均值中值滤波以及边缘检测
均值滤波处理边缘
均值滤波处理边缘
均值滤波是一种典型的线性滤波算法，主要通过将图像中每个像素点的灰度值替换为其邻域像素的平均值来进行噪声的去除。
在进行边缘处理时，该算法通常无法保留边缘信息，因为它会将边缘像素的灰度值与其周围像素进行平均，从而导致边缘变得模糊。
如果要使用均值滤波处理边缘，一种常见的方法是先进行边缘检测，然后只对非边缘像素应用均值滤波。
这样可以在去除噪声的同时，尽可能地保留边缘信息。
然而，这种方法可能无法完全保留所有边缘信息，因为均值滤波本身的设计目标就是对整个图像进行平滑处理，而非只处理特定区域的像素。
此外，这种方法可能会降低处理速度，因为它需要在应用滤波之前进行边缘检测。
如果要更好地保留边缘信息，可能需要使用其他类型的滤波算法，例如中值滤波或双边滤波等非线性滤波算法。
这些算法可以在处理像素时考虑到其空间位置和灰度值，从而更好地保留边缘信息。
数字图像处理技术
数字图像处理技术一．数字图像处理概述数字图像处理是指人们为了获得一定的预期结果和相关数据利用计算机处理系统对获得的数字图像进展一系列有目的性的技术操作。
数字图像处理技术最早出现在上个世纪中期，伴随着计算机的开展，数字图像处理技术也慢慢地开展起来。
数字图像处理首次获得成功的应用是在航空航天领域，即1964年使用计算机对几千月球照片使用了图像处理技术，并成功的绘制了月球外表地图，取得了数字图像处理应用中里程碑式的成功。
最近几十年来，科学技术的不断开展使数字图像处理在各领域都得到了更加广泛的应用和关注。
许多学者在图像处理的技术中投入了大量的研究并且取得了丰硕的成果，使数字图像处理技术到达了新的高度，并且开展迅猛。
二．数字图象处理研究的容一般的数字图像处理的主要目的集中在图像的存储和传输，提高图像的质量，改善图像的视觉效果，图像理解以及模式识别等方面。
新世纪以来，信息技术取得了长足的开展和进步，小波理论、神经元理论、数字形态学以及模糊理论都与数字处理技术相结合，产生了新的图像处理方法和理论。
比方，数学形态学与神经网络相结合用于图像去噪。
这些新的方法和理论都以传统的数字图像处理技术为依托，在其理论根底上开展而来的。
数字图像处理技术主要包括：⑴图像增强图像增强是数字图像处理过程中经常采用的一种方法。
其目的是改善视觉效果或者便于人和机器对图像的理解和分析，根据图像的特点或存在的问题采取的简单改善方法或加强特征的措施就称为图像增强。
⑵图像恢复图像恢复也称为图像复原，其目的是尽可能的减少或者去除数字图像在获取过程中的降质，恢复被退化图像的本来面貌，从而改善图像质量，以提高视觉观察效果。
从这个意义上看，图像恢复和图像增强的目的是一样的，不同的是图像恢复后的图像可看成时图像逆退化过程的结果，而图像增强不用考虑处理后的图像是否失真，适应人眼视觉和心理即可。
⑶图像变换图像变换就是把图像从空域转换到频域，就是对原图像函数寻找一个适宜变换的数学问题，每个图像变换方法都存在自己的正交变换集，正是由于各种正交换集的不同而形成不同的变换。
数字图像处理中常见的滤波算法研究
数字图像处理中常见的滤波算法研究在数字图像处理中，滤波是一种常用的技术，用于改善或修复图像的质量。
滤波算法可以通过降噪、增强边缘、图像平滑等方式来提高图像的视觉效果。
本文将介绍几种常见的滤波算法及其应用。
1. 均值滤波均值滤波是最简单的滤波算法之一。
它通过计算像素周围邻域的平均值来替换该像素的灰度值。
均值滤波可以有效地降低图像中的噪声，但也会导致图像失去细节信息。
因此，适用于对噪声敏感但对图像细节要求不高的应用场景。
2. 中值滤波与均值滤波相比，中值滤波可以更好地去除图像中的噪声同时保留更多的图像细节。
中值滤波算法使用像素邻域的中值来替换该像素的灰度值。
中值滤波对于椒盐噪声的去除效果尤为明显，因此常用于医学图像、科学图像等领域。
3. 高斯滤波高斯滤波是一种常用的线性平滑滤波算法，通过计算像素周围邻域的加权平均值来替换该像素的灰度值。
高斯滤波算法在滤波过程中，使用了一个以该像素为中心的二维高斯函数作为权重，使得距离该像素越近的邻域像素具有更大的权重。
高斯滤波可以有效平滑图像，同时保留边缘信息。
4. Roberts算子Roberts算子是一种边缘检测算法，可以用于提取图像中的边缘信息。
Roberts 算子分为水平和垂直两个方向，通过计算像素与其对角线相邻像素之间的差值来确定边缘的存在。
Roberts算子简单、快速，并且对噪声具有一定的鲁棒性。
5. Sobel算子Sobel算子是一种著名的梯度算子，用于边缘检测和图像增强。
Sobel算子不仅可以检测边缘，还可以确定边缘的方向。
Sobel算子通过计算像素和其周围邻域像素的加权差值来确定边缘的强度，进而提取图像中的边缘信息。
6. Laplacian算子Laplacian算子是一种常见的二阶微分算子，用于图像锐化和边缘检测。
Laplacian算子通过计算像素周围邻域像素的二阶导数来检测边缘。
Laplacian算子可以增强图像中的细节信息，但也容易受到噪声的影响。
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。
图像平滑处理
图像平滑处理图像平滑处理是一种常见的图像处理技术，旨在减少图像中的噪声和细节，使图像更加平滑和清晰。
在本文中，我将详细介绍图像平滑处理的原理、方法和应用。
一、原理图像平滑处理的原理是基于图像中像素值的平均化或滤波操作。
通过对图像中的像素进行平均化处理，可以减少噪声的影响，使图像更加平滑。
常见的图像平滑处理方法包括均值滤波、中值滤波和高斯滤波。
1. 均值滤波均值滤波是一种简单而有效的图像平滑处理方法。
它通过计算像素周围邻域的平均值来替代该像素的值。
均值滤波器的大小决定了邻域的大小，较大的滤波器可以平滑更大范围的图像。
2. 中值滤波中值滤波是一种非线性滤波方法，它将像素周围邻域的像素值进行排序，并取中间值作为该像素的值。
中值滤波器对于去除椒盐噪声等离群点非常有效，但对于平滑边缘和细节的效果不如均值滤波。
3. 高斯滤波高斯滤波是一种基于高斯函数的线性平滑方法。
它通过对像素周围邻域进行加权平均来替代该像素的值。
高斯滤波器的权重由高斯函数确定，距离中心像素越远的像素权重越小。
高斯滤波器可以有效平滑图像并保持边缘的清晰度。
二、方法图像平滑处理可以使用各种图像处理软件和编程语言来实现。
以下是一种常见的基于Python的图像平滑处理方法的示例：```pythonimport cv2import numpy as npdef image_smoothing(image, method='gaussian', kernel_size=3):if method == 'mean':smoothed_image = cv2.blur(image, (kernel_size, kernel_size))elif method == 'median':smoothed_image = cv2.medianBlur(image, kernel_size)elif method == 'gaussian':smoothed_image = cv2.GaussianBlur(image, (kernel_size, kernel_size), 0) else:raise ValueError('Invalid smoothing method.')return smoothed_image# 读取图像image = cv2.imread('image.jpg')# 图像平滑处理smoothed_image = image_smoothing(image, method='gaussian', kernel_size=5) # 显示结果cv2.imshow('Original Image', image)cv2.imshow('Smoothed Image', smoothed_image)cv2.waitKey(0)cv2.destroyAllWindows()```以上代码使用OpenCV库实现了图像平滑处理。
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。
邻域变换的名词解释
邻域变换的名词解释邻域变换，又称局部变换或局部操作，是一种图像处理中常见的操作方法。
它通过对图像中的每个像素及其周围一定范围内的像素进行处理，从而改变图像的外观或特征。
邻域变换广泛应用于图像增强、去噪、分割以及特征提取等领域，具有重要的理论和实际意义。
一、邻域变换的基本原理和方法邻域变换的基本原理是基于图像的空间域，通过对像素的局部环境进行处理，以实现对整个图像的改变。
邻域变换的方法有很多种，常见的包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而有效的邻域变换方法，它通过计算邻域内像素的平均值来替代中心像素的灰度值。
均值滤波主要用于图像去噪的应用，能够减少图像中的噪声，平滑图像的细节和纹理。
2. 中值滤波中值滤波是一种非线性的邻域变换方法，它通过计算邻域内像素的中值来替代中心像素的灰度值。
相对于均值滤波，中值滤波能够更好地保留图像的边缘和细节信息，常用于去除图像中的椒盐噪声。
3. 高斯滤波高斯滤波是一种基于高斯函数的邻域变换方法，它通过对邻域内的像素赋予权重来计算中心像素的灰度值。
高斯滤波能够产生平滑的效果，常用于图像增强和去噪的处理。
二、邻域变换在图像增强中的应用邻域变换在图像增强中具有重要作用，能够改善图像的质量和视觉效果。
以下介绍几种常见的邻域变换方法在图像增强中的应用。
1. 直方图均衡化直方图均衡化是一种常用的邻域变换方法，通过对图像的灰度值进行重新分配，增强图像的对比度和亮度。
直方图均衡化能够使图像整体变得更加清晰明亮，常被应用于图像显示和图像识别等领域。
2. 锐化滤波锐化滤波是一种通过对图像进行邻域变换来增强图像细节的方法。
它通过对图像进行高通滤波，使得图像中的边缘和纹理更加清晰和突出。
锐化滤波常用于图像增强和特征提取等任务中。
3. 维纳滤波维纳滤波是一种理想的、最优的邻域变换方法。
它基于统计模型，能够在去除图像噪声的同时保持图像的细节信息。
维纳滤波广泛应用于图像去噪和图像复原等领域，但对于复杂的噪声情况和模糊图像可能效果有限。
图像处理的方法有哪些
图像处理的方法有哪些
图像处理的方法包括但不限于以下几种：
1. 滤波：通过卷积操作对图像进行模糊、边缘检测、锐化等处理，常见的滤波方法有均值滤波、高斯滤波、中值滤波等。
2. 灰度变换：通过对图像的像素值进行线性或非线性函数变换，改变图像的对比度、亮度或色调。
3. 直方图均衡化：通过对图像的像素值进行重新分布，使得图像的灰度直方图更均匀，增强图像的对比度。
4. 缩放与旋转：改变图像的尺寸和角度，常见的方法包括最近邻插值、双线性插值和双三次插值。
5. 边缘检测：通过寻找图像中亮度变化较大的像素点，检测图像的边缘。
常见的边缘检测算法有Sobel算子、Prewitt算子和Canny算子。
6. 分割：将图像分成若干个相互独立的区域，常见的方法有阈值分割、基于区域的分割和基于边缘的分割。
7. 特征提取：从图像中提取出具有代表性的特征，常见的特征包括形状特征、
纹理特征和颜色特征。
8. 目标检测与识别：在图像中检测和识别出特定的目标，常见的方法有模板匹配、Haar特征和深度学习等。
9. 图像修复与增强：对受损的图像进行修复，消除图像中的噪声、模糊和伪影等，提高图像的质量。
10. 图像压缩与编码：对图像进行压缩，减少图像占用的存储空间，常见的压缩算法有JPEG、PNG和GIF等。
这些方法可以单独应用于图像处理，也可以组合使用以实现更复杂的图像处理任务。
- 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)。
《数字图像处理》实验报告标题：数字图像的中值,均值滤波和边缘检测算法姓名：学号：班级：数字图像滤波原理及方法和边缘检测算法一.滤波原理图像滤波，即在尽量保留图像细节特征的条件下对目标像的噪声(包括高斯噪声、椒盐噪声、随机噪声）进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。
由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。
另外，在图像处理的某些环节当输入的像对象并不如预想时也会在结果图像中引入噪声。
这些噪声在图像上常表现为一引起较强视觉效果的孤立象素点或象素块。
一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。
对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像象素的真实灰度值上，在图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图识别等后继工作的进行。
要构造一种有效抑制噪声的滤波机必须考虑两个基本问题能有效地去除目标和背景中的噪声;同时，能很好地护图像目标的形状、大小及特定的几何和拓扑结构特征。
二．滤波方式（1）中值滤波：中值滤波由Turky在1971年提出，最初用于时间序列分析，后来被用于图像理，并在去噪复原中取得了较好的效果。
中值滤波器是基于次序统计完成信号恢的一种典型的非线性滤波器，其基本原理是把图像或序列中心点位置的值用该域的中值替代，具有运算简单、速度快、除噪效果好等优点，曾被认为是非线波的代表。
然而，一方面中值滤波因不具有平均作用，在滤除诸如高斯噪声之非冲激噪声时会严重损失信号的高频信息，使图像的边缘等细节模糊;另一方中值滤波的滤波效果常受到噪声强度以及滤波窗口的大小和形状等因素的制约了使中值滤波器具有更好的细节保护特性及适应性，人们提出了许多中值滤波器的改进算法!标准中值滤波算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。
实际上在一定邻域范围内具有最大或最小灰度值这一特性的，除了噪声点，还包括图像中的边缘点、线性特征点等。
中值滤波以此作为图像滤波依据，其滤波结果不可避免地会破坏图像的线段、锐角等信息。
因此，要找到一种既能实现有效滤除噪声，又能完整保留图像细节的滤波机制，仅考虑噪声的灰度特性是难以实现的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。
原理图示滤波步骤1、将模板在图中漫游，并将模板中心与图中某个像素位置重合；2、读取模板下各对应像素的灰度值；3、将这些灰度值从小到大排成一列；4、找出这些值的中间值；5、将这个值赋给对应模板中心位置的像素。
效果展示：（2）均值滤波：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（还有加权平均法）。
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。
例如：3×3模板:加权平均模版：例如3*3模版处理过程：1 2 1 2 4 2 121三．图像的边缘检测（1）图像边缘的定义所谓图像边缘（Edlge）是指图像局部特性的不连续性，例如，灰度级的突变，颜色的突变，纹理结构的突变等。
边缘广泛存在于目标与目标、物体与背景、区域与区域（含不同色彩）之间，它是图像分割所依赖的重要特征。
本为主要讨论几种典型的图像灰度值突变的边缘检测方法，其原理也是用于其他特性突变的边缘检测。
图像的边线通常与图像灰度的一阶导数的不连续性有关。
图像灰度的不连续性可分为两类：阶跃不连续，即图像灰度再不连续出的两边的像素的灰度只有明显的差异，如图1.1所示，线条不连续，即图像灰度突然从一个值变化到另一个值，保持一个较小的行程又返回到原来的值。
在实际中，阶跃和线条边缘图像是较少见的，由于空间分辨率（尺度空间）、图像传感器等原因会使阶跃边缘变成斜坡形边缘，线条边缘变成房顶形边缘。
它们的灰度变化不是瞬间的而是跨越一定距离的。
（2）边缘检测与提取主要算法边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。
我们将边缘定义为图像中灰度发生急剧变化的区域边界。
图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。
经典的边界提取技术大都基于微分运算。
首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。
2.3.1 Roberts边缘算子Roberts算子是一种利用局部差分算子寻找边缘的算子，由下式给出：g(x,y)={[y x f ,(-)1,1(++y x f ]2+[y x f ,(- )1,1(++y x f ]2}21，其中f(x,y)是具有整数像素坐标的输入图像，平方根运算使该处理类似于在人类视觉系统中发生的过程。
Roberts 算子边缘定位准，但是对噪声敏感。
适用于边缘明显而且噪声较少的图像分割，在应用中经常用Roberts 算子来提取道路。
2.3.2 Sobel 边缘算子Sobel 边缘算子的卷积和如图2.2所示,图像中的每个像素都用这两个核做卷积。
这两个核分别对垂直边缘和水平边缘响应最大，两个卷积的最大值作为该点的输出位。
运算结果是一幅边缘幅度图像。
Sobel 算子认为邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。
一般来说，距离越大，产生的影响越小。
2.3.3 Prewitt 边缘算子Prewitt 边缘算子的卷积和如图2.3所示，图像中的每个像素都用这两个核做卷积，取最大值作为输出，也产生一幅边缘幅度图像。
Prewitt 算子在一个方向求微分，而在另一个方向求平均，因而对噪声相对不敏感，有抑制噪声作用。
但是像素平均相当于对图像的低通滤波，所以Prewitt 算子对边缘的定位不如Roberts 算子。
2.3.4 Laplacian 边缘算子拉普拉斯算子一种二阶边缘检测算子，它是一个线性的、移不变算子。
是对二维函数进行运算的二阶导数算子，对一个连续函数f (x, y)它在图像中的位置(x, y),拉普拉斯值定义为：22222f f f x y∂∂∇=+∂∂-1 -2 -1 0 0 0 1 2 1 -1 0 1-2 0 2 -1 0 1 图2.2 Sobel 边缘算子-1 -1 -1 0 0 0 1 1 1 图2.3 Prewitt 边缘算子 1 0 -1 1 0 -1 1 0 -1Laplacian 算子利用二阶导数信息，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。
使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘。
其4邻域系统和8邻域系统的Laplacian 算子的模板分别如图2.4和图2.5所示。
图2.4 邻域Laplacian 算子 图2.5 邻域Laplacian 算子 通常使用的拉普拉斯算子3×3模板如图2.6所示：图2.6 拉普拉斯算子Laplacian 算子对噪声比较敏感，Laplacian 算子有一个缺点是它对图像中的某些边缘产生双重响应。
所以图像一般先经过平滑处理，通常把Laplacian 算子和平滑算子结合起来生成一个新的模板。
四．实验代码1.均值，中值滤波im = imread('lena.jpg'); figure;imshow(im);imNoise = imnoise(im,'salt & pepper',0.02);//加入椒盐噪声 figure;imshow(imNoise);im2 = medfilt2(imNoise, [5, 5]);//中值滤波 figure;imshow(im2);A = fspecial('average', 5);//均值滤波 im3 = filter2(A,imNoise); figure;imshow(im3, []);0 1 0 1 -4 1 0 1 0 1 1 1 1 1 -8 11 1 1 -1 -1 -1-1 8 -1-1 -1 -1 -1 0 1 -2 4 2 -1 0 1 -1 -2 -1 0 0 0 1 2 12.边缘检测edge1=edge(im,'sobel');//sobel算子figure;imshow(edge1);edge2=edge(im,'Roberts');//Roberts算子figure;imshow(edge2);edge3=edge(im,'prewitt');//prewitt算子figure;imshow(edge3);。