中值滤波和均值滤波共34页文档
实验三 均值滤波和中值滤波
实验三图像滤波实验3.13*3均值滤波一．实验目的1．熟悉MATLAB图像处理工具箱及均值滤波函数的使用；2．理解和掌握3*3均值滤波的方法和应用；二．实验设备1.PC机一台；2.软件MATLAB；三．程序设计在MATLAB环境中，程序首先读取图像，然后调用图像增强（均值滤波）函数，设置相关参数，再输出处理后的图像。
closeall;I=imread('cameraman.tif');figure;subplot(2,3,1);imshow(I);%加入Gaussian噪声J1=imnoise(I,'gaussian',0,0.005);subplot(2,3,2);imshow(J1);%加入椒盐噪声J2=imnoise(I,'salt&pepper',0.02);subplot(2,3,3);imshow(J2);h=fspecial('average',[33]);G1=imfilter(J1,h);subplot(2,3,5);imshow(G1);G2=imfilter(J2,h);subplot(2,3,6);imshow(G2);四．实验步骤1.启动MATLAB双击桌面MATLAB图标启动MATLAB环境；2.在MATLAB命令窗口中输入相应程序。
书写程序时，首先读取图像，一般调用MATLAB自带的图像，如:cameraman图像；再调用相应的图像增强（均值滤波）函数，设置参数；最后输出处理后的图像；3．浏览源程序并理解含义；4．运行，观察显示结果；5．结束运行，退出；五．实验结果观察MATLAB环境下原始图像经3*3均值滤波处理后的结果。
(a)原始图像(b)3*3均值滤波处理后的图像图(3)六．实验报告要求输入一幅灰度图像，给出其图像经3*3均值滤波处理后的结果，然后对每一点的灰度值和它周围24个点，一共25个点的灰度值进行均值滤波，看看对25个点取均值与对9个点进行均值滤波有什么区别？有没有其他的算法可以改进滤波效果。
均值滤波 中值滤波 直方图均衡
实验报告一．实验目的对图像进行空域增强，实现均值滤波、中值滤波、直方图均衡。
二．实验内容对加入椒盐噪声的图像进行均值滤波、中值滤波，对图像实现直方图均衡，通过改变图像的直方图来改变图像中像素的灰度，以达到图像增强的目标。
三．实验原理均值滤波的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。
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。
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(,)u x y，即x y，作为处理后图像在该点上的灰度值(,)1(,)(,)u x y f x y m=∑，m 为该模板中包含当前像素在内的像素总个数。
中值滤波的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12,,...n f f f ，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，,,,,i v i i v f f f -+，其中为窗口的中心值(1)/2v m =-，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 +-=,,,,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。
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。
中值滤波与均值滤波
低通滤波（5*5、7*7、9*9、11*11）
均值滤波器
—— 原理
在图像上，对待处理的像素给定一个模板， 该模板包括了其周围的邻近像素。将模板中 的全体像素的均值来替代原来的像素值的方 法。
中值滤波
—— 原理示例
m-2
m-1
6
10
m
m+1
22
5
数值排序
m
m+1
m-2
2
5
6
m+2 8
m+2 8
m-1 10
2
6
中值滤波器 —— 处理示例
例：模板是一个1*5大小的一维模板。 原图像为： 2 2 6 2 1 2 4 4 4 2 4
处理后为： 2 2 2 2 2 2 4 4 4 4 4
(1,2,2,2,6) (1,2,2,2,6) (1,2,2,4,6)
C=5.5263
边框保留不变的效果示例
示例
均值滤波的改进
—— 加权均值滤波
均值滤波器的缺点是，会使图像变的模糊，原因 是它对所有的点都是同等对待，在将噪声点分摊 的同时，将景物的边界点也分摊了。
为了改善效果，就可采用加权平均的方式来构造 滤波器。
均值滤波的改进
—— 加权均值滤波
如下，是几个典型的加权平均滤波器。
1 1 1
H1
1 10
1
2
1
1 1 1 示例
1 2 1
H2
1 16
2
4
21 Βιβλιοθήκη 1示例1 1 1
H3
1 8
均值滤波与中值滤波的应用）
摘要通常，在自然界中大部分信号都存在噪声。
而在如今的数字信号处理中，有各种各样的数字信号滤波器，可以实现对噪声信号的滤波，恢复出原始信号的波形。
本课程设计是基于一维信号被噪声信号污染后，分别经过均值滤波和中值滤波处理后，提取出原始信号，并且观看不同M值时滤波后波形的比较。
均值滤波和中值滤波在数字信号处理中都是非常重要的滤波器，具有广泛的应用。
关键词均值滤波中值滤波数字信号处理目录摘要 (1)第1章均值滤波 (3)1.1 均值滤波的原理 (3)1.2 均值滤波的实现算法 (3)1.3 均值滤波的应用 (3)1.4 均值滤波器 (3)第2章中值滤波 (4)1.1 中值滤波的原理 (4)1.2 中值滤波的实现算法 (4)1.3 中值滤波的应用 (4)1.4 中值滤波器 (4)第3章均值滤波和中值滤波滤除噪声方法 (5)3.1 均值滤波和中值滤波对噪声信号滤波 (5)3.2 程序设计 (7)3.3 结果分析 (8)3.4 心得体会 (11)参考文献 (12)1.1均值滤波的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。
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值u（x，y），即u（x，y）=1/m ∑f（x，y）①m为该模板中包含当前像素在内的像素总个数。
1.2均值滤波的实现算法均值滤波将每个像素点的灰度值设置为以该点为中心的邻域窗口内的所有像素灰度值的平均值，以实现像素的平滑，达到图像去噪的目的。
设输入图像信号为f(x,y),去噪处理后的输出图像为g(x,y),则有g(x,y)=| f(x,y)- u (x,y)| ②通过上式可以达到消除信号噪声的目的，但对于其中的每一个灰度值来说，都需要按照式①求取以该点中心的邻域窗口内所有像素的平均值，对长度为(2n+1)的信号来说，需要进行(2n+1)次加法、一次乘法、一次除法。
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。
平均值滤波,中值滤波等
平均值滤波,中值滤波等
平均值滤波，轻松去噪。
你知道平均值滤波吗？简单来说，就是把一堆数据加起来，然
后除以数据的数量，得到一个平均值。
就像你算一堆数的平均分一样。
在数字世界里，这样做可以平滑数据，减少那些烦人的噪声。
就像你过滤掉照片上的小斑点，让照片更清晰一样。
中值滤波，专为异常值而生。
中值滤波可是个高手，专门对付那些不听话的异常值。
它不是
简单地算平均值，而是把数据从小到大排个队，然后挑中间的那个
数出来。
这样，那些极端的噪声值就被排除在外了，数据看起来就
舒服多了。
就像你在一堆人中挑个中等身高的，这样就不容易受极
端高矮的人影响了。
数字滤波，为啥这么重要？
哎呀，数字滤波可重要了！你想想，现在啥不是数字的？数据、信号、图片，都得靠数字来处理。
数字滤波就像给这些数字信息洗
个澡，把杂质都洗掉，让它们更干净、更清楚。
不管是平均值滤波还是中值滤波，都是为了让我们的数字世界更加美好、更加有序。
所以，别小看它们哦！。
像素均值滤波 中值滤波
像素均值滤波中值滤波
像素均值滤波和中值滤波都是常见的图像滤波算法，用于去除图像中的噪声。
它们的原理和实现方法有所不同。
像素均值滤波是一种线性滤波方法，它通过计算邻域内像素的均值来得到滤波后的像素值。
具体步骤如下：1. 对于每个像素点，选择一个与其邻域大小一致的窗口。
2. 在窗口内计算所有像素的平均值。
3. 将平均值作为滤波后的像素值。
中值滤波是一种非线性滤波方法，它通过计算邻域内像素的中值来得到滤波后的像素值。
具体步骤如下：1. 对于每个像素点，选择一个与其邻域大小一致的窗口。
2. 将窗口内所有像素的值放入一个数组中。
3. 对数组进行排序，取排序后的中间值作为滤波后的像素值。
相比之下，像素均值滤波更加简单而快速，它可以有效地平滑图像，但会对边缘和细节造成模糊。
而中值滤波对于去除椒盐噪声等突发性噪声效果较好，能够保持图像边缘和细节的清晰度。
同时，在噪声比较严重的情况下，中值滤波效果更好。
但是，中值滤波的计算复杂度较高，处理大图像需要耗费一定的时间。
因此，根据实际需求和噪声的特点，选择合适的滤波算法对图像进行噪声抑制。