目录
一、摘要 二、均值滤波 三、中值滤波 四、超限像素平滑法 五、总结 六、参考文献
第 0 页 共 12 页
一、摘要
图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。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（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。我们平常使用的滤波方法一般有均值滤波、中值滤波和维纳滤波，他们分别对某种噪声的滤除有较好的效果，但对于同时存在高斯噪声和椒盐噪声的图像处理的效果可能不会太好，在这里我们分别用多种方法对图像噪声进行处理，对比使用效果。
关键词：图像去噪、常见噪声、多种方法、使用效果。
第 1 页 共 12 页
二、均值滤波
均值滤波算法：也称线性滤波，主要思想为邻域平均法。假设图像有由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是独立的，则可用像素邻域内的各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。这种算法简单，处理速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。
均值滤波对同时含有高斯和椒盐噪声的图像的处理： I1=imread('Miss.bmp'); subplot(2,2,1); imshow(I1);
title('原图');
k1=imnoise(I1,'salt & pepper',0.01); I=imnoise(k1,'gaussian',0.01); subplot(2,2,2); imshow(I)
title('加入高斯和椒盐噪声以后'); [a,b]=size(I);
I2=zeros(a+2,b+2); I3=zeros(a,b);
for n=1:a
for m=1:b
I2(n+1,m+1)=I(n,m); end; end; for n=2:a for m=2:b
I3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2(n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1)+I
第 2 页 共 12 页
2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/9; end; end;
subplot(2,2,3); imshow(uint8(I3)); title('3*3均值滤波以后'); [a,b]=size(I); I4=zeros(a+4,b+4); I5=zeros(a,b); for n=1:a
for m=1:b
I4(n+2,m+2)=I(n,m); end; end;
for n=3:a for m=3:b
I5(n-2,m-2)=[I4(n-2,m-2)+I4(n-2,m-1)+I4(n-2,m)+I4(n-2,m+1)+I4(n-2,m+2)+I4(n-1,m-2)+I4(n-1,m-1)+I4(n-1,m)+I4(n-1,m+1)+I4(n-1,m+2)+I4(n,m-2)+I4(n,m-1)+I4(n,m)+I4(n,m+1)+I4(n,m+2)+I4(n+1,m-2)+I4(n+1,m-1)+I4(n+1,m)+I4(n+1,m+1)+I4(n+1,m+2)+I4(n+2,m-2)+I4(n+2,m-1)+I4(n+2,m)+I4(n+2,m+1)+I4(n+2,m+2)]/25; end; end;
subplot(2,2,4);
imshow(uint8(I5));
title('5*5均值滤波以后');
第 3 页 共 12 页
运行效果：
orginal加入噪声以后3*3平滑以后5*5平滑以后
均值滤波对同时含有高斯和椒盐噪声的图像处理分析：
根据对上图的观察可以明显发现，使用均值滤波对高斯噪声进行去噪效果比较好，虽然对椒盐也有效果，但是不如对高斯噪声的处理效果好。另外处理时选用的邻域半径越大效果越好，当然其代价也会更大，在去噪的同时图像失去的信息也会更多的。
第 4 页 共 12 页