基于Matlab的数字图像处理降噪方法
在Matlab中进行噪声抑制和降噪处理的方法
在Matlab中进行噪声抑制和降噪处理的方法引言：噪声是信号处理中的一个常见问题，它可以由多种因素引起，如传感器本身的噪声、电磁干扰等。
噪声的存在会影响到信号的质量和准确性，因此在许多应用中，我们需要进行噪声抑制和降噪处理。
对于Matlab来说，它提供了多种方法和工具来实现这一目标。
本文将介绍在Matlab中进行噪声抑制和降噪处理的方法。
一、频域滤波方法在Matlab中，频域滤波方法是一种常见且有效的噪声抑制和降噪处理方法。
该方法的基本思想是将信号从时域转换到频域，在频域中对信号进行滤波，并将滤波后的信号再转换回时域。
Matlab提供了丰富的频域滤波函数和工具，如fft、ifft、fftshift等。
通过这些函数，我们可以实现低通滤波、高通滤波、带通滤波等各种滤波操作，从而有效抑制和降噪信号。
二、时域滤波方法时域滤波方法是另一种常用的噪声抑制和降噪处理方法。
该方法的基本思想是在时域中对信号进行滤波，直接对信号进行抽样和滤波处理。
与频域滤波不同的是，时域滤波方法更加直观和易于理解。
在Matlab中，我们可以使用filter函数和fir1函数实现时域滤波。
其中，filter函数可以对信号进行FIR滤波，而fir1函数可以设计并生成FIR滤波器。
三、小波变换方法小波变换是一种非常有用的信号处理方法，它可以将信号在时间和频率上进行局部分析。
在噪声抑制和降噪处理中，小波变换可以帮助我们将信号分解成不同的频率成分，并对噪声进行抑制。
在Matlab中，我们可以使用wavelet函数和wdenoise函数来实现小波变换。
通过这些函数，我们可以选择不同的小波基函数，并设置适当的阈值来实现噪声抑制和降噪处理。
四、自适应滤波方法自适应滤波是一种根据信号特性自动调整滤波器参数的滤波方法。
它可以自动识别和适应信号中的噪声，并对其进行抑制和降噪处理。
在Matlab中，自适应滤波可以通过nlms函数和rls函数来实现。
这些函数基于LMS算法和RLS算法，可以快速、准确地对信号进行自适应滤波。
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]。
利用MATLAB仿真软件实现图像的去噪处置
课程设计任务书学生姓名：专业班级：指导教师：工作单位：信息工程学院题目:利用MATLAB仿真软件实现图像的去噪处置初始条件:①MATLAB软件②数字信号处置与图像处置基础知识要求完成的主要任务:①较全面了解常常利用的数据分析与处置原理及方式；②能够运用相关软件进行模拟分析；③掌握大体的文献检索和文献阅读的方式；④提高正确地撰写论文的大体能力。
参考书目:刘大杰陶本藻主编《实用测量数据处置方式》北京测绘出版社2000王全录《matlab实用图像处置》科学出版社2006-5-1贾兴泉《matlab数据处置与分析》国防工业出版社2005-08-01闫建华《高效matlab数据处置大全》人民邮电出版社2006-7-1牟永光《图像数据处置方式》石油工业出版社2007-8-1潘丽军陈锦权主编《实验设计与数据处置》2008-2-1时刻安排第1周，安排任务（鉴主15楼实验室）第1-17周，仿真设计（鉴主13楼运算机实验室）第18周，完成（答辩，提交报告，演示）指导教师签名：__________________2011年月日系主任（或责任教师）签名：____________2011年月日目录Abstract ........................................................................................................................... I I摘要MATLAB是现今国际上公认的在科技领域方面最为优秀的应用软件和开发环境。
在欧美各高等院校，MATLAB已经成为应用线性代数、自动控制理论、数据统计、数字信号处置、时刻序列分析、动态系统仿真、图形处置等高级课程的大体数学工具，是攻读学士的大学生、硕士生、博士生必需掌握的大体技术。
在设计研究单位和工业部门，MATLAB已经超出实验室，并普遍用于研究和解决具体的工程问题。
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。
基于Matlab的数字图像典型去噪算法_丁永胜 (1)
2010年 11月 Journal of Science of Teachers′College and University Nov. 2010文章编号：1007-9831（2010）06-0010-04基于Matlab 的数字图像典型去噪算法丁永胜1，李朝红2，张水胜1（1. 齐齐哈尔大学 理学院, 黑龙江 齐齐哈尔 161006；2. 齐齐哈尔高等师范专科学校 数学系, 黑龙江 齐齐哈尔 161005） 摘要：针对数字图像处理中的典型去噪算法，利用Matlab 进行分析处理，并从主观和客观2个角度对数字图像的去噪效果进行分析．在分析过程中可以看出，针对不同类型的噪声需要相应的滤波去噪算法才能取得较好的效果．关键词：Matlab ；去噪；滤波中图分类号：TP391.72 文献标识码：A doi：10.3969/j.issn.1007-9831.2010.06.0041 图像中的噪声与图像去噪噪声可以理解为妨碍人们感觉器官对所接收的信源信息理解的因素．例如：一幅黑白图片，其平面亮度分布假定为) ,(y x f ，那么对其接收起干扰作用的亮度分布) ,(y x h 即可称为图像噪声[1]．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．一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成．在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的．将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等．在Matlab 中常用的去噪函数有filter2( ), wiener2( ), medfilt2( ), ordfilt2( )以及小波分析工具箱提供的wrcoef2( )和wpdencmp( )等[2]．本文基于Matlab 提供的去噪函数，针对数字图像处理中的典型去噪算法，利用Matlab 进行分析处理，并从主观和客观2个角度对数字图像的去噪效果进行分析．2 图像质量的评价方法图像质量的评价方法有主观评价和客观评价2种．图像的主观评价就是通过人来观察图像，对图像的优劣作主观评定，然后对评分进行统计平均，就得出评价的结果．这时评价出的图像质量与观察者的特性及观察条件等因素有关．由于主观评价带有较强的个人因素特征，并且在一些研究场合，或者由于实验条件的限制，也希望对图像质量有一个定量的客观评价．最常用的客观评价有均方误差（MSE）、峰值信噪比（PSNR）和信噪比（SNR）等．本文主要以信噪比（SNR）进行客观评价． 信噪比主要由公式⎟⎟⎠⎞⎜⎜⎝⎛××=∑∑==M i N j j i g MSE N M SNR 112) ,(1log 10定义，其中：N M ×为图像矩阵的大小；) ,(j i g 为小波变换后的图像在) ,(j i 位置处的像素值；) ,(j i f 为原始图像在) ,(j i 位置处的像素值；收稿日期：2010-04-20作者简介：丁永胜（1974-），男，黑龙江讷河人，副教授，硕士，从事计算机图形学、计算机辅助几何设计研究．E-mail：dysnwpu@()∑∑==−××=M i N j j i f j i g M N MSE 112) ,() ,(11． 根据以上所述，在Matlab 仿真过程中，可以利用SNR 函数得到各去噪方法作用过的图像的信噪比，程序如下：[m n]=size(I1);for i=1:m;for j=1:n;s=s+double(I2(i,j))^2;n=n+(double(I1(i,j))-double(I2 (i,j)))^2;endendSNR=10*log10((s/n))3 Matlab 仿真去噪及分析3.1 均值滤波去噪首先加入均值为0、方差为0.005的高斯白噪声，然后采用函数fspecial(type, parameters)且type='average'，创建均值滤波算子并进行滤波去噪，通过改变模板尺寸，得到不同去噪效果（见图1）．部分Matlab代码如下:I=imread('qqhru.bmp');I2=imnoise(I,'gaussian',0,0.005);K1=filter2(fspecial('average',3), I2)/255;K2=filter2(fspecial('average',5), I2)/255;K3=filter2(fspecial('average',7), I2)/255;K4= filter2(fspecial('average',9),J)/255;图1 均值滤波去噪从图1中可以看出，使用均值滤波去噪（高斯噪声）时选用的模板尺寸（邻域半径）越大效果越好．3.2 3种去噪算法对比分析对图像qqhru.bmp分别加入高斯噪声、椒盐噪声，然后对加入2类噪声的图像分别作二维统计、中值和维纳滤波，并对去噪后图像（见图2）进行对比分析．部分Matlab代码如下:I=imread('qqhru.bmp');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02) ;K1=filter2(fspecial('average',3),J1)/255;K2= medfilt2(J1);K3=wiener2(J1,[3 3]);Ks1=filter2(fspecial('average',3),J2)/255;Ks2=medfilt2(J2);Ks3=wiener2(J2,[3 3]);图2 3种去噪算法对比通过图2可以看出，在处理服从高斯分布的一类噪声时，维纳滤波与中值滤波去除效果较好一些，而二维统计滤波去除效果较差．二维统计滤波与中值滤波对于去除椒盐噪声效果好，而维纳滤波去除效果差，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．通过SNR 函数得到3种去噪方法的信噪比（见表1），也可以说明以上的结论是正确的．3.3 小波分析工具图像去噪Matlab 小波分析工具箱提供于图像去噪的有wrcoef 2和wpdencmp 等函数．X=wrcoef 2('type ',C,S, 'wname ')返回基于小波分解结构[C,S]的小波重构图像X（见图3）．[xd,treed,datad,perf0,perfl2]=wpdencmp(x,sorh,N, 'wname ',crit,par,keepapp)是通过小波包定限（阈值化），返回输入信号或图像X 的除噪结果xd（见图4）．部分Matlab 代码如下:I=imread(' qqhru.bmp');J=imnoise(I,'gaussian',0,0.005);[c,l]=wavedec2(J,2,'sym4');J1= wrcoef2('a',c,l,'sym4',1);J2= wrcoef2('a',c,l,'sym4',2);[thr,sorh,keepapp] = ddencmp('den','wv',J);J3=wdencmp('gbl',J,'sym4',2,thr,sorh,keepapp);J4=medfilt2(J3);表1 3种去噪方法的信噪比 噪声类型二维统计滤波 中值滤波 维纳滤波高斯噪声16.504 8 19.184 3 19.574 4椒盐噪声22.238 3 26.492 8 19.158 3图3 wrcoef2函数去噪小波分解可以把图像分层次按照小波基展开，并且可以根据图像的性质及给定的处理标准确定展开到哪一级为止，还可以把细节分量和近似分量分开[3]. 从图3、图4可以看出，wrcoef 2和wpdencmp等函数可以有效地进行去噪处理．基于Matlab 给出qqhru.bmp 图像来考察各种去噪模型的去噪效果，同时从主观和客观2个角度对数字图像的去噪效果进行分析．在分析过程中可以看出，针对不同类型的噪声需要相应的滤波去噪算法才能取得较好的效果，才能使后续的图像处理工作得以更加优质的进行．参考文献：[1] Rafael C，Gonzalez，Richard E．数字图像处理[M]．2版．阮秋琦，译．北京：电子工业出版社，2007：276-303．[2] 高成．Matlab 图像处理与应用[M]．北京：国防工业出版社，2007：81-127．[3] 王登位，李炜．基于小波变换的图像去噪研究[J]．计算机与数字工程，2007，35（9）：131-132．The typical de-noising algorithms for digital image by MatlabDING Yong-sheng 1，LI Zhao-hong 2，ZHANG Shui-sheng 1（1. School of Science，Qiqihar University，Qiqihar 161006，China；2. Department of Mathematics，Qiqihar Normal Technological Academy，Qiqihar 161005，China） Abstract：According to the typical de-noising algorithm for the digital image processing researched de-noising results in Matlab，and analyzed digital image de-noising effect from two angles of the subjective and the objective．Through the analysis of the results can be known, choosing corresponding filtering de-noising algorithm can obtain better result according to different types of noise.Key words：Matlab；de-noising；filtering 图4 wpdencmp 函数去噪。
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。
数字图像去噪典型算法及matlab实现
图像去噪是数字图像处理中的重要环节与步骤。
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、线与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：使原始图像与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代码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9 subplot(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图像邻域运算,去除噪声,模板运算中值滤波,均值滤波
1.列出常用的卷积模板2.基于3×3的模板，编写均值滤波的处理程序，处理含有加性高斯噪声和椒盐噪声的图像，观察处理结果3.编写中值滤波程序，处理相同的图像与均值滤波进行比较；改变模板尺寸观察处理结果4.编程实现利用一阶微分算子和二阶拉普拉斯算子进行图像锐化的程序5.对比不同的邻域运算结果，体会图像锐化与图像平滑的区别均值滤波处理含有椒盐噪声图像程序代码（1）：模板运算f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像（2）：mean函数均值滤波f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像（3）可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像均值滤波处理含有加性高斯噪声图像程序代码（1）：模板运算f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')加性高斯噪声图像均值滤波处理后的图像（2）：mean函数均值滤波f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像（3）：可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像中值滤波（椒盐噪声图像处理）f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')R=1时的图像原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像中值滤波（加性高斯噪声）f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像不同领域运算结果比较r=2f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=2;g=size(f);for i=r+1:row-rfor j=r+1:col-rs=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像R=3椒盐噪声图像均值滤波处理后的图像R=8椒盐噪声图像均值滤波处理后的图像。