基于matlab的数字图像增强算法研究与实现讲解
使用Matlab进行数字图像增强的方法
使用Matlab进行数字图像增强的方法引言：数字图像增强是一种改善图像质量和提升可视化效果的方法。
在实际应用中，我们常常需要对图像进行增强，以便更好地分析和理解图像内容。
使用Matlab作为工具，可以方便地对图像进行各种增强操作。
本文将介绍几种常用的数字图像增强方法，并结合具体示例演示其在Matlab中的实现。
一、直方图均衡化直方图均衡化是一种通过调整图像像素值的分布来增强对比度的方法。
它可以将像素值均匀分布在整个灰度级范围内，从而增强图像的细节和清晰度。
在Matlab中，我们可以使用函数histeq来实现直方图均衡化。
实例：假设我们有一张灰度图像lena.jpg，我们想对它进行直方图均衡化。
首先，我们可以使用imread函数读取图像，并将其转换为灰度图像。
```matlabimg = imread('lena.jpg');gray_img = rgb2gray(img);```然后，利用histeq函数对图像进行直方图均衡化。
```matlabenhanced_img = histeq(gray_img);``````matlabimshow(enhanced_img);```运行以上代码，我们可以得到一张直方图均衡化后的图像。
二、滤波增强滤波增强是一种通过应用滤波器来减少噪声和增强图像细节的方法。
在Matlab 中，我们可以使用各种滤波器函数来实现滤波增强，如均值滤波、中值滤波和高斯滤波等。
实例：假设我们有一张包含噪声的图像cameraman.jpg，我们想对其进行滤波增强。
首先，我们可以使用imnoise函数在图像中添加高斯噪声。
```matlabimg = imread('cameraman.jpg');noisy_img = imnoise(img, 'gaussian', 0, 0.01);```然后，我们可以使用imfilter函数对图像进行滤波增强。
基于matlab的 图像增强技术的分析与实现
数字图形图像处理基于matlab的图像增强技术的分析与实现基于matlab的图像增强技术的分析与实现摘要:基于数字图像增强对图像处理的重要性，将计算软件MATLA 应用于数字图像增强中，给出了用这一软件完成图像的对比度增强、直方图均衡化、平滑滤波、锐化等操作的示例，并给出了处理前后的对照图像。
同时论述了MATLAB在进行图像处理试验时简洁、高效的特点。
关键词:图像增强；MATLAB；直方图均衡化；平滑滤波；锐化基于matlab的图像增强技术的分析与实现引言：对于一个图像处理系统来说，可将流程分为三个阶段，在获取原始图像后，首先是图像预处理阶段、第二是特征抽取阶段、第三是识别分析阶段，其中图像预处理阶段尤为重要，如果此阶段处理不当，后面的工作将无法展开。
实际应用中,我们的系统获取的原始图像并非完美:例如系统获取的原始图像，由于噪声、光照等原因,使得图像的质量不高,需进行预处理,以达到利于我们提取感兴趣的信息的目的。
图像的预处理包括图像增强、平滑滤波、锐化等内容.图像的预处理既可以在空间域实现,也可以在频域内实现,其中空间域内实现是对图像进行点运算,它是一种既简单又重要的图像处理技术,它能让用户改变图像上像素点的灰度值,这样通过点运算处理将产生一幅新图像。
MATLAB是一种简单、高效、功能强大的高级语言,在科学与工程计算领域有着广泛的应用前途。
1、灰度直方图的定义：一幅数字图像的灰度直方图就是一个灰度级的离散函数。
设变量 r代表图像中像素灰度级。
在图像中像素的灰度级可归一化处理, 这样, r的值将限定在下述范围之内：(1)在灰度级中, r= 0代表黑，r= 1代表白。
对于一副给定的图像来说, 每一个像素取得[0，1]区间内的灰度级是随机的,也就是说r是一个随机变量。
假定对每一瞬间他们是连续的随机变量，那么，就可以用概率密度函数 p r(r)来表示原始图像得灰度分布。
如果用直角坐标系的横轴代表灰度级r,用纵轴代表灰度级的概率密度函数 p r( r), 这样就可以针对一副图像在这个坐标系做一个曲线来。
基于matlab的图像增强技术分析与实现
开发研究与设计技朮本栏目责任编辑：谢媛媛１引言图像增强是数字图像处理过程中经常采用的一种方法。
图像增强是指按特定的需求突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息，也就是一种将原来不清晰的图像变的清晰或强调某些感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。
从纯技术上讲，图像增强技术基本上可分成两大类：频域处理法和空域处理法。
频域处理法是采用了修改后的傅立叶变换的方法实现图像的增强处理。
空域处理法是直接对图像中的象素进行处理，例如增强图像的对比度，平滑噪声等。
本文分析了几种空域图像增强的原理，并通过实验对比验证图像增强的效果。
２图像增强技术２．１直方图均化法有些图像在低值灰度区间上频率较大，使得图像中较暗区域中的细节看不清楚。
这时可以将图像的灰度范围分开，并且让灰度频率较小的灰度级变大。
设原来的图像用ｆ（ｘ，ｙ）来表示，用其灰度直方图替代灰度的分布密度函数ｐｆ（ｆ），则直方图均化后的图像为ｇ，则：若原图像在象素点（ｘ，ｙ）处的灰度为ｒｋ，则直方图均化后的图像在ｇ（ｘ，ｙ）处的灰度ｓｋ为：在ｍａｔｌａｂ中使用如下代码实现对图１的直方图均化：图１灰度图像及直方图Ｉ＝ｉｍｒｅａｄ（＇原图．ｔｉｆ＇）；％读出图像Ｊ＝ｈｉｓｔｅｑ（Ｉ）；％对灰度图像进行直方图均化ｓｕｂｐｌｏｔ（１，２，１），ｉｍｓｈｏｗ（Ｉ）％显示灰度图像ｓｕｂｐｌｏｔ（１，２，２），ｉｍｈｉｓｔ（Ｉ）％显示灰度图像的灰度直方图ｓｕｂｐｌｏｔ（１，２，１），ｉｍｓｈｏｗ（Ｊ）％显示灰度图像直方图均化后图像ｓｕｂｐｌｏｔ（１，２，２），ｉｍｈｉｓｔ（Ｊ）％显示直方图均化后的图像的直方图图２直方图均化后的图像及直方图２．２对比度增强法有些图像的对比度比较低，从而使整个图像模糊不清。
这时可以按一定的规则修改原来图像的每一个象素的灰度，从而改变图像灰度的动态范围。
设原来图像为ｆ（ｘ，ｙ），其灰度范围是［ｍ，Ｍ］，设调整后的图像为ｇ（ｘ，ｙ），其灰度范围是［ｎ，Ｎ］，则：在ｍａｔｌａｂ中使用如下代码实现图３的对比度增效果图４。
基于matlab的图像对比度增强处理的算法的研究与实现
基于matlab的图像对比度增强处理的算法的研究与实现1. 引言1.1 研究背景图像对比度增强是数字图像处理中的一个重要领域，它能够提高图像的视觉质量，使图像更加清晰、鲜明。
随着现代科技的快速发展，图像在各个领域的应用越来越广泛，因此对图像进行对比度增强处理的需求也越来越迫切。
在数字图像处理领域，图像对比度增强处理是一种经典的技术，通过调整图像的灰度级范围，提高图像的对比度，使图像更加清晰和易于观察。
对比度增强处理可以应用于医学影像、卫星图像、照片修复等领域，有效提升图像质量和信息量。
随着数字图像处理算法的不断发展和完善，基于matlab的图像对比度增强处理算法也得到了广泛研究和应用。
通过matlab编程实现图像对比度增强处理算法，可以快速、高效地对图像进行处理，并进行实验验证和效果分析。
研究基于matlab的图像对比度增强处理算法的研究与实现具有重要的理论意义和实际应用价值。
1.2 研究目的研究目的是探索基于matlab的图像对比度增强处理算法，通过对比不同算法的效果和性能进行分析，进一步提高图像的清晰度和质量。
具体目的包括：1. 深入理解图像对比度增强处理的基本原理，掌握常用的算法和技术；2. 研究基于matlab的图像对比度增强处理算法实现的方法和步骤，探究其在实际应用中的优劣势；3. 通过实验结果与分析，评估不同算法在提升图像对比度方面的效果和效率；4. 对现有算法进行优化与改进，提出更加有效的图像对比度增强处理方法；5.总结研究成果，为今后进一步完善图像处理技术提供参考和借鉴。
通过对图像对比度增强处理算法的研究与实现，旨在提高图像处理的效率和质量，满足不同应用领域对图像处理的需求，促进图像处理技术的发展和应用。
1.3 研究意义对比度增强处理是图像处理领域中一项重要的技术，在实际应用中有着广泛的使用。
通过增强图像的对比度，可以使图像更加清晰、鲜明，提高图像的质量和观感效果。
对比度增强处理在医学影像分析、卫星图像处理、数字摄影等领域都有着重要的应用。
Matlab中的图像增强算法研究
Matlab中的图像增强算法研究在数字图像处理领域，图像增强算法是一项重要的研究内容，可以提高图像的质量和清晰度。
Matlab作为一种常用的科学计算软件，提供了丰富的图像处理工具箱，包括多种图像增强算法。
本文将对Matlab中的一些图像增强算法进行研究和探讨。
一、直方图均衡化算法直方图均衡化是一种常用的图像增强算法，它通过调整图像像素的亮度分布，增强图像的对比度和细节。
在Matlab中，直方图均衡化算法可以通过histeq函数实现。
具体实现过程如下：1. 读取图像并转化为灰度图像。
2. 计算灰度图像的直方图。
3. 计算直方图的累积分布函数。
4. 根据累积分布函数对图像进行像素值映射。
5. 输出增强后的图像。
直方图均衡化算法能够有效增强图像的对比度和细节，但对于存在局部对比度不均匀的图像，效果可能不理想。
因此，需要对不同类型的图像选择合适的增强算法。
二、小波变换与图像增强小波变换是一种将信号分解为不同尺度的频率子带的方法，其在图像处理中的应用也十分广泛。
在Matlab中，可以使用wavedec2函数对图像进行小波分解，再利用小波反变换将分解后的图像进行增强。
小波变换的优点是可以同时捕捉图像的局部和全局细节信息，从而实现对图像的全方位增强。
但是，小波变换的计算复杂度较高，对于大尺寸的图像处理可能存在较长的计算时间。
三、空域滤波增强空域滤波增强是一种基于图像像素的局部空间信息进行增强的方法。
Matlab中常用的空域滤波增强算法包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波是一种简单且容易实现的滤波算法，它通过计算图像像素周围窗口的平均值来减小噪声的影响。
在Matlab中，可以使用fspecial函数生成均值滤波模板，再利用imfilter函数对图像进行滤波操作。
2. 中值滤波是一种基于排序统计的滤波方法，它通过计算图像像素周围窗口的中值来抑制噪声。
在Matlab中，可以使用medfilt2函数对图像进行中值滤波。
基于Matlab的数字图像增强处理
目录摘要 0第一章绪论 01.1 课题研究目的及意义 01.2 Matlab简介 (1)1.2.1Matlab语言的特点 (1)1.2.2 Matlab在图像处理中的应用 (2)第二章数字图像处理增强基本简介 (3)2.1 基本概念 (3)2.2 图像增强处理的方法简介 (4)2.1.1空间变换增强 (4)2.1.2空域滤波增强 (4)2.1.3频域增强 (4)第三章图像增强 (5)3.1 空域变换增强 (5)3.1.1 灰度增强 (5)3.1.2 图像求反 (8)3.2 空域滤波增强 (9)3.2.1 基本原理 (10)3.2.2 线性平滑滤波器 (10)3.2.3 非线性平滑滤波器 (11)3.2.4 线性锐化滤波器 (12)3.3 频域增强 (14)3.3.1 基本原理 (14)3.3.3 高通滤波 (16)3.4 二值化图像处理 (19)第四章总结 (20)基于Matlab的数字图像增强处理摘要数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。
数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。
数字图像处理技术已经在各个领域上都有了比较广泛的应用。
图像处理的信息量很大，对处理速度的要求也比较高。
Matlab强大的运算和图形展示功能，使图像处理变得更加的简单和直观。
本文介绍了Matlab 语言的特点,基于Matlab的数字图像处理环境，介绍了如何利用Matlab及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用Matlab图像处理工具箱进行图像处理的方，主要论述了利用Matlab实现灰度增强、空域增强、频域增强。
第一章绪论1.1 课题研究目的及意义数字图像处理（Digital Image Processing），就是利用数字计算机或者其他数字硬件，对从图像信息转换而得到的电信号进行某些数学运算，以提高图像的实用性。
MATLAB图像处理工具箱的高级图像增强算法详解
MATLAB图像处理工具箱的高级图像增强算法详解图像处理是数字图像处理领域中的重要分支，其中MATLAB图像处理工具箱是应用最广泛的工具之一。
该工具箱提供了许多高级图像增强算法，能够有效地优化图像质量，提高图像细节和对比度，从而使图像更加清晰和易于分析。
本文将详细解释几种主要的高级图像增强算法，并介绍它们的工作原理和应用场景。
1. 直方图均衡化算法直方图均衡化是一种常用的图像增强算法，用于提高图像的对比度。
该算法基于直方图分布的均匀性假设，通过拉伸直方图来实现像素值的均匀分布。
具体而言，它通过计算图像的累积分布函数来调整像素值。
直方图均衡化可广泛应用于医学影像分析、电视图像处理等领域，以改善图像细节和图像信息的可视化效果。
2. 自适应直方图均衡化算法自适应直方图均衡化算法是对传统直方图均衡化算法的改进。
传统算法基于图像全局直方图进行像素值的调整，这可能导致一些局部细节丢失。
为了克服这个问题，自适应直方图均衡化算法引入了局部直方图均衡化的概念。
它将图像划分为许多局部区域，并在每个区域内应用直方图均衡化算法。
这样能够更好地保留图像的局部细节和对比度信息。
3. 双边滤波算法双边滤波算法是一种常用的图像增强算法，用于减少图像的噪声。
与其他线性滤波算法不同，双边滤波器在计算滤波器系数时考虑了像素的空间距离和灰度差异。
这使得它能够保持图像的边缘信息，同时去除噪声。
双边滤波算法常用于图像去噪、图像增强等领域，以提高图像质量和视觉效果。
4. 维纳滤波算法维纳滤波算法是一种用于图像去噪的经典算法。
它基于图像信号和噪声的统计特性，采用滤波器来减少噪声的影响。
维纳滤波算法通过最小化均方误差来实现最佳平衡，既能抑制噪声，又能保留图像的细节。
该算法常用于医学图像处理、远程遥感图像处理等领域，在提高图像质量和减少噪声方面发挥重要作用。
5. 彩色图像增强算法彩色图像增强是图像处理的重要方向之一。
彩色图像增强算法包括色彩均衡、色度调整和对比度增强等技术。
Matlab中的图像增强技术与算法
Matlab中的图像增强技术与算法引言图像增强是数字图像处理的重要领域之一，其目标是改善图像的视觉质量或提取图像中的相关信息。
在Matlab中，有许多强大的图像增强技术和算法可供使用，本文将深入探讨其中的一些方法和应用。
一、直方图均衡化直方图均衡化是一种经典的图像增强技术，其原理是通过改变图像的灰度级分布来增强图像的对比度。
在Matlab中，可以使用histeq函数来实现直方图均衡化。
该函数可以将图像的直方图拉伸到整个灰度级范围内，使图像的细节更加明显。
二、滤波器滤波器在图像增强中起着重要的作用，可以去除图像中的噪声或强化图像中的某些特征。
在Matlab中，有多种滤波器可供选择，如线性滤波器、非线性滤波器等。
其中，常用的线性滤波器有均值滤波器、中值滤波器和高斯滤波器。
这些滤波器可以通过调整参数来平滑图像或增强图像的边缘。
三、小波变换小波变换是一种多尺度分析方法，可以将信号或图像分解为低频部分和高频部分。
在图像增强中，小波变换可以用于去噪、边缘检测和图像压缩等方面。
在Matlab中，可以使用wavedec和waverec函数来进行小波变换和逆变换。
通过选择不同的小波基函数，可以得到不同的图像增强效果。
四、图像分割图像分割是将图像划分为若干个子区域的过程，旨在将同一区域内的像素归为一类。
在Matlab中，有多种图像分割算法可供选择，如基于阈值的分割、基于区域的分割和基于边缘的分割等。
这些算法可以通过提取图像的纹理特征或边缘信息来实现图像的分割和增强。
五、图像去噪图像去噪是图像增强的关键步骤之一，其目标是消除图像中的噪声以提高图像的质量和清晰度。
在Matlab中，有多种去噪算法可供选择，如均值滤波、中值滤波、小波去噪和总变分去噪等。
这些算法通过平滑图像的灰度值或提取图像的结构信息来实现去噪效果。
六、图像增强应用图像增强在许多应用领域都具有重要的意义。
例如，在医学图像处理中，图像增强可以用于增强CT扫描图像或MRI图像中的病灶区域；在遥感图像处理中，图像增强可以用于增强卫星图像中的地物边缘和纹理特征。
- 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)。
基于matlab的数字图像增强算法研究与实现摘要图像在获取和传输过程中，会受到各种噪声的干扰，使图像退化质量下降，对分析图像不利。
图像的平滑或去噪一直是数字图像处理技术中的一项重要工作。
为此，论述了在空间域中的各种数字图像平滑技术方法。
关键字：数字图像；图像增强；平滑处理目录第一章、概述 (2)1.1 图像平滑意义 (2)1.2图像平滑应用 (3)1.3噪声模型 (3)第二章、图像平滑方法 (5)2.1 空域低通滤波 (5)2.1.1 均值滤波器 (6)2.1.2 中值滤波器 (6)2.2 频域低通滤波 (7)第三章、图像平滑处理与调试 (9)3.1 模拟噪声图像 (9)3.2均值滤波法 (11)3.3 中值滤波法 (15)3.4 频域低通滤波法 (18)第四章、总结与体会 (19)参考文献 (20)第一章、概述1.1图像平滑意义图像平滑（S m o o t h i n g）的主要目的是减少图像噪声。
图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声）。
实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。
减少噪声的方法可以在空间域或在频率域处理。
在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。
图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。
图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。
1.2图像平滑应用图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。
该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。
处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。
在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。
1.3噪声模型1.3.1噪声来源一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、相片颗粒噪声和信道传输误差引起的噪声等。
噪声的存在恶化图像质量，使图像模糊，更严重的甚至是图像的特征完全被淹没，以至于给图像识别和分析带来了困难。
目前比较经典的去噪声的方法都或多或少给图像带来模糊，因此，探求一种既能去除噪声又不至于使图像模糊的方法，一直是图像增强处理中的难题，至今尚在不断地探索。
1.3.2 高斯噪声数字图像的噪声主要来源于图像的获取和传输过程。
按其产生的原因可分为:光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声等。
按其是否独立于空间坐标以及和图像是否关联可分为加性噪声和乘性噪声。
为了最大限度地减少噪声对图像的影响,人们从改善硬件质量和对受污图像进行处理两个方面做了许多的工作,文中主要考虑对受污图像进行处理的算法研究。
为了对受污图像进行处理,人们对噪声进行了研究并建立了相应的数学模型。
对噪声表述的数学建模主要考虑噪声的成因和分析受污图像上噪声的统计特性两个因素，这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也称为正态噪声,是在实践中经常用到的噪声模型。
1.3.3椒盐噪声主要来源于成像过程中的短暂停留和数据传输中产生的错误。
其PDF为如果b > a,灰度值b在图像中显示为一亮点,a值显示为一暗点。
如果Pa和Pb 均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。
当Pa为零时,表现为“盐”噪声;当Pb为零时,表现为“胡椒”噪声。
MATLAB图像处理工具箱提供的噪声添加函数imnoise,它可以对图像添加一些典型的噪声。
其语法：J=imnoise(I,type)J=imnoise(I,type,parameters)其功能是：返回对原图像I添加典型噪声的图像J,参数type和parameters用于确定噪声的类型和相应的参数。
三种典型的噪声：type=’gaussian’时,为高斯噪声；type=’salt&pepper’时为椒盐噪声；type=’speckle’时为乘法噪声；图像数据读取函数imread从图像文件中读取图像数据。
其基本调用格式如下：I=imread（文件名，’图像文件格式’）其功能是：将文件名指定的图像文件读入I中。
I=imshow（A)其功能是显示图像A。
如下程序就实现了3种噪声污染了的图像：I=imread('lena.bmp'); %读取图像I1=imnoise(I,'gaussian'); %加高斯噪声I2=imnoise(I,'salt & pepper',0.02); %加椒盐噪声I3=imnoise(I,'speckle'); %加乘性噪声subplot(221),imshow(I); %显示图像Isubplot(222),imshow(I1);subplot(223),imshow(I2);subplot(224),imshow(I3);运行结果如下：(a)原图像(b)受高斯噪声污染的图像(c)受盐椒噪声污染的图像(d)受乘法噪声污染的图像图1噪声污染的图像第二章、图像平滑方法2.1空域低通滤波将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。
空间域滤波按线性和非线性特点有：线性、非线性平滑波器。
线性平滑滤波器包括领域平均法（均值滤波器），非线性平滑滤波器有中值滤波器。
2.1.1 均值滤波器对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。
邻域平均法是空间域平滑技术。
这种方法的基本思想是，在图像空间，假定有一副N ×N 个像素的原始图像f (x ,y ),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。
经过平滑处理后得到一副图像 g (x ,y ), 其表达式如下：∑∈=s n m n m f My x g ),(),(/1),(式中： x ,y =0,1,2,…，N -1；s 为（x ，y ）点领域中点的坐标的集合，但不包括（x ，y ）点；M 为集合内坐标点的总数。
领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。
为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。
其公式如下：⎪⎩⎪⎨⎧>-=∑∑∈∈其他),(),(/1),(),(/1),(),(),(y x f Tn m f M y x f n m f M y x g s n m s n m式中：T 为规定的非负阈值。
上述方法也可称为算术均值滤波器，除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图像细节。
谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。
它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
2.1.2 中值滤波器中值滤波是一种常用的去除噪声的非线性平滑滤波处理方法，其基本思想用图像像素点的领域灰度值的中值来代替该像素点的灰度值。
二维中值滤波可以用下式表示：{}ij ij f Med y = 式中：A 为滤波窗口；{}ij f 为二维数据序列。
其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。
中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，而且，在实际运算过程中不需要图像的统计特性，这也带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。
2.2 频域低通滤波在分析图像信号的频率特性时，对于一副图像，直流分量表示了图像的平均灰度，大面积的背景区域和缓变部分是低频分量，其边缘、细节、跳跃部分以及颗粒噪声都代表图像的高频分量。
频域低通滤波就是除去其高频分量就能去掉噪声，从而使图像得到平滑。
利用卷积定理，可以写成以下形式：G (u ,v )=H (u ,v )F (u ,v )式中，F (u ,v )是含噪图像的傅立叶变换，G (u ,v )是平滑后图像的傅立叶变换，H (u ,v )是传递函数。
利用H (u ,v )使F (u ,v )的高频分量得到衰减，得到G (u ,v )后再经过反变换就得到所希望的图像g (u ,v )了。
低通滤波平滑图像的系统框图如下所示：图3-1 图像频域低通滤波流程框图低通滤波法又分为以下几种：(1) 理想低通滤波器(I L P F )一个理想的低通滤波器的传递函数由下式表示：⎩⎨⎧>≤=0),(00),(1),(D v u D D v u D v u H式中D 0是一个规定的非负的量，它叫做理想低通滤波 器的截止频率。
D (u ,v )代表从频率平面的原点到（u ,v ）点的距离，即：2/122)(),(v u v u D += 理想低通滤波器在处理过程中会产生较严重的模糊和振铃现象。
(2) 巴特沃思低通滤波器（B L P F ）n 阶巴待沃思滤波器的传递系数为n v u D D v u H 20)],(/[11),(-+= D L P F 与I L P F 不同，它的通带与阻带之间没有明显的不连续性，因此它没有“振铃”现象发生，模糊程度减少，但从它的传递函数特性曲线H (u ,v )可以看出，在它的尾部保留有较多的高频，所以对噪声的平滑效果还不如I L P F （理想低通滤波器）。
(3) 指数滤波器(E L P F )其传递函数表示为：nv u D D e v u H --=)],(/[0),( 由于E L P F 具有比较平滑的过渡形，为此平滑后的图像没有“振铃”现象，而E L P F 与B L P F 相比．它具有更快的衰减特性，所以经E L P F 滤波的图像比B L P F 处理的图像稍微模糊一些。
(4) 梯形滤波器（T L P F )梯形滤波器的传递函数介于理想低通滤波器和具有平 滑过渡带的低通滤波器之间，它的传递函数为：⎪⎩⎪⎨⎧>≤≤--<=0011011),(0),(]/[]),([),(1),(D v u D D v u D D D D D v u D D v u D v u H式中：D 0为梯形低通滤波器截止频率，D 0、D 1须满足D 0<D 1，它的性能介于I L P F 和B L P F 之间，对图像有一定的模糊和振铃效应。