个子集，分别计算子集的中值， 然后将两个子集的中值进行比较，选取较小的一个作为输出。这种方法能够显著降低时间复杂度，提高处理效率， 适用于大规模数据量。
并行算法实现中值滤波
在此添加您的文本16字
缺点
在此添加您的文本16字
处理速度相对较慢：中值滤波需要将像素点与邻近像素点 进行排序，因此处理速度相对较慢，尤其是在处理大图像 时。
在此添加您的文本16字
对非椒盐噪声效果有限：中值滤波对于非椒盐噪声的处理 效果可能不如其他滤波器。
均值滤波的优缺点分析
优点
对均匀区域平滑效果好：均值滤波器能够有效地平滑图 像中的均匀区域，减少图像中的细节。
迭代法实现均值滤波
要点一
总结词
迭代法是一种通过不断迭代更新像素值来实现均值滤波的 方法。
要点二
详细描述
迭代法的基本思想是通过不断迭代更新图像中每个像素的 值来实现均值滤波。具体实现时，通常先对图像进行一次 初步的滤波处理，然后根据滤波后的图像和原始图像之间 的差异，不断迭代更新像素值，直到达到预设的迭代次数 或迭代精度要求。迭代法能够更好地处理图像中的细节和 噪声，但计算复杂度较高，需要更多的计算资源和时间。
中值滤波和均值滤波
中值滤波和均值滤波中值滤波和均值滤波是数字图像处理中常用的两种滤波方法，它们在图像去噪和平滑处理中起着重要的作用。
本文将从原理、应用以及优缺点等方面介绍这两种滤波方法。
一、中值滤波中值滤波是一种非线性滤波方法，其基本原理是用像素点周围邻域内的中值来代替该像素点的灰度值。
中值滤波可以有效地去除图像中的椒盐噪声和脉冲噪声，同时能够保持图像的边缘信息。
其处理过程如下：1.选取一个模板，模板的大小根据噪声的程度来确定；2.将模板中的像素点按照灰度值大小进行排序，取其中位数作为中心像素点的灰度值；3.将中心像素点的灰度值替换为中值；4.重复以上步骤，对整个图像进行滤波。
中值滤波的优点是能够有效地去除椒盐噪声和脉冲噪声，同时保持图像的边缘信息。
然而，中值滤波也存在一些缺点，例如不能处理高斯噪声和均匀噪声，对图像细节信息的保护效果较差。
二、均值滤波均值滤波是一种线性平滑滤波方法，其基本原理是用像素点周围邻域内的平均值来代替该像素点的灰度值。
均值滤波可以有效地去除高斯噪声和均匀噪声，同时能够保持图像的整体平滑。
其处理过程如下：1.选取一个模板，模板的大小根据滤波效果来确定；2.计算模板内所有像素点的灰度值的平均值；3.将中心像素点的灰度值替换为平均值；4.重复以上步骤，对整个图像进行滤波。
均值滤波的优点是能够有效地去除高斯噪声和均匀噪声，同时能够保持图像的整体平滑。
然而，均值滤波也存在一些缺点，例如不能处理椒盐噪声和脉冲噪声，对图像细节信息的保护效果较差。
中值滤波和均值滤波在图像处理中各有优劣。
中值滤波适用于去除椒盐噪声和脉冲噪声，能够保持图像的边缘信息，但在处理高斯噪声和均匀噪声时效果较差。
而均值滤波适用于去除高斯噪声和均匀噪声，能够保持图像的整体平滑，但对于细节信息的保护效果较差。
在实际应用中，根据图像的特点和噪声的类型选择合适的滤波方法是很重要的。
如果图像受到椒盐噪声和脉冲噪声的影响，可以选择中值滤波进行去噪处理；如果图像受到高斯噪声和均匀噪声的影响，可以选择均值滤波进行平滑处理。
中值滤波的名词解释
中值滤波的名词解释在数字图像处理领域，中值滤波是一种经典的非线性滤波方法。
它的原理是通过统计图像中每个像素周围邻域内像素灰度值的中间值，将该中间值作为该像素的新灰度值，从而达到减少图像噪声和平滑图像的目的。
1. 中值滤波的背景和动机在图像获取或传输过程中，由于环境灯光、传感器噪声等因素，图像中可能会出现各种类型的噪声，如椒盐噪声、高斯噪声等。
这些噪声会严重影响图像的质量和可视化效果，甚至会干扰后续的图像处理和分析。
因此，对于数字图像的处理与分析来说，去噪是一个重要的预处理步骤。
中值滤波作为一种常用的去噪方法，因其简单、高效和较好的抗噪能力，被广泛应用于各种领域。
2. 中值滤波的原理和过程中值滤波的基本原理是基于排序统计的思想。
对于输入图像的每个像素，先定义一个邻域大小（常见的有3×3、5×5等），然后将该像素周围邻域内的所有像素按照灰度值大小进行排序。
接下来，将排序后的像素值组成一个序列，选择序列中的中间值作为该像素的新灰度值。
3. 中值滤波的优点和缺点中值滤波作为一种非线性滤波方法，具有以下几个优点：（1）对于椒盐噪声和脉冲噪声有较好的去噪效果，能够有效消除极值噪声；（2）在滤波过程中不会对图像的边缘和细节造成模糊效果，保持图像的清晰度；（3）计算简单、速度快，适用于实时图像处理和实时视频处理等领域。
然而，中值滤波也存在一些缺点：（1）对于高斯噪声等其他类型的噪声，去噪效果相对较差，可能会造成图像细节的模糊；（2）邻域大小的选择会影响滤波效果，如果邻域过大，可能会使图像部分细节丢失；（3）存在计算复杂度较高的问题，尤其是对于大尺寸的图像和多通道图像处理。
4. 中值滤波在实际应用中的案例中值滤波在图像处理领域有着广泛的应用，下面列举几个常见的案例：（1）数字相机中的图像去噪：在相机拍摄的图像中，可能会存在各种类型的噪声，使用中值滤波可以去除其中的椒盐噪声和脉冲噪声，提高图像质量。
中值滤波算法公式
中值滤波算法公式 中值滤波是一种常用的信号处理方法，用于去除图像或信号中的噪声。
它通过取邻域内像素的中值来替代当前像素的值，从而平滑图像或信号。
中值滤波算法的基本思想是将邻域内的像素值进行排序，然后取中间值作为当前像素的新值。
该算法的主要步骤如下： 1. 定义邻域大小：选择一个合适的邻域大小，通常是一个正方形区域。
这个区域可以是3x3、5x5乃至更大的尺寸。
2. 定位邻域：在图像中，以当前像素为中心，定位邻域大小。
3. 提取邻域像素值：根据邻域的位置，提取出所有邻域内的像素值。
4. 排序邻域像素值：对提取出的邻域像素值进行排序，从小到大排列。
5. 计算中值：取排序后的邻域像素值的中间值作为当前像素的新值。
6. 更新图像：将当前像素的新值更新到原始图像中。
7. 遍历整个图像：对所有像素都按照以上步骤处理，得到滤波后的图像。
中值滤波算法的优点在于可以有效地去除图像或信号中的椒盐噪声、斑点噪声等，同时保持图像或信号的边缘信息不被模糊化。
由于使用了中值，该算法对于异常值也具有一定的抗干扰能力。
然而，中值滤波也存在一些缺点。
首先，它无法处理大面积的噪声，因为中值滤波只能对某一个像素点进行处理。
其次，在处理图像边缘区域时，由于邻域的大小限制，可能导致边缘附近的像素值被错误地替换。
中值滤波算法在图像处理领域广泛应用。
例如，在数字图像传输过程中，由于传输或存储过程中的噪声干扰，图像容易出现噪点，这时可以利用中值滤波算法来降低噪声的影响。
另外，在数字摄影中，拍摄照片时可能会产生图像噪声，通过中值滤波可以有效去除这些噪声。
总之，中值滤波算法是一种简单而有效的信号处理方法。
通过取邻域内像素的中值来替代当前像素的值，可以去除图像或信号中的噪声。
尽管算法存在一些限制，但在很多实际应用中，中值滤波算法仍然是一种非常有用的工具。
中值滤波算法公式
中值滤波算法公式：
中值滤波器在处理图像时，将像素点的值设置为邻域像素值的中值。
具体来说，对于一维情况，如果序列为{x1, x2, ..., xn}，中值滤波器的输出为：
median(x1, x2, ..., xn)
对于二维情况，中值滤波器通常用于消除图像中的噪声。
假设有一个二维矩阵，中值滤波器的输出为：
median(x11, x12, ..., x22)
其中，x11, x12, ..., x22是二维矩阵中每个像素点的邻域像素值。
注意：中值滤波算法对于去除图像中的椒盐噪声特别有效，但对于高斯噪声效果较差。
在更具体的应用中，中值滤波算法可以有多种变种。
例如，可以选择不同的邻域大小，可以选择对所有像素应用滤波器，或者只对特定类型的像素应用滤波器。
在某些情况下，还可以使用更复杂的排序算法来计算中值，以提高处理速度。
中值滤波算法的优点是简单且易于实现。
它不需要知道像素的统计特性，也不需要对像素值进行复杂的数学运算。
此外，中值滤波器对于去除由异常值引起的噪声特别有效。
然而，中值滤波算法也有一些局限性。
例如，它可能会改变图像的边缘细节，因为它将像素值设置为邻域像素值的中值，而不是原始像素值。
此外，对于高斯噪声，中值滤波算法可能不是最佳选择，因为高斯噪声的分布特性与中值滤波器的去除效果不太匹配。
在实际应用中，需要根据具体需求选择适当的滤波算法。
中值滤波算法适用于去除椒盐噪声，但对于其他类型的噪声，可能需要使用其他类型的滤波器，如高斯滤波器、均值滤波器或自适应滤波器等。
中值滤波的原理
中值滤波的原理
中值滤波是一种数字图像处理方法，可用于减少图像中的噪声。
它的原理是通过将每个像素的灰度值替换为其周围像素灰度值的中值来消除图像中的离群点或噪声。
中值滤波的步骤如下：
1. 定义一个滤波器的大小（通常为奇数），例如3x3、5x5等。
2. 将滤波器放置在图像的像素上。
以当前像素为中心，在滤波器的范围内取出所有像素的灰度值。
3. 对这些灰度值进行排序，找到中间值。
4. 将中间值作为当前像素的新灰度值，用于替换原来的灰度值。
5. 重复步骤2到步骤4，直到处理完图像中的所有像素。
中值滤波的核心思想是根据像素周围的灰度值，选择一个对整体影响较小的灰度值作为输出。
这是因为在噪声中存在亮度或颜色偏离正常值的离群点，这些离群点对图像质量有较大的负面影响。
通过选择中值作为输出值，中值滤波能够有效地消除这些离群点，从而得到平滑且较少受噪声干扰的图像。
需要注意的是，中值滤波在某些情况下可能会导致图像模糊或细节丢失。
因此，在应用中值滤波之前，需要根据图像的特点和需求进行合理选择和调整滤波器的大小。
中值滤波的基本原理
中值滤波的基本原理中值滤波是一种非线性滤波方法，它能够有效地去除图像噪声，保留图像的边缘信息。
本文将详细介绍中值滤波的基本原理。
一、中值滤波的概念中值滤波是一种基于排序统计理论的非线性信号处理技术，它通过对像素点周围邻域内像素灰度值进行排序，取其中位数作为该像素点的输出灰度值，从而达到去除噪声、平滑图像、保留边缘等效果。
二、中值滤波的算法过程1. 定义邻域大小对于每个像素点，我们需要定义一个邻域大小。
通常情况下，邻域大小为3x3或5x5。
2. 提取邻域内像素灰度值在确定了邻域大小之后，我们就可以提取该像素点周围邻域内所有像素点的灰度值。
3. 对灰度值进行排序将提取出来的所有灰度值进行排序，并找出其中位数。
4. 将中位数作为输出灰度值将中位数作为该像素点的输出灰度值，并用它来代替原始图像中该位置处的灰度值。
5. 重复以上步骤对于每个像素点，重复以上步骤，直到所有像素点的输出灰度值都被计算出来。
三、中值滤波的优缺点1. 优点中值滤波能够有效地去除椒盐噪声、高斯噪声等各种噪声类型，同时保留图像的边缘信息。
2. 缺点中值滤波不能很好地处理连续性噪声，因为它只能通过排序来处理离散性噪声。
此外，中值滤波会导致图像细节丢失和模糊化。
四、中值滤波的应用领域中值滤波广泛应用于数字图像处理领域。
例如，在医学影像处理中，中值滤波可用于去除X光片上的患者体内气体和其他杂质；在计算机视觉领域，中值滤波可用于人脸识别、目标跟踪等任务；在无线通信领域，中值滤波可用于降低信号噪声比。
五、总结本文介绍了中值滤波的基本原理和算法过程，并分析了其优缺点和应用领域。
需要注意的是，中值滤波虽然能够有效地去除噪声，但在实际应用中需要根据具体情况进行选择，避免出现图像细节丢失和模糊化等问题。
中值滤波
图2-1 一维序列的中值滤波示例
（a）阶跃图像的输入与输出
（b）脉冲图像的输入与输出
（c）斜坡图像的输入与输出
（d）三角形图像的输入与输出
二维中值滤波的原理
我们所处理的数字图像都是二维的数字图像，假设二维数字 图像{Xi，j}经过中值滤波以后的结果为
在实际应用二维滤波窗口时，为了得到清晰的图像，滤 波窗口的尺寸一般从小到大进行选取，合适即可，一般先 使用3x3的格式，如果效果不理想，再取5x5进行增大，直 到达到满意效果为止。我们应该根据图像的不同内容来选 择不同的滤波模板，也就是采用不同的窗口形状和尺寸， 对于一个模板，我们常见的窗口形状主要有：方形，菱形， 十字形，X子形，以及米字型。
中值滤波概述
什么是中值滤波
中值滤波，就是把数字图像中一点的值用该点的一个邻 域中各点值的中值代替。中值滤波是属于非线性的平滑滤 波技术的一种。由于它在实际运算中只需通过从图像中的 某个采样窗口取出奇数个数据进行排序，并不需要对图像 的点进行统计，所以思路比较简单，构造算法比较明了。
传统中值滤波的原理
MRI原图
椒盐噪声
第一次滤波
第二次滤波
第三次滤波
第四次滤波
图2-2 5x5的二维中值滤波常见滤波窗口形状
（a）方形
（b）菱形
（c）十的特性
经典中值滤波算法
经典中值滤波在MATLAB中实现的代码
clear all;close all; I=imread('8.jpg'); A=rgb2gray(I); figure; title('original'); imshow(A); B=imnoise(A,'salt & pepper',0.5); figure; title('椒盐噪声'); >> imshow(B); >> C=medfilt2(B,[3 3]); >> figure; >> title('3*3'); >> imshow(C); >> D=medfilt2(C,[3 3]); >> figure; >> title('2.3*3'); >> imshow(D);