大学本科毕业设计
图4-3 均值滤波法对椒盐噪声和高斯噪声去噪的仿真结果
从仿真结果可以看出：此种算法法实现起来很简单，对消除图像中的噪声有很高的实用性。但这种方法使整体的图像进行了平滑，对图像细节起到破坏的反作用，且使图像质量有所下降。从处理后的图像中我们无法从视觉上直接读取图像信息，图像边缘部分破坏严重，图像也严重失真。如上右图所示，均值滤波对高斯噪声的处理是比较好的，使图像一目了然，有效的去除了噪声。但如上左图所示，椒盐噪声只是稍微减少，噪声仍然很明显的存在。
4.2 中值滤波的仿真
由于matlab软件内具有丰富的库函数，使用方便，也可以根据算法原理编写程序，可见附录。根据系统函数其主要matla程序： K1 = medfilt2(J); K2 = medfilt2(k);
subplot(121),imshow(K1),title('椒盐噪声中值滤波处理') subplot(122),imshow(K2),title('高斯噪声中值滤波处理') 仿真结果如图4-4所示。
图4-4 中值滤波法对椒盐噪声和高斯噪声去噪的仿真结果
从仿真结果可以看出：图像经过处理后，肉眼基本看不出图像含有噪声，因此它对椒盐噪声的去除非常有效，能明显提高图像质量，增强视觉效果。但对于高斯噪声来说，如上右图所示，虽然也有一些去噪效果，但效果不佳，图像中仍有噪声的存在，图像显示的质量较差。但对仿真结果仔细观察会发现，图像中的细线和小方块有时会模糊或消失，一定程度上损坏了图像细节，不过整体上去噪效果良好。
4.3 维纳滤波的仿真
主要matla程序： K1 = wiener2(J); K2 = wiener2(k); subplot(121),imshow(K1) title('椒盐噪声维纳滤波处理')
第12页 共28页
大学本科毕业设计
subplot(122),imshow(K2) title('高斯噪声维纳滤波处理') 仿真结果如图4-5所示。
图4-5 维纳滤波法对椒盐噪声和高斯噪声去噪的仿真结果
从仿真结果可以看出：维纳滤波对高斯噪声的图像滤波效果比均值滤波算法要好，它的像素选择性更好，能明显去除噪声点。对图像的边缘和细节信息的保护做的也非常到位，处理效果一般能达到图像复原的要求。但是对于椒盐噪声的去除，其效果却不尽人意，噪声仍然大幅存在，去噪处理几乎没有效果。
4.4 几种去噪方法的比较分析
均值滤波对高斯噪声展现出良好的去噪能力，能大幅度的提高图像视觉效果。在均值操作过程中虽然图像信号整体大小不变，但这里的平均会引起图像失真现象。带来图像细节对比度不好且区域边缘模糊的缺点。
中值滤波是常用的滤波方法，是对图像进行使用分析前进行处理优化的重要一步，这种技术已经被越来越多的使用在图像前期处理中。它可以在有效清除噪声的同时，克服其他滤波器给图像带来的模糊，从而获得较满意的滤波效果，适合对椒盐噪声及干扰脉冲的去噪处理。滤波时要选用合适的窗口形状和大小，以便于更好的对噪声点进行检测和抑制。中值滤波对高斯噪声的处理表现不佳，处理后的图像模糊，直接影响视觉识别。对一些复杂的图像，如噪声密度较高的图像和图像细节较丰富的图像，可以使用一些改进的滤波算法，通过改善中值滤波的一些不足，从而达到更好的滤波效果。
维纳滤波是最早也是最先为人熟知的图像复原方法，具有较广的适用面，有十分重要的应用价值。通过对滤波算法的仿真，从去噪效果图中可以看出对噪声的去除有些效果，相对于另外两种去噪算法，维纳滤波的优点显而易见，但存在的缺点也很严重，它容易使图像的边沿部分信息损坏和丢失。
上述算法虽都有一定的降低噪声的作用，都能达到对图像进行加工的基本要求。但同样存在些缺点，没有完美的滤波算法，只能通过人们的不断探索与改进提供更优的算法。因此，设计更好的滤波算法，解决实际中其他传统算法不能解决的问题，成为日后学术研究的重点
第13页 共28页
大学本科毕业设计
4.5 本章小结
本章主要内容是应用三种算法对含噪声的图片去除噪声，应用的仿真软件是Matlab7.0软件，通过实验对算法的去噪效果更加的理解。并对三种算法的处理结果进行综合分析。程序代码抠叩82 192 8248
第14页 共28页
大学本科毕业设计
第5章 改进的中值滤波算法
5.1 改进算法的提出
对噪声信号的去除是图像处理的基本任务之一，中值滤波算法因其良好的去噪效果，已被广泛的应用和研究。但是由于中值滤波算法对像素点是否被噪声污染没有考虑，对所有的数值进行相同的处理，导致去噪过程中损坏了原图像原有的信息。近年来算法研究者也提出一些改进的算法，但算法对检测出来的噪声信号进行传统的处理，不能进行针对性的操作，把像素点作为噪声而处理，对于高密度噪声处理性能大大降低。
本文在中值滤波算法的基础，通过阅读相关文献，提出以下两方面的改进： （1）对噪声的检测方法调节改进，解决把正常图像信号判定为噪声的问题，并对检测出的假噪声做进一步的检测，防止噪声点的遗漏。
（2）对于检测出来的的噪声点，用临近区域内信号点的中值，取代传统算法用包括噪声点在内的所有点的中值代替噪声点，这样取得的中值更接近信号点，就能有更好的去噪效果。
改进的算法在实现普通算法功能的基础上，能在噪声密度较大的图像去噪试验中，取得优于传统算法的实验效果。
5.2 算法实现与原理分析
中值滤波在图像处理中广泛使用，是通过对数据的排序统计完成的。其算法的运行速度取决于像素点的个数，越简单的图像处理速度越快，其处理效果与滤波窗口的大小有紧密的联系。当图像比较简单，噪声的含量较少时，中值滤波是很好的完成滤波。当其密度较高时，传统的滤波算法不能大量的去除噪声，满足不了实际的去噪要求。
传统中值滤波算法在去除噪声的同时，对所有的像素点进行统一的处理，使原图像的信号点发生了改变，给图像造成了一定的影响。如果我们把噪声点和信号点弄清楚，对信号点不作处理或微处理，只对噪声点进行处理，那就可以大幅提高图像复原的程度。在对其他算法的研究中发现，图像像素与周围的信号点有着很大的相关性，其灰度值相近。而噪声点的灰度值与临近像素的值相差较大，远大于或远小于邻域值，通过这一发现我们可以提出新的噪声检测方法。
5.2.1 噪声检测
综合上述的考虑和分析，对图像噪声有了更明确的认识，我们暂时可以给噪声这样的判别标准：如果某点的灰度值为滤波窗口内的极值，即它的值为最大或者最小，那么该点为噪声点，反之灰度值处于极大和极小中间的点则是信号点。
第15页 共28页
大学本科毕业设计
对于信号S和噪声N，给出一个图像[Xij]去做噪声点检测，其中ij表示像素点的位置。取窗口中心位置Xij，并选取m?n的滤波窗口进行逐像素的扫描操作W[Xij]。把它们的灰度值按大小排序，并找出中值med（W[Xij]），输出后的图像为[Yij]，即
??N,Xij?minYXij?max Xij?? （5-1）
S,min?X?max?ij?进一步的分析可知，在含噪声图像中，噪声点极有可能分布在图像灰度值的两端，即极大值端或极小值端。但是在内容较丰富的图像中，噪声的密度较大，处在像素值大小中间的像素不一定就是信号点，很有可能是噪声点。为了尽可能的去除噪声点，减少对图像噪声的漏检，提出了改进的判定条件：
?S,Xij?min?T1IXij???N,其他min = min(W[Xij])
Xij?max?T1 （5-2）
算法的实现可按以下步骤：对图像中的像素灰度值进行大小排序可得：
max=max(W[Xij]) （5-3）
?1,(Xij?N) gij?? （5-4）
0,其他?其中gij表示噪声候选点。噪声点一般都满足上述条件，但有些正常的信号点也满足上式。在像素进行排序后，在序列的两端可能存在图像边缘的细节点，对图像可能有重要的作用，不能盲目的对其进行滤除处理。于是给出噪声检测的另外一个条件 ：
?1,Xij?M?T2Ifij???0,其他(gij?1) （5-5）
fij为噪声判断点，fij为1时表示Xij是噪声点，为0则表示Xij是信号点，其中M为滤波窗口内像素点的均值。对表达式（5-2）中阈值T1由实验确定，可以经过多次试验，确定其较为准确的值。对于处理椒盐噪声，T1测得的值在十到二十之间。通过运算和实验可知，T2值较大时，噪声密度较小，反之，图像内容较丰富时T2取相对较小的值。通过这种方式，对未受污染的像素点可以直接输出，无需进行去噪操作。
5.2.2 噪声去除
基于以上的分析，提出了更好的噪声点检测方法，为更好地将噪声去除，可以将检测出的噪声点和信号点区别分开，将窗口内的信号点全部取出放到新的集合中，这样可以获得更为准确的中值。因为不是使用包含噪声点在内的所有点去获取的中值，
第16页 共28页