【正文】 波算法。該中值濾波算法能根據圖象的統(tǒng)計特征, 過濾出大部分的椒鹽噪聲, 針對噪聲點的分布情況逐個的進行中值濾波。從而能在取得最佳濾波效果的同時, 還能很好地保持圖象的細部特征。本文以一幅被椒鹽噪聲污染的女子圖象為例, 使用中值濾波、自適應中值濾波算法對該圖象進行處理, 然后來比較三者的濾波及邊沿保持效果。 139。1????????1039。00????????連續(xù)噪聲點 非連續(xù)噪聲點圖 44 連續(xù)噪聲點和非連續(xù)噪聲點的結構圖加了椒鹽噪聲污染的灰度圖像，其噪聲點是隨機分布的，在圖像上顯示的隨機的黑點和白點，這些黑白點與原始圖像的灰度值是不相關的，一般來說這些噪聲的灰度值和周圍像素的灰度值相差很大，往往是局部極大值或極小值，我正是利用這一點來進行噪聲檢測。 設原始圖像某一點為(x,y)，對以點(x,y)為中心的噪聲檢測窗口 W 中的N=（2n+1）x (2n+1)個點的灰度值進行了排序運算，得到了一個向量 Aij: 式(45)??123,ijijijijNAxx??其中，x ij1xij2xij3…xijN且 xij表示中心點(x,y)處的灰度值。當排序后點(x,y)的灰度值 xij 位于向量 Aij 的兩端時，那么該點就有可能是一個噪聲點，即滿足式(45)所示的噪聲檢測的第一個條件時就有可能是噪聲點： 式(46)??????????????????其 他信 號 點 或 者可 能 噪 聲 點 yxwyxwxyxij ,ma,n,在式(46)中，函數(shù) w[(x,y)]表示對以點(x,y)為中心噪聲檢測窗口 W 中的N=(2n+1)x(2n+1)個點的灰度值進行排序。對于一個噪聲點而言，它一定滿足噪聲檢測的第一個條件。但是，反而則不成立，因為排序后的信號點，尤其是圖像中的邊緣細節(jié)點也可能落在向量 Aij的兩端，特別是在信噪比很高的時候，誤檢概率會很大。所以光這樣一個條件還是遠遠不夠的。 為了能夠更好的判斷出噪聲點，還需要其他條件來加以限制，以 3x3 的窗口為例，如圖 45 所示： ?????1,1,1,xyxyx???? ?? ??? ?圖 45 3x3 窗口結構圖我考察了中心點(x,y)的灰度值，如果它滿足式(45),并且它的灰度值滿足如式(46)所示噪聲檢測的第二個條件：或者 式(47)1Txij?2Txij?那么我們可以把點(x,y)看成是一個噪聲點，將點(x,y)標記為 1。反之，該點是原始信號，則標記為 0。即： 式(48)?? ???????其 他標 為 ）） 且 滿 足 式 （滿 足 式 （標 為 7464,yx 這樣標記待處理圖像的每一個點，就得到了反映噪聲分布的二進制圖像。 從上面的分析知道，參數(shù) TT2 對于噪聲點的檢測性能起到了至關重要的作用，因此我們要選擇一個合適的 TT2 值。通過實驗表明 T1 取 40，T2 取 190 比較合適。下圖是本次實驗主程序的流程圖。開始載入有噪圖像檢測像素點是否在設置的范圍內中值濾波輸出濾波后的圖像結束是圖 46 自適應中值濾波器的流程圖根據得到的二進制圖像噪聲點的分布進行濾波，若某點的數(shù)值為 1 則對照該點在原噪聲圖里的位置，以此為中心取一個 3x3 的矩形框，并對此點進行簡單的中值濾波。如圖 47 所示：圖 47 基于脈沖噪聲的新型中值濾波算法流程圖 噪聲濾波是在得到一幅被標記的圖像的情況下，分析每一個標記為 1 的點。如果以該點為中心的 3x3 窗口內的像素有標記為 O，則該點為非連續(xù)噪聲點，我們記錄下這些標記為 O 的點，用它們灰度的均值來代替中心點的灰度。按照下面公式(48)來求中心點的灰度: 式(48)??????yxfnyxg,1,其中 n 為標記為 0 的點的個數(shù)，f(x,y)為標記為 0 的點的灰度值。如果以該點為中心的 3x3 窗口內的所有像素的標記均為 1，則認為窗內為連續(xù)噪聲點，我們就無法估計原始灰度值，擴大窗口為 5x5，如果所有像素的標記依然是 1，繼續(xù)增大窗口，直到擴大后的窗口內存在標記為 O 的點或窗口大小己經大于7x7。然后再分兩種情況按下： 0 的點，則和前面一樣，我們記錄下這些標記為 0 的載入有噪圖像根據條件(1)(2)確定標記矩陣3x3 窗口窗口中心點是否為 1中值濾波輸出信號點均值濾波NY點，用它們灰度的均值來代替中心點的灰度。 0 的點，則對該窗口采用中值濾波，用中值來代替中心點的灰度。 5. 自適應濾波算法的結果分析為驗證所提出方法的有效性，采用 MATLAB 對該方法進行了仿真。下圖 A 是原始圖像轉變的灰度圖像，圖 B 是加了椒鹽噪聲的灰度圖像，圖 C 是經過傳統(tǒng)的中值濾波器濾波的圖像，圖 D 是自適應中值濾波算法實現(xiàn)后的圖像。從圖果可以看出，圖 D 利用優(yōu)化自適應中值濾波函數(shù)濾除椒鹽噪聲效果明顯好于利用中值濾波器的圖C， 這種方法克服了中值濾波不能有效的保持圖像細節(jié)的問題。在去除圖像椒鹽噪聲的同時，還能夠保持圖像比較清晰的輪廓。從實驗結果可以看出，這種自適應濾除噪聲的方法，對濾除椒鹽圖像噪聲效果比較明顯，具有較好的應用前景和價值。 圖（A） 圖（B） 圖（C） 圖（D） 圖 51 中值濾波與自適應中值濾波的圖象比較 在中值濾波結束后，為了更清楚地比較自適應中值濾波算法克服了圖像邊緣模糊的問題。運用式（51）原始圖像減去濾波后圖像的像素值，得出了圖 52中的結果。 式（51）nm???濾 波 后 圖 像原 始 圖 像s 圖 52 中值濾波與自適應中值濾波的像素值差值比較 如圖 52 所示，S1 是原始灰度圖像的灰度值減去提取出噪聲點的中值濾波圖像灰度值的和，S2 是原始灰度圖像的灰度值減去整體中值濾波圖像灰度值的和。很明顯經過自適應中值濾波的值更高，能把更高或更低像素值的噪聲點逐一的過濾掉。從而更好地保護圖像的細節(jié)。6. 結論 自適應中值濾波算法對高幅度噪聲具有相當大的抑制作用, 根據應用場合不同其濾窗的極限值應相應變化。通過實驗發(fā)現(xiàn), 當噪聲幅值過大或過小時自適應中值濾波算法可以將絕大部分噪聲濾除。該方法首先在噪聲圖像的濾波窗口中去除具有最大和最小灰度值的像素, 然后求取剩余像素的均值, 計算出該均值與對應的像素灰度值的差值, 再通過與閾值相比較, 確定是否用求得的均值代替原噪聲圖像的灰度值。從而在去除了多數(shù)噪聲的前提下，還能讓圖像和原始圖像差別甚小，是一種很好的自適應中值濾波器。致謝轉眼間，一個學期的畢業(yè)設計即將結束。在這段時間里，我得到了老師和同學們的大力幫助，感觸頗深。首先，我要感謝的是我的指導教師鞠磊老師。他嚴謹?shù)闹螌W精神，淵博的知識，以及在百忙之中不忘對我們的關心和指導，都給我留下了深刻和難忘的印象。我的很多問題都歸功于鞠磊老師的解答與細細講解。他很明確的指引出我關于課題設計工作與學習的正確方向。其次，感謝學校大力支持同學們開展畢業(yè)設計。并提供圖書館資料庫幫助我們迅速的查找資料。完成本篇論文的過程中，付出了很多，同時也收獲了很多。汗水終不會白流，它雖匯不成大江大河在科學研究的海洋中擊出澎湃的浪花，但對于畢業(yè)后步入工作崗位的我，卻生成一股心泉，為我積蓄著人生的力量。從課題的開始到完成論文的編寫，每走一步都會得到據鞠老師的幫助與支持。當我打完畢業(yè)論文的最后一個字符，涌上心頭的不是長途跋涉后抵達終點的欣喜，而是源自心底的誠摯謝意。在這里，我要再一次對我的畢業(yè)設計指導鞠磊老師表示由衷的感謝，他對我的完成構思以及論文的內容不厭其煩的多次進行指導和悉心指點，才使我在完成論文的同時深受啟發(fā)和受到再一次的教育。 最后，由衷感謝我校的答辯組的各位老師對我的畢業(yè)設計論文的指導點評和教誨，我也在努力的積蓄著力量，盡自己的微薄之力來回報母校對我四年來的培育之情，爭取使自己的人生能對社會產生積極的價值！參考文獻[1] [M]，北京： ：35～356.[2] 何振亞，自適應信號處理[M]，北京：科學出版社，2022：23～99.[3] 鄒國良，自適應濾波理論及應用[M]，石家莊：河北大學出版社，1997：55～ 345.[4] 胡廣書，數(shù)字信號處理—理論、算法與實現(xiàn)[M] ，北京：清華大學出版社1997： 233～287.[5] 趙力，語音信號處理[M]，北京：機械工業(yè)出版社，2022： 96～119.[6] 姚天任，數(shù)字語音處理[M]，武漢：華中科技大學出版社，1992：220～257.[7] 葛良，陶智，基于自適應濾波的語音增強算法[M] ，江蘇：蘇州大學學報. 2022： 25～88.[8] 韓利竹，王華， MATALB 電子仿真與應用(第 2 版[M]) ，北京：國防工業(yè)出版 社，2022：98～238.[9] Rafacl ,Richard 著，阮秋琦，阮宇智等譯。數(shù)字圖版[M]北 京：電子工業(yè)出版社，2022：55～193.[10] 趙廣元 著，matlab 與控制系統(tǒng)仿真實踐[M]，北京：北京航空航天大學出版社， 2022：56～201.[11] Sorin Zoican,Improved median filter for impulse noise removal[J].TELSIKS Serbia and Motenegra,Nis,2022,10(13): 681～684.[12] R van Nee. OFDM Wireless Multimedia Communications[J].Rrasad R. Artech House， 1999， 33： 298附錄實驗應用編程代碼:clearI=imread(39。39。)。 I_rgb=rgb2gray(I)。 % 彩 色 圖 像 更 改 成 灰 度 圖 像J=imnoise(I_rgb,39。salt amp。 pepper39。,)。%加入椒鹽噪聲[m,n]=size(J)。% 求圖像的矩陣大小F=zeros(m,n)。 %求圖像的矩陣長度for i=1:m for j=1:n if J(i,j)190 F(i,j)=1。 end if J(i,j)40 F(i,j)=1。 end endendR = medfilt2(J)。%R=J 圖的中值濾波R1=R。 for i=1:m for j=1:n if F(i,j)==0 R1(i,j)=J(i,j)。 end endendsubplot(2,2,1)imshow(I_rgb)subplot(2,2,2)imshow(J)subplot(2,2,3)imshow(R)subplot(2,2,4)imshow(R1)sub1=abs(I_rgbR)。%I 圖與 R 圖的差值比較S1=sum(sum(sub1))/(m*n)sub2=abs(I_rgbR1)。%I 圖與 R1 圖的差值比較S2=sum(sum(sub2))/(m*n)