下载文档原格式
本科生毕业论文（设计）题目：基于中值滤波的图像椒盐噪声滤除算法的研究与应用院系：信息科学与技术学院专业：计算机科学与技术学生姓名：**学号：********指导教师：罗笑南(教授)（职称）二〇年月基于中值滤波的图像椒盐噪声滤除算法的研究与应用摘要摘要在现实生活中，将实际获得的图像进行数字化，并在其传输和处理过程中，不可避免的存在着一定的外部干扰和内部干扰，使用户所获得的数字图像被噪声污染，而这些噪声中椒盐噪声的表现更为明显。
为此有大量学者针对椒盐噪声进行研究分析。
中值滤波算法以其非线性的特点，在处理椒盐噪声上有显著的效果，因此许多学者针对中值滤波算法进行改进。
典型的如加权中值滤波器、开关中值滤波器、自适应中值滤波器等。
然而这些滤波器或在保护图像细节上能力不足，或去除噪声效果不佳，或对于高密度噪声无法处理，或过于复杂不便于硬件实现，存在着一定的缺陷。
本文研究了几种典型的改进后的中值滤波算法，通过理论分析与实验仿真，比较其在去噪及保护图像细节各方面的优缺点。
在此基础上，本文给出了一种基于噪声检测的模糊自适应中值滤波算法。
在该算法中，通过设计窗口自适应的噪声检测机制，有效的区分了噪声与非噪声像素点，从而高效的保护了图像细节信息，并大量减少需要处理的像素点，降低算法运行时间。
同时对于检测出的噪声点，则采用改进了的自适性中值滤除算法进行噪声滤除，在该滤波算法中加入了窗口自适应控制，对于高密度噪声也能有效的进行去噪处理。
通过详细的理论分析后，本文基于matlab进行大量仿真实验，验证了这些新方法在噪声去除与细节保留上的有效性。
关键词：图像去噪、椒盐噪声、噪声检测、自适应中值滤波、开关阈值滤波AbstractThe acquisition, recording and transmission of digital images through sensors or communication channels are often interfered by different types of noises, which may change the image. Impulse noise is one most common and important kind of noise. Impulse noise removal in image processing is an important pre-processing so that many researchers work on the restoration of images corrupted by impulse noise. Being the most popular nonlinear filter, the median filter is often used to remove impulse noise because of its good denoising power. In that case, many image-denoising filters are proposed based on the median filter, such as the weighted median filter, soft switching filter, adaptive median filter, etc.In this paper, a new image-denoising filter that is based on several advanced median filter is proposed. There is a two-phase scheme in this new algorithm. In the first phase, an impulse noise detection is used to identify pixels which are likely to be noise candidates. The noise detection has variable window size for removal of impulses, so that we can keep most of the signal content of the uncorrupted pixels, and time used for filtering can be reduced by a wide margin. In the second phase, the noise candidates will be filtered by the new filter. Based on the adaptive median filter, the proposed filter is superior to some other filters mentioned in this paper not only for smooth pictures but also images that are complicated and have many sharp edges. Being incorporated with variable windows size, our method is also very useful for images with high noise level.Key Words:image denoising, salt-and-pepper noise, adaptive median filter,impulse noise detector, switching-based median filter目录第一章引言 (1)1.1课题背景及其意义 (1)图像滤波技术概述 (1)中值滤波研究现状 (2)本论文的主要工作 (3)1.3论文章节安排 (4)第二章图像去噪算法综述 (5)2.1图像去噪方法概述 (5)2.2图像噪声模型 (6)2.3图像去噪质量的评估方法 (7)2.4中值滤波 (8)2.5维纳滤波 (9)2.6均值滤波 (11)2.7其他滤波技术 (12)2.8小结 (13)第三章几种中值滤波去噪方法分析 (14)3.1标准中值滤波方法(STANDARD MEDIAN FILTER,SM) (14)3.2带权值的中值滤波方法(WEIGHTED MEDIAN FILTER) (15)3.3三态中值滤波方法(TRI-STATE MEDIAN FILTER) (17)3.4自适应软开关滤波方法 (18)3.5自适应中值滤波方法 (20)3.6实验结果分析 (21)3.7小结 (26)第四章基于噪声检测的自适应中值滤波 (27)4.1噪声检测机制 (27)4.2椒盐噪声滤除方法 (33)4.2.1 噪声滤除策略 (34)4.2.2 动态窗口策略 (35)4.2.3 VAM滤波方法 (37)4.3小结 (37)第五章仿真结果分析比较 (39)5.1噪声检测机制性能分析 (39)5.2V AM滤波器去噪效果分析 (41)5.3小结 (45)第六章结语 (46)6.1论文主要工作总结 (46)6.2展望 (46)参考文献 (48)致谢 (50)第一章引言1.1 课题背景及其意义冈萨雷斯曾在其著作中提到，视觉是人类感觉中最高级的，而图像又在人类的感知中起着重要的作用[1]。
FPGA的FIR抽取滤波器设计用FPGA实现抽取滤波器比较复杂，主要是因为在FPGA中缺乏实现乘法运算的有效结构，现在，FPGA中集成了硬件乘法器，使FPGA在数字信号处理方面有了长足的进步。
本文介绍了一种采用Xilinx公司的XC2V1000实现FIR抽取滤波器的设计方法。
具体实现结构设计基于抽取滤波器的工作原理，本文采用XC2V1000实现了一个抽取率为2、具有线性相位的3阶FIR抽取滤波器，利用原理图和VHDL共同完成源文件设计。
图1是抽取滤波器的顶层原理图。
其中，clock是工作时钟，reset是复位信号，enable是输入数据有效信号，data_in(17:0)是输入数据，data_out(17:0)是输出数据，valid是输出数据有效信号。
adder18是加法器模块，mult18是乘法器模块，acc36是累加器模块，signal_36to18是数据截位器模块，fir_controller是控制器模块。
控制器定时向加法器、乘法器和累加器发送数据或控制信号，实现流水线操作。
图1 抽取滤波器顶层原理图控制器控制器是抽取滤波器的核心模块，有两个功能：一是接收输入数据，二是向其它模块发送数据和控制信号。
它根据加法器、乘法器和累加器的时序特性，有规律地向加法器发送抽头数据，向乘法器发送系数，向累加器发送控制信号，让加法器、乘法器和累加器在每个时钟周期都完成指定的任务，从而实现流水线操作。
控制器用VHDL语言描述，用寄存器存放抽头和系数。
加法器加法器的输入和输出都是18 bit，用VHDL语言描述实现。
它有两个工作时钟的延迟，在输入数据准备好的情况下，第一个时钟得出相加结果，第二个时钟把相加结果锁存输出。
乘法器乘法器为18 bit输入，36bit输出，用库元件MULT18X18S和36 bit锁存器实现。
MULT18X18S是XC2V1000自带的18×18bit硬件乘法器，单个时钟就可完成乘法运算。
基于FPGA的数字图像处理原理及应用1. 引言数字图像处理作为一项重要的技术，已经被广泛应用于多个领域，例如医疗影像、机器视觉和图像识别等。
而基于FPGA（Field-Programmable Gate Array）的图像处理系统已经成为研究的热点。
本文将介绍基于FPGA的数字图像处理原理及其应用。
2. FPGA的基本原理和特点FPGA是一种可重构的硬件设备，具有可在现场编程的特点，使其适用于不同应用的实时高性能图像处理。
FPGA拥有可配置的逻辑单元和内部存储器，可用于实现各种数字图像处理算法。
3. FPGA在数字图像处理中的应用3.1 图像滤波•FPGA可以实现图像滤波算法，例如均值滤波、中值滤波和高斯滤波等。
•FPGA的并行计算能力使得图像滤波可以以实时高性能的方式进行。
3.2 图像边缘检测•基于FPGA的图像边缘检测算法可以有效地提取图像的边缘信息，用于目标识别和图像分割等应用。
•FPGA的并行处理能力和灵活的逻辑结构使得边缘检测算法可以以高效的方式实现。
3.3 图像增强•FPGA可以用于实现图像增强算法，例如直方图均衡化和灰度级调整等。
•FPGA的硬件并行性使得图像增强算法可以在实时性要求较高的应用中得到广泛应用。
3.4 图像压缩•FPGA可以实现图像压缩算法，例如JPEG压缩算法。
•FPGA的高速并行处理能力使得图像压缩可以以实时高效的方式进行。
4. FPGA在数字图像处理中的优势•FPGA具有硬件并行处理能力，可以实现高效的图像处理算法。
•FPGA具有灵活性，可以根据不同的应用需求进行编程和配置。
•FPGA具有低功耗和低延迟的特点，适用于实时性要求较高的图像处理应用。
•FPGA具有较高的计算性能和吞吐量，可以满足高帧率的图像处理需求。
5. FPGA在数字图像处理中的应用案例5.1 医疗影像处理•基于FPGA的医疗影像处理系统可以用于实时的医学图像分析和诊断。
•FPGA的硬件并行处理能力可以提高医疗图像处理系统的性能和效率。
中值滤波阶数摘要：1.中值滤波简介2.中值滤波原理3.中值滤波算法4.中值滤波应用5.中值滤波阶数的选择正文：一、中值滤波简介中值滤波是一种非线性平滑技术，主要用于数字图像处理和信号处理领域，能有效地抑制噪声。
它将每一个像素点的灰度值设置为该点在某邻域窗口内的所有像素点灰度值的中值。
中值滤波基于排序统计理论，是一种非常有效的信号处理技术。
二、中值滤波原理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窗口中的值进行替换。
邻域窗口通常是一个二维矩形区域，其中包括了该点周围的像素点。
中值滤波的具体操作是先将原始图像转换为灰度图像，然后在每个像素点周围选择一个邻域窗口，对该窗口内的像素值进行排序，最后取中间值作为该点的输出值。
三、中值滤波算法中值滤波算法的实现比较简单，主要分为以下几个步骤：1.选择邻域窗口的大小。
邻域窗口的大小决定了平滑效果的程度，一般来说，窗口越大，平滑效果越明显，但也可能导致图像细节的丢失；窗口越小，平滑效果越弱，但可以保留更多的图像细节。
2.对图像进行灰度化处理。
对于彩色图像，需要先转换为灰度图像，然后再进行中值滤波处理。
3.在每个像素点周围选择一个邻域窗口，对该窗口内的像素值进行排序。
4.取中间值作为该点的输出值。
四、中值滤波应用中值滤波广泛应用于图像处理和信号处理领域，主要应用包括：1.去噪：中值滤波能有效地抑制图像中的噪声，提高图像的质量。
2.平滑：中值滤波可以对图像进行平滑处理，使图像更加光滑。
3.边缘保留：中值滤波可以保留图像中的边缘信息，适用于边缘检测等应用。
4.车道线识别：中值滤波可以用于车道线识别，有效地识别出车道线。
五、中值滤波阶数的选择中值滤波阶数是指邻域窗口的大小，选择合适的阶数可以获得较好的处理效果。
一般来说，阶数越大，平滑效果越明显，但同时也可能导致图像细节的丢失；阶数越小，平滑效果越弱，但可以保留更多的图像细节。
摘要通常，在自然界中大部分信号都存在噪声。
而在如今的数字信号处理中，有各种各样的数字信号滤波器，可以实现对噪声信号的滤波，恢复出原始信号的波形。
本课程设计是基于一维信号被噪声信号污染后，分别经过均值滤波和中值滤波处理后，提取出原始信号，并且观看不同M值时滤波后波形的比较。
均值滤波和中值滤波在数字信号处理中都是非常重要的滤波器，具有广泛的应用。
关键词均值滤波中值滤波数字信号处理目录摘要 (1)第1章均值滤波 (3)1.1 均值滤波的原理 (3)1.2 均值滤波的实现算法 (3)1.3 均值滤波的应用 (3)1.4 均值滤波器 (3)第2章中值滤波 (4)1.1 中值滤波的原理 (4)1.2 中值滤波的实现算法 (4)1.3 中值滤波的应用 (4)1.4 中值滤波器 (4)第3章均值滤波和中值滤波滤除噪声方法 (5)3.1 均值滤波和中值滤波对噪声信号滤波 (5)3.2 程序设计 (7)3.3 结果分析 (8)3.4 心得体会 (11)参考文献 (12)1.1均值滤波的原理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（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。
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领域平均法。
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，该模板由其近邻的若干像素组成，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u（x，y），即u（x，y）=1/m ∑f（x，y）①m为该模板中包含当前像素在内的像素总个数。
1.2均值滤波的实现算法均值滤波将每个像素点的灰度值设置为以该点为中心的邻域窗口内的所有像素灰度值的平均值，以实现像素的平滑，达到图像去噪的目的。
设输入图像信号为f(x,y),去噪处理后的输出图像为g(x,y),则有g(x,y)=| f(x,y)- u (x,y)| ②通过上式可以达到消除信号噪声的目的，但对于其中的每一个灰度值来说，都需要按照式①求取以该点中心的邻域窗口内所有像素的平均值，对长度为(2n+1)的信号来说，需要进行(2n+1)次加法、一次乘法、一次除法。
• 118•基于改进Sobel算子的实时边缘检测及其FPGA实现四川大学电子信息学院 代临风 邓洪敏提出了一种改进的Sobel 算子：在传统Sobel 算子的基础上，使用快速中值滤波滤除系统杂波、加入旋转模式下的CORDIC （Co-ordinate Rotation Digital Computer ）算法，增加了Sobel 算子的模板数，使系统的检测精度提高、并利用双滤波器求出局部图像像素点的均值作为自适应阈值，提高了检测算法在局部图像特性上的适应性。
最后，将所提算法运用到FPGA 处理平台上，并进行图像边缘检测的验证。
实验结果表明，该方法提取得到的边缘更加精细，局部特性更好，抗噪声能力更强，且由于FPGA 的高主频和并行性，硬件资源的占用率大大降低，系统整体处理时间大大减少。
引言：随着电子、计算机领域工程技术的迅猛发展，图像边缘检测已经成为图像处理技术中关键的一项。
图像边缘是图像的基本特征（[1]陆小锋,张俊豪,陆晓成,等.基于FPGA 的图像分块实时边缘检测系统[J].电视技术,2012,36(21):51-54），图像的边缘区域集中着大量的图像信息，具有不确定性，是图像中属性变换最为剧烈的一部分。
在许多的工程应用中我们都会用到图像的边缘处理作为基础从而进行之后的更为高级的图像处理，比如：人脸识别、车牌识别、手写体识别等。
在研究边缘检测算法时，通常采用基于图像强度的一阶或二阶导数，根据其变化规律和一定的检测规则，判定图像的边缘。
常见的边缘检测算子有Robert 算子，Sobel 算子、Prewitt 算子、Laplacian 算子、LOG 算子、Canny 算子等（[2]米曾真,谢志江,陈涛,等.重轨图像增强与边缘提取的关键技术[J].光学精密工程,2012,20(7):1645-1652）。
但是导数很容易受到噪声的影响（[5]毛星云,冷雪飞,等.OpenCV3编程入门[M].北京:电子工业出版社），因此必须在边缘检测算子中加入滤波器用以抑制噪声。
中值滤波原理中值滤波是一种常见的数字图像处理技术，它可以有效地去除图像中的噪声，同时保留图像的细节信息。
在实际应用中，中值滤波被广泛应用于图像处理、计算机视觉、信号处理等领域。
本文将介绍中值滤波的原理、应用和优缺点。
一、中值滤波的原理中值滤波的原理很简单，即用窗口中像素的中值来代替当前像素的值。
具体来说，对于一个大小为N×N的窗口，将窗口中的像素按照灰度值大小排序，取中间值作为当前像素的值。
例如，对于一个3×3的窗口，排序后的像素值为{1, 2, 3, 4, 5, 6, 7, 8, 9}，中间值为5，那么当前像素的值就被替换为5。
中值滤波的优点在于它能够有效地去除图像中的噪声，而不会破坏图像的细节信息。
相比于其他滤波算法，中值滤波的处理速度较快，因为它只需要对窗口中的像素进行排序和取中值操作。
此外，中值滤波也比较容易实现，只需要使用一些基本的图像处理函数即可。
二、中值滤波的应用中值滤波在图像处理中有广泛的应用。
例如，当我们使用相机进行拍摄时，由于光线、镜头等因素的影响，图像中可能会出现一些噪声，如椒盐噪声、高斯噪声等。
这时候，我们可以使用中值滤波来去除这些噪声，使图像更加清晰。
中值滤波还可以用于图像的边缘检测。
由于图像边缘处的像素值发生了明显的变化，因此在应用中值滤波时，边缘处的像素值不会被改变，从而保留了图像的边缘信息。
这种方法被称为非线性边缘检测。
中值滤波还可以用于图像的缩放和旋转。
在进行图像缩放和旋转时，由于像素的位置和灰度值发生了变化，图像中可能会出现一些锯齿状的边缘。
这时候，我们可以使用中值滤波来平滑这些边缘，使图像更加美观。
三、中值滤波的优缺点中值滤波虽然有很多优点，但也存在一些缺点。
首先，中值滤波只适用于去除噪声比较简单的图像。
对于复杂的噪声，如斑点噪声、条纹噪声等，中值滤波的效果可能并不理想。
其次，中值滤波会导致图像的模糊。
由于中值滤波是一种非线性滤波算法，它会使图像的细节信息变得模糊，从而影响图像的质量。
