改进中值滤波器去噪算法研究
陈 亮
（吉首大学信息科学与工程学院，湖南 吉首 416000）
摘 要
图像信号在产生、传输和记录过程中，经常会受到各种噪声的干扰，由于其严重地影响了图像的视觉效果，因此迫切需要合适的滤波器对其进行滤波。论文首先对中值滤波的原理及去噪过程进行研究，然后主要针对中值滤波算法在图像去噪与保护细节上的缺陷给出了一种基于噪声检测的自适应中值滤波算法。对于噪声检测机制检测出的噪声像素，依据滤波窗口中信号像素的个数自动调整滤波窗口大小，采用自适应中值滤波实现对噪声像素的滤除。实验表明该自适应中值滤波器对于平滑图像可以有很好的去噪效果，同时很好地保留了图像的细节。
关键词：噪声；滤波器；噪声检测；自适应中值滤波；
Research On Improved Median Filter To Denoise
Chen Liang
(College of Information Science and Engineering,Jishou University,Jishou,Hunan 416000)
Abstract
In the image signal’s generation, transmission and recording process, images often are interferenced by a variety of noise, which seriously affected the visual effects of the image.So a appropriate filter is urgently needed to remove noise. Firstly, paper is researched on the principle of median filtering and denoising process. Secondly,a adaptive median filtering algorithm is given according to the defects of the median filtering algorithm to denoising and protection details. Thirdly, the noise pixels are detected by noise detection mechanism. Lastly, the size of the filter window are automatically adjusted according to the number of signal ’s pixels in the filter window, and the noise pixels are filtered out by the adaptive median filter. The experiments show that the adaptived median filter can have a good denoising effect for smoothing images , and can reserve the detail of the image well.
Key words：Noise; Filter; Noise Testing; Adaptive Median Filter
目 录
第一章 绪论 ........................................................... 1
1.1 中值滤波器的研究现状 ........................................... 1
1.2 论文章节安排 ................................................... 1
第二章 图像去噪算法综述 ............................................... 3
2.1 噪声特征及模型 ................................................. 3
2.2 图像去噪质量的评估方法 ......................................... 4
2.3 图像去噪方法概述 ............................................... 5
第三章 中值滤波 ....................................................... 6
3.1 中值滤波基本原理 ............................................... 6
3.2 中值滤波的去噪过程 ............................................. 6
3.3 中值滤波的主要特性 ............................................. 7
3.4 简单中值滤波的局限性 ........................................... 7
第四章 基于噪声检测的自适应中值滤波 ................................... 9
4.1 滤波器的构成 ................................................... 9
4.2 噪声滤除策略 ................................................... 9
4.3 噪声检测机制 .................................................. 10
4.4 自适应中值滤波 ................................................ 11
第五章 仿真结果分析比较 ............................................. 12
第六章 总结 ......................................................... 14
6.1 论文主要工作 .................................................. 14
6.2 进一步的研究方向 .............................................. 14
参考文献 ............................................................. 15
致谢 ................................................................. 16
第一章 绪 论
1.1 中值滤波器的研究现状
在图像的编码及传输中，经常经过含有噪声的线路或被电子感应污染时，会使图像染上一定程度的椒盐噪声(即脉冲噪声) [1]。因此脉冲噪声的去除是图像去噪研究中的一个重点。中值滤波因其特殊的对输入信号序列的映射关系，在去除脉冲噪声上有着比较好的效果，但中值滤波也会有一定程度的图像模糊。因此很多学者针对中值滤波技术进行研究与改进，期望可以得到更好的滤波技术，更好的解决去噪和保护图像细节这一矛盾。
最早由学者Tukey 在1971年首次提出了非线性滤波器的概念，并随后在其论文中介绍了最初的非线性滤波器[2]，即中值滤波器，后来被学者称为标准中值滤波器。后来Brownrigg 基于标准的中值滤波器[3]，提出了加权中值滤波，在该方法中对序列中各个元素加以权，通过权值改变窗口内各个像素点的重要程度，使噪声点更易被滤除，而信号点则更好的被保留。Ko 和Lee 分析WM 滤波器，发现其权值设定的不确定性，改进了权值设定方式，提出了新的中值滤波算法，即中心权值中值滤波器，该方法较之WM 显的更为简单，但同样具有WM 的去噪效果。Chen 和Ma 等人则基于CWM 和SM 两种滤波技术，设计了三态中值滤波器，随着自适应控制思想的发展，也有学者研究在中值滤波器中加入自适应的效果。由于考虑到中值滤波器和均值滤波器在处理脉冲噪声和高斯噪声上的各自所长，人们就希望能将这两种滤波器结合起来，形成混和滤波器。其中Lee 和Kassam 提出了一种比较成功的改进了的均值滤波器[4]。这种滤波器的优点是能比较好的处理受脉冲噪声与高斯噪声混和后的噪声影响后的图像，有待于改进的地方是可以在噪声统计窗口以及中值滤波方法的选择上做一些推广。这些方法在各自的研究领域中有着重大的贡献，对于改进中值滤波器的性能方面的研究与发展，起着重要的作用。
1.2 论文章节安排
论文就中值滤波方法在图像噪声处理中的应用进行了研究与分析，并提出一种改进的算法。全文共分为六章：
第一章为绪论。该章简要介绍了中值滤波器的研究现状，给出论文的章节安排。
第二章简要介绍图像去噪算法。首先简要介绍图像噪声的特征及分类，然后根据图像去噪的模型，分析图像去噪的评估方法。
第三章针对图像处理中的中值滤波方法进行具体的研究，从滤波原理出发，分析其去噪过程，进而总结出中值滤波的主要特性，特别是其局限性和不足之处。为了解决这一问题，提出了新的滤波方法——基于噪声检测的自适应中值滤波。
第四章详细的介绍与分析第三章提出的基于噪声检测的自适应中值滤波。
第五章对论文所提出的基于噪声检测的自适应中值滤波方法进行实验仿真，以分析其性能。实验仿真中通过给不同类型图像加入一定的噪声，以分析比较滤波器去噪性能。
第六章是论文的总结部分。主要介绍论文的主要工作及成果，并针对当前的不足之处提出后续的研究方向。
第二章 图像去噪算法综述
2.1 噪声特征及模型
设图像信号为灰度图像并按二维亮度f(x,y)分布，则噪声可看作是对亮度的干扰，可用n(x,y)来表示。噪声是随机的，因而需用随机过程来描述，即要求知道其分布函数和密度函数。但在许多情况下这些函数很难测出或描述，甚至不可能得到，所以常用统计特征来描述噪声，如：均值、方差、相关函数等。用噪声平方的平均值E[n 2(x,y) ](E[]表示均值操作) 描述噪声的总功率；用噪声的方差E[(n x, y −E[n(x,y)])2]描述噪声的交流功率；用噪声平均值的平方E 2[n(x,y) ]表示噪声的直流功率。
数字图像的噪声一般源自于将图像数字化和传输的过程。在这过程中因受到环境条件的影响及设备的性能质量原因，使得图像必不可免的产生噪声。文献[1]中给出了如下几种常见的比较重要的噪声：
（1） 均匀分布噪声：
均匀分布噪声是指图像中每个像素点等概率产生噪声。均匀噪声的概率密度如(2.1)所示，其期望值和方差如式(2.2) 所示：
a≪z ≪b (2.1) p(z)= b −a
0 其他
μ=
（2） 高斯噪声：
高斯噪声也称为正态噪声，其噪声的概率密度如式(2.3)所示：
(z−μ) 22σ 1a+b2 ; 22(b−a) σ=12 (2.2) − (2.3)
z 代表图像的灰度值，μ代表z 的期望值，σ代表z 的标准差。高斯噪声在实际图像中比较常见，且在数学上处理比较容易，使高斯噪声模型应用比较广泛。
（3） 椒盐噪声：
椒盐噪声又叫脉冲噪声，是指持续时间小于0.5秒，间隔时间大于1秒的噪声。椒盐噪声作为一种典型的图像噪声，对图像质量起着极大的影响作用。其噪声概率密度如式(2.4)所示：
p a z=a
(2.4) p z (z)= p b z=b
0 其他
假定b>a，则图像中灰度值b 将以p b 的概率在图像中显示为一个亮点（盐粉微粒）；灰度值a 则将以p a 的概率显示为一个暗点（胡椒微粒）。
（4） 瑞利噪声：
瑞利噪声是指服从瑞利分布的噪声。其概率密度函数如式(2.5)所示：
z≥a (2.5) p(z)= b z −a e
0 z
2.2 图像去噪质量的评估方法
图像质量评估方法也是图像处理的基础研究领域之一。因为对于图像或视频进行处理时，所处理的主体一般都是图像，所以需要合理的评价标准来评估对图像所做的处理是否达到要求。
现在常用的图像去噪的评估准则主要有两类：客观准则和主观准则。客观评价方法是用去噪后图像与原始图像的偏离程度来衡量图像去噪的质量。比较常用的一个方法是均方误差估计法，它通过计算输入图像与输出图像的均方值(Mean Square Error, MSE)[5]。具体计算方法如下：
设f 为原始图像，fN 为加噪图像，fd 为复原图像，则对于图像中任意点(x,y)，其误差值为：
e(x,y)=f(x,y)-f d (x,y) （2.6） 假定原始图像为M*N的大小，则均方误差可以表示为：
−1N −12 MSN=MN M x=0 y=0[f(x,y −f d (x,y)] (2.7) 1其中，均方误差越小，则去噪效果越好。
另一种常用的客观评价准则是信噪比(SNR)，同样对于原始图像f 和去噪后图像
−1N −12 M x =0 y =0f d (x,y)
y =0d (x,y)]2fd ，则fd 的均方信噪比可以式(2.8)表示 SNR= [f(x,y−f x =0 (2.8)
对于式(2.8)所式的SNR ，将其归一化为分贝并进行转化，可以得到峰值信噪比(Peak Signal to Noise Ratio, PSNR)。PSNR 是最普遍，最广泛使用的评鉴画质的客观量测法，其计量方法如式(2.9)所示：
PSNR=10log(2552
−1N −12 M x =0 y =0[f(x,y−f d (x,y)]) (2.9)
在评估时，也可采用主观评测准则，即主观比较去噪图像和原始图像。因为主观评价带有主观性，因人而异，主要可以从以下两方面进行考虑：
（1） 观察去噪图像的平滑效果。可以通过观测比较图片平坦区域和缓变区域复 原图像的平滑程度。据调查，人眼对于平坦区、缓变区的噪声敏感度相对其它区域更高，而目前常见的平滑噪声的过程也大多针对这些区域进行。
（2） 观测图像的结构的保护效果。因为在去噪的过程中，为了平滑噪声，难免 会将图像的部份结构模糊掉，对图像的边缘和细节等信息造成破坏。大部份滤波方法都会有边缘模糊、边缘位移、边缘失真及细节丢失的现象。因此可以通过比较观察图像的边缘区域以判断滤波器对图像结构的保护效果。
2.3 图像去噪方法概述
在实际应用中，通过对需要去噪的图像进行滤波处理，从而将受噪声影响的像素点模糊掉，减弱其对整体的主客视觉以及信噪比的影响，提高图像质量。
图2.1 图像退化-复原过程的模型 然而实验仿真当中，为了控制图像当中噪声密度，以及更准确的计算滤波前后的图像峰值信噪比的变化，一般将无噪声图像退化得到含噪声的图像，然后对含噪声图像进行复原。假定需对输入图像f(x,y)进行退化处理以得到退化图像g(x,y)，可以给原始图像设置一个退化函数，并添加一个加性噪声项n(x,y)。对于线性及位置不变性的退化过程，冈萨雷斯在《数字图像处理》一书中给出了在空间域中的如下退化模型：
g(x,y)=h(x,y)*f(x,y)+n(x,y) (2.10) 式(2.10)中h(x,y) 就是退化函数的空间描述。通过退化函数与原始图像的空间卷积操作以得到空间退化图像，并在退化后加上一个加性噪声项即完成了退化过程。图像的复原则是通过分析退化模型，制定相反的过程进行处理，从而复原出原图像f(x,y)。整个图像退化-复原的过程模型如图2.1所示。
第三章 中值滤波
3.1 中值滤波基本原理
中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用[6]。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。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中各点值的中值代替。设有一个一维序列f 1, f 2, …, f n , 取窗口长度为m(m为奇数) ，对此序列进行中值滤波，就是从输入序列中相继抽出m 个数，f i −v , …，f i −1, …, f i ，…，f i+1，…，f i+v, 其中i 为窗口的中心位置，v=m −12再将这m 个点按其数值大小排列，取其序号为正中间的那作为输
出。用数学公式表示为:
m -1 (3.1) 2
例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。此例若用平均滤波，窗口也是取5，那么平均滤波输出为。(0+3+4+0+7) 5=2.8。因此平均滤波的一般输出为: Y i =MED {f i -v , , f i +v }i ∈Z , v =
z i =i ∈Z (3.2) 对于二维序列{X ij }进行中值滤波时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为：
Y i , j =MED {X ij } (3.3)在实际使用窗口时，窗口的尺寸一般先用3⨯3再取5⨯5逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。 (f i -v +f i -v +1+ f i + f i +v )
3.2 中值滤波的去噪过程
中值滤波的去噪过程大致可以分为以下两步：
（1）过从图像中的某个采样窗口取出奇数个数据进行排序。
（2）用排序后的中值取代要处理的数据即可。
函数B=medfilt2(A,[M,N])实现对二维矩阵A 的中值滤波，每一个输出像素包含输入图像中相应像素周围的M*N个相邻像素点的平均值，medfilt2 将图像的边缘用值为0的像素填补，同时用到了ordfilt2函数，该函数可进行二维统计顺序过滤。当模板数为3时，虽然图像非常清楚，但明显有几个特别亮的点存在，若加大模板值，亮点的亮度减弱，图像的清晰度减弱，当中值滤波的模板选为7x7的时候椒盐噪声的处理效果最好，但是同时它也模糊了边缘的清晰度，因此使用了自适应中值滤波器，目的是为了区分椒盐噪声和边缘颜色的突变。
3.3 中值滤波的主要特性
滤除噪声的性能：中值滤波是非线性运算，因此对随机性质的噪声输入，数学分析是相当复杂的。由大量实验可得，对于零均值正态分布的噪声输入，中值滤波输出与输入噪声的分俪密度有关，输出噪声方差与输入噪声密度函数的平方成反比。对随机噪声的抑制能力，中值滤波比均值滤波要差些。但对于脉冲干扰来讲，特别是脉冲宽度小于滤波窗口长度之半，相距较远的窄脉冲，中值滤波是很有效的。
（1）对某些信号的不变性：对于某些特定的输入信号，中值滤波输出信号保持与输入信号相同，所以相对于一般的线性滤波器（比如均值滤波），中值滤波能更好的保护图像细节。
（2）中值滤波的频谱特性：由于中值滤波是非线性运算，在输入与输出之间的频率上不存在一一刘应的关系，故不能用一般线性滤波器频率特性分析方法。采用总体实验观察法，经大量实验表明，中值滤波器的频率响应与输入信号的频谱有关，呈现不规则波动不大的曲线，中值滤波幅谱特性起伏不大，可以认为信号经中值滤波后，频谱基本不变。
3.4 简单中值滤波的局限性
中值滤波是一种非线性处理技术，能抑制图像中的噪声。它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素很少，而图像则是由像素数较多，面积较大的小块构成。在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。在处理之后，位于窗口中的像素反度值，用窗口内各像素度值的中值代替。中值滤波器在某些情况下抑制噪声，而在另一些情况却会抑制信号[7]。
应用中值滤波的一种方法就是先试用长度为3的窗口对信号进行处理，若无明显信号损失再把窗口延长到5，对原图像作中值滤波，直到既有较好的噪声滤除的
效果，又不过分损坏图像细节为止。还有一种方法就是对信号进行级联的中值滤波，采用固定的或可变长度的窗口。一般地说，一次滤波不改变的区域，以后几次也将不变。小于窗宽的1 2的区域，每经一次滤波该区域将连续改变，一直进行到所得到信号的区间大于窗宽的1 2为止。
中值滤波器很容易推广Ｎ维的情况。二维窗口的形式可以是正方形的、近似圆形的或十字形的。一个二维的LXL 中值滤波器比用LXL 和1XL 的两个滤波器分别顺序进行垂直和水平的处理更能抑制噪声，但同时也带来了更大的对信号的抑制。
虽然中值滤波去除脉冲噪声的效果很好，然而抑制噪声和保持图像中的细节往往是一对矛盾，也是图像处理中尚未很好解决的问题。所以保护细节的中值类滤波的研究成为非线性滤波器研究的一个重要方面。论文将在后面两章详细介绍既能有效去噪又能很好的保护图像细节的中值滤波改进算法（基于噪声检测的自适应中值滤波算法）。
第四章 基于噪声检测的自适应中值滤波
4.1 滤波器的构成
在一幅被椒盐噪声污染的图像中，对任意像素点（i,j ）, 其灰度值为x ij 。假定噪声污染前的图像是以边缘为界、局部平滑变化的自然灰度图像，s ij 是原始图像在位置（i,j ）的灰度值。本文所有图像都取灰度级为256的图像，已知p 为噪声概率, 设胡椒噪声和盐噪声（灰度值分别为0和255）按相同概率分布，则x ij 的概率密度函数定义为： p 2, x ij =0
f x ij = 1−p, x ij =s ij (4.1) p 2, x ij =255
针对椒盐噪声的特性，提出了一种基于噪声检测的自适应中值滤波方法。其框图如图4.1所示。
图4.1 算法流程图 由图4.1可以看出，该算法采取噪声检测和滤波两步相分离的策略来消除图像中的椒盐噪声。首先由噪声检测部分将图像像素分为非噪声像素和噪声像素，对于噪声像素，采用滤波算法进行滤波，而对于非噪声像素则不作处理；在滤波部分，采用自适用中值滤波算法，这样在滤除噪声的同时能很好地保护了图像的边缘细节。
4.2 噪声滤除策略
其滤波方法可用式(4.2)表示：
SM ij − R WS +1
2R WS +1
2 rank W ij −WS +1−× if rank(Xij ) ≤WS +12
ws +1
2 A M ij = R WS +1R WS +1SM + +1− × ij 22 rank WS +1 W ij − （4.2） if rank(xij ) >
式(4.2)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)，经过自适应滤波后的输出值即为AM ij 。该式可以概括的理解为：对于给定窗口内像素点的序列，式(4.2)表示为将其窗口中心像素点与序列中心像素点的距离映射到中值与其左右相邻像素点灰度值的线性关系[7]。
假定存在一个通过窗口大小为WS 的滤波窗口得到的序列X ，其窗口中心像素点P 值为255，经过稳定排序后形成序列X={X i |1≤i ≤WS }。给定X 的中值X sm (WS+1) 和其左值X left 以及中值位置S=(WS+1)/2，假定在序列{X i |1≤i ≤P 2}中，处于第x 个元素，则P 经过AM 滤波的输出值am 与x 可建立如下线性关系： am=f(x) 1≤x ≤
对于{X i |WS +12X left ≤am ≤X sm （4.3） (WS+1) 2}
由于自适应滤波方法在噪声滤除上的优越性，该滤除策略吸取了该滤波线性映射的思想。对于传统中值滤波方面在细节丰富图像的去噪上性能的不足，通过下文提到的噪声检测机制以进行弥补，提升其去噪能力。
4.3 噪声检测机制
针对受椒盐噪声影响的图像灰度值分布情况的特殊性，本文设定了一种具有针对性的噪声检测机制。本文所设计的噪声点检测机制可以将像素点分成二类：1) 非噪声像素2) 噪声像素。
噪声检测是区分像素点是否被噪声污染。在此阶段可以区分出非噪声点，从而在图像去噪阶段中大量的减少了需要进行滤波操作的像素点，大幅度的降低了滤波算法执行的时间。
该阶段的非噪声点检测是根据全局范围内的图像灰度值分布情况，通过对像素点灰度值特征进行判断分析是否被脉冲噪声污染。因为在受噪声影响的图像中，噪声点一定分布在图像灰度值的极大值端或者极小值端。如果其灰度值与图像的极大值或极小值接近，则当前像素点极有可能是噪声点。反之若处在极大和极小值中间，则可以断定当前点未被噪声干扰，可以不用处理保留原值。
在检测机制通过设一个阈值T ，设图像灰度值中极大值为Gmax ，极小值为Gmin ，对于当前像素点灰度值G ，若满足(4.4)关系，则可以说明当前像素点并未受到噪声污染，无须进行滤波操作。
G −Gmin >T并且 G −Gmax >T （4.4） 由于在实验中，我们更多的是通过对原始图像进行加噪，以得到噪声图像。对
于256色的灰度图，所采用的加噪函数所加入的噪声始终为最大值255或者最小值0，因此实验中采用的T 值为0。对于通过扫描或其他途径得到的噪声图像，可适当的加大T 值从而更科学的判定非噪声点。
4.4 自适应中值滤波
为了在滤波的同时尽可能地保留图像细节，对不同属性的像素点采用不同的滤波策略。首先，依据检测部分得到的二进制映射图来区分信号像素和噪声像素，对于噪声像素，依据滤波窗口中信号像素的个数自动调整滤波窗口大小，采用自适应中值滤波实现对噪声像素的滤除；对于信号像素则不进行滤波[9]。该算法的具体步骤为：
（1）设定最大滤波窗口尺寸为W D ×W D , 初始窗口尺寸为W F ×W F (其中F=3，D=11),初始滤波窗口内信号点的个数m=0；
（2）根据噪声检测阶段得到的二进制映射图像判断，若当前像素为信号像素，不作处理；
（3）若当前像素为噪声像素，则以当前像素为中心，根据检测部分得到的二进制映射图，提取W_F×W_F窗口内的信号点，并计算信号像素的个数m ；
（4）当W F
（5）若W F =W D 且m
第五章 仿真结果分析比较
5.1 仿真实验结果
本文主要以512×512的Lena ，和Barbara [10]两幅幅图像为例，进行实验仿真与研究分析。其中图像Lena 具有较多平滑区域，而较像Barbara 则是细节纹理很丰富，该两幅图在处理方面的代表性比较强，以下将主要以此两幅图的仿真结果进行展示及分析。
图5.1展示的是3×3窗口对于lena 图像和Barbara 图像的仿真结果。仿真实验中，通过使用改进的自适应中值滤波器对lena 和Barbara 图片采用3×3窗口进行一次滤波，噪声图像则是采用原始lena 、Barbara 图加入密度为0.2脉冲噪声所得到。从图中可以看出，经过密度为0.2的椒盐噪声污染后，图像的模糊程度已经比较大，而采用该种自适应中值滤波器后，图像的质量得到了明显的改进。
（a ）原始图像 （b ）被密度为0.2的 （c ）改进的自适
椒盐噪声污染图像 应中值滤波器滤波后的图像
图5.1 图像处理前后对比
5.2 实验结果分析
根据以上仿真结果可以看出，基于噪声检测的自适应中值滤波器对于平滑图像可以有很好的去噪效果，对于细节纹理丰富的图像去噪及图像细节的保留权衡的非常好。通过将窗口中值邻近的几个像素值进行整合，使输出结果与窗口中多个像素值自适应，有很好的去噪效果和图像信息保留能力。
该方法优于一般的滤波算法，滤波后的图像质量相对较好，视觉效果几乎接近原始图像，对不同属性的像素点采用不同的滤波策略，则能更好的保留图像细节，如Lena 的眼睛和Barbara 中的人脸和头发等。该算法能有效地滤除椒盐噪声，较好地保留图像细节，其滤波性能明显优于传统的滤波算法，是一种有效的图像去噪方法。
第六章 总 结
6.1 论文主要工作
本文主要针对图像处理中的中值滤波算法在有效去噪与细节保护上的矛盾，综合利用数字图像处理、图像滤波等方面的知识，系统、深入的研究了中值滤波经典算法，并提出改进算法，具体工作如下：
(1) 为了在滤波的同时尽可能地保留图像细节，对不同属性的像素点采用不同的滤波策略。首先，依据检测部分得到的二进制映射图来区分信号像素和噪声像素，对于噪声像素，依据滤波窗口中信号像素的个数自动调整滤波窗口大小，采用中值滤波实现对噪声像素的滤除；对于信号像素则不进行滤波。该噪声检测方法可以有效的区分出噪声点与细节点，从而大量减少了去噪阶段的运算量。
(2) 通过仿真分析，该噪声滤除方法对于细节丰富的图像也能很好的进行去噪处理，对于高密度噪声的图像，其去噪效果相比其他方法更加优秀。通过将窗口中值邻近的几个像素值进行整合，使输出结果与窗口中多个像素值自适应，有很好的去噪效果和图像信息保留能力。
（3）该方法优于一般的滤波算法，滤波后的图像质量相对较好，视觉效果几乎接近原始图像；对不同属性的像素点采用不同的滤波策略，则能更好的保留图像细节，如Lena 的眼睛和Barbara 中的人脸和头发等。该算法能有效地滤除椒盐噪声，较好地保留图像细节，其滤波性能明显优于传统的滤波算法，是一种有效的图像去噪方法。
6.2 进一步的研究方向
（1）本文所提出的噪声滤除方法是基于中值滤波加入自适应策略进行改进的。现今可用于图像去噪的还有维纳滤波、小波滤波等技术。这些技术优缺点不一，能否结合各类的优点，从而进一步改善去噪效果，可以进行深入尝试。
（2）数字图像在其传输中，比较明显的噪声除了椒盐噪声外，还有高斯噪声等一些其它类型的噪声，本文所提出的算法仅针对椒盐噪声的特性进行处理。能否将其噪声检测及自适应的思想应用于其它噪声的滤除算法，还有待继续研究。
（3）关于解决中值滤波去噪与细节保护之间矛盾的改进算法方案绝不止此文中所提到的这种，因此下一步工作可以对其他方法展开研究。
参考文献
[1] 冈萨雷斯. 数字图像处理[M]. 北京: 电子工业出版社, 2005, 88～103.
[2] 韩磊. MATLAB在数学图像处理中的应用[J]. 太原科技, 2009, 10(3): 17～20.
[3] 陈亮. 电荷泵锁相环环路滤波器参数分析与设计[J]. 现代电子技术, 2008, 31(9): 87～90.
[4] 陈天华. 数字图像处理[M]. 北京: 清华大学出版社, 2007, 118～123.
[5] 邢藏菊. 一种基于极值中值的新型滤波算法[J]. 中国图像图形学报, 2008, 23(2): 23～26.
[6] 王树文, 闫成新, 张天序. 数字形态学在图像处理中的应用[J]. 计算机工程应用, 2004, 12(3): 89～92.
[7] 刘进, 厉数忠, 张媛. 基于混合中值滤波的图像去噪处理[J]. 甘肃科技, 2006, 11(9): 47-49.
[8] 枷晋生, 丁润涛. 凳类均值-加权中值混台滤波器叽[J]. 天津大学学报, 1999, 32(2): 551～554 .
[9] 刘健康, 齐周清. 一种适合十图像细节保留的椒盐噪声滤波器[J]. 大连海事大学学报, 2006, 30(2): 203～208.
[10] 卢京品, 方中华, 孙胜利. 一种自适心的加权均值滤波器田[J]. 传感技术学报, 2005, 18(4): 880-882.
致 谢
毕业论文完成之际，也代表了我的大学生涯将告一段落。在这将近三个月的毕业设计工作当中，在老师及同学的指导和帮助下，我才能顺利的完成毕业设计。 最要感谢的是张书真老师。在毕业论文的选题、资料收集、实验指导及论文的定稿上，都给予了我详细的指导、建议。通过每周一次的毕业论文指导，让我很好的掌握了毕业论文的进度，并学习到了良好的科研方法和工作态度，让我受益良多。 最后，感谢所有帮助过我的老师及同学。我的大学因你们而精彩。