图像滤波去噪处理.
改变图像质量的几种滤波方法比较
1改变图像质量的几种滤波方法比较一、概述滤波是图像处理重要技术之一，是提高图像质量的主要手段。
对输入的图像实现直方图均衡化；设计完成同态滤波器，并用之改善图象质量；对某图像加入不同类型﹑不同强度的噪声（周期﹑椒盐噪声），并分别用空间域和频率域的方法抑制噪声。
二、图像处理过程1.直方图均衡化输入一幅图片，统计原图直方图数组，用一个数组hf 记录hf(i)；i 从0到255，令pa(i)=pa(i-1)+hf(i)，其中hf(i)为灰度值为i 的像素点占总像素点的概率；一个数组F 记录新的索引值，即令F(i,j)= (pa(f(i,j)+1))*255；依次循环每一个像素，取原图的像素值作为数组F 的下标值，取该下标对应的数组值为均衡化之后的像素值。
结果显示原图图像、原图直方图，均衡化后的图像和直方图，并用于对比。
其中图像中灰度级出现的概率近似为：()n n r p kk r =，k=0,1,2,…,L -1。
而变换函数为：00()(),0,1,2,,1k k j k k r j j j n s T r p r k L n ======-∑∑2.巴特沃斯同态滤波器：图像f(x,y)是由光源照度场(入射分量)fi(x,y)和场景中物体反射光(反射分量)的反射场fr(x,y)两部分乘积产生，关系式为： f(x,y)=fi(x,y)*fr(x,y);fi(x,y)的性质取决于照射源，fr(x,y)取决于成像物体的特性。
一般情况下,照度场f i ( x , y) 的变化缓慢,在频谱上其能量集中于低频;而反射场f r ( x , y) 包含了所需要的图像细节信息,它在空间的变化较快,其能量集中于高频. 这样就可以根据照度—反射模型将图像理解为高频分量与低频分量乘积的结果。
由于两个函数乘积的傅立叶变换是不可分的，故不能直接对照度和反射的频率部分分别进行操作。
2因此定义：z(x,y)=lnf(x,y)=lnfi(x,y)+lnfr(x,y)则Z(u,v)=Fi(u,v)+Fr(u,v)这里，Z(u,v)、Fi(u,v)和Fr(u,v)分别是lnf(x,y)、lnfi(x,y)和lnfr(x,y)的傅立叶变换。
计算机视觉技术的图像处理方法
计算机视觉技术的图像处理方法图像处理是计算机视觉技术中的一个重要环节，它涉及到对图像进行获取、分析、处理和呈现的过程。
在计算机视觉技术的发展中，图像处理方法起着至关重要的作用，它可以帮助我们实现图像质量改善、特征提取、目标检测等一系列任务。
本文将介绍几种常用的图像处理方法，包括图像滤波、边缘检测、图像分割和图像增强。
首先，图像滤波是一种常用的图像处理方法，它可以帮助我们去除图像中的噪声，提高图像质量。
常见的图像滤波方法包括均值滤波、中值滤波和高斯滤波。
均值滤波是最简单的滤波方法之一，它通过计算像素周围邻域的平均值来实现去噪。
中值滤波则是通过计算像素周围邻域的中值来去除图像中的椒盐噪声。
而高斯滤波则是通过将像素周围邻域与高斯核进行卷积来平滑图像。
图像滤波方法有助于消除图像中的噪声，提高后续图像分析和处理的准确度。
其次，边缘检测是基于计算机视觉的图像处理方法之一，它可以帮助我们提取图像的边缘信息，从而实现目标检测、图像分割等任务。
常见的边缘检测方法包括Sobel算子、Canny算子和Laplacian算子。
Sobel算子可以通过计算像素周围邻域的梯度来提取图像的边缘信息。
Canny算子是一种更为复杂的边缘检测方法，它通过一系列步骤来实现边缘检测，包括高斯滤波、计算图像梯度、非极大值抑制和双阈值处理。
Laplacian算子则可以通过计算图像的二阶导数来提取边缘信息。
边缘检测方法可以帮助我们提取图像的重要特征，为后续的图像分析和处理提供便利。
第三，图像分割是计算机视觉中的一个重要任务，它可以帮助我们将图像分割成若干个子区域，从而实现对图像中目标的提取和分析。
常见的图像分割方法包括阈值分割、区域生长和基于边缘的方法。
阈值分割是一种简单但有效的图像分割方法，它通过设置一个阈值来将图像中的像素分为不同的类别。
区域生长则是一种基于像素邻近性的图像分割方法，它从一个或多个种子点开始，逐步生长分割出图像中的不同区域。
如何实现图像去噪处理
如何实现图像去噪处理图像去噪处理是图像处理中的一项重要任务，它的目标是消除图像中的噪声，恢复出更加清晰和真实的图像。
噪声是由各种因素引入图像中的非理想信号，例如传感器噪声、环境干扰和信号传输过程中的干扰等。
因此，实现图像去噪处理可以提高图像的可视质量，同时对于图像分析、计算机视觉和机器学习等应用也具有重要意义。
在实现图像去噪处理的过程中，可以采用多种方法和技术。
下面将介绍几种常用的图像去噪处理方法：1. 统计滤波法：统计滤波法是一种基于统计学原理的图像去噪方法，它利用图像中的统计特性进行噪声估计和去除。
其中最常见的统计滤波方法是均值滤波和中值滤波。
均值滤波是利用图像中像素点的平均灰度值进行噪声消除，对于高斯噪声有较好的效果；而中值滤波则是利用像素点周围领域窗口中像素点的中值进行噪声消除，对于椒盐噪声和脉冲噪声有较好的效果。
2. 自适应滤波法：自适应滤波法是一种根据图像局部特性调整滤波器参数的图像去噪方法。
它通过对图像的不同局部区域采用不同的滤波参数，能够更好地保留图像细节。
自适应滤波方法包括自适应加权中值滤波和双边滤波等。
其中自适应加权中值滤波根据邻域像素点的中值和加权均值的差异来调整滤波器参数，能够对不同类型的噪声有针对性的去除；而双边滤波方法在滤波的同时，根据像素点之间的相似性进行权重调整，能够在保持边缘信息的同时去除噪声。
3. 小波变换法：小波变换法是一种基于频域分析的图像去噪方法，它能够提供图像在不同频段上的特征信息。
小波变换将图像分解成不同尺度的频带，利用频带之间的相关性进行噪声消除。
小波变换方法包括离散小波变换（DWT）和小波包变换（DWP）等。
离散小波变换将图像分解成低频分量和高频分量，其中低频分量包含图像的基本信息，高频分量包含图像的细节信息和噪声信息；小波包变换则对图像进行多层次分解，更加灵活地进行滤波处理。
除了上述几种常用的图像去噪方法之外，还有一些其他的方法也被广泛应用于图像去噪处理，例如基于局部图像统计的方法、基于总变差的方法、基于深度学习的方法等。
医疗影像处理中常见问题的解决方法
医疗影像处理中常见问题的解决方法医疗影像处理在现代医学中起着至关重要的作用。
它能够通过各种技术处理和分析医学影像数据，提供重要的诊断和治疗指导。
然而，在医疗影像处理过程中常常会遇到各种问题，如图像质量下降、噪音干扰、边缘模糊等。
解决这些常见问题对于获得准确的医学诊断结果至关重要。
本文将介绍医疗影像处理中常见问题的解决方法。
1. 图像质量下降的解决方法图像质量下降可能由多种原因引起，如图像噪音、伪影、模糊等。
为了解决这些问题，可以采取以下方法：- 图像去噪：常用的图像去噪方法包括中值滤波、均值滤波、小波去噪等。
这些方法可以消除图像中的噪音，提高图像质量。
- 图像增强：通过对图像进行对比度增强、直方图均衡化等处理，可以改善图像的视觉效果和诊断表现。
- 锐化滤波：使用拉普拉斯算子、Sobel算子等高通滤波器对图像进行锐化处理，可以提升图像的边缘和细节。
2. 噪音干扰的解决方法噪音干扰是医疗影像处理中常见的问题之一，它可以导致图像质量下降和诊断错误。
解决噪音干扰可以采取以下方法：- 降低辐射剂量：适当降低医学影像的辐射剂量可以减少噪音干扰。
- 图像去噪：如前所述，可以采用各种图像去噪方法来消除噪音干扰。
- 平均化处理：多次采集并平均医学影像可以减少噪音干扰，提高图像质量。
3. 边缘模糊的解决方法边缘模糊是医疗影像处理中常见的问题，它会导致图像边缘不清晰，影响医学诊断的准确性。
以下是一些常用的方法来解决边缘模糊问题：- 图像增强：可以采用直方图均衡化、对比度增强等方法来增强图像的边缘和细节。
- 锐化滤波：通过应用高通滤波器，如拉普拉斯算子或Sobel算子，可以提高图像的边缘锐度。
- 空间域滤波：使用线性或非线性滤波器，如维纳滤波器或非线性扩散滤波器，可以减少图像模糊并增强边缘。
4. 反射和伪影的解决方法反射和伪影是医疗影像处理中经常出现的问题，它们可能由于组织的不均匀性、物体的反射或干扰等原因引起。
下面是一些常用的解决方法：- 预处理：通过对图像进行几何校正、非均匀性校正等预处理，可以减少反射和伪影的影响。
图像处理中的图像去噪与图像增强技术
图像处理中的图像去噪与图像增强技术图像处理是一门广泛应用于多个领域的技术，其中图像去噪与图像增强技术是其中重要的两大方向。
图像去噪是指在图像处理过程中，将图像中的噪声去除，从而提高图像的质量和清晰度；而图像增强则是指通过各种算法和技术手段，改善图像的视觉效果，使得图像更加美观和易于分析。
本文将围绕图像去噪与图像增强技术展开，深入探讨它们的原理、应用与未来发展方向。
第一章：图像去噪技术1.1图像噪声的来源与分类图像噪声是指在采集、传输、存储等过程中由于各种因素引起的图像中的无意义的像素值。
图像噪声的来源主要包括传感器本身的噪声、传输过程中的干扰、存储设备的误差等。
根据噪声的性质，可以将图像噪声分为加性噪声、乘性噪声等不同类型。
1.2常用的图像去噪技术目前，常用的图像去噪技术包括空域滤波、频域滤波、小波去噪、基于深度学习的去噪等。
空域滤波是最早被应用于图像去噪的技术之一，主要包括均值滤波、中值滤波等。
频域滤波则通过利用图像的频谱信息，对图像进行滤波。
小波去噪利用小波变换的多尺度分析特性，可以有效地去除图像中的不同尺度的噪声。
基于深度学习的去噪技术则是近年来兴起的一种新技术，通过训练深度神经网络，可以实现高效的图像去噪效果。
1.3图像去噪技术的应用图像去噪技术在各个领域都有着广泛的应用。
在医学影像领域，图像去噪技术可以帮助医生更准确地诊断疾病；在无人驾驶领域，图像去噪技术可以提高驾驶辅助系统的精度和可靠性；在工业检测领域，图像去噪技术可以帮助工程师更准确地检测产品的质量等。
1.4图像去噪技术的挑战与发展方向尽管图像去噪技术取得了显著的进展，但是在实际应用中仍然存在一些挑战。
例如，对于复杂场景中的图像，传统的图像去噪技术往往效果不佳；另外，图像去噪技术的算法复杂度较高，需要大量的计算资源。
未来，如何进一步提高图像去噪技术的鲁棒性和实时性将成为重点研究方向。
第二章：图像增强技术2.1图像增强技术的分类图像增强技术根据不同的目的，可以分为对比度增强、边缘增强、细节增强等不同类型。
照片去噪技巧
照片去噪技巧照片是我们珍贵的记忆，然而有时候我们在拍摄过程中或者后期处理时不可避免地会产生噪点。
噪点使得照片看起来不够清晰，影响了观感。
而照片去噪技巧可以帮助我们降低甚至消除这些噪点，使得照片更加清晰、专业。
本文将分享一些常用的照片去噪技巧，帮助你提升照片的质量。
一、使用图像编辑软件的去噪工具常见的图像编辑软件如Adobe Photoshop、Lightroom、GIMP等都提供了去噪工具，可以帮助我们方便地处理照片中的噪点。
以下是一些常用的去噪技巧：1. 选择合适的去噪滤镜：软件通常提供多种去噪滤镜，如中值滤波、均值滤波、双边滤波等。
根据噪点的严重程度和照片的特点，选择合适的去噪滤镜进行处理。
2. 调整去噪参数：每个滤镜都有一些参数可以调整，如半径、强度等。
通过微调参数，可以获得更好的去噪效果。
建议在调整参数时先观察效果，再进行适当的调整。
3. 局部去噪：如果照片只有局部区域存在噪点，可以使用软件的选择工具选中该区域，然后对选中的区域进行去噪处理。
这样可以避免对整个照片进行去噪，保留其他部分的细节。
二、使用插件或滤镜除了软件自带的去噪工具，还有一些第三方插件或滤镜可以辅助我们进行照片去噪。
以下是一些常用的插件或滤镜：1. Nik Dfine：这是一款专业的去噪插件，可在Photoshop、Lightroom等软件中使用。
它具有强大的去噪算法，可以有效减少噪点并保留细节。
2. Topaz DeNoise：这是另一款流行的去噪插件，具有快速和高质量的去噪能力。
它提供了多种去噪模式和参数，可以根据需要调整。
3. DxO PhotoLab：这是一款全能的照片处理软件，不仅具有去噪功能，还有其他强大的后期处理工具。
它的去噪算法能够智能地降低噪点同时保留细节。
三、拍摄技巧与注意事项除了后期处理，拍摄时的一些技巧和注意事项也可以帮助我们减少照片中的噪点。
以下是一些实用的拍摄技巧：1. 降低ISO：高ISO值会导致照片中噪点的增加，因此在拍摄时尽量选择较低的ISO值。
图像滤波原理
图像滤波原理图像滤波是数字图像处理中常用的一种技术，它可以对图像进行去噪、增强、边缘检测等操作，是图像处理中的重要环节。
图像滤波的原理是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
在图像处理中，滤波器通常是一个矩阵，它可以对图像进行不同程度的平滑或锐化处理。
图像滤波的原理可以分为线性滤波和非线性滤波两种。
线性滤波是指滤波器的响应与图像的像素值之间存在线性关系，常见的线性滤波器有均值滤波、高斯滤波等。
均值滤波是一种简单的线性滤波器，它将图像中每个像素的值替换为其周围像素值的平均值，从而起到平滑图像的作用。
高斯滤波则是利用高斯函数来构造滤波器，对图像进行平滑处理的同时保留图像的细节。
非线性滤波则是指滤波器的响应与图像的像素值之间不存在线性关系，常见的非线性滤波器有中值滤波、最大值滤波、最小值滤波等。
中值滤波是一种常用的非线性滤波器，它将每个像素的值替换为其周围像素值的中值，适用于去除图像中的椒盐噪声等非线性噪声。
图像滤波的原理还涉及到频域滤波和空域滤波两种方法。
频域滤波是指将图像转换到频域进行滤波处理，然后再将处理后的图像转换回空域。
常见的频域滤波包括傅里叶变换、小波变换等。
空域滤波则是直接在图像的空间域进行滤波处理，常见的空域滤波包括均值滤波、中值滤波等。
总的来说，图像滤波的原理就是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
不同的滤波器和滤波方法都有各自的特点和适用场景，选择合适的滤波器和滤波方法对图像进行处理，可以达到去噪、增强、边缘检测等不同的效果。
在实际应用中，需要根据具体的图像处理任务来选择合适的滤波器和滤波方法，以达到最佳的处理效果。
图像噪声去除实验报告
图像噪声去除实验报告前言图像噪声是由于图像采集、传输或处理过程中引入的随机干扰，导致图像质量下降。
为了提高图像质量，需要对图像进行噪声去除处理。
本实验通过对比不同的图像噪声去除算法，评估其性能和效果。
实验设计本实验选取了一张具有明显噪声的测试图像进行处理。
测试图像为一张风景照片，包含了自然噪声、白噪声和椒盐噪声。
实验设计如下：1. 噪声测试图像选择：从现有图像数据库中选择一张含有不同类型噪声（自然噪声、白噪声和椒盐噪声）的测试图像。
2. 图像噪声去除算法：选择几种常见的图像噪声去除算法进行比较，包括均值滤波、中值滤波和小波阈值去噪。
3. 实验流程：先使用测试图像生成噪声图像，然后对噪声图像分别应用不同的噪声去除算法，得到去噪后的图像。
最后，通过比较去噪后的图像与原始图像的相似性评估噪声去除算法的性能和效果。
实验步骤1. 选择测试图像从图像数据库中选择一张风景照片作为测试图像。
该图像应包含自然噪声、白噪声和椒盐噪声。
将其命名为"test_image.jpg"。
2. 生成噪声图像使用Python的图像处理库，如OpenCV，分别添加自然噪声、白噪声和椒盐噪声到测试图像上，生成对应的噪声图像。
将它们分别命名为"noisy_image_1.jpg"（自然噪声图像）、"noisy_image_2.jpg"（白噪声图像）和"noisy_image_3.jpg"（椒盐噪声图像）。
3. 应用噪声去除算法a. 对"noisy_image_1.jpg"应用均值滤波算法，得到去噪后的图像，命名为"denoised_image_1.jpg"。
b. 对"noisy_image_2.jpg"应用中值滤波算法，得到去噪后的图像，命名为"denoised_image_2.jpg"。
- 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)。
摘要图像是信息社会人们获取信息的重要来源之一。
在通过图像传感器将现实世界中的有用图像信号进行采集、量化、编码、传输、恢复的过程中，存在大量影响图像质量的因素。
因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。
噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量。
所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。
图像处理技术在20世纪首先应用于图像的远距离传送，而改善图像质量的应用开始于1964年美国喷气动力实验室用计算机对“徘徊者七号”太空船发回的月球照片进行处理，并获得巨大成功。
现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。
科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。
但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。
因此我选择图像去噪方面进行了解及研究，现将自己已了解的知识进行汇总。
目录摘要 (2)一、图像滤波的应用 (4)二、均值滤波 (5)2.1 均值滤波的思想2.2 均值滤波的算法2.3 均值滤波的实验结果三、中值滤波 (7)3.1 中值滤波的思想3.2 中值滤波的算法3.3 中值滤波的实验结果四、维纳滤波 (8)4.1 维纳滤波的思想4.2 维纳滤波的算法4.3 维纳滤波的实验结果五、小波变换 (9)5.1 小波变换滤波的思想5.2 小波变换滤波的算法5.3 小波变换滤波的实验结果六、Contourlet变换的图像去噪 (11)6.1 Contourlet变换的基本思想6.2Contourlet变换的算法七、全变差正则化的Shearlet收缩去噪 (12)7.1 Shearlet收缩去噪原理简介7.2 Shearlet收缩去噪算法八、结果分析及自己的收获 (12)8.1结果分析8.2自己的收获参考文献 (13)一、图像滤波的应用图像是信息社会人们获取信息的重要来源之一。
在现实世界中，存在大量影响图像质量的因素。
因此图像在进行使用之前，一般都要经过严格的预处理如去噪、量化、压缩编码等。
噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，因此我们不得不从各种角度进行探索以提高图像的质量。
采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。
现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。
科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。
但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要。
为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。
根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。
经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。
与之相适应的出现了许多应用方法：如均值滤波器、中值滤波器、低通滤波器、维纳滤波器、最小失真法等。
这些方法广泛应用，促进了数字信号处理的极大发展。
显著提高了图像质量。
近年来，小波变换去除噪声的方法得到广泛的应用。
与传统的去噪方法相比。
它利用的是非线性域值，在时间域和频率域同时具有良好的局部化性质，而且时窗和频窗的宽度可以调节。
对高频成分采用逐渐精细的时域或空域取样步长，从而可以聚焦到对象的任意细节。
因此可以提高散斑高散射特性的噪声对比度，很好的消除散斑噪声[9]。
小波变换去除噪声的方法在不断地发展，去噪方法很多，如非线性小波变换阈值法去噪、小波变换模极大值去噪及基于小波变换域的尺度相关性去噪法等。
二、均值滤波2.1均值滤波的基本思想是将某像素邻域内的各点的灰度平均值来代替该像素原来的灰度级。
通常邻域都取成N*N的方形窗口, 其降噪平滑后的图像为其中, s 是点(x,y)邻域内的点集,M是点集S中的总点数。
将算术均值滤波器作一改进, 将某像素邻域内的各点的灰度加权平均值来代替该像素原来的灰度值,得到加权均值滤波。
从权值上看, 灰度越接近中心像素其权值越大。
加权平均的算法可表示为其中，w(i,j) 是权值, 表示其所起作用的大小。
2.2 均值滤波的算法用MATLAB设计均值滤波算法为：（1）高斯噪声sample=imread('lenna.jpg');sgray=rgb2gray(sample);I=imnoise(sample,'gaussian',0,0.005);Igray=rgb2gray(I);subplot(3,2,1);imshow(sgray);title('原始图像');subplot(3,2,2);imshow(Igray);title('加入高斯噪声后的图像');K1=filter2(fspecial('average',3),Igray)/255;K2=filter2(fspecial('average',5),Igray)/255;K3=filter2(fspecial('average',7),Igray)/255;K4=filter2(fspecial('average',9),Igray)/255;subplot(3,2,3);imshow(K1);title('模板尺寸为3*3的滤波后图像’);subplot(3,2,4);imshow(K2);title('模板尺寸为5*5的滤波后图像');subplot(3,2,5);imshow(K3);title('模板尺寸为7*7的滤波后图像');subplot(3,2,6);imshow(K4);title('模板尺寸为9*9的滤波后图像');（2）椒盐噪声sample=imread('lenna.jpg');sgray=rgb2gray(sample);I=imnoise(sample,'salt & pepper',0.02);Igray=rgb2gray(I);subplot(3,2,1);imshow(sgray);title('原始图像');subplot(3,2,2);imshow(Igray);title('加入椒盐噪声后的图像');K1=filter2(fspecial('average',3),Igray)/255;K2=filter2(fspecial('average',5),Igray)/255;K3=filter2(fspecial('average',7),Igray)/255;K4=filter2(fspecial('average',9),Igray)/255;subplot(3,2,3);imshow(K1);title('模板尺寸为3*3的滤波后图像’);subplot(3,2,4);imshow(K2);title('模板尺寸为5*5的滤波后图像’);subplot(3,2,5);imshow(K3);title('模板尺寸为7*7的滤波后图像’);subplot(3,2,6);imshow(K4);title('模板尺寸为9*9的滤波后图像’);2.3均值滤波的实验结果（1）高斯噪声的滤波结果结果分析：通过通过图像的识别率可以看出：模板越大去噪效果越好，但图像模糊度也随之增加。
（2）椒盐噪声去噪结果由图可得：模板越大，去噪效果越好，因此使用均值滤波去噪时选用的模板尺寸（邻域半径）越大效果越好。
三、中值滤波3.1中值滤波的基本思想此方法是用该像素的相邻像素的灰度中值来代替像素值。
是一种典型的排序滤波器。
3.2中值滤波的MATLAB算法用MATLAB设置中值滤波算法为：sample=imread('lenna.jpg');sgray=rgb2gray(sample);I1=imnoise(sample,'salt & pepper',0.02);Igray1=rgb2gray(I1);I2=imnoise(sample,'gaussian',0,0.005);Igray2=rgb2gray(I2);K1=medfilt2(Igray1);K2=medfilt2(Igray2);subplot(2,3,1);imshow(sgray);title('原始图形');subplot(2,3,2);imshow(Igray1);title('加椒盐噪声后的图像');subplot(2,3,3);imshow(Igray2);title('加高斯噪声后的图像');subplot(2,3,4);imshow(K1);title('中值滤波1（椒盐）');subplot(2,3,5);imshow(K2);title('中值滤波2（高斯）');3.3中值滤波的实验结果通过结果可以看出，中值滤波对于椒盐噪声的去噪能力比对高斯噪声的去噪能力好。
四、维纳滤波4.1维纳滤波的基本思想假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，维纳根据最小均方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求得了最佳线性滤波器的参数，这种滤波器被称为维纳滤波器。
维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。
对某些问题，还可求出滤波器传递函数的显式解，并进而采用由简单的物理元件组成的网络构成维纳滤波器。
维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的情况，对于向量情况应用也不方便。
因此，维纳滤波在实际问题中应用不多。
实现维纳滤波的要求是：（1）输入过程是广义平稳的；（2）输入过程的统计特性是已知的。
4.2维纳滤波的算法维纳滤波的MATLAB算法为：sample=imread('lenna.jpg');sgray=rgb2gray(sample);I1=imnoise(sample,'salt & pepper',0.02);Igray1=rgb2gray(I1);I2=imnoise(sample,'gaussian',0,0.005);Igray2=rgb2gray(I2);K1=wiener2(Igray1,[3 3]);K2=wiener2(Igray2,[3 3]);subplot(2,3,1);imshow(sgray);title('原始图像');subplot(2,3,2);imshow(Igray1);title('加椒盐噪声后的图像');subplot(2,3,3);imshow(Igray2);title('加高斯噪声后的图像');subplot(2,3,4);imshow(K1);title('维纳滤波1（椒盐）');subplot(2,3,5);imshow(K2);title('维纳滤波2（高斯）');4.3维纳滤波的实验结果通过实验结果可以看出：维纳滤波具有较大的局限性，但其对高斯噪声的去噪效果相对较好。