极值中值滤波去噪算法的改进及实验比较(共41页).docx

精选优质文档-倾情为你奉上编号 本科生毕业设计极值中值滤波去噪算法的改进及实验比较学 生 姓 名 专 业学 号 指 导 教 师 学 院 二一三年六月 专心-专注-专业毕业设计（论文）原创承诺书1本人承诺：所呈交的毕业设计（论文） 极值中值滤波去噪算法的改进及实验比较 ，是认真学习理解学校的长春理工大学本科毕业设计（论文）工作条例后，在教师的指导下，保质保量独立地完成了任务书中规定的内容，不弄虚作假，不抄袭别人的工作内容。2本人在毕业设计（论文）中引用他人的观点和研究成果，均在文中加以注释或以参考文献形式列出，对本文的研究工作做出重要贡献的个人和集体均已在文中注明。3在毕业设计（论文）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。4本人完全了解学校关于保存、使用毕业设计（论文）的规定，即：按照学校要求提交论文和相关材料的印刷本和电子版本；同意学校保留毕业设计（论文）的复印件和电子版本，允许被查阅和借阅；学校可以采用影印、缩印或其他复制手段保存毕业设计（论文），可以公布其中的全部或部分内容。以上承诺的法律结果将完全由本人承担！作 者 签 名： 年 月 日摘要 本文提出了一种新的利用局部统计信息(极值) 的自适应中值滤波方法极值中值滤波算法。该方法可以有效地去除图象中的椒盐噪声以及高斯噪声，并保留图象的细节。文章首先介绍了数字图像滤波的空域滤波与频域滤波，以及各种噪声的产生及影响，然后描述了改进了的中值滤波算法的执行过程，对本算法与标准中值滤波算法，以及近几年出现的几种改进型中值滤波算法进行了分析与对比，最后给出了一组实验数据。实验结果表明，与其他算法相比，本算法执行速度快，去除噪声与保留细节的效果好。关键词：图像滤波 中值滤波 极值滤波 噪声去除 Abstract A new median based filtering algorithmextreme um median filtering is presented. In order not to perturb the efficient signals as much as possible when the noises are removed, the following approaches are developed in this paper. First, all the pixels are separated into signal pixels and noise pixels according to the decision criterion given in the following; then, noise pixels are replaced with the median value of their neighborhood in the input image. The decision criterion: if a pixel value is the extreme um (max o r m in) of its neighborhood, it is a noise pixel; else, it is a signal pixel. This decision criterion is under such an assumption: inherent relationships exist among neighbor pixels. If a pixel value is far higher or lower than the others value of its neighborhood are, that is to say, a pixel has lower correlation with its neighbors, we may consider that it had been contaminated with noise. Else, if it is similar to the others, w e consider that it rep resents an effective signal. Experimental results show that the assumption fits the facts quit w ell. In this paper, attention is focused on filtering of images degraded by salt and pepper noises. Especially, in the case of lower SNR, larger filtering window imp roves the SNR notably. Median filter is no t the case, for the filtering operation blurs the image extremely with the increasing of the filtering windowsKeywords : MATLAB; Median filter; Salt and pepper noise; Gaussian noise目录第1章 绪论1.1 本设计研究的目的及意义 21世纪是一个信息的时代，图像作为人们感知世界的视觉基础是人类获取信息表达信息和传递信息的重要手段。研究表明：人类获取的视觉图像信息在人类接受的信息中的比重达到3/4，数字图像的生成，传输与通讯的过程中，经常会伴有随机的脉冲干扰和其它的噪声，从而使图像的质量变差，从而不利于对图像进行别的处理,因此在图像的处理中，对噪声的滤除就变得非常重要。目前，图像滤波常用的方法包括线性滤波技术和非线性滤波技术“线性滤波以其完善的理论基础，数学处理简单，易于采用FFT和硬件实现等优点，一直在图像滤波领域占有重要的地位”。线性滤波对加性高斯噪声有较好的平滑作用，但对脉冲信号和其它形式的高频分量抑制效果较差，且模糊信号边缘“非线性滤波是基于对输入信号序列的一种非线性影射关系，常可把某一特定的噪声近似地影射为零而保留信号的重要特征，因而可以在一定程度上克服线性滤波器的不足”。1974年，Turkey针对离散数据平滑问题首先提出了中值滤波的概念，然后这种新的滤波思想很快就被引入到一些重要的数字信号处理领域，其中图像处理是最主要的一个方面，当标准中值滤波器用于解决图像恢复问题时，人们注意到它有两个独特的性能：(1)能较好地保护图像细节(图像灰度发生突变的地方)；(2)有很好的韧性(或鲁棒性)，能较好地抑制远偏离高斯型的，甚至不完全独立于有用信号的各种噪声，这些性能是人们所熟悉的线性滤波器所不具备的，为了解释标准中值滤波器的这些性能并且更加深刻地懂得中指令操作，人们开始研究标准中值滤波的特性，并且取得了许多重要结论“理论分析和实际应用的结果都使人们相信中值滤波器在图像处理中有独到的优势”正是这样，使得中值滤波算法得到了越来越广泛的应用。但是就标准中值滤波器而言，它有一个主要的问题是它会造成图像中相对滤波窗口较为细小的某些诸如细线，拐角等细节结构的破坏或丢失，而这些细小结构却往往包含着图像中非常重要的信息。为了不至于丢掉太多的有用细节，我们就不得不选用小的滤波窗口,然而在图像滤噪中，好的滤波效果要要求大的滤波窗口，这就形成了一对尖锐的矛盾。此外，用于图像处理时,标准中值滤波器往往会造成图像边缘的不稳定抖动，还有就是标准中值滤波器在应用中只有滤波窗口的大小和形状，可供调整大多数情况下窗口形状为正方形，因此可供改变以适应不同应用的参数往往只有正方形窗口的边长，缺乏必要的灵活性。标准中值滤波器的上述优势和缺陷强烈地激发人们去寻求一些改进的中值滤波器算法，自20世纪80年代以来不断有一些新的滤波器算法被提出来。1.2 设计研究现状 到目前为止，对于基于结构方法设计出的滤波器而言，多级中值滤波器是一种很成功的滤波器。这种滤波器是由Niemiflen等首先提出来的，开始称它为多水平中值滤波器，后来ArCe等专门研究和分析了这种滤波器的特性，并正式开始将它称为多级中值滤波器。这种滤波器具有良好的滤噪能力，可是细节保护能力略显不足，在不断改进中值滤波器结构方法的同时，人们也在努力地寻找判断图像中的像素点是否受噪声污染的辨别方法，并以此为基础找出更加理想的中值滤波算法。则产生了开关中值滤波器，其中，huqunzhang和MonhammadA.Karim在传统边缘检测方法的基础上提出的开关中值滤波器，因为同时具有良好的滤噪能力和细节保护能力，因而受到了广泛的好评。但是这种开关中值滤波器有个缺点：没有考虑到当受到高强度脉冲噪声干扰时，会有很多脉冲噪声位于图像边缘。因而不能很好地处理当有很多脉冲噪声位于图像边缘的情况，或者说是受到高强度脉冲噪声干扰的情况，这是有待于进一步改善的地方。由于考虑到中值滤波器和均值滤波器在处理脉冲噪声(Imp"ISenoise)和高斯噪声(GauSSiann叭Se)上的各自所长，人们就希望能将这两种滤波器结合起来，形成混和滤波器。其中Lee和KaSSam提出了一种比较成功的改进了的均值滤波器，这种滤波器的优点是能比较好的处理受脉冲噪声与高斯噪声混和后的噪声影响后的图像，有待于改进的地方是可以在噪声统计窗口以及中值滤波方法的选择上做一些推广，在不断有新的中值滤波器出现的同时,人们也在努力研究这些既相类似又有区别的滤波器的共性，并希望将它们纳入一个统一的框架下进行研究。 人们根据实际图像的特点、噪声的统计特征和频谱分析的规律，发展了各式各样的去噪方法。其中最直观的方法是根据噪声能量一般集中于高频，而图像频谱分布于一个有限区间的特点，采用低通去噪方法，例如 wiener 线性滤波器。此外，对图像进行平滑处理也是常用的方法。平滑的目的有两个：改善图像质量和抽出对象特征。平滑可以在空间域进行，也可以在频率域进行。由于噪声源众多(如光栅扫描、底片颗粒、机械元件、信道传输等)、噪声种类复杂(如加性噪声、乘性噪声、量化噪声、高斯噪声、均衡噪声和脉冲噪声等)，所以相应的平滑方法也多种多样。其中空域平滑是数字图像处理领域比较活跃的一个分支，已经经历了几十年的研究探索，并形成了较为系统的算法。总的来说，其基本思想是用所选的领域中的各像素灰度的平均值来代替中心像素的灰度值。但是，空域平滑算法有一个共同的不足，就是它不仅平滑噪声，而且使图像中的细节模糊化。例如，领域平均法就是空间域平滑噪声技术，它是一种线性滤波技术。它的基本原理是对于给定的图像中的每个像点 ( m, n) ，取其邻域 S ，设邻域 S 含有M 个像素，取其平均值作为处理后所得图像点 处的灰度。用一个像素邻域内各像素灰度平均值来代替该像素原来的灰度。邻域 的形状和大小根据图像特点确定，一般取的( m, n)S。形状是正方形，矩形及十字形。如 S 为3 × 3邻域，点( m, n )位于中心，但是这种线性滤波一般通过取模板做离散卷积实现。这种方法在平滑脉冲噪声点的同时也导致图像更加模糊，效果不是很好。如果邻域取得越大，图像的模糊程度也愈加严重。1.3 采取的研究路线 针对脉冲噪声的滤除，提出了改进的算法，其具体工作有以下几个方面。1科研调查：查阅相关文献资料。即通过网络、图书馆等渠道查找有关数字图像处理、信号处理等相关文献资料。了解数字图像处理的相关基本理论，包括空间域和频率域的数字图像去噪方法，着重介绍了与图像滤噪相关的图像增强和图像恢复。2方案论证：理论分析论证，确定可行性方案，对方案进行优化设计。本课题研究的是：深入研究传统的和新型的脉冲噪声滤除方法，重点研究中值滤波方法，针对近年来研究较多的基于噪声检测的中值滤波算法，提出了一种新的基于脉冲噪声点检测的改进中值滤波算法,提出了一种改进的改进中值滤波算法，以有效地去除图像中的脉冲噪声，并保留图像细节。3软件设计：对于研究较多的基于噪声检测的中值滤波算法，提出了一种新的基于脉冲噪声点检测的自适应中值滤波算法，并给出仿真实验。运用 MatLab和VC+进行编程，然后调试。4总体调试：根据所确定的算法及其总体结构，实现方法，开始编译程序。然后进行调试，根据实验结果对程序进行调试，直至对结果满意，实现总体指标要求。5工作总结：对整个课题作深入总结。重点考虑，此种方法虽解决了极值中值图像滤波去噪的问题，但还存在哪些弊端？其实现效果是否存在瓶颈？还有哪些方法能加以改善？最后依据得到的启示、想法撰写课题论文.第2章 数字图像处理的基本知识在这一章中，文章首先详细介绍 了几种经典滤波方法的理论知识。之后利用M atlab 仿真，对滤波器性能做出客观评价对比各种方法的基本滤波效果。数字图像是二维图像用有限数字数值像素的表示。数字图像的噪声主要来源于图像的获取 (数字化过程)和传输过程。图像传感器受各种因素的影响，如获取的环境条件和传感器元器件自身的质量等。图像噪声在数字图像处理技术中的重要性越来越明显，已经成为不可缺少的技术步骤。对图像滤波就是尽量抑制噪声对图像的污染，提高图像的质量。对于多种类型的噪声也有各种不同的滤波方法 。2.1图像处理的分类与基本理论2.1.1图像的基本理论 在介绍图像处理方法之前，我们有必要先了解一下图像的一些基本理论。图像包括以下几个方面的重要内容。视频：视频图像又称为动态图像，活动图像或者说是运动图像。它是一组图像在时间轴上的有序排列，是二维图像在一维时间域上构成的粗劣图像。图形：图形是图像的一种抽象，它反映图像的几何特征，如点、线、面等。图形不直接描述图像中的每一点，而是描述产生这些点的过程和方法，被称为矢量图像。动画：动画属于动态图像的一种。动画包括二维动画、三维动画等。符号与文字：符号包括各种描述量数据、语言等。其中最重要的是数值、文字等，有结构的符号组。计算机屏幕上显示出来的画面通常有两种：一种为图形，另一种为图像。图形、图像在存储结构和表示方法是有着根本的区别。图形是矢量结构的画面存储形势，是由指令集合组成的描述。这些指令描述构成一幅图的所有直线、圆、圆弧、矩形、曲线等位置、维数、大小、形状和颜色。显示时需要相应的软件读取这些指令，并将其转变为屏幕上所显示的形状和颜色。图形纪录的主要内容是坐标值或坐标值序列，对一般画面内容的颜色或亮度隐含且统一的描述。因此，矢量结构显式的表现画面内容的坐标值。画面是以栅格结构存储画面内容，栅格结构将一幅图画分为均匀分布的栅格。每个栅格称为像素，显式的记录每一像素的光度值(亮度或彩色)。所有像素位置按规则方式排列，像素位置的坐标值却是有规则的隐含。图像由数字阵列信息组成，用以描述图像中各像素点的强度与颜色。因此图像适合于表现含有大量细节的画面，并可直接、快速地在屏幕上显示出来。图像的表现形式很多，但都有一个共同特点，即图像是二维或三维空间信息。为了本文研究的方便，这里我们主要介绍二维图像。2.1.2 图像的类型图像的类型是指数组数值与像素颜色之间定义的关系，它与图像格式的概念有所不同，常见的有四种类型的图像。1二进制图像在一幅二进制图像中，每一个像素将取两个离散数值(0 或 1)的一个。从本质上说，这两个数值分别代表状态开和关。因为图像中的每个像素仅需一位信息，常把二进制图像称为1位图像。单色图像具有比较简单的格式，一般有黑色区域和白色区域组成。2灰度图像灰度图像具有如下特征：灰度图像的存储文件带有图像颜色表，此颜色表共有 256 项。图像颜色表中每一项由红、绿、蓝颜色分量组成，并且红、绿、蓝颜色分量值都相等。每个像素有 8 位组成，其值范围从 0-255，表示 256 种不同的灰度级。3伪彩色图像伪彩色图像与灰度图像相似，其存储文件中也带有图像颜色表。伪彩色图像具有如下特点：图像颜色表中的红、绿、蓝颜色分量值不全相等。整幅图像仅有256 种颜色，要表示 256 种不同的颜色，像素必须由 8 位组成。每个像素值不是由每个基色分量的数值直接决定，我们把具有 256 色的图像称为 8 位彩色图像。424 位真彩色图像具有全彩色照片表达能力的图像为24位彩色图像，24位真彩色图像存储文件中不带有图像颜色表。其具有如下特征：图像中的每一像素由 RGB 三个分量组成，每个分量占 8位，每个像素需 24位。红、绿、蓝三个分量的取值范围是 0-255。2.2 空域滤波 空域滤波器都是利用模板 (窗口)进行卷积运算,将两个矩阵中的元素对应相乘,然后相加,得出的值用来替换中心像素的灰度值。常见的空域滤波方法主要有以下几类。2.2.1 平滑滤波 均值滤波是最常用的线性平滑滤波器 。其原理是一像素为中心，灰度值为 F(j，k)，模板像素组成的点集用A表示 ，集内像素数以 L 表示。经过领域均值法滤波后 ，像素 F(j,k)对 应的输出为 :G(j,k)=1LX,Y=LF(x,y) (2.2.1) 即用模板像素的平均值取代 F(j,k)原来 的灰度值 。均值滤波的主要步骤为:(1)将模板在途中遍历 ，并将模板中心与途中某个像素位置重合；(2) 将模板上系数与模板下对应像素相乘；(3) 将所有乘积相加；(4) 将相加和赋给 图中对应模板中心位置的像素；2.2.2 维纳滤波 维纳滤波器是另外一种线性平滑滤波器 ，它是一种自适应滤波器 ，能根据图像的区域方差来调整滤波器的输出，可以定义为： 2=1LX,Y=LF2x,y-G2(x,y) (2.2.2) 其中，L为选取的邻域M X N ，F(x,y )调整前的像素点值，在此处键入公式。G (x,y )是邻域平均值，&为均方差。在 M atlab 中维纳滤波器设计用w iene r2 函数来实现，其应用的法则如下： F*x,y=Gx,y+2-22-Fx,y-Gx,y (2.2.3) 其中，2为噪声方差。、2.2.3 统计排序滤波器统计滤波器是一种非线性的空间滤波器，它的响应基于图像滤波器包围的图像区域中像素的排序，然后由统汁排序结果决定的值代替中心像素的值。统计滤波器中最常见的例子就是中值滤波器，正如其名，它是将像素(在中值计算中包括的原像素值)邻域内灰度的中值代替该像素的值。中值滤波器的使用非常普遍，这是因为对于一定类型的随机噪声，它提供了一种优秀的去噪能力，比小尺寸的线性平滑滤波器的模糊程度明显要低。中值滤波器对处理脉冲噪声(也称为椒盐噪声)非常有效，因为这种噪声是以黑白点叠加在图像上的。一个数值集合的中值是这样的数值，即，数值集合中，有一半小于或等于，还有一半大于或等于。为了对一幅图像上的某个点做中值滤波处理，必须先将掩模内欲求的像素及其邻域的像素值排序，确定出中值，并将中值赋予该像素点。例如，对于一个3×3的邻域，其中值是第5个值，而在一个5×5的邻域中，中值就是第l3个值，等等。当一个邻域中的一些像素值相同时，它们中的任何一个都可以作为中值。例如，在一个3×3的邻域内有一系列像素值(10，20，20，20，15，20，20，25，100)，对这些值排序后为(10，15，20，20，20，20，20，25，100)，那么其中值就是20。这样，中值滤波器的主要功能是使拥有不同灰度的点看起来更接近于它的邻近值。事实上，是用n×n的中值滤波器去除那些相对于其邻域像素更亮或更暗，并且其区域小于n22(滤波器区域的一半)的孤立像素集。在这种情况下，“去除”的意思是强制为邻域的中间亮度。而对较大的像素集的影响明显减小。尽管在图像处理中，中值滤波器是用得最广泛的统计滤波器，但这并不等于它是惟一的。所谓中值就是一系列像素值的第50个值，但读者根据基本统计学知道，排序也适用于其他不同的情况。例如，我们可以取第l00个值，即我们所说的最大值滤波器，这种滤波器在搜寻一幅图像中的最亮点时非常有用。一个3×3的最大值滤波器的响应可以用公式R=maxzkk=1,2,3,9来给出。相反，当取0的值时就变成了最小值滤波器，它可用于相反的目的。2.3 频域滤波频域滤波是首先将图像通过Fourier变换或者小波变换等变换到频域，然后根据噪声信号与图像信号的频谱差异，通过设定阈值或者函数卷积，尽可能地去掉噪声频谱而保留图像信号频谱，最后再反变换回空域的过程。2.3.1 频域低通滤波器1.理想的低通滤波器：定义：以D0为半径的圆内所有频率分量无损的通过，圆外的所有频率分量完全衰减。D0又称为截止频率。Hu,v=1 D(u,v)D0 0 D(u,v)>D0 (2.3.1) 其中 Du,v=u2+v2D（u，v）=（u2+v2）12：频率平面原点到点（u，v）的距离。由于中心化了,频率矩形的中心在(M/2, N/2)处，此时距离为D(u,v)=(u-M/2)2+(v-N/2)21/2 ，理想低通滤波器存在模糊和振铃现象。2.n阶巴特沃斯（Butterworth）低通滤波器一个截止频率在与原点距离为D0的n阶Butterworth低通过滤器（BLPF）的变换函数如下： Hu,v=11+Du,vD02n (2.3.2)Du,v=u2+v2 (2.3.3)由于中心化了,频率矩形的中心在(M/2, N/2)处，此时距离为D(u,v)=(u-M/2)2+(v-N/2)21/2n阶巴特沃斯低通滤波器和理想圆形低通滤波器相比：（1）没有明显的跳跃 被滤频率和通过频率之间没有明显的截断（2）模糊程度少 模糊大大减少。因为包含了许多高频分量。（3）尾部含有较多的高频，对噪声的平滑效果不如ILPF。3.高斯Gaussian低通滤波器(GLPF)二维高斯滤波器可以表示为：当D0=D(u,v)时，滤波器下降到他最大值的0.607处Hu,v=e-D(u,v)22D02 (2.3.4)其图形如下：高斯Gaussian低通滤波器(GLPF)的性质：（1）高斯滤波器的傅立叶反变换生成的空间域也是高斯的，因此完成没有振铃现象（2）与阶数为2的BLPF相比，在同一个D0时，其通带要宽些（GPLF的剖面线没有二阶BLPF的剖面线紧凑），这样平滑效果要差些。低通滤波用于去噪。2.3.2 频域高通滤波器由前面低通滤波可知，衰减傅立叶变换的高频成份将使图像模糊。由于在灰度级的边缘和其它地方的急剧变化与高频有关，图像锐化能够在频率域用高通滤波器处理实现，衰减低频部分不会扰乱傅里叶变换的高频信息。高通滤波器的传递函数由下面关系式获得：Hhpu,v=1-Hlp(u,v):相应的低通滤波器高通滤波器: 理想高通滤波器IHPF；巴特沃思高通滤波器BHPF；高斯高通滤波器GHPF；1.二维理想高通滤波器(IHPF)定义：与低通滤波器相对，IHPF 将以D0 为半径的圆周内的所有频率置为0，而毫不衰减地通过圆周外的任何频率。IHPF 也是物理不可实现的，只能通过计算机实现。和ILPF 一样有振铃现象Hu,v=0 D(u,v)D0 1 D(u,v)>D0 (2.3.5)2.N 阶巴特沃思高通滤波器(BHPF)：BHPF 比IHPF 更平滑，它在高低频之间有比较光滑的过渡；BHPF振铃不明显，对微小物体的过滤比IHPF清晰。Hu,v=11+D0Du,v2n (2.3.6)D0越大，保存的低频越少，高频更突出，图象边缘更清晰3.高斯高通滤波器(GHPF)：GHPF 比前2种更平滑，它在高低频之间有光滑的过渡无振铃效果，对微小物体的过滤更清晰第3章 噪声分类及去噪噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规则变化，因此无法精确测量，所以不能当做具体的处理对象，而只能用统计的理论和方法去处理。3.1高斯噪声1 高斯噪声的产生： 所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。一个高斯随机变量z的PDF可表示为：P（z）=其中z代表灰度，u是z的均值，是z的标准差。高斯噪声的灰度值多集中在均值附近。（高斯函数）图3-1 高斯噪声的灰度值因此可以通过不同的算法用matlap来产生高斯噪声。2高斯噪声对信号的影响：噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊且会出项细小的斑点，使得图像变得不清晰。3去除高斯噪声的方法：去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波。本文应用维纳和中值滤波。 I=imread('lena.tif');J=imnoise(I,'gaussian',0,0.01);subplot(2,2,1),imshow(I)title('原图');subplot(2,2,2),imshow(J);title('加高斯噪声');K=wiener2(J,5,5);L=medfilt2(J);A=1/9 1/9 1/9;1/9 1/9 1/9;1/9 1/9 1/9;C=conv2(A,J);subplot(2,2,3),imshow(K),title('维纳滤波');subplot(2,2,4),imshow(L),title('中值滤波'); 图3-1 原图 图3-2 加高斯噪声后 图3-3 维纳滤波 图3-4 中值滤波 3.2 椒盐噪声 1. 椒盐噪声的产生：椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。 去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像，使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声，而不能使用中值滤波对白噪声及椒盐噪声进行滤波，因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布，给随后的重心法细化过程带来负面影响。 大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条:一是不能损坏图像轮廓及边缘等重要信息;二是使图像清晰，视觉效果好。 椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐白色，椒黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。2椒盐噪声对信号的影响：椒盐噪声是图像处理中十分常见的一种噪声，它可 能产生于图像捕捉设备传感器上的坏点或者强噪声信道条件下的图像传输过程。对于被椒盐噪声污染的图像，噪声点只取图像动态范围内(如0255) 的最大值或最小值, 即在图像中出现一些灰度值很小(接近黑色) 或灰度 值很大( 接近白色) 的污染点，在图像上呈现一个个暗点和亮点，类似于胡椒末和盐粉的微粒，因此称为椒盐噪声。3去除椒盐噪声的方法：clc;hood=3;I,map=imread('cameraman.tif'); figure;imshow(I,map);noisy=imnoise(I,'salt & pepper',0.05);figure;imshow(noisy,map); filtered1=medfilt2(noisy,hood hood);figure;imshow(filtered1,map); myfilt1=111;111;111;myfilt1=myfilt1/9;filtered1=filter2(myfilt1,noisy);figure;imshow(filtered1,map); 图3-5 原图 图3-6 加椒盐噪声后 图3-7 维纳滤波 图3-8 中值滤波3.3 同时含有椒盐噪声和高斯噪声的图像消噪处理 所谓噪声是电路或系统中不含信息量的电压或电流。在工业与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰。高斯噪声是指噪声的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。 高斯白噪声包括热噪声和散粒噪声。而椒盐噪声是指椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。本文将采用中值滤波和维纳滤波对含有高斯噪声和椒盐噪声的图像进行处理，通过比较两种滤波技术对图像处理的效果，可以看出哪种滤波技术对椒盐噪声更起作用，哪种滤波技术对高斯噪声更有效果，再根据同一种滤波技术对不同窗口尺寸的图像进行滤波，比较处理效果，最终将选出对图像采用哪种滤波技术或者对同一种滤波技术哪种窗口尺寸滤波效果更好。 中值滤波：是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值.实现方法：1通过从图像中的某个采样窗口取出奇数个数据进行排序2用排序后的中值取代要处理的数据即可中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。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）=medf(x-k,y-l),(k,lW) ，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。 图3-9 Original 图3-10 加入椒盐噪声 图3-11 加入椒盐噪声和高斯噪声 图3-12 结果图 3*3的滤波窗口的中值滤波 图3-13 Original 图3-14 加入椒盐噪声 图3-15 加入椒盐噪声和高斯噪声 图3-16 结果图 5*5的滤波窗口的中值滤波 第4章 改进的极值中值滤波算法4.1 引言噪声信号的滤除是图像处理的基本任务之一，更是图像增强的重要手段。1971年Turkey提出的中值滤波算法，因其简单性和良好的滤波效果，在图像处理领域得到了广泛的应用。但由于中值滤波算法没有考虑像素点是否被噪声污染，对所有数据采用统一处理方法导致该方法在去除噪声的同时损失了图片细节。 针对中值滤波存在的不足，近年来出现了大量基于中值滤波的改进型算法。Sun和Neuvo提出的开关中值滤波（SM）算法1：该算法在噪声密度较小的情况下才能取得良好的去噪效果；Wang和Zhang提出的递进开关（PSM）算法2：该算法需要预先设定估计参数，大大降低了其对不同图像去噪的通用性，并且该算法采用迭代方法进行，检测时间较长；Wang和Lin提出的minmax算法3：由于该算法只针对窗口内的极值进行操作，漏检率和误检率都较高；Brownrigg提出了加权中值滤波（WM）算法4：该算法在加强细节保护但降低了去噪性能；Sun和Wang提出的极值中值（EM）算法5：该算法对检测出的噪声直接采用标准中值滤波算法，在噪声密度较高时其去噪性能大大降低。本文提出的改进算法是在EM算法的基础上做了两点改进：（1）对检测出的伪噪声点做进一步的检测，判断其是信号点还是真噪声点。这样可以有效的降低误检率，保护图像细节；（2）对真正的噪声点，用