均值滤波及中值滤波.doc

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， 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。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。 算术平均滤波，几何平均滤波和逆谐波均值滤波对高斯噪声进行滤波 图一 均值滤波（高斯噪声） 如图一所示，图A为原始图像，图B为被高斯噪声污染的图像，图C为用3x3算术均值滤波处理后的图像，图D为用3x3几何均值滤波处理后的图像，图E为用Q=-1.5的逆谐波均值滤波处理后的图像，图F为用Q=1.5的逆谐波均值滤波处理后的图像。与图B进行比较，图C,D,E,F经均值滤波处理后视觉效果明显改善，说明均值滤波能有效滤除图像中的高斯噪声。将图C，D,E与图A进行对比可以看出，对图像进行均值滤波后，图像变得模糊在噪的同时也破坏了图像的细节部分几何均值滤波与算术均值滤波器相比,在滤波过程中丢失更少的图细节 算术平均滤波，几何平均滤波和逆谐波均值滤波对椒盐噪声进行滤波 图二 均值滤波（椒盐噪声） 如图二所示，图A为原始图像，图B为被椒盐噪声污染的图像，图C为用3x3算术均值滤波处理后的图像，图D为用3x3几何均值滤波处理后的图像，图E为用Q=-1.5的逆谐波均值滤波处理后的图像，图F为用Q=1.5的逆谐波均值滤波处理后的图像。与图B进行比较，图C,D,E,F经均值滤波处理后的图像中仍有很多噪声点，椒盐噪声并没有完全去除，并且滤波后图像比原图要模糊，说明均值滤波不能很好的滤除椒盐噪声，这是因为椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有点也有点。噪声的均值不为0，所以均值去滤波不能很好地除噪声点。 算术平均滤波，几何平均滤波和逆谐波均值滤波对均匀分布噪声进行滤波 图三 均值滤波（均匀分布噪声） 如图三所示，图A为原始图像，图B为被均匀分布噪声污染的图像，图C为用3x3算术均值滤波处理后的图像，图D为用3x3几何均值滤波处理后的图像，图E为用Q=-1.5的逆谐波均值滤波处理后的图像，图F为用Q=1.5的逆谐波均值滤波处理后的图像。与图B进行比较，图C,D,E,F经均值滤波处理后的图像,噪声分量明显减少了，图像效果有了很大改善，说明均值滤波能有效滤除图像中的均匀分布噪声。 1.4 结论 （1）均值滤波对高斯噪声和均匀分布噪声的抑制作用是比较好的，但对椒盐噪声的影响不大，在削弱噪声的同时整幅图像总体也变得模糊，其噪声仍然存在。 （2）经均值滤波处理后的图像边缘和细节处模糊变得模糊，说明均值滤波在噪的同时也破坏了图像的细节部分 （3）逆谐波均值滤波器能够减少和消除图像中的椒盐噪声。当Q为正数时，逆谐波均值滤波对“胡椒”噪声有很好的滤除作用，当Q为负数时，逆谐波均值滤波对“盐”噪声有很好的滤除作用。但逆谐波均值滤波不能同时滤除“胡椒”噪声和“盐”噪声。 中值滤波 中值滤波是一种常用的非线性平滑滤波器其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域中各点值的中值换其主要功能是让周围素灰度值差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。 2.1 利用中值滤波对被椒盐噪声污染的图像进行滤波 图四 中值滤波 如图四所示，图A是原始图像，图B是加了椒盐噪声的图像，图C是经过常规中值滤波器滤波后的图像，图D是自适应中值滤波后的图像。将图C，D与图B进行对比可以看出，中值滤波对滤除椒盐图像噪声效果比较明显。将图C与图D进行对比可以看出，利用自适应中值滤波滤除椒盐噪声效果明显好于常规中值滤波，自适应中值滤波克服