中值滤波原理及MATLAB实现 摘要：图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵。本文将纯净的图像加入椒盐噪声,然后采用中值滤波的方法对其进行去噪。中值滤波是一种常用的非线性信号处理技术，在图像处理中，它对滤除脉冲干扰噪声最为有效。文章阐述了中值滤波的原理、算法以及在图像处理中的应用。MATLAB是一种高效的工程计算语言，在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。 关键词：图像,中值滤波,去噪,MATLAB 1. 引言 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。 为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤波器,低通滤波器,维纳滤波器,最小失真法等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量。 2. 中值滤波 在图像滤波中，常用的方法是线性滤波技术和非线性滤波技术，线性滤波以其完美的理论基础，数学处理简单、易于采用和硬件实现等优点，一直在图像滤波领域中占有重要的地位。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投影关系，常把某一特定的噪声近似为零而保留信号的重要特征，一定程度上克服线性滤波器的不足，非线性滤波早期运用较多的是中值滤波器，其应用于多维信号处理时，对窄脉冲信号具有良好的抑制能力，但
南昌大学实验报告 学生姓名：洪僡婕学号：6100411159 专业班级：数媒111班 实验类型：■验证□综合□设计□创新实验日期： 4.29 实验成绩：一、实验项目名称 数字图像处理 二、实验目的 实现快速中值滤波算法 三、实验内容 用VC++实现中值滤波的快速算法 四、主要仪器设备及耗材 PC机一台 五、实验步骤 // ImageProcessingDoc.cpp : implementation of the CImageProcessingDoc class// #include "stdafx.h" #include "ImageProcessing.h" #include "ImageProcessingDoc.h" #include "GreyRatio.h" #include
学号: 课程设计 学院 专业 年级 姓名 论文题目 指导教师职称 成绩 2013年 1 月 10 日
目录 摘要 (1) 关键词 (1) Abstract (1) Key words (1) 引言 (1) 1 自适应滤波器原理 (2) 2 自适应滤波器算法 (3) 3 自适应滤波算法的理论仿真与DSP实现 (5) 3.1 MATLAB仿真 (5) 3.2 DSP的理论基础 (7) 3.3 自适应滤波算法的DSP实现 (9) 4 结论 ............................................... 错误！未定义书签。致谢 ................................................. 错误！未定义书签。参考文献 ............................................. 错误！未定义书签。
自适应滤波器算法的DSP实现 学生姓名：学号： 学院：专业： 指导教师：职称： 摘要：本文从自适应滤波器的基本原理、算法及设计方法入手。本设计最终采用改进的LMS算法设计FIR结构自适应滤波器，并采用MATLAB进行仿真，最后用DSP 实现了自适应滤波器。 关键词：DSP（数字信号处理器）；自适应滤波器；LMS算法；FIR结构滤波器 DSP implementation of the adaptive filter algorithm Abstract：In this article, starting from the basic principles of adaptive filter and algorithms and design methods. Eventually the design use improved the LMS algorithm for FIR adaptive filter,and use MATLAB simulation, adaptive filter using DSP. Key words：DSP；adaptive filter algorithm；LMS algorithm；FIR structure adaptive filter 引言 滤波是电子信息处理领域的一种最基本而又极其重要的技术。在有用信号的传输过程中，通常会受到噪声或干扰的污染。利用滤波技术可以从复杂的信号中提取所需要的信号，同时抑制噪声或干扰信号，以便更有效地利用原始信号。滤波器实际上是一种选频系统，它对某些频率的信号予以很小的衰减，让该部分信号顺利通过；而对其他不需要的频率信号则予以很大的衰减，尽可能阻止这些信号通过。在电子系统中滤波器是一种基本的单元电路，使用很多，技术也较为复杂，有时滤波器的优劣直接决定产品的性能，所以很多国家非常重视滤波器的理论研究和产品开发[1]。近年来，尤其数字滤波技术使用广泛，数字滤波理论的研究及其产品的开发一直受到很多国家的重视。从总的来说滤波可分为经典滤波和现代滤波。经典滤波要求已知信号和噪声的统计特性，如维纳滤波和卡尔曼滤波。现代滤波则不要求己知信号和噪声的统计特性，如自适应滤波。 自适应滤波器是统计信号处理的一个重要组成部分。在实际应用中，由于没有充足的信息来设计固定系数的数字滤波器，或者设计规则会在滤波器正常运行时改变，因此我们需要研究自适应滤波器。凡是需要处理未知统计环境下运算结果所产生的信
四川大学电气信息学院微机原理与接口技术 实验报告 实验名称：中值滤波与均值滤波 实验地点：二基楼A514 年级：2014级 姓名：宋雅婕 学号：2014141443030 实验时间：2016年5月27日
一、 实验内容 1. 在数据段设变量数组TADA1和TADA2,并存入假设的两组采样值作为某 一采样周期的采样值。 ⒉ 设计中值滤波程序求出测量值。 ⒊ 设计均值滤波程序求出测量值。 ⒋ 每个程序应能将结果显示在屏幕上。 ⒌ 在计算机上调试程序，并获得正确结果。 二、 程序框图 1. 均值滤波： 开始
结束2.中值滤波： 开始 结束
三、程序清单 1、中值滤波： DATAS SEGMENT TADA1 DB 65,72,33,84,43 N EQU $-TADA1 DATAS ENDS CODES SEGMENT ASSUME CS:CODES,DS:DATAS START: MOV AX,DATAS MOV DS,AX ;给DS段赋值 MOV CX,N-1 ;设置N-1轮比较次数 MOV DX,1 ;设置比较的轮次AG: CALL MP ;调用子程序 INC DX LOOP AG MOV SI,0 XOR AX,AX ;将AX清零
MOV AL,TADA1[SI+(N-1)/2] ;取出中值 MOV BL,10 DIV BL PUSH AX ADD AL,30H MOV DL,AL MOV AH,2 INT 21H ;输出十进制数的高位 POP AX ADD AH,30H MOV DL,AH MOV AH,2 INT 21H ;输出十进制数的低位 MOV AH,4CH INT 21H MP PROC ;冒泡法（从小到大排列）PUSH CX MOV CX,N SUB CX,DX MOV SI,0 RECMP: MOV AL,TADA1[SI]
信息工程系课程设计报告 课程MATLAB课程设计 专业通信工程 班级 2级本科二班 学生姓名1 景学号114 学生姓名2 学号1414 学生姓名3 王学号6 学生姓名4 学号31 学生姓名4 学号02 二〇一四年十二月
目录 目录 (1) 摘要： (2) 关键词： (2) 1.算法描述 (2) 1.1 噪声点 (3) 1.2 窗口尺寸选择 (3) 1.3求滤波窗口内中值，并替换像素点。 (3) 2程序实现 (4) 2.1准备和描述 (4) 2.2扩大窗口、确定窗口 (5) 2.3 确定最大、最小值和中值 (6) 2.4中值替换像素点、输出图像 (7) 实验结果 (9) 参考文献 (9)
摘要：通过本次课程设计，主要训练和培养学生综合应用所学MATLAB课程的自适应中值的相关知识，独立学习自适应中值滤波的原理及处理方式。学会扩大窗口并找到其区域内的中值、最小值、以及最大值，然后用中值代替像素点。通过自主学习和查阅资料来了解程序的编写及改进，并用MATLAB进行仿真。 关键词：自适应中值滤波灰度值椒盐噪声像素点.
1.算法描述 1.1 噪声点 脉冲噪声是图像处理中常见的一类，中值滤波器对消除脉冲噪声非常有效。噪声脉冲可以是正的（盐点），也可以是负的（胡椒点），所以也称这种噪声为“椒盐噪声”。椒盐噪声一般总表现为图像局部区域的最大值或最小值，并且受污染像素的位置是随机分布的，正负噪声点出现的概率通常相等。图像噪声点往往对应于局部区域的极值。 1.2窗口尺寸选择 滤波窗口尺寸的选择影响滤波效果，大尺寸窗口滤波能力强，但细节保持能力较弱；小尺寸窗口能保持图像大量细节但其滤波性能较低。根据噪声密度的大小自适应地选择滤波窗口可以缓和滤波性能与细节保持之间的矛盾，同时也增加了算法的时间复杂度。从形状看来窗口方向要沿着边缘和细节的方向，不能穿过它们也不能把它们和周围相差很大的像素包含在同一窗口中否则边缘和细节会被周围像素模糊。 1.3求滤波窗口内中值，并替换像素点。 设f ij为点(i,j)的灰度,A i,j为当前工作窗口,f min、f max 和f med分别为A i,j中的灰度最小值、灰度最大值和灰度中值, A
中值滤波算法 本文提出一种中值滤波算法，该算法充分地利用相邻两次中值滤波窗口内数据的相关性。中值滤波算法在运算过程中通过对有序序列快速的对半查找和内插操作，重构有序序列，占L面得到各中值算法很大地提高了运算效率-计算机模拟寝明该方法是有效的。 在数字信号处理中，经常会遇到对信号数据作平滑处理。局部平均滤波是常用的一种算法，若是对具有随机脉冲噪声的信号进行处理，虽然脉冲噪声有所衰减，但它对滤波结果仍有显著的影响。中值滤波却是对窗内数据进行大小的排序，取结果的中间项对应的值，这样脉冲噪声就不起作用，不影响中值结果 所以，中值滤波在有随机脉冲噪声的情况下，能较好地保护原始信号。 中值滤波的主要运算就是对窗口内的信号数据序列进行排序。文[4]提出的二维中值滤波快速算法，只适用于幅度量化级为极其有限的数据(如：数字图象处理中的象素幅度，若是用单字节(8位二进制存贮单元)存放，共有28=256个灰度级)，原因是要给每个量化级设置一个作为计数器的存贮单元。文[5—8]的方法也是针对于幅度量化级为有限的数据。若是数据为任意大小或精度的浮点数，则以上的方法不适用，通常采用每次对窗内数据排序并 输出相应的中值。假设原始信号数据序列的长度为 ，表示为{ (O)，x(1)，?，x(M-1)}，窗口长度为2^r+1，表示为{ (O)， (1)，?， (2Ⅳ)}，共需要 一2N次对长度为2N+l的窗内数据序列分别进行排序。要进行排序，就必须对序列中数据元索做比较和交换．数据元素问的比较次数是影响排序速度的一个重要因素。一般认为，对 个元素进行排序时，所需的比较次数在理论上的最小值为 0(n|og。n) 当原始信号数据序列较长或窗口较大时，用 这种传统中值滤波方法是十分费时的。文[9]提出把相邻两次的中值滤波合并为一次进行，只做一次排序。从而，总的排序次数减少一半，运算时间节省约一半本文提出一种中值滤波的快速算法，避免了反复对无序序列排序，而只对有序序列进行数据元素的快速查找和内插，实现中值滤波． 中值滤波的快速算法 本文提出的中值滤波的快速算法的基本思想是：原始数据序列上中值滤波的滑窗在移动过程中，当前窗只要删除其最早的元素，加入窗后的新元素，即成为下一窗的内容。下一窗的中值滤波实现可利用上次中值滤波的排序结果，新元素的插人位置用有序序列快速查找算法求得，新元素插人与最早的元素删除的实现采用独特的数据结构，将是新元素覆盖最早的元素，即是插人兼并了删除。 设置(2N+1)个连续存贮单元(存放浮点数){ (。)t (1)，?， (2Ⅳ)}组成的循环序列用来存放窗内的数据元素 按照先进先出的原则，后来的数据元素总是替换当前最早存放的数据元素。设置(2／'／+1)个连续存贮单元(存放整数){ (。)， (1)，? ，s(2N)}顺序存放的是，若上述窗内元素从小至大排序后，顺序的元素在Ⅳ 序列中的下标值，即满足 ( (。))≤w(s(1))≤ ?≤ w( (2Ⅳ))。设置(2Ⅳ+1)个连续存贮单元(存放整数){a(0)，n(1)，?，a(ZN)}分别存放s序列中存有其下标的存贮单元的下标值，即满足 (。(f))， =O，1，?2N。可以这样认为，把Ⅳ 序列和n序列中具有同一下标的两个存贮单元当作独立结构单元，s序列中一存贮单元指向上述某一结构单元，这个结构单元中的。存贮单元值表示了这个结构单元指向该s存贮单元。下面实现中值滤波的快速算法。首先，令Ⅳ 序列中的存贮单元值全为零，s序列和n序列中的存贮单元分别存放各自的下标值，即 (f)=0， (f)=f，n(f)=f，f=O，1 。,2N。另外，设置下标 =0． 第一步，求当前准备进入窗的数据元素x(ra)在s序列中的内插位置，用对半查找算法实现脚，如图1所示。在图1中，有序序列对半查找的区问下界为工，上界为h，中部为 ，通过比较 (s(1))与待查量 (m)，若不相等，则调整L或h，使下次查找的区问比前次的减少一半。输出的 反映
帽泡排序法的汇编实现。。 mov cx,count ;CX←数组元素个数 dec cx ;元素个数减1为外循环次数 outlp: mov dx,cx ;DX←内循环次数 mov bx,offset array inlp: mov al,[bx] ; 取前一个元素 cmp al,[bx+1] ;与后一个元素比较 jna next xchg al,[bx+1] ;否则，进行交换 mov [bx],al next: inc bx ;下一对元素 dec dx jnz inlp ;内循环尾 loop outlp ;外循环尾 2、中值滤波 中值滤汉是对某一参数连续输入N次(一般N取奇数),从中选择一个中间值作为本次采样值,若变量变化比较缓慢,采用此方法效果比较好,但对快速变化过程的参数,如流量、自然伽玛等,则不宜采用。 中值滤波的C程序函数如下: float middle_filter(float middle_value [] , intcount) { float sample_value, data; int i, j; for (i=1; i for(j=count-1; j>=i,--j){ if(middle_value[j-1]=middle_value[j]{ data=middle_value[j-1]; middle_value[j-1]=middle_value[j] middle_value[j]=data; } } sample_value=middle_value(count-1)/2]; return(sample_value); } 函数假设对某一参数连续采样3次,若多次采样,可对该函数稍作修改即可。3次采样值存储在数组middle_value[3],其中Sample-value表示有效采样值,count表示连续采样次数。
快速中值滤波及c语言实现 学生姓名：刘勇学号：6100410218 专业班级：数媒101 【摘要】本文讨论了用c语言在微机上实现中值滤波及快速算法，在程序设计的过程中充分考虑到程序运行的时间复杂度和空间复杂度的问题．解决了由于图像太大而内存不够的问题，运用对程序运行时的方法，得出在PENTIUM-S100MHz 上中值滤渡的一般算法运行4．23秒．而快速算法运行2 58秒。 【关键词】c语言；中值滤波；快速算法 1 引言 中值滤波是涂基发明的一种非线性信号处理技术，对抑制图像的噪声非常有效，在二维形式下，中值滤渡器是一个古有奇数个像素的滑动窗口，窗口正中的象素的灰度值用窗口内各个象素的中值代替窗口的中值为窗口中象素按大小顺序排列后处于中间位置的象素；本文讨论中值滤的一般算法并比较其运算速度。 2 用C语言实现算法的若干问题 在设计算法编制程序的时候，我们充分考虑到程序运行的时间复杂度和空间复杂度问题，在解决问 题的前提下，使算法尽量简单，使程序运行占有的空间尽量的小，这样来减少不必要的时问浪费和空间浪费，从而太大的提高程序执行的效率。 首先考虑到的内存问题。由于在本文算法中用的图像是512+512 8bit，这就存在一个内存不够大一整幅图像不能一次性调入的问题。为了解受此问题，可以只开辟一个3"512的缓冲区n，将原图像采用分批调入缓冲区，使内存不够的问题得到了圆满的解决。 另外为了对中值滤波的快速算法和普通算法进行精确的比较，采用对程序运行计时的方法，并精确计算每个算法运行的时间，使得出的结论更可靠。 3 中值滤波算法的C语言程序实现 本算法采用对开辟的3*512的缓冲区从左到右依次形成一个3*3的窗口．然后将此3*3的窗口放 人一个一维数组中，调用求中值子函数．通过排序得出中值，当此中值不等于窗口中间位置的象素时．用此中值来代替窗VI中间位置的象素灰度值．若此缓冲区处理完毕后，将缓冲区的第一行存入新建的文件中，将第二、第三行分别向上移动一行，若存人新建的文件中的行数小于或等于511(即这样处理的行 数小于或等于511)，则从原文件中调入一行作为缓冲区第三行，按上述方法进行直到处理的总行数等于511为止，最后，将缓冲区的第二、三行存人新建的文件，程序流程框图如图1 4 中值滤波快速算法的C语言程序实现 本算法充分利用了上一次处理的结果．采用迭代，逐次逼近的方法得到本次的中值，在一行处理完毕后转人下一行也采用走S型的方法．这样除第一个窗口采用了一伏排序得到中值外，其它的窗口都利 用上伏的窗口的象素删除无用的3个象素后再加人新的3个象素，利用迭代的方
数据处理中的几种常用数字滤波算法 王庆河王庆山 (济钢集团计量管理处，济南250101) (济钢集团中厚板厂，济南250101) 摘要随着数字化技术的发展，数字滤波技术成为数字化仪表和计算机在数据采集中的关键性技术，本文对常用的几种数字滤波算法的原理进行描述，并给出必要的数学模型。 关键词：数据采样噪声滤波移动滤波 一、引言 在仪表自动化工作中，经常需要对大量的数据进行处理，这些数据往往是一个时间序列或空间序列，这时常会用到数字滤波技术对数据进行预处理。数字滤波是指利用数学的方法对原始数据进行处理，去掉原始数据中掺杂的噪声数据，获得最具有代表性的数据集合。 数据采样是一种通过间接方法取得事物状态的技术如将事物的温度、压力、流量等属性通过一定的转换技术将其转换为电信号，然后再将电信号转换为数字化的数据。在多次转换中由于转换技术客观原因或主观原因造成采样数据中掺杂少量的噪声数据，影响了最终数据的准确性。 为了防止噪声对数据结果的影响，除了采用更加科学的采样技术外，我们还要采用一些必要的技术手段对原始数据进行整理、统计，数字滤波技术是最基本的处理方法，它可以剔除数据中的噪声，提高数据的代表性。 二、几种常用的数据处理方法 在实际应用中我们所用的数据滤波方法很多，在计算机应用高度普及的今天更有许多新的方法出现，如逻辑判断滤波、中值滤波、均值滤波、加权平均 2中值滤波 中值滤波是对采样序列按大小排滤波、众数滤波、一阶滞后滤波、移动滤波、复合滤波 等。 假设我们采用前端仪表采集了一组采样周期为1s的温度数据的时间序列 T0为第0s 采集的温度值，Ti为第is采集的温度值。下面介绍如何应用几种不同滤波算法来计算结果温度T。 1.程序判断滤波 当采样信号由于随机干扰、误检测或变送器不稳定引起严重失真时，可采用程序判断滤波算法，该算法的基本原理是根据生产经验，确定出相邻采样输入信号可能的最大偏差△T,若超过此偏差值，则表明该输入信号是干扰信号，应该去掉，若小于偏差值则作为此次采样值。 (1)限幅滤波 限幅滤波是把两次相邻的采集值进行相减，取其差值的绝对值△T作为比较依据，如果小于或等于△T,则取此次采样值,如果大于△T,则取前次采样值，如式(1)所示：
将下面代码直接贴入matlab中，并将读入图像修改成自己机子上的，就可以运行了。可以按照“%%”顺序分步来运行 %% function 自适应中值滤波器 %%%%%%%%%%%%%%% %实现两个功能： %1.对高密度的椒盐噪声有好的滤除效果； %2.滤波时减少对图像的模糊； %%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %原理： %1.椒盐噪声概率越大，滤波器窗口需越大。故若滤波器窗口随噪声概率自适应变化，才能有好的滤除效果 %2.为减少对图像的模糊，需在得出原图像值并非椒盐噪声点时，保留原图像值不变； %3.椒盐噪声点的特点：该点的值为该点领域上的最大或最小；%%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %步骤（得到图像中某点(x,y)（即窗口中心点）的值的步骤）： %1.设定一个起始窗口，以及窗口的最大尺寸； %2.（此步用于确定窗口大小）对窗口内像素排序，判断中值是否是噪声点，若不是，继续第3步，若是，转到第5步； %3.判断中心点是否是噪声点，若不是，则输出该点的值（即图像中该点的原值不变）；若是，则输出中值； %4.窗口尺寸增大，若新窗口尺寸小于设定好的最大值，重复第2步，若大于，则滤波器输出前一个窗口的中值； %%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %参数说明：
%被噪声污染的图像（即退化图像也即待处理图像）:Inoise %滤波器输出图像：Imf %起始窗口尺寸:nmin*nmin(只取奇数)，窗口尺寸最大值：nmax*nmax %图像大小:Im*In %窗口内图像的最大值Smax,中值Smed,最小值Smin %%%%%%%%%%%%%%%%%%%% %% clear clf %% 读入图像I I=imread('e:/photo/cat.jpg'); %转化为灰度图Ig Ig=rgb2gray(I); %被密度为0.2的椒盐噪声污染的图像Inoise Inoise=imnoise(Ig,'salt & pepper',0.2); %或者是被方差为0.2的高斯噪声污染的图像Inoise %Inoise=imnoise(Ig,'gaussian',0.2); %显示原图的灰度图Ig和噪声图像Inoise subplot(2,2,1),imshow(Ig);xlabel('a.原始灰度图像'); subplot(2,2,2),imshow(Inoise);xlabel('b.被噪声污染的图像'); %% 定义参数 %获取图像尺寸:Im,In [Im,In]=size(Inoise); %起始窗口尺寸:nmin*nmin(窗口尺寸始终取奇数) nmin=3; %最大窗口尺寸:nmax*nmax nmax=9; %定义复原后的图像Imf Imf=Inoise; %为了处理到图像的边界点，需将图像扩充
快速中值滤波算法
————————————————————————————————作者: ————————————————————————————————日期：
南昌大学实验报告 学生姓名：洪僡婕学号: 610０4１１159专业班级: 数媒１１1班 实验类型：■验证□综合□设计□创新实验日期：４.29 实验成绩：一、实验项目名称 数字图像处理 二、实验目的 实现快速中值滤波算法 三、实验内容 用VＣ＋+实现中值滤波的快速算法 四、主要仪器设备及耗材 ＰＣ机一台 五、实验步骤 /／ ImageProcｅｓｓingDｏｃ.ｃpｐ: iｍpleｍeｎtaｔｉoｎ oｆ the CImageProcessiｎgDoc cｌaｓs// ＃ｉnclｕde ＂ｓtdafx.h" ＃ｉncｌudｅ "IｍagｅProceｓｓｉng.h" #ｉnclｕde "ImageＰroceｓｓingDoc.h＂ #ｉnｃluｄe ＂GreyRatio.h＂ #iｎcｌude
自适应中值滤波方法 我们通过对中心权值进行分析，不难得出以下结论：假设权值为1时，CWM 则退化成为SM ，然而当权值不小于窗口大小时，CWM 滤波器的输出值始终为初始值，也就是会导致CWM 失去去噪效果。通过科学实验验证，当中心权值取3的时候，可以得到相比其他值更好的滤波效果。 从上面的结论可知，CWM 的中心权值为3时，可以增加序列里中心像素点占所有像素点的比重，以便得到更好的去噪效果。那对于SM ，通过改变序列中值左右两个值的大小，观察其去噪效果会发生什么变化呢？ 对于SM 滤波器，除了序列中值外，序列中中值前面一个值与中值后面一个值对去噪的效果也会起到了明显作用。于是结合CWM 的这些优点，并整合了TSM 和NASWF 等滤波器设计的思想，设计了一个改进的自适应中值滤波器( Adaptive Median Filter, AM)[10]。 其主要滤波方法如下： ()()()()1222 122211 22 211212 2ij ij ws ws ij ij ij ij ws ws ij WS rank W WS SM R R if rank X AM WS rank W WS SM R R ifrank X WS ++++??+? -???+??? --?≤ ?????????=? ?+??-?? ?+??--?> ?-? ??? ????? （2.5） 式2.4中，WS 表式窗口大小，R i 表示序列中第i 个元素的值，rank(X)表示元素X 在序列中的位置，点(i,j)为窗口中心像素点。对于点(I,j)，经过AM 滤波后的输出值即为AM ij 。 根据TSM 中设计的阈值策略，Chang 在其设计中也加入了类似的策略，通过阈值T 来判断是否需对当前像素点采用式2.4进行滤波，或者保留原值: ij ij ij ij ij ij ij AM X AM T Y X X AM T ?-≥?=? -
均值滤波与自适应中值滤波的仿真与实现 摘要 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵,然而在图像使用和传输过程中,不可避免会受到噪声的干扰，因此为了恢复原始图像，达到好的视觉效果，需要对图像进行滤波操作。根据噪声种类不同，可以采用不同的滤波方法，均值滤波是典型的线性滤波算法，能够有效滤波图像中的加性噪声，而中值滤波器是能够有效滤除脉冲噪声的非线性滤波器，但传统中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大, 在抑制图像噪声和保护细节两方面存在矛盾。本文首先对不同均值滤波器在处理不同噪声方面的优缺点进行了分析，然后分别用中值滤波器和自适应中值滤波器对被椒盐噪声污染的图像进行了滤波操作，发现自适应中值滤波方法不仅可以有效滤波椒盐噪声，同时还可以有效地克服中值滤波器造成图像边缘模糊的缺点。 1.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点和其本身像素点。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其邻近的若干像素组成，求模板中所有像素
的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），即g（x，y）=1/m ∑f（x，y）， m为该模板中包含当前像素在内的像素总个数。均值滤波能够有效滤除图像中的加性噪声，但均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊。均值滤波主要有算术均值滤波，几何均值滤波，谐波均值滤波以及逆谐波均值滤波，本文只对算术均值滤波，几何均值滤波和逆谐波均值滤波进行研究。其中几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中丢失更少的图象细节。逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。下面分别对算术平均滤波，几何平均滤波和逆谐波均值滤波对不同噪声的滤波效果进行仿真分析。
2010，46（3） 1引言 图像在生成、传输过程中，容易产生脉冲噪声[1]。产生脉冲 噪声的原因多种多样，其中包括传感器的局限性以及通信系统 的故障和缺陷，噪声也可能在通信系统的电气开关和继电器改 变状态时产生。脉冲噪声对模拟数据仅是小麻烦，但在数字式 数据通信中，脉冲噪声是出错的主要原因。脉冲噪声又称为“椒 盐”噪声，消除的方法分为线性滤波和非线性滤波。线性滤波[2] 由于具有低通特性，不容易保存图像的细节和边缘，故非线性 滤波[3]在消除脉冲噪声方面具有更广泛的应用。非线性滤波的 典型代表是中值滤波。自Tukey在20世纪70年代提出中值滤 波[4]以来，中值滤波技术被广泛应用于消除图像中的脉冲噪声。 在中值滤波中又以自适应中值滤波[5-7]在去除噪声和保存 细节两方面效果最好，但随着脉冲噪声密度的增大，上述滤波 器的性能随之下降。文章结合均值滤波和自适应中值滤波两者 的优点，提出了结合均值滤波的自适应中值滤波算法。 2自适应中值滤波 脉冲噪声的概率密度函数可由下式给出[1]： p（z）= P a，z=a P b，z=b 0，其 他 （1） 通常假设a和b是饱和值，即对于一个8位图像，a=0（黑），b=255（白）。若P a或P b为0，则脉冲噪声称为单极脉冲。如果P a和P b均不为0，尤其是他们近似相等时，则脉冲噪声类似于随机分布在图像上的胡椒和盐粉微粒，“椒盐”噪声因此得名。 对于中值滤波器，只要脉冲噪声的空间密度不大，性能就会很好（根据经验，P a、P b小于0.2）。自适应中值滤波器可以处理具有更大概率的脉冲噪声。自适应中值滤波器在进行滤波处理时依赖一定条件而改变S xy的大小[1]。滤波器的输出是一个单值，该值用于代替点（x，y）处的像素值，点（x，y）是在给定时间窗口S xy被中心化后的一个特殊点。 采用如下符号：z min为S xy中灰度级的最小值；z max为S xy中灰度级的最大值；z med为S xy中灰度级的中值；z xy为在坐标（x，y）上的灰度级；S max为S xy允许的最大尺寸。 自适应中值滤波器算法工作在两个层次，定义为A层和B层。 A层：A1=z med-z min，A2=z med-z max 如果A1>0且A2<0，则转到B层，否则增大窗口尺寸≤S max。如果窗口尺寸，则重复A层，否则输出z med。 B层：B1=z xy-z min，B2=z xy-z max 如果B1>0且B2<0，则输出z xy，否则输出z med。 这个算法主要有三个目的：去除脉冲噪声；平滑其他非脉冲噪声；减少诸如物体边界细化或粗化等失真。 改进的自适应中值滤波 王晓凯，李锋 WANG Xiao-kai，LI Feng 复旦大学电子工程系，上海200433 Department of Electronic Engineering，Fudan University，Shanghai200433，China E-mail：072021031@https://www.doczj.com/doc/6313991598.html, WANG Xiao-kai，LI Feng.Improved adaptive median https://www.doczj.com/doc/6313991598.html,puter Engineering and Applications，2010，46（3）：175-176. Abstract：Mean filters can smooth the image noise while adaptive median filters can preserve the details and edge information of the original image.In order to restore the image with high-density impulse noise，this paper combines the merits of mean filters and adaptive median filters，and proposes a new algorithm for the improved adaptive median filters.The experimental results show that the algorithm can eliminate high-density impulse noise in the image and preserve the details and edge information of the original image effectively. Key words：impulse noise；mean filtering；median filtering；adaptive windows 摘要：均值滤波能较好的平滑图像的噪声，自适应中值滤波能较好的保存原始图像的细节和边缘。为了恢复被高密度脉冲噪声污染的图像，提出了改进的自适应中值滤波算法，新算法结合了均值滤波和自适应中值滤波两者的优点。实验结果表明，该算法能够有效地消除被污染图像中的高密度脉冲噪声，并较好地保留原始图像细节和边缘。 关键词：脉冲噪声；均值滤波；中值滤波；自适应窗口 DOI：10.3778/j.issn.1002-8331.2010.03.053文章编号：1002－8331（2010）03-0175-02文献标识码：A中图分类号：TN911 作者简介：王晓凯（1984-），男，硕士，主要研究方向为电路理论、信号处理、滤波器设计等；李锋（1946-），通讯作者，男，教授，博士生导师，主要研究方向为电路理论、信号处理、故障诊断等。 收稿日期：2008-08-10修回日期：2008-11-03 Computer Engineering and Applications计算机工程与应用175
班级：学号： 姓名： 指导老师： 目录
一、实验目的： (3) 二、实验设备与软件： (3) 三、实验步骤： (3) 四、滤波器的简介： (3) 五、实验基本原理： (3) 六、试验结果分析和结论 (5) 七、实验总结 (6)
自适应中值滤波器的实现 一、实验目的： 进一步了解MatLab软件/语言，掌握滤波器的基本原理，运用所掌握的图 像处理知识对图像进行滤波处理，培养处理实际图像的能力并为课堂教学提供配套的实践机会。为了弥补传统中值滤波器在进行图像降噪处理中的不足,在图像降噪技术中应用了自适应中值滤波器。通过自适应中值滤波器与传统中值滤波器进行了比较,计算机仿真结果表明在对密度较大的椒盐噪声进行滤波时,自适应中值滤波较传统中值滤波具有较大的优越性。 二、实验设备与软件： 1、IBM-PC-XT计算机系统; 2、MatLab软件/语言包括图像处理工具箱（Image Processing Toolbox）; 3、实验所需要的图片； 三、实验步骤： 1、通过Matlab软件编程实现自适应中值滤波器； 2、选中图片moon,并对图片加上椒盐噪声； 3、分别使用传统滤波器和自适应中值滤波器对加了椒盐噪声后的图片进行滤波处理； 4、对比使用传统滤波器和自适应中值滤波器后的图片得出结论。 四、滤波器的简介： 滤波器被广泛地用于图象的预处理,抑制图象噪声,增强对比度,以及强化图象的边沿特征. 运用较为广泛的线性滤波器如平均值滤波器,能较好地抑制图象中的加性噪声. 但是, 线性滤波器会引起图象的钝化或模糊,使得图象中物体边界产生位移. 特别是,在图象受到 乘性噪声或脉冲噪声的干扰,如超声波及雷达成像中普遍存在的斑点噪声,线性滤波器就不 能取得预期的效果. 中值滤波器，就像其名字一样，是用该像素的相邻像素的灰度中值来代替该像素的值，是一种非线性滤波器. 例如滤波窗口由3×3 个象素组成,则其中5个象素的灰度值会小于等于该滤波器的输出灰度值,同时5 个象素的灰度值会大于等于滤波器的输出. 由此可见,对于离散的脉冲噪声,当其出现的次数小于窗口尺寸的一半时,将被抑制掉同时也能较好地保证图象的边沿特征,而且易于实现. 因此它被广泛地应用于图象处理,尤其是医 学图象处理,如超声波图象.但由于其使用的滤窗大小是固定不变的,当窗中噪声像素数超过有用像素之半时（噪声密度较大时）,中值滤波滤波作用大大降低。多次试验验证:在脉冲噪声强度大于0.2时,中值滤波效果就显得不是令人满意。而自适应中值滤波器会根据一定的设定条件改变滤窗的大小,即当噪声面积较大时,通过增加滤窗的大小将噪声予以去除,同时当判断滤窗中心的像素不是噪声时,不改变其当前像素值,即不用中值代替。这样,自适应中值滤波器可以处理噪声概率更大的脉冲噪声,同时在平滑非脉冲噪声图像时能够更好地保持图像细节,这是传统中值滤波器做不到的 五、实验基本原理： 1、算法原理介绍 自适应中值滤波器的滤波方式和传统的中值滤波器一样,都使用一个矩形区域的窗口 Sxy ,不同的是在滤波过程中,自适应滤波器会根据一定的设定条件改变,即增加滤窗的大小,同时当判断滤窗中心的像素是噪声时,该值用中值代替,否则不改变其当前像素值,这样用滤波器的输出来替代像素(x,y) 处(即目前滤窗中心的坐标的值。我们做如下定义: Zmin是在Sxy滤窗内灰度的最小值; Zmax是在Sxy滤窗内灰度的最大值; Zmed是在Sxy滤窗内灰度的中值;
·光全息与信息处理· 改进自适应中值滤波的图像去噪 肖 蕾,何 坤,周激流,吴 笛 (四川大学计算机学院,成都 610065) 提要:传统自适应中值滤波的最大最小窗口尺寸固定,并且其最大最小窗口相差较大时,运算时间较长,去噪效果并不一定最佳。本文针对传统自适应中值滤波算法的不足,提出了改进自适应中值滤波算法,首先根据椒盐噪声的分布特点,从单幅含椒盐噪声图像中估算出椒盐噪声的浓度,并分析噪声浓度与自适应中值滤波窗口尺寸之间的关系,建立它们之间的函数关系。其次根据噪声浓度确定自适应中值滤波的最大最小窗口尺寸,最后对图像进行自适应中值滤波。实验结果表明本文算法运算时间随着噪声浓度的变化而变化,而且从PSNR 角度来看本文去噪效果比传统自适应中值滤波效果较好。 关键词:去噪;自适应中值滤波;最佳窗口尺寸;椒盐噪声 中图分类号:TP .391 文献标识码:A 文章编号:0253-2743(2009)02-0044-03 Image noise removal on improvement adaptive medium filter XIA O Lei ,HE Kun ,ZHOU Ji -liu ,WU Di (Computer College ,Sichuan University ,Chengdu 610065,China ) Abs tract :Traditional adaptive median filtering performs badly on re moving nois e and takes a long run time especially when there 's a big difference between the stabl e maximum and mini mum window s ize .The algorithm that we have proposed ,first esti mates the thickness of as ingle image 's s alt -and -pepper noise based on the nois e 's distribution ,and it found a functional rel ation between thickness and window s ize .After the two window sizes are confirmed by the noise thicknes s ,the algorithm does median filtering on the image .Our experiment s hows that the algorithm changes run time according to the change in the noise thick -ness .With c hanges in PSNR ,we can s ee that the algorithm performs well to remove the nois e . K ey words :noise removal ;adaptive medium filter ;window siz e ;salt -and -peppers nois e 收稿日期:2009-01-05 图像在形成、传翰、接收和处理过程中,不可避免地受到 噪声的影响,如光电转换过程中灵敏元件的灵敏度不均匀性、数字化过程的量化噪声、传输过程中均会存在不同程度的噪声干扰(如高斯、椒盐噪声等)。噪声恶化了图像质量,淹没图像特征,给图像分析带来困难。因此,去除噪声是图像处理中的一个重要内容。它旨在去除噪声的同时,尽可能保留图像细节(边缘和纹理)信息。 含椒盐噪声〔1〕 图像中噪声与图像的内容是相互独立的,线性滤波对椒盐噪声处理效果较差,传统消除椒盐噪声的方 法是标准中值滤波(SM )〔2〕 ,利用邻域中值代替图像像素灰度值。SM 滤波虽能在一定程度上抑制椒盐噪声,但它具有以下三点不足:(1)不能完全消除图像中的椒盐噪声;(2)不能较好地保留图像边缘和纹理等信息;(3)去噪效果与滤波尺寸大小有关。为了克服上述缺点人们提出了加权中值滤波和中心加权中值滤波等算法。但是它们最大缺点是对所有像素点采用统一的处理方法,因此在滤除噪声的同时也改变了那些非噪声像素的灰度值,造成了图像模糊。 理想的滤波算法应该只对噪声点进行处理,而保留信号灰度值不变。Sun and Neuvo 〔3〕和Florencio and Schafer 〔4〕分别提出了开关中值滤波的方法,更好地保留了图像细节,但噪声点判断方法是通过假定噪声水平上的硬阈值方法,使得其推广能力受到了限制。H .L .Eng 和K .K .Ma 〔5〕提出噪声自适应软开关中值滤波(NASM )算法,它是一种软阈值的判断方法,这种算法自适应性虽然比其它的开关中值滤波算法强,但其计算时间随噪声密度的增大而增加,如当噪声密度为70%时,NAS M 算法所用的时间大约为中值滤波算法的17倍,因此不能满足实时图像处理。 传统自适应中值滤波的窗口尺寸与噪声浓度无关。在自适应中值滤波算法中,低于窗口尺寸的一半的图像细节和噪声均被滤除。为了弥补这一缺陷,Wang 提出了利用保边 势函数保持图像中的细节部分〔6〕,M .Nikolova 使用保边势函 数来消除椒盐噪声〔7,8〕 。Chan 结合了自适应中值滤波和保 边势函数(AM -EPR )对椒盐噪声图像进行恢复〔9〕 ,能较好地恢复椒盐噪声浓度高达80%的图像,但它是以象素点为单位去除图像中的椒盐噪声,因此其计算效率很低。还有Dong Yiqiu 将所有可能的噪声点形成向量,且使用GBB 算法解决 最小化问题(AM -IE PR )〔10〕 ,从而极大的改进了AM -E PR 方法的计算效率,但是该方法并没有考虑到图像像素邻域之间的相关性,从图像整体上而言,去噪效果较好,但图像的一些局部信息损失较多,对信息主要分布在高频的图像去噪效果不理想。 运用中值滤波去噪处理小于窗口尺寸一半的图像,细节和噪声均被虑除。为了去除图像中椒盐噪声,传统自适应中值滤波的最大窗口尺寸一般选择较大。本文针对传统自适应中值滤波算法的不足,提出了改进的自适应中值滤波算法,首先根据椒盐噪声的分布特点,估算出图像含椒盐噪声的浓度,其次分析噪声浓度与自适应中值滤波的最大最小窗口尺寸之间的关系,建立它们之间的函数关系。根据噪声浓度确定最佳的最大最小窗口尺寸,最后对图像进行中值滤波。实验结果表明本文提出的算法运算时间随着噪声浓度的变化而变化,而且从PSNR 的效果来看去噪效果最好,从PSNR 角度来看本文去噪效果比传统自适应中值滤波效果较好。 1 椒盐噪声的特点 椒盐噪声是一种由摄像系统的物理缺陷或传输中的解码错误而生成的黑白相间的点噪声,其噪声特征是噪声点亮度与其邻域的亮度明显不同。图像中椒盐噪声的概率密度函数可由下式给出: 44 肖 蕾等:改进自适应中值滤波的图像去噪 《激光杂志》2009年第30卷第2期 LASER J OURNAL (Vol .30.No .2.2009)