图像处理文献综述
【图像复原技术研究文献综述2000字】
图像复原技术研究国内外文献综述作为日常生活中广泛使用的技术，图像修复技术汇集了国内外许多重要技术。
实际上，图像复原分为三种标准：首先是搭建其劣化图像的图像模型；其次去研究和筛选最佳的图像复原方法；最后进行图像复原。
所有类型的成像模型和优化规则都会导致应用于不同领域的不同图像恢复算法。
我们对现有的图像复原方法大致做了总结，如利用线性代数知识的线性代数复原技术、搭建图像退化模型的去卷积图像恢复技术以及不考虑PSF的图像盲解卷积算法等。
其中，去卷积方法主要包括功率谱均衡、Wiener滤波和几何平均滤波等，然而这些方法需要许多预信息和噪声稳定假设，这在现实当中我们不可能利用计算机去做到的的事情，因此它们只适用于线性空间不变的理想系统，仅当噪声与信号无关时才能达到很好的效果。
但是在一些条件恶化的情况下，就不能满足图像修复的效果了。
在图像恢复领域当中，另一个重要且常见的方法是盲去卷积复原法。
它的优势是在没有预先了解退化函数和实际信号的知识前提下，可以根据劣化图像直接估计劣化函数和初始信号。
实际上，现在有几个算法通过不充分的预测信息来恢复劣化图像。
由于我们需要对图像和点扩展函数的一些相关信息进行假设和推导，所以这就导致图像恢复的解通常并不存在唯一性，并且我们已知的初始条件和对附加图像假设的选择也会对解的优劣产生很大的关系。
与此同时，由于信道中不可避免的加性噪声的影响，会进一步导致盲图像的复原变差，给图像复原造成许多困难。
也就是说，如果我们直接利用点扩展函数进行去卷积再现初始图像，则一般会导致高频噪声放大，导致算法的性能恶化，恢复不出清晰的图像。
因此，我们要尽可能的提高图像的信噪比，从而提高图像复原的效果。
基于已知的降质算子和加性噪声的某些统计性质从而恢复清晰的图像，我们将这种方法叫做线性代数恢复方法，并且这种线性代数恢复方法在一定程度上提出了用于恢复滤波器的数值计算从而使得模糊图像恢复到与清晰图像一致的新的设计思想。
图像压缩文献综述
《数字图像处理和模式识别》期末大作业题目：图像压缩文献综述班级：数字媒体学院计算机技术姓名：徐德荣学号：6141603020图像压缩文献综述1 图像压缩编码概述图像信息的压缩编码，是根据图像信号固有的统计特性和人类的视觉特性进行的。
图像信号固有的统计特性表明，其相邻像素之间、相邻行之间或者相邻帧之间，都存在较强的相关特性。
利用某种编码方法在一定程度上消除这些相关特性，便可实现图像信息的数据压缩。
这个过程也就是尽量去除与图像质量无关的冗余信息，属于信息保持（保持有效信息）的压缩编码。
另一种考虑是，图像最终是由人眼或经过观测仪器来观看或判决的。
根据视觉的生理学、心理学特性，可以允许图像经过压缩编码后所得的复原图像有一定的图像失真，只要这种失真是一般观众难以察觉的。
这种压缩编码属于信息非保持编码，因为它使图像信息有一定程度的丢失。
由此可见，图像压缩编码的研究重点是：怎样利用图像固有的统计特性，以及视觉的生理学、心理学特性，或者记录设备和显示设备等的特性，经过压缩编码从原始图像信息中提取有效信息，尽量去除那些无关的冗余信息，并且在保证质量（能从这些数据中恢复出与原图像差不多的图像）的前提下，用最低的数码率或最少的存储容量，实现各类图像的数字存储、数字记录或数字传输。
2 图像编码研究现状图像压缩编码技术可以追溯到1948年提出的电视信号数字化,到今天己经有五十多年的历史。
五十年代和六十年代的图像压缩技术由于受到电路技术等的制约,仅仅停留在预测编码、亚采样以及内插复原等技术的研究,还很不成熟。
1969年在美国召开的第一届“图像编码会议”标志着图像编码作为一门独立的学科诞生了。
到了70年代和80年代,图像压缩技术的主要成果体现在变换编码技术上;矢量量化编码技术也有较大发展,有关于图像编码技术的科技成果和科技论文与日俱增,图像编码技术开始走向繁荣。
自80年代后期以后,由于小波变换理论,分形理论,人工神经网络理论,视觉仿真理论的建立,人们开始突破传统的信源编码理论,例如不再假设图像是平稳的随机场。
低光照增强文献综述
低光照增强文献综述低光照增强是图像处理领域中的一个重要研究方向，其目的是提高低光照条件下图像的视觉质量，从而获取更多的有用信息。
在自动驾驶、安防等人工智能相关行业中，低光照增强技术具有广泛的应用前景。
近年来，低光照增强技术逐渐成为研究热点，许多学者和研究人员致力于提出新的算法和方法以提高低光照图像的质量。
本文将从低光照增强技术的算法分类、现有算法性能评估和未来发展趋势等方面进行综述。
1. 低光照增强技术算法分类低光照增强技术主要包括传统方法和深度学习方法。
（1）传统低光照增强方法：传统方法主要采用基于偏微分方程、基于Retinex和基于直方图均衡等技术。
① 基于偏微分方程的方法：偏微分方程方法通过求解偏微分方程，实现低光照图像的增强。
这类方法在处理低光照图像时，能够有效地保持图像的边缘和细节。
② 基于Retinex的方法：Retinex理论提出了一种基于物理模型进行图像增强的方法。
Retinex算法通过分离环境光和反射光，实现低光照图像的增强。
③ 基于直方图均衡的方法：直方图均衡方法通过对图像直方图进行均衡化处理，提高低光照图像的对比度和亮度。
（2）基于深度学习的低光照增强方法：深度学习方法在低光照增强领域取得了显著的性能提升。
这类方法主要采用基于神经网络、基于生成对抗网络 （GAN）和基于自编码器等技术。
① 基于神经网络的方法：神经网络方法通过学习大量低光照图像数据，实现低光照图像的增强。
这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。
② 基于GAN的方法：GAN方法在低光照增强领域取得了显著的性能提升。
通过引入对抗训练，GAN方法能够生成高质量、高亮度的低光照图像。
③ 基于自编码器的方法：自编码器方法通过学习低光照图像的潜在特征，实现低光照图像的增强。
这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。
2. 现有算法性能评估为了评估低光照增强算法的性能，许多学者和研究人员构建了大量的低光照图像数据集，并采用各种评估指标对算法进行评估。
图像处理文献综述
文献综述近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。
在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。
在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。
尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。
视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。
人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。
传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率 [1,2]。
因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。
受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。
图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。
一般来说，一个信号的显著性可以表示为其和周围环境的差异性。
正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。
另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。
基于当前场景的视觉显著性机制是低级的，慢速的。
图像超分辨率重建文献综述
n+ 1
x , y + g k m, n - g k m, n
x , y= f
n
H
BP
m, n; x , y
该方法的特点是：直观、简单、收敛快；但没有惟一的解，难以 利用先验知识，而且选择投影算子HBP是困难的
2012-12-19
2012-12-19
武汉大学图像处理与智能系统实验室
7
图像失真的数学描述
降采样 观 测 模 型 （ 退 化 模 型 ） 模糊
移动
2012-12-19
武汉大学图像处理与智能系统实验室
8
超分辨率重建的方法
超分辨率的概念，最早于上个世纪60年代由Harris提出用于单张影像 的复原，并奠定了超分辨率的数学基础。 1984年，Tsai和Huang首次 提出了利用多帧低分辨率退化图像进行超分辨率重建的问题，随后许 多学者对图像超分辨率重建进行了研究，不仅在理论上说明了超分辨 率重建的可能性，而且还提出和发展了很多具有实用价值的方法。从 目前的研究和应用成果来看，超分辨率重建算法主要分为频域方法、 传统空域重建方法、基于学习（ leaning-Based ）的方法。早期的研 究工作主要集中在频域中进行，但考虑到更一般的退化模型，后期的 研究工作几乎都集中在空域中进行。基于学习的超分辨率重建方法是 最近十年发展起来的，不仅克服了基于重建的方法在分辨率提高倍数 方面的局限性，而且可以实现单幅图像的超分辨率重建。 基于重建的方法 基于学习的方法
2012-12-19
武汉大学图像处理与智能系统实验室
4
SRR分类
Image Class Method Image Number
三维动画场景文献综述范文模板例文
三维动画场景文献综述范文模板例文在本文综述中，我们对三维动画场景进行了详细的研究和文献综述。
我们主要关注了三维动画场景的设计、建模、渲染和动画效果等方面的研究。
我们选择了以下几篇相关文献进行综述，并对它们的研究方法、实验结果和创新点进行了详细的描述和分析。
1. 文献1：《基于虚拟场景的三维模型重建方法研究》这篇文献主要介绍了一种基于虚拟场景的三维模型重建方法。
作者首先对场景进行了拍摄和扫描，然后使用计算机视觉和图像处理技术对这些数据进行处理，最终生成了高质量的三维模型。
文章中提到了一些关键技术，如点云配准、表面重建和纹理映射等。
实验结果表明，该方法能够有效地重建复杂的三维场景，并获得真实感和逼真度较高的模型。
2. 文献2：《基于物理模拟的三维动画场景设计方法研究》这篇文献介绍了一种基于物理模拟的三维动画场景设计方法。
作者通过使用物理引擎和动力学模拟技术，可以模拟真实世界中的物理效应，如重力、碰撞和流体动力学等。
文中对于如何使用物理模拟来设计复杂的场景进行了详细的描述，并提供了一些实际案例和实验结果。
结果表明，该方法能够有效地改善三维动画场景的真实感和逼真度。
3. 文献3：《基于光线追踪的三维动画场景渲染方法研究》这篇文献提出了一种基于光线追踪的三维动画场景渲染方法。
作者通过模拟光线在场景中的传播和反射，可以模拟真实世界中的光照效果和阴影效果。
文中详细介绍了光线追踪算法的原理和实现方法，并给出了一些实验结果和比较分析。
实验结果表明，该方法具有较高的渲染质量和真实感，能够有效地提高三维动画场景的视觉效果。
综上所述，以上三篇文献对于三维动画场景的设计、建模、渲染和动画效果等方面进行了重要的研究。
它们提供了一些创新的方法和技术，能够有效地提高三维动画场景的真实感和逼真度。
未来的研究可以进一步探索和改进这些方法，并将其应用于实际的三维动画制作中。
数字图像处理文献综述
数字图像处理技术综述摘要：随着计算机的普及，数字图像处理技术也获得了迅速发展，逐渐走进社会生产生活的各个方面。
本文是对数字图像处理技术的一个总体概述，包括其内涵、优势、主要方法及应用，最后对其发展做了简单的总结。
关键词：数字图像、图像处理技术、处理方法、应用领域Overview of digital image processing technologyAbstract: With the popularization of computer, digital image processing technology also won the rapid development, and gradually go into all aspects of social life and production. This paper is a general overview of the digital image processing technology, including its connotation, advantage, main method and its application. And finally, I do a simple summary of the development.Keywords: digital image, image processing technology, processing method, application field前言：图像处理技术被分为模拟图像处理和数字图像处理两大类。
数字图像处理技术一般都用计算机处理或实时的硬件处理，因此也称之为计算机图像处理[1]。
而时至今日，随着计算机的迅速普及，数字图像处理技术也飞速发展着，因为其用途的多样性，可以被广泛运用于医学、交通、化学等各个领域。
一、数字图像处理技术的概念内涵数字图像处理技术是指将一种图像信号转变为二进制数字信号，经过计算机对而其进行的图像变换、编码压缩、增强和复原以及分割、特征提取等处理，而高精准的还原到显示器的过程[2]。
图像处理文献综述
文献综述近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。
在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。
在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。
尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。
视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。
人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。
传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率[1,2]。
因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。
受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。
图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。
一般来说，一个信号的显著性可以表示为其和周围环境的差异性。
正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。
另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。
基于当前场景的视觉显著性机制是低级的，慢速的。
- 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)。
信息工程学院毕业设计文献综述姓名：学号：专业：班级：此栏为论文题目作者姓名：（塔里木大学信息工程学院**系**班，电话号码）摘要：在图像处理中，图像滤波起着重要作用。
它可以有效地抑制（平滑）各种噪声、保持边缘信息，从而改善后续处理工作的质量（如提高图像分割精度等）。
图像滤波的方法有很多，比如说中值滤波、均值滤波、高斯滤波、维纳滤波等，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，均值滤波是把每个像素都用周围的8个像素来做均值操作，高斯滤波实质上是一种信号的滤波器，其用途是信号的平滑处理，本文着重对中值滤波、均值滤波和高斯滤波进行分析，进一步了解它们的原理、特点、改进的算法及其应用。
关键词：图像；滤波；中值滤波；均值滤波；高斯滤波一、引言图像滤波就是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接受系统所需要的图像处理过程。
[1]对图像滤波的要求是，既能滤除图像中的噪声又能保持图像的细节。
[2]由于噪声和图像细节的混叠，所以在图像滤波中，图像的去噪与细节的保留往往是一对矛盾。
数字图像滤波技术是20世纪60年代发展起来的一门新兴学科，随着图像滤波理论和方法的进一步完善，[3]使得数字图像滤波技术在各个领域得到了广泛应用，并显示出广阔的应用前景。
面对数字化时代的来临，图像滤波知识显得越来越重要，实际上图像滤波已经渗透到计算机、电子、地质、气象、医学等诸多领域。
二、正文1、**的发展状况图像滤波的发展大致经历了初创期、发展期、普及期和实用化期4个阶段。
初创期开始于20世纪60年代，当时的图像采用像素型光栅进行少秒显示，大多采用中、大型机对其处理。
[5]在这一时期，由于图像存储成本高、处理设备昂贵，其应用面很窄。
进入20世纪70年代的发展期，开始大量采用中、小型机进行处理，图像处理也逐渐改用光栅扫描方式，特别是CT和卫星遥感图像的出现，对图像处理技术的发展起到了很好的推动作用。
到了20世纪80年代，图像处理技术进入普及期，此时的微机已经能够担当起图形图像处理的任务。
超大规模集成电路（Very Large Scale Integration,VLSI）的出现使处理速度大大提高，设备造价也进一步降低，极大地促进了图形图像系统的普及和应用。
[7]20世纪90年代是图像处理技术的实用化时期，图像处理的信息量巨大，对处理速度的要求极高。
2、**的意义图像滤波，即在尽量保留图像细节特征的条件下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，[9]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对象并不如预想时也会在结果图像中引入噪声。
[11]这些噪声在图像上常表现为—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。
[15]要构造一种有效抑制噪声的滤波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，能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。
随着计算机的发展，图像滤波越来越受人们所关注。
早期的图像滤波的目的仅仅只是为了改善图像的质量，当时图像拍摄的硬件技术相对比较落后，获得图像的质量也比较差，科学家们发现可以利用计算机来改善图像的显示效果，弥补硬件的不足。
在图像滤波中，输入视觉效果差的图像，输出的是改善质量后的图像。
3、图像滤波的方法在图像处理中，图像滤波起着重要作用。
它可以有效地抑制（平滑）各种噪声、保持边缘信息，从而改善后续处理工作的质量（如提高图像分割精度等）。
图像滤波的方法有很多，具体如下：（1）中值滤波：常用的非线性滤波方法，也是图像处理技术中最常用的预处理技术。
它在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘。
（2）均值滤波：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）。
[16]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。
（3）高斯滤波：高斯滤波实质上是一种信号的滤波器，其用途是信号的平滑处理。
（4）维纳滤波：维纳滤波是用来解决从噪声中提取信号问题的一种过滤（或滤波）的方法。
（5）空域滤波：空域滤波是在图像空间中借助模板对图像进行领域操作，处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。
（6）频域平滑滤波：将图像从空间或时间域转换到频率域，在频域里，采用简单平均法求频谱的直流分量。
可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，再经过反变换来取得平滑的图像。
4、**的应用（1）中值滤波及其改进算法的应用中值滤波是一种非线性滤波技术，中值滤波器的优点是运算简单而且速度较快，在滤除叠加白噪声和长尾叠加噪声方面显示出了极好的性能。
但是对一些细节多，特别是点、线和尖顶多的图像不宜采用中值滤波的方法。
为了扩大它的应用范围，对中值滤波也有很多改进算法，如权重中值滤波，就是通过给窗口内的像素赋不同的权值来调节噪声抑制与细节保持之间的矛盾，该方法以牺牲噪声抑制来获得比传统中值滤波更为有效的细节保持能力；还有一种基于排序阈值的开关中值滤波算法，对噪声点和平坦区进行中值滤波以得到良好的噪声滤除效果，而对边缘细节区不做处理以获得良好的细节保护效果。
另有一种可以处理具有更大概率的冲激噪声的是自适应中值滤波器,在进行滤波处理时，能依赖一定条件而改变邻域的大小。
其优点是在平滑非冲激噪声时可以保存细节，所以既能除去“椒盐”噪声，平滑其他非冲激噪声，还能减少诸如物体边界细化或粗化等失真。
（2）均值滤波及其改进算法的应用采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。
邻域平均法有效地抑制了噪声，但是在求均值的计算过程中，景物的边缘点也进行均值处理，这样就使得景物的清晰度降低，画面变得模糊。
基于这种情况，对均值滤波提出了各种改进算法，实现了新的均值滤波器，如加权均值滤波器，灰度最小方差均值滤波器，K近邻均值滤波器，对称近邻均值滤波器等等，这些滤波器在进行平滑处理时，刻意避开了对景物边界的平滑处理，所以可以大大降低对图像的模糊。
（3）高斯滤波及其改进算法的应用对传统高斯滤波算法只考虑在其选择邻域内距离的影响，从而在去除噪声的同时严重模糊图像这一缺点，提出了一种改进的可保留边缘的滤波法，它是属于一种上下文有关算子,不仅考虑像素间的距离因素,而且也考虑像素间灰度值因素，整个高斯掩模权值系数是在不断地动态调整中，而并不像原高斯滤波算法中的掩模权值系数保持不变。
改进的高斯掩模权值不仅随着掩模中心点与其邻域点之间的距离的增加而减小，而且也随着掩模中心点与其邻域点之间的灰度值差的增大而减小。
[21]在边缘处其灰度值差小，则其权值系数就大，反之在含有噪声处，其灰度值差大，其权值就小。
该方法在去噪的同时能很好地保留图像边缘等细节信息,获得了较好的图像增强效果。
参考文献[1]霍宏涛.数字图像处理.北京理工大学出版社.[2]刘明奇,党长民.实用数字图像处理.北京理工大学出版社.[3]周平,郑文刚,孙忠富.基于局部信息的图像滤波及边缘锐化算法[J].计算机应用,2009,(06).[4]彭双春,刘光斌,张建.烟雾干扰下的实时图滤波方法研究[J].红外与激光工程,2005,(08).[5]李勇,周颖.基于小波变换的人体图像自适应滤波处理[J].天津工业大学,2006,(25).[6]郭海霞，解凯.一种改进的自适应中值滤波算法[J].哈尔滨师范大学数学与计算机学院计算机系,2007,(07).[7]胡晓东,彭鑫,姚岚.小波域高斯混合模型与中值滤波的混合图像去噪研究[J].中国科学院西安光学精密机械研究所,2007,(12).[8]徐海东,王山林,赵春刚.图像处理的实际算法[J].黑龙江矿业学院,2000,(06).[9]唐权华,周艳.中值滤波算法的研究与改进[J].西南交通大学,2008,(08).[10]张天瑜.基于改进型中值滤波算法的图像去噪[J].无锡市广播电视大学机电工程系,2009,(02).[11]吴储彬.均值加速中值滤波算法[J].江苏技术师范学院东方学院,2006,(12).[12]张明源,王宏力.改进型中值滤波器在图像去噪中的应用[J].第二炮兵工程学院,2007,(08).[13]何小海,滕奇志.图像通信.西安电子科技大学出版社.[14]王爱玲,叶明生.图像处理技术与应用.电子工业出版社.[15]颜兵,王金鹤.基于均值滤波和小波变换的图像去噪技术研究[J].青岛理工大学计算机工程学院,2011,(02).[16]王科俊,熊新炎.高效均值滤波算法[J].哈尔滨工程大学自动化学院,2010,(02).[17]张丽,陈志强.均值加速的快速中值滤波算法[J].清华大学工程物理系,2004,(09).[18]胡蕾,张伟.几种图像去噪算法的应用分析[J].成都理工大学信息工程学院,2007,(07).[19]贾书香,任小洪.一种加权均值滤波的改进算法[J].四川理工学院自动化与电子信息学院,2009,(08).[20]吴建华,李迟生.中值滤波与均值滤波的去噪性能比较[J].南昌大学电子科学工程系,1998,(03).[21]刘权,吴陈.边缘保留的图像滤波方法[J].江苏科技大学电子信息学院,2007，(03).。