matlab图像去噪算法设计(精)只是分享
matlab图像去噪算法设计(精)(word文档良心出品)
数字图像去噪典型算法及matlab实现希望得到大家的指点和帮助图像去噪是数字图像处理中的重要环节和步骤。
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、线和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：使原始图像和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9subplot(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]。
Matlab中的图像去噪方法探究
Matlab中的图像去噪方法探究引言：图像去噪是数字图像处理中一个重要的领域，通常被用于清除图像中的噪声，提高图像的质量。
Matlab作为最常用的科学计算软件之一，提供了众多图像去噪方法的实现。
本文将探究在Matlab环境下常用的图像去噪方法，包括均值滤波、中值滤波、小波去噪和Total Variation（TV）去噪等。
1. 均值滤波均值滤波是一种简单且常用的图像去噪方法。
其基本思想是通过计算像素周围邻域像素的平均值来减少噪声的影响。
在Matlab中，可以使用`imfilter`函数来实现均值滤波。
该函数通过对图像进行卷积操作，可以选择不同大小的滤波器来达到不同程度的去噪效果。
然而，均值滤波的缺点是会导致图像的细节模糊化，并且无法处理噪声的非高斯分布情况。
2. 中值滤波中值滤波是一种基于排序统计的图像去噪方法。
它的原理是通过对像素周围邻域像素进行排序，然后选择中间值作为输出像素的值。
与均值滤波相比，中值滤波能够更好地保留图像的细节信息。
Matlab中的`medfilt2`函数可以用于实现中值滤波。
需要注意的是，中值滤波对于椒盐噪声和脉冲噪声等非高斯分布噪声具有较好的去除效果，但对于高斯噪声等其他类型噪声的去噪效果相对较差。
3. 小波去噪小波去噪是一种基于小波变换的图像去噪方法，它通过将图像信号分解为不同频率的小波系数，然后根据小波系数的能量分布情况进行去噪处理。
在Matlab中，可以使用Wavelet Toolbox提供的函数来实现小波去噪。
其中，`wdenoise`函数可以根据设定的阈值对小波系数进行修正，从而实现图像去噪的效果。
由于小波去噪考虑了图像的频域特性，因此在去除噪声的同时能够尽可能地保留图像的细节信息。
4. Total Variation（TV）去噪Total Variation（TV）去噪是一种基于偏微分方程的图像去噪方法，它通过最小化图像的总变差来减少图像中的噪声。
在Matlab中，可以使用Image Processing Toolbox中的`imdenoise`函数来实现TV去噪。
Matlab中的图像去噪技巧概述
Matlab中的图像去噪技巧概述近年来，随着数字图像处理的广泛应用，图像去噪成为了一个重要而热门的研究方向。
在实际应用中，由于图像采集设备的品质、传输媒介的干扰以及图像自身的特性等因素，图像中常常存在着各种噪声，这些噪声会对图像的质量和信息提取造成很大影响。
因此，研究和应用图像去噪技巧成为了提高图像质量和信号处理的关键步骤之一。
Matlab作为图像处理领域广泛使用的工具之一，提供了许多强大的图像处理函数和工具箱，很多图像去噪技巧也可以通过Matlab进行实现。
下面将对Matlab中常用的图像去噪技巧进行概述和介绍。
一、空域图像去噪技巧1. 中值滤波中值滤波是一种简单而有效的空域图像去噪技巧，其原理是使用像素周围邻域内的中值来代替当前像素的值。
这种方法适用于去除椒盐噪声和脉冲噪声，对保留图像细节有一定的效果。
2. 均值滤波均值滤波是一种简单的空域图像去噪技巧，其原理是计算像素周围邻域内像素的平均值，然后将当前像素的值替换为该平均值。
这种方法适用于去除高斯噪声和均匀噪声，但对于椒盐噪声和脉冲噪声的效果较差。
3. 高斯滤波高斯滤波是一种基于高斯模板的线性滤波方法，通过对像素周围邻域内的像素值进行加权平均来达到去噪效果。
这种方法适用于去除高斯噪声，并且在保留图像细节方面比均值滤波效果更好。
二、频域图像去噪技巧1. 傅里叶变换去噪傅里叶变换是一种将信号从时域转换到频域的方法，在频域进行去噪操作后再进行逆傅里叶变换可得到去噪后的图像。
这种方法适用于去除频率特性明显的噪声。
2. 小波变换去噪小波变换是一种多尺度的信号分析方法，能够将信号分解为不同的频带，并对每个频带进行去噪处理。
这种方法适用于去除不同尺度的噪声，并且在保留图像细节方面有一定的优势。
三、专用图像去噪技巧1. 自适应中值滤波自适应中值滤波是一种根据像素邻域内像素的灰度变化情况来动态选择滤波器尺寸的方法，能够在一定程度上保留图像细节，并有效去除椒盐噪声和脉冲噪声。
Matlab图像去噪与图像增强技术解析
Matlab图像去噪与图像增强技术解析Matlab（Matrix Laboratory）是一种强大的数学软件，特别适用于科学与工程领域。
在图像处理方面，Matlab提供了丰富的函数和工具箱，可以用于图像的去噪和增强。
本文将对Matlab图像去噪和图像增强技术进行解析。
一、图像去噪技术图像去噪是图像处理中一个重要的环节，旨在去除图像中的噪声，提高图像的质量和细节。
Matlab提供了多种图像去噪的方法，包括均值滤波、中值滤波、高斯滤波和小波去噪等。
1. 均值滤波均值滤波是一种简单的线性滤波方法，通过计算邻域像素的平均值来去除噪声。
Matlab中可以使用函数`imfilter`来实现均值滤波。
下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = imfilter(img, ones(3,3)/9);imshow(filtered_img);```2. 中值滤波中值滤波是一种非线性滤波方法，通过计算邻域像素的中值来去除噪声。
对于椒盐噪声等突发性噪声，中值滤波效果较好。
Matlab中可以使用函数`medfilt2`来实现中值滤波。
下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = medfilt2(img, [3,3]);imshow(filtered_img);```3. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波方法，可以有效地去除高斯噪声。
Matlab中可以使用函数`imgaussfilt`来实现高斯滤波。
下面是一个示例代码：```img = imread('noisy_image.jpg');filtered_img = imgaussfilt(img, 2);imshow(filtered_img);```4. 小波去噪小波去噪是一种基于小波变换的非线性滤波方法，可以提取图像的频域信息，并根据阈值去除噪声。
Matlab工具箱做小波音频图像压缩去噪
Matlab工具箱做小波音频图像压缩去噪信计12 徐文豪21109020391.matlab小波工具箱简介利用Matlab小波工具箱可以便利地做音频和图像的压缩和去噪，其操作界面如下图所示：其中”Wavelet 1-D”用来做音频的压缩和去噪，”wavelet 2-D”用来做图像的压缩和去噪。
具体操作时，可以选择不同的正交小波基和分解层次。
2.音频压缩2.1 音频压缩流程图值得一提的是，如果想要压缩的不是wav信号，比如mp3文件，可以先用格式转换工具，比如FormatFactory将其转换为wav信号。
2.2 音频解压流程图2.3 音频压缩效果比较考虑到正交小波基种类繁多，因而只比较较常用的haar、db和sym。
（1）量化音频压缩效果为了比较用不同正交小波基在不同分解层次下的压缩效果，有必要做一些量化处理。
考虑到，对同一音频信号，在取0率相同的情况下，压缩效果越好的正交小波基，其能量保留的应该越多。
因而，可先固定取0率，然后以能量保留百分比作为压缩效果的衡量指标。
（2）不同分解层次音频压缩效果比较不失一般性，考虑db4在取0率为95%的情况下在不同分解层次下的压缩效果，结果如下图：从图中可以看出，压缩效果随着分解层次的增加而增大，且增大速度先快后慢，最终压缩效果趋于稳定。
从理论上看，分解层次越多，出现小系数比率就越大，因而实验所得结果是与理论相符的。
可惜的是，在分解层次小于5时，可能是因为压缩效果已经太差，小波工具箱没给出其取0率为95%的情况，不然图像可以更加细致。
然而，也不能说分解层次越多越好，因为随着分解层次的增加，用于压缩和解压的时间会明显增加，因而这需要有一个折中。
（3）不同连续等级音频压缩效果比较对同种正交小波基，在分解层次固定时，可以比较不同连续等级对压缩效果的影响，考虑分解层次为5，取0率为95%，连续等级从1到7的db小波，结果如下图所示：从图中可以看出，随着小波基越来越连续，压缩效果是逐渐变大的，但增长速度也是先快后慢，且最终趋于平稳。
Matlab中的图像降噪算法与技术
Matlab中的图像降噪算法与技术摘要随着数字图像处理的快速发展，图像降噪成为实际应用中一个重要的问题。
在本文中，我们将探讨Matlab中的图像降噪算法与技术。
首先，我们将介绍图像降噪的基本原理和方法。
然后，我们将深入研究Matlab中常用的图像降噪算法，包括均值滤波、中值滤波、高斯滤波等。
最后，我们将讨论图像降噪的一些进一步扩展和应用。
一、图像降噪的基本原理和方法图像降噪是指通过一系列算法和技术，减少或去除数字图像中的噪声信号，以使图像更清晰、更易于识别和分析。
图像噪声主要来自于图片采集过程中的环境噪声、传感器噪声以及信号传输中的干扰等。
图像降噪的基本原理是通过对图像进行滤波处理，使噪声信号受到抑制，同时尽量保留图像的有用信息。
常用的图像降噪方法包括空域滤波和频域滤波。
空域滤波是指对图像的像素直接进行操作的滤波方法，例如均值滤波、中值滤波等。
频域滤波是指将图像转换到频域进行处理的滤波方法，例如傅里叶变换和小波变换。
二、Matlab中常用的图像降噪算法1. 均值滤波均值滤波是一种最简单、最常用的图像降噪方法。
它通过计算像素周围邻域内像素的平均值，将当前像素的值替换为该平均值。
在Matlab中，我们可以使用imfilter函数来实现均值滤波。
具体步骤如下：（1）读取图像，并将其转换为灰度图像。
（2）选择适当的滤波器大小和模板类型。
（3）使用imfilter函数进行滤波处理。
（4）显示并保存结果图像。
2. 中值滤波中值滤波是一种非线性图像滤波方法，它通过将像素周围邻域内像素的灰度值进行排序，然后选择中间值作为当前像素的灰度值。
这种方法对于椒盐噪声等脉冲性噪声有很好的抑制效果。
在Matlab中，我们可以使用medfilt2函数来实现中值滤波。
3. 高斯滤波高斯滤波是一种线性平滑滤波方法，它通过将像素周围邻域内的像素值与高斯函数进行加权平均来实现图像降噪。
在Matlab中，我们可以使用fspecial和imfilter函数来实现高斯滤波。
matlab去噪声方法
matlab去噪声方法MATLAB中去噪声的方法有很多，以下列举了一些常用的方法：1. 均值滤波：均值滤波是一种简单且有效的去噪声方法，它通过计算邻域内像素的平均值来减小噪声。
具体操作是创建一个与输入图像大小相同的零矩阵，然后遍历图像的每个像素，将邻域内的像素值求和，最后除以邻域内像素的数量，得到滤波后的像素值。
2. 中值滤波：中值滤波主要用于去除图像中的脉冲噪声和椒盐噪声。
该方法的核心思想是将图像中相邻像素的灰度值进行排序，然后取中间值作为滤波后的像素值。
3. 高斯滤波：高斯滤波是一种广泛应用于图像去噪的方法，它通过在图像上滑动一个高斯核函数来降低噪声。
高斯核函数的宽度决定了滤波的效果，宽度越大，去噪效果越明显，但同时也会导致图像变得模糊。
4. 双边滤波：双边滤波是一种基于邻域的滤波方法，它同时考虑了像素的空间距离和灰度差异。
通过在图像上滑动一个双边核函数，可以有效地去除噪声并保留图像的细节。
5. 基于小波变换的方法：小波变换可以将图像分解为不同尺度、方向和频率的子带，通过对子带的处理，可以有效地去除图像中的噪声。
常用的有小波分解、小波合成和小波去噪等方法。
6. 基于深度学习的方法：深度学习方法，如卷积神经网络（CNN）和循环神经网络（RNN），在图像去噪领域也取得了很好的效果。
通过训练神经网络，可以学习到图像的复杂特征，从而在去噪的同时保留图像的细节。
在MATLAB中实现这些方法，可以利用内置的图像处理函数或自行编写代码。
例如，使用imfilter函数实现均值滤波，使用im2double函数将图像转换为双精度值等。
同时，可以借助图像处理工具箱中的各种滤波器和图像读取、显示函数，如sobel、roberts、prewitt算子等，来实现特定的去噪效果。
(完整版)图像去噪处理的研究及MATLAB仿真毕业设计
目录引言 (1)1图像去噪的研究意义与背景 (2)1.1数字图像去噪研究意义与背景 (2)1.2 数字图像去噪技术的研究现状 (3)2 邻域平均法理论基础 (3)2.1 邻域平均法概念 (3)3 中值滤波法理论基础 (3)3.1中值滤波法概念 (3)3.2中值滤波法的实现 (4)4中值滤波法去噪技术MATLAB仿真实现 (4)4.1Matlab仿真软件 (4)4.2中值滤波法的MATLAB实现 (5)4.3邻域平均法的MATLAB实现 (6)总结 (8)全文工作总结 (8)工作展望……………………………………………………………………… (8)参考文献……………………………………………………………………… (9)英文摘要…………………………………………………………………… (10)致谢语 (11)图像去噪处理的研究及MATLAB仿真电本1102班姓名：杨韬指导老师：刘明军摘要:图像是生活中一种重要的信息来源，通过对图像的处理可以帮助我们了解信息的内在信息。
数字图像去噪声涉及光学系统、微电子技术、计算机科学、数学分析等领域，是一门综合性很强的边缘科学，如今其理论体系非常完善，且其应用很广泛，在医学、军事、艺术、农业等都有广泛且充分的应用。
MATLAB是一种高效的工程计算语言，在数值计算、数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。
MATLAB是一种向量语言，它非常适合于进行图像处理。
本文概述了邻域平均法与中值滤波法去噪的基本原理。
对这两种常用的去噪方法进行了分析比较和仿真实现。
最后根据理论分析和实验结果，讨论了一个完整去噪算法中影响去噪性能的各种因素。
为实际工作中的图像处理，去噪方法的选择和改进提供了数据参考和依据。
关键字：邻域平均法;中值滤波法;MATLAB引言图像因为一些原因总会被外界干扰，所以图像质量往往不是很好,而质量不好的图片又不容易进行进一步的处理。
在对图像的地处理过程中，图像去噪是很重要的一个环节，所以想对图像进行进一步的处理,对图像的去噪就变得重要起来,所以很多研究人员对这一课题进行了比较全面的研究,图像的处理最传统的方法是在空域中的处理，也就是说在图像的空间范畴内对图像质量进行改善。
- 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及matlab实现希望得到大家的指点和帮助图像去噪是数字图像处理中的重要环节和步骤。
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、线和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：使原始图像和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9subplot(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]。
type= 'gaussian'，为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。
type= 'laplacian'，为拉普拉斯算子，参数为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
type= 'log'，为拉普拉斯高斯算子，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。
type= 'sobel'，为著名的sobel算子，用于边缘提取，无参数。
type= 'unsharp'，为对比度增强滤波器，参数alpha用于控制滤波器的形状，范围为[0,1]，默认值为0.2。
运行效果见图1：据我目测，使用均值滤波去噪（高斯噪声）效果选用的邻域半径越大效果越好，当然其代价也会更大，另外确切的去噪效果的好坏还需要用SNR等数据来度量。
实验二：二维自适应维纳滤波对高斯噪声的滤除效果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K2=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[5 5]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[7 7]); %对加噪图像进行二维自适应维纳滤波K2=wiener2(J,[9 9]); %对加噪图像进行二维自适应维纳滤波subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J);title('加噪图像');subplot(2,3,3);imshow(K1);title('恢复图像1');subplot(2,3,4);imshow(K2);title('恢复图像2');subplot(2,3,5);imshow(K3);title('恢复图像3');subplot(2,3,6);imshow(K4);title('恢复图像3');PS：维纳滤波的两个函数wiener2与deconvwnr都能够完成维纳滤波的功能，deconvwnr强调图象复原方面，wiener2强调图象空间域锐化的作用，其中J=wiener2(I,[m,n])返回有噪声图像I经过wierner(维纳)滤波后的图像，[m,n]指定滤波器窗口大小为m*n,默认值为3*3，J=wiener2(I,[m,n],noise)指定噪声的功率，[J,noise]=wiener2(I,[m,n])在图像滤波的同时，返回噪声功率的估计值noise。
imnoise的语法格式为J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回对原始图像I添加典型噪声的有噪图像J。
参数type和parameters用于确定噪声的类型和相应的参数。
下面的命令是对图像1.gif分别加入高斯噪声、椒盐噪声和乘性噪声，其结果如图所示：实验三：对加入椒盐噪声的图像分别作均值、中值和维纳滤波I=imread(1.gif');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02);J3=imnoise(I,'speckle',0.02);运行效果见图2I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');J=imnoise(I,'salt & pepper',0.02);%h=ones(3,3)/9;%产生3*3的全1数组%B=conv2(J,h);%卷积运算K2=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3K= medfilt2(J);%采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波K1=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J);title('加噪图像');subplot(2,3,3);imshow(K2);title('均值滤波后的图像');subplot(2,3,4);imshow(K);title('中值滤波后的图像');subplot(2,3,5);imshow(K1);title('维纳滤波后的图像');PS：MATLAB中提供了卷积运算的函数命令conv2，其语法格式为：C = conv2(A,B)C = conv2(A,B)返回矩阵A和B的二维卷积C。
若A为ma×na的矩阵，B为mb×nb的矩阵，则C的大小为(ma+mb+1)×(na+nb+1)。
MATLAB图像处理工具箱提供了基于卷积的图象滤波函数filter2，filter2的语法格式为：Y = filter2(h,X)其中Y = filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。
例如：其实filter2和conv2是等价的。
MATLAB在计算filter2时先将卷积核旋转180度，再调用conv2函数进行计算。
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，具体格式为前文已有叙述。
ones产生全1数组，zeros产生全零数组。
ones(a,b)产生a行b列全1数组 ones(a)产生a行a列全1叔祖运行效果见图3：通过图3我们也可得出结论，即中值滤波对于去除椒盐噪声效果最好，而维纳滤波去除效果则较差。
中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。
对点、线和尖顶较多的图像不宜采用中值滤波，因为一些细节点可能被当成噪声点。
实验四: 分别使用二维统计滤波对椒盐噪声和高斯噪声进行滤波I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');J1=imnoise(I,'salt & pepper',0.004);subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2);imshow(J1);title('加椒盐噪声后的图像');J= ordfilt2(J1,5,ones(3,4));% 进行二维统计顺序过滤subplot(2,3,3);imshow(J);title('椒盐噪声滤波后的图像');J2=imnoise(I,'gaussian',0,0.004);subplot(2,3,4);imshow(J2);title('加高斯噪声后的图像');J3= ordfilt2(J2,5,ones(3,4));subplot(2,3,5);imshow(J3);title('高斯噪声滤波后的图像'); PS:效果见图4：PS：MATLAB小波分析工具箱提供的用于图像去噪的函数有wrcoef2和wpdencmp，其语法格式分别为：X=wrcoef2(‘type’,C,S,’wname’)*xd,treed,datad,perf0,perfl2+=wpdencmp(x,sorh,N,’wname’,crit,par,keepapp)其中，X=wrcoef2(‘type’,C,S,’wname’)返回基于小波分解结构［Ｃ，Ｓ］的小波重构图像Ｘ。