中值滤波器适用于处理什么样的噪声，为什么

噪点值处于0到255之间。椒盐噪声是一种较为常见的噪音信号，255为图像中白色噪音，称为盐噪音，0为图像中黑色噪音，称为椒噪音，当图像中同时存在两种噪音时，统称为椒盐噪音。

可以在图像中随机选取像素点赋值为0或者255去除。因为椒噪声表现为黑色属于低灰度图像。盐噪声表现为白色属于高灰度图像。利用这种特性，可以在图像中随机选取像素点赋值为0或者255即可。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生类比数位转换器或位元传输错误等。失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。处理方式常用的去除这种噪声的有效手段是使用中值滤波器。

椒盐噪声，因为椒盐噪声为黑白噪声，所以中值滤波效果应该不错。它在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好，对椒盐噪声表现较好。

在去除椒盐噪声方面均值滤波会模糊图像，并且去除效果较差。相比之下，中值滤波能够较好地去除椒盐噪声。中值滤波器在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。中值滤波器对椒盐噪声的滤波效果较好。扩展资料：注意事项：噪声类型是‘salt & pepper" 一定注意空格的位置 这里比较严格。当噪声类型是"salt & pepper"的时候，第三个参数的意思是噪声密度，比如0.1，那么总像素个数的10%为黑白点，当然是黑点还是白点都是随机的。在图像处理领域，影响图像质量的噪声主要有指数噪声、均匀噪声、椒盐噪声等。其中椒盐噪声的去除是图像处理里面一个研究很久的课题，出现最早的有效方法是中值滤波，是一种非线性滤波方法，对图像的所有像素点均进行处理，改变了图像中真实的像素点，这是传统中值滤波的一个重大缺点。参考资料来源：百度百科-椒盐噪声参考资料来源：百度百科-中值滤波参考资料来源：百度百科-均值滤波

椒=黑色，盐=白色；图像双极型噪声（bipolar），数学定义为p(y)={alpha,y=x时；beta,y=a时；gama,y=b时。}，其中x为原始图像像素，椒盐噪声记为z，y为被污染的噪声，此处alpha+beta+gama=1，对受椒盐噪声污染的图像进行统计描述，出现椒盐噪声的像素，带噪声的图像像素只会出现两种取值：a或b。来自《数字图像处理》王桥，科学出版社。

椒盐噪声：这种噪声值不是连续变化，而只有1个极值，譬如0,255的8级灰度图象中，椒盐噪声值只能出现255，而不出现其它中间值，因此它表现为图象某些点特别亮，类似我们的晶体盐的亮度的感觉，所以叫椒盐噪声。泊松噪声，则是分布符合泊松噪声模型

1、打开Matlab，点击“新建脚本”，如下图所示。2、在代码编辑区输入代码，先利用Imread函数读取图像，然后使用Imshow函数将图像展示出来，以便与添加噪声后的图像做对比。3、Matlab中利用imnoise函数可以添加各种噪声，而使用“gaussian”参数就可以添加高斯噪声。4、选择保存位置，并为m文件重命名，如下图所示所示，设置完成，点击“保存”。5、这样，就在Matlab中为图像添加了高斯噪声，并且把一组对比图显示在同一个窗口中，如下图所示。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。

用matlab打开一个图像，对该图像添加椒盐噪声(imnoise)并且用巴特沃斯滤波器去噪(buttord)。题目2的第1小问很容易查到帮助，但是buttord一个给音频去噪的函数用于图片是个难点。椒盐噪声于是先待找找到合适的降噪方法这个我调试用的lena.jpg原图img=imread("lena.jpg");imgn=imnoise(img,"salt & pepper", 0.05);figure(1);imshow显示原图imshow(img);figure(2);imshow(imgn);imshow椒盐噪声加入后的图

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。去除脉冲干扰级椒盐噪声最常用的算法是中值滤波。

　　一.噪声的空间和频率特性　　相关的讨论是定义噪声空间特性的参数和这些噪声是否与图象相关。频率特性是指噪声在傅里叶域的频率内容(即，相对于电磁波谱)，例如，当噪声的傅里叶谱是常量时，噪声通常称为白噪声。这个术语是从白光的物理特性派生出来的，它将以相等的比例包含可见光谱中所有的频率。从第4章的讨论中不难看出，以等比例包含所有频率的函数的傅里叶谱是一个常量。由于空间的周期噪声的异常(5.2.3节)，在本章中假设噪声独立于空间坐标，并且它与图象本身无关联(简言之，噪声分量值和象素值之间不相关)。这些假设至少在某些应用中(有限量子成像，例如X光和核医学成像就是一个很好的例子)是无效的，但复杂的处理空间非独立和相关噪声的情况不在我们所讨论的范围。二.一些重要噪声的概率密度和函数　　基于前面章节的假设，所关心的空间噪声描述符是5.1节中所提及模型的噪声分量灰度值的统计特性。它们可以被认为是由概率密度函数(PDF)表示的随机变量，下面是在图象处理应用中最常见的PDF。高斯噪声由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。事实上，这种易处理性非常方便，使高斯模型经常用于临界情况下 。高斯随机变量z的PDF由下式给出: (5.2.1)其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。高斯函数的曲线如图5.2(a)所示。当z服从式(5.2.1)的分布时候，其值有70%落在[(μ-σ),(μ+σ)]内，且有95%落在[(μ-2σ),( μ+2σ)]范围内。 瑞利噪声瑞利噪声的概率密度函数由下式给出:(5.2.2)概率密度的均值和方差由下式给出:(5.2.3)和(5.2.4)图5.2(b)显示了瑞利密度的曲线。注意，距原点的位移和其密度图形的基本形状向右变形的事实.瑞利密度对于近似偏移的直方图十分适用.伽马(爱尔兰)噪声伽马噪声的PDF由下式给出:(5.2.5)其中，a>0，b为正整数且"!"表示阶乘。其密度的均值和方差由下式给出:(5.2.6)和(5.2.7)图5.2(c)显示了伽马密度的曲线，尽管式(5.2.5)经常被用来表示伽马密度，严格地说，只有当分母为伽马函数Г(b)时才是正确的。当分母如表达式所示时，该密度近似称为爱尔兰密度。

image.jpg如何增强该图像,写出matlab程序有以下几个方法：1. 灰度线性变换， 是一种空域的方法， 直接对每一个像素的灰度值进行增强图像。2. 直方图均衡变换。通常用来增加许多图像的全局对比度，亮度可以更好地在直方图上分布。3. 同态滤波利用去除乘性噪声(multiplicative noise)，可以同时增加对比度以及标准化亮度，借此达到图像增强的目的。

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J = imnoise(I,type);　　2、J = imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗。　　3、y = wgn(m,n,p,imp,state) 重置RANDN的状态。

程序送上希望对你有帮助%%%%%%%%%%%%读入图像%%%%%%%%%%%%%%%I=imread("eight.tif");%读入图像文件imshow(I);title("原图.tif");%显示图标题像并设置标题J=imnoise(I,"salt&pepper",0.05);%添加加噪声密度D为0.05的椒盐噪声figure,imshow(J);title("加入椒盐噪声.tif");%显示处理后的图像并设置标题[m,n]=size(I);f=I;fori=2:(m-1)forj=2:(n-1)iff(i,j)>3&f(i,j)<252f(i,j)=f(i,j);elsef(i,j)=0.75*f(i,j-1)+0.75*f(i-1,j)-0.5*f(i-1,j-1);endendendfigure,imshow(f);title("过滤后图像")

因此这种噪声比较常见吧，谁知道呢

可以使用下面这个函数添加噪声imnoise滤波的方法请查看参考资料 J = IMNOISE(I,TYPE,...) Add noise of a given TYPE to the intensity image I. TYPE is a string that can have one of these values: "gaussian" Gaussian white noise with constant mean and variance "localvar" Zero-mean Gaussian white noise with an intensity-dependent variance "poisson" Poisson noise "salt & pepper" "On and Off" pixels "speckle" Multiplicative noise Depending on TYPE, you can specify additional parameters to IMNOISE. All numerical parameters are normalized; they correspond to operations with images with intensities ranging from 0 to 1.更详细的可以查看帮助祝你学习愉快！

就是噪声所占当前全部像素的百分比。如果是0.05，就是说有百分之5的像素受到影响

高斯噪点跟椒盐噪点的特点，他们呈现的映像不同高斯模糊，椒盐是点粒

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

自己产生[x,y] 2维随机数，用分布函数为权，取用点的个数就可以了。如考虑中心对称，用极座标[r,sita] 也许更方便。2维椒盐噪声，即产生[x,y,1] 和 [x,y,0], 1 是白点，0是黑点。计算机的伪随机数，就是白噪声，均匀分布。

不是因为加噪声有用，而是为了【演示】滤波降噪的效果。这就跟为了演示洗衣粉的效果，做广告时会先把衣服弄脏一样。

%%中值I=imread("lena.bmp"); %读原图J1=imnoise(I,"salt & pepper",0.02); %加均值为0，方差为0.02的椒盐噪声J2=imnoise(I,"gaussian",0.02); %加均值为0，方差为0.02的高斯噪声。subplot(2,2,1),imshow(J1); %显示有椒盐噪声图像subplot(2,2,2),imshow(J2); %显示有高斯噪声图像I1= medfilt2(J1,[5,5]); %对有椒盐噪声图像进行5×5方形窗口中值滤波I2= medfilt2(J2,[5,5]); %对有高斯噪声图像进行5×5方形窗口中值滤波subplot(2,2,3),imshow(I1); %显示有椒盐噪声图像的滤波结果subplot(2,2,4),imshow(I2); %显示有高斯噪声图像的滤波结果 %%均衡I=imread("lena.bmp"); %将图读入到Iimshow(I); %显示图像figure,imhist(I); %直方图I2=histeq(I); %均衡化figure;imshow(I2); %处理后图像显示figure;imhist(I2); %均衡化后直方图imwrite(I2,"lena2.bmp"); %保存图像

使用imwrite函数，当利用imwrite函数保存图像时，Matlab缺省的方式是将其简化道uint8的数据格式。 比如你的图片在数组H中，要把它保存成图像用inwrite指令：imwrite(H,"F:毕业设计加噪后的图像.jpg"); 此语句的意义为：把数组H输出为jpg格式的图片；图片名称：加噪后的图像；保持路径为 F:毕业设计。若不写路径，则保存到当前程序所在的文件夹，默认的是MATLAB安装文件夹里的work文件夹。

图像降噪是图像处理中的专业术语。在现实生活中，我们看到的数字图像，在数字化和传输过程中由于常受到成像设备与外部环境噪声干扰等影响，把这些图像称为含噪图像或者叫噪声图像。减少数字图像中噪声的过程称为图像降噪,有时候又称为图像去噪。图像滤波就是在尽量保留图像细节特征的条件下，对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。图像滤波是图像降噪的方法，图像降噪有很多方法，主要有：1、均值滤波器 此法适用于去除通过扫描得到的图象中的颗粒噪声。领域平均法能够有力地抑制噪声,同时也由于平均而引起了模糊现象,模糊程度与邻域半径成正比。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,但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。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。2、自适应维纳滤波器它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。3、中值滤波器它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领域中各点值的中值代换。其主要功能是让周围象素灰度值的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。4、形态学噪声滤除器此方法适用的图像类型是图象中的对象尺寸都比较大,且没有细小的细节。它将开启和闭合结合起来来滤除噪声，先对有噪声图象进行开启操作,可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作,将图象上的噪声去掉。5、小波去噪这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤:(1)对图象信号进行小波分解。(2)对经过层次分解后的高频系数进行阈值量化。(3)利用二维小波重构图象信号。

刚刚做完，运行没问题的，就贴给你吧。7×7、11×11你自己改啦！哈哈，第一次在百度知道回答问题……clear;clc;I=imread("红萝卜[灰白].JPG");[a,b]=size(I);figuresubplot(1,2,1);imshow(I);title("灰白原图");K=imnoise(I,"salt & pepper",0.02);[a,b]=size(K);subplot(1,2,2);imshow(K);title("加椒盐噪声后图像");%3*3中值滤波for i=1:a for j=1:b if(i==1|i==a|j==1|j==b) G(i,j)=K(i,j); else temp(1)=K(i-1,j-1); temp(2)=K(i-1,j); temp(3)=K(i-1,j+1); temp(4)=K(i,j-1); temp(5)=K(i,j); temp(6)=K(i,j+1); temp(7)=K(i+1,j-1); temp(8)=K(i+1,j); temp(9)=K(i+1,j+1); temp=sort(temp); G(i,j)=temp(5); end endendfiguresubplot(1,2,1);imshow(G);title("3×3中值滤波后的图像");%5*5中值滤波for i=1:a for j=1:b if(i==1|i==2|i==a-1|i==a|j==1|j==2|j==b-1|j==b) G5(i,j)=K(i,j); else temp(1)=K(i-2,j-2); temp(2)=K(i-2,j-1); temp(3)=K(i-2,j); temp(4)=K(i-2,j+1); temp(5)=K(i-2,j+2); temp(6)=K(i-1,j-2); temp(7)=K(i-1,j-1); temp(8)=K(i-1,j); temp(9)=K(i-1,j+1); temp(10)=K(i-1,j+2); temp(11)=K(i,j-2); temp(12)=K(i,j-1); temp(13)=K(i,j); temp(14)=K(i,j+1); temp(15)=K(i,j+2); temp(16)=K(i+1,j-2); temp(17)=K(i+1,j-1); temp(18)=K(i+1,j); temp(19)=K(i+1,j+1); temp(20)=K(i+1,j+2); temp(21)=K(i+2,j-2); temp(22)=K(i+2,j-1); temp(23)=K(i+2,j); temp(24)=K(i+2,j+1); temp(25)=K(i+2,j+2); temp=sort(temp); G5(i,j)=temp(13); end endendsubplot(1,2,2);imshow(G5);title("5×5中值滤波后的图像");

Bitmap image = new Bitmap(50,22); Graphics g = Graphics.FromImage(image); try { //生成随机生成器 Random random = new Random(); //清空图片背景色 g.Clear(Color.White); //画图片的背景噪音线 for (int i = 0; i < 25; i++) { int x1 = random.Next(image.Width); int x2 = random.Next(image.Width); int y1 = random.Next(image.Height); int y2 = random.Next(image.Height); g.DrawLine(new Pen(Color.Silver), x1, y1, x2, y2); } Font font = new Font("Arial", 12, (FontStyle.Bold | FontStyle.Italic)); LinearGradientBrush brush = new LinearGradientBrush(new Rectangle(0, 0, image.Width, image.Height), Color.Red, Color.Crimson, 1.2f, true); g.DrawString(checkCode, font, brush, 0, 0); //画图片的前景噪音点 for (int i = 0; i < 100; i++) { int x = random.Next(image.Width); int y = random.Next(image.Height); image.SetPixel(x, y, Color.FromArgb(random.Next())); } //画图片的边框线 g.DrawRectangle(new Pen(Color.Silver), 0, 0, image.Width - 1, image.Height - 1); System.IO.MemoryStream ms = new System.IO.MemoryStream(); image.Save(ms, System.Drawing.Imaging.ImageFormat.Gif); Response.ClearContent(); Response.ContentType = "image/Gif"; Response.BinaryWrite(ms.ToArray()); } finally { g.Dispose(); image.Dispose(); }希望对你有帮助

Matlab 函数 imnoise 可以添加 高斯噪声、椒盐噪声等。建议你直接使用imnoise 函数。

去噪。在去噪同时，较好的保持边缘轮廓细节，适合处理椒盐噪声，但对高斯噪声效果不好。

首先，中心极限定理就是不论随机变量自身服从什么分布，在符合一定条件的情况下，将随机变量的均值进行标准化后都近似服从正态分布。噪声因子也不例外，首先不同时间点的噪声一般都是独立同分布，而且均值为0，所以自然符合中心极限定理的要求。如果解答仍然不满意可以讨论。

椒盐噪声和高斯白噪的处理方式是不一样的。经典的去除椒盐噪声的方法是自适应中值滤波，你可以百度一下算法的具体实现。高斯白噪我一般用小波阈值收缩去噪，具体方法你去百度就可以了。

逆谐波滤波和最大最小值滤波是数字图像处理中常用的两种滤波算法，它们的主要区别在于以下几个方面：1. 滤波原理：逆谐波滤波和最大最小值滤波使用的滤波原理不同。逆谐波滤波基于幂律函数对信号进行滤波，可用于滤除椒盐噪声等可能出现的异常像素；而最大最小值滤波则是基于像素邻域内的最大值和最小值来决定输出像素的灰度值，从而达到去除图像中的噪声效果。2. 适用场景：逆谐波滤波和最大最小值滤波适用于不同的图像噪声处理场景。逆谐波滤波适用于表面具有一些明显特征的图像，如花纹、线条、边缘等，通过调整幂指数或滑动窗口大小可以平衡平滑度和细节保留度；最大最小值滤波适用于处理高斯噪声、椒盐噪声等强度比较小的噪声，能够有效地去除噪声，但容易导致图像细节损失。3. 滤波效果：逆谐波滤波和最大最小值滤波的滤波效果也有所不同。逆谐波滤波在处理椒盐噪声等强度较高的噪声时效果较好，能够保留图像的细节信息，但在处理高斯噪声时效果相对较差；而最大最小值滤波在处理强度较小的噪声时表现良好，但在去除噪声的同时可能会损失图像细节。综上所述，逆谐波滤波和最大最小值滤波都是常用的数字图像处理算法，其主要区别在于滤波原理、适用场景和滤波效果等方面。选择哪种算法需要针对具体的应用场景进行评估和选择。

也称为 box filter、均值滤波器，就是简单地将每个像素的值替换成邻域平均值。 如果用 kernel （也称为 mask) 表示，就是 如果采用积分图的方法，可以更快的计算这种 box filter 的结果。 在积分图中，只需要三次加法运算，一次乘法运算即可，即通过积分图，算出 kernel 内部区域的像素和，然后取平均。 积分图中每一点 u200b 的值是原图中对应位置左上角区域所有值的和： 积分图的计算可以很高效： 每次计算只需要新增一个像素值，其他值都是之前已经计算出来的。 积分图一旦计算出来，对任意矩形区域内 像素和 的计算都可以在常数时间（即计算时间固定，与区域的大小无关）内完成，例如： 在高斯滤波器中，当前像素值取邻域的 加权平均 ，离当前像素越近，权重越大，权重服从高斯分布。 在实际应用中，几乎总是首选高斯滤波器，很少直接用 box filter. 上述命令中，最后两个参数 kernel size 和 u200b 如果只设置一个，则另一个可以通过以下公式推出： 第二个式子很好理解，就是借助高斯函数的性质（距离均值 3 个标准差范围内的取值占总数的 99.7%），因此窗口大小就是 3 倍的 u200b *2 （两边）然后再加上 1 （自身）。 第一个式子与第二个非常近似，但是又做了一些微调。 上述高斯滤波器内部实际上是先调用如下函数，产生服从高斯分布的一系列权重： 上述 9 个权重是经过归一化的，即和为 1，其公式为 其中 u200b 满足归一化的要求，ksize 必须是奇数。如果要生成二维的高斯矩阵权重，则是先产生一个权重列向量，然后令该列向量与自身的转置相乘，得到高斯矩阵权重，最后再统一进行归一化，保证矩阵所有元素和为 1。 另外，还可以分别产生两个不同的高斯权重向量，对应行和列方向上的高斯模糊权重，然后把它们相乘得到高斯矩阵。由于满足这种分离的性质，高斯滤波器被称为可分离的滤波器。 前边在进行滤波操作时，都只包含线性操作（算数平均、加权平均）。 另外还可以采用非线性操作，对应非线性滤波器。非线性滤波器不能表示成 kernel 矩阵卷积操作的形式。 中值滤波器是一种非线性滤波器。它把当前像素和邻域像素组成一个集合，排序之后，选择中间值（即排序中间位置的数值）替换当前像素值。 椒盐噪声 ：像素随机替换成白色或者黑点。在通讯时，如果部分像素值丢失，就会产生这种噪声。 中值滤波器可以有效的消除椒盐噪声，因为这些噪声点在排序时很难成为中间值，因此全都被剔除了。 Sobel 也是线性滤波器，只不过采用了特殊的 kernel 矩阵： 分别针对水平方向和垂直方向的操作。 用上述 kernel 进行操作，就是计算水平或者垂直方向像素值的差分，近似反映了像素值水平和垂直变化的速度，合在一起就是图像梯度的近似。 在默认情况下，差分运算的结果很可能超过 [0,255] 这个范围，而且有正有负，应该用 CV_16S 数据类型表示。经过上述缩放和偏移之后，才勉强适合用 CV_8U 表示，但还是需要饱和截断操作。 在分别得到横向、纵向变化率之后，可以整合起来计算梯度的大小 一般如果要显示最后的 sobel 边缘检测的结果，还需要把上述模值转化到 [0,255] 范围内。 sobel 实际上包含了平滑和求导两个操作，其中邻域像素累加相当于高斯平滑，距离越近的像素权重越高。 sobel 的 kernel size 可以选择 1, 3, 5 和 7，其中 1 代表 1×3 或者 3×1，此时是没有高斯平滑的。 对于大的 size，这种平滑更明显。此时，sobel 不是高通滤波器，而是带通滤波器，既消除了部分高频，又消除了部分低频。 与 Sobel 算子类似的还有其他几个计算梯度的算子，只是采用不同的 kernel. 上述所有的滤波器都是近似计算图像函数的一阶导数，像素变化大的区域计算得到的值较大，平坦的区域计算值较小。 sobel 算子通过对图片函数求导，那些数值绝对值较高的点对应了边界区域： 如果继续求二阶导，则导数较大的点对应了过零点： 因此，也可以通过搜索二阶导的过零点来检测边界点。 Laplacian 算子的定义 ： 对照 Hessian 矩阵： Laplacian 算子实际上就是 Hessian 矩阵的 Trace。 具体到图像操作中，二阶导有如下表达式： 所以最终 Laplacian 算子表达式为： 在具体实现中，可以用以下 kernel 进行卷积操作： Laplacian 算子具有旋转 90 度不变性，即一幅图旋转 90 度及其倍数，对应的 Laplacian 算子操作结果相同。 为了得到更好的旋转不变性，可以将 Laplacian 算子 kernel 扩展为如下形式： 这样就具有了旋转 45 度及其倍数的不变性。 Laplacian 算子对噪声比较敏感，因此一般在进行 Laplacian 之前先进行高斯平滑滤波。 两个步骤合并称为 LoG (Laplacian of Gaussian)。 在具体实现中，我们并不需要先高斯再拉普拉斯，而是两步并作一步：将拉普拉斯算子作用在高斯 kernel 上，得到新的 kernel，再与 image 做卷积： 最后作用在 u200b 位置上的卷积权重为 同样也是通过 u200b 设定滤波范围。 对高斯函数取拉普拉斯算子操作是什么样子的？ 二维情况下得到的曲面很像“墨西哥草帽”。 u200b 的大小决定了检测的粗粒度： Difference of Gaussians 为了减少 LoG 计算量，用两个不同 u200b 的高斯做差，来近似 LoG 上图中两个 u200b 的取值好像反了。。。

图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。很多时候将图像噪声看成是多维随机过程，因而描述噪声的方法完全可以借用随过程的描述，即用其概率分布函数和概率密度分布函数。按概率密度函数（PDF）图像噪声的分类 ：高斯噪声：在空间域和频域中，由于高斯噪声(也称为正态噪声)在数学上的易处理性，这种噪声模型经常被用于实践中。瑞利噪声：瑞利密度对于近似偏移的直方图十分适用。伽马(爱尔兰)噪声。指数分布噪声 。均匀分布噪声。脉冲噪声(椒盐噪声)：双极脉冲噪声也称为椒盐噪声，有时也称为散粒和尖峰噪声。

高斯噪声：又叫白噪声满足高斯分布也就是初中学的那个正态分布的噪声最典型的下雨的声音收音机收不到电台信号时候的沙沙声都是高斯噪声泊松噪声：也叫散粒噪声不用多说满足泊松分布可以理解成高斯噪声在低粒度下的近似毕竟在大粒度下分布趋近于高斯分布成因是光具有量子特性，到达光电检测器表面的量子数目存在统计涨落，因此，图像监测具有颗粒性也就表现为泊松噪声啦椒盐噪声：也叫脉冲杂讯是一种复杂的复合分布表现在图像上就像你撒了椒盐一样成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等这些都只是比较典型的噪声但我猜聪明的你可能想到了：按统计中概率分布的不同是不是都对应了一种噪声呀？答案当然是肯定的比如以后可能会学到的伽马分布瑞利分布之类的都有自己对应的噪声但它们有什么形式和性质和应用呢？就靠聪明的你去研究咯

1、打开Matlab，点击“新建脚本”，如下图所示。2、在代码编辑区输入代码，先利用Imread函数读取图像，然后使用Imshow函数将图像展示出来，以便与添加噪声后的图像做对比。3、Matlab中利用imnoise函数可以添加各种噪声，而使用“gaussian”参数就可以添加高斯噪声。4、选择保存位置，并为m文件重命名，如下图所示所示，设置完成，点击“保存”。5、这样，就在Matlab中为图像添加了高斯噪声，并且把一组对比图显示在同一个窗口中，如下图所示。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。

g=imnoise(f,"salt&pepper",d)用椒盐噪声污染图像f,其中d是噪声密度（即包括噪声值的图像区域的百分比）.因此,大约有d*numel（f）个像素受到影响.默认的噪声密度为0.05.所以0.02就是百分之二啊,

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

是给图片加10%的盐噪声和10%的椒噪声。

加入椒盐噪声的方法有误。方法如下：Matlab中为图片加噪声的语句：　　1、J=imnoise(I,type);　　2、J=imnoise(I,type,parameters);　　其中，I为原图象的灰度矩阵，J为加噪声后图象的灰度矩阵；　　也可以使用WGN，产生高斯白噪声；　　语句如下：　　1、y=wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。　　2、y=wgn(m,n,p,imp)以欧姆(Ohm)为单位指定负载阻抗。　　3、y=wgn(m,n,p,imp,state)重置RANDN的状态。

可以使用下面这个函数添加噪声imnoise滤波的方法请查看参考资料 J = IMNOISE(I,TYPE,...) Add noise of a given TYPE to the intensity image I. TYPE is a string that can have one of these values: "gaussian" Gaussian white noise with constant mean and variance "localvar" Zero-mean Gaussian white noise with an intensity-dependent variance "poisson" Poisson noise "salt & pepper" "On and Off" pixels "speckle" Multiplicative noise Depending on TYPE, you can specify additional parameters to IMNOISE. All numerical parameters are normalized; they correspond to operations with images with intensities ranging from 0 to 1.更详细的可以查看帮助祝你学习愉快！

自己产生[x,y] 2维随机数，用分布函数为权，取用点的个数就可以了。如考虑中心对称，用极座标[r,sita] 也许更方便。2维椒盐噪声，即产生[x,y,1] 和 [x,y,0], 1 是白点，0是黑点。计算机的伪随机数，就是白噪声，均匀分布。

每一幅图像都包含某种程度的噪声，噪声可以理解为由一种或者多种原因造成的灰 度值的随机变化，如由光子通量的随机性造成的噪声等，在大多数情况下，通过平滑技术（也常称为滤波技术）进行抑制或者去除， 其中具备保持边缘（Edge Preserving）作用的平滑技术得到了更多的关注。常用的平滑处理算法包括基于二维离散卷积的高斯平滑、均值平滑，基于统计学方法的中值平滑，具备保持边缘作用的平滑算法的双边滤波、导向滤波等。 I与K的二维离散卷积的计算步骤如下。 显然，高为H1、宽为W1的矩阵I与高为H2、宽为W2的卷积核K 的full卷积结果是一 个高为 H1+H2-1 、宽为 W1+W2-1 的矩阵，一般H2 ≤H1，W2 ≤W1。 从full卷积的计算过程可知， 如果Kflip靠近I 的边界， 那么就会有部分延伸到I之外而导致访问到未定义的值， 忽略边界，只是考虑I能完全覆盖Kflip内的值的情况， 该过程称为valid卷积。 当然， 只有当H2≤H1且W2≤W1时才会存在 valid卷积 。 为了使得到的卷积结果和原图像的高、宽相等，所以通常在计算过程中给Kflip指定 一个“锚点”， 然后将“锚点”循环移至图像矩阵的（r， c） 处， 其中0≤r< H1， 0≤c<W1，接下来对应位置的元素逐个相乘，最后对所有的积进行求和作为输出图像矩阵在 （r， c） 处的输出值。这个卷积过程称为same卷积， 大部分时候，为了更方便地指定卷积核的锚点，通常卷积核的宽、高为奇数，那么可以简单地令中心点为锚点的位置。same卷积是full卷积的一部分，而如果valid卷积存在，那么valid卷积是same卷积的一部分。 对于full卷积和same卷积，矩阵I 边界处的值由于缺乏完整的邻接值，因此卷积运算 在这些区域需要特殊处理，方法是进行边界扩充，有如下几种常用方式。 利用上述不同的边界扩充方式得到的same卷积只是在距离矩阵上、下、左、右四个边界小于卷积核半径的区域内值会不同，所以只要在用卷积运算进行图像处理时，图像的重要信息不要落在距离边界小于卷积核半径的区域内就行。 如果一个卷积核至少由两个尺寸比它小的卷积核full卷积而成，并且在计算过程中在所有边界处均进行扩充零的操作，且满足 其中kerneli的尺寸均比Kernel小，1≤i≤n，则称该卷积核是可分离的。 在图像处理中经常使用这样的卷积核，它可以分离为一维水平方向和一维垂直方向上的卷积核。 （1）full卷积性质 如果卷积核Kernel是可分离的， 且Kernel=kernel1★kernel2， 则有： （2）same卷积性质 其中 其中，根据可分离卷积的性质，有 理解了上述高斯平滑的过程， 就可以明白OpenCV实现的高斯平滑函数： 从参数的设置可以看出， GaussianBlur 也是通过分离的高斯卷积核实现的，也可以令水平方向和垂直方向上的标准差不相同，但是一般会取相同的标准差。 当平滑窗口比较小时， 对标准差的变化不是很敏感， 得到的高斯平滑效果差别不大； 相反，当平滑窗口 较大时，对标准差的变化很敏感， 得到的高斯平滑效果差别较大 。 利用卷积核 的分离性和卷积的结合律，虽然减少了运算量，但是随着卷积核窗口的增加，计算量仍会继续增大，可以利用图像的积分，实现时间复杂度为O（1）的快速均值平滑。 即任意一个位置的积分等于该位置左上角所有值的和。 利用矩阵的积分，可以计算出矩阵中任意矩形区域的和。 中值滤波最重要的能力是去除椒盐噪声。椒盐噪声是指在图像传输系统中由于解码误差等原因，导致图像中出现孤立的白点或者黑点。 一般来说，如果图像中出现较亮或者较暗的物体，若其大小小于中值平滑的窗口半径，那么它们基本上会被滤掉，而较大的目标则几乎会原封不动地保存下来。 中值平滑需要对邻域中的所有像素点按灰度值排序， 一般比卷积运算要慢。 在OpenCV中同样通过定义函数： 此外， 中值平滑只是排序统计平滑中的一种， 如果将取邻域的中值变为取邻域中的 最小值或者最大值， 显然会使图像变暗或者变亮。 这类方法就是后面要介绍的形态学 处理的基础。 高斯平滑、均值平滑在去除图像噪声时，会使图像的边缘信息变得模糊，接下来就 介绍在图像平滑处理过程中可以保持边缘的平滑算法： 双边滤波和导向滤波。 双边滤波是根据每个位置的邻域， 对该位置构建不同的权重模板。 详细过程如下： 其中0≤h<winH， 0≤w<winW， 且每个位置的空间距离权重模板是相同的。 其中0≤h<winH， 0≤w<winW， 显然每个位置的相似性权重模板是不一样的。 整个过程只在第二步计算相似性权重模板时和双边滤波不同， 但是对图像平滑的效果， 特别是对纹理图像来说， 却有很大的不同。 扩展 循环引导滤波 是一种 迭代 的方法， 本质上是一种多次迭代的联合双边滤波， 只是每次计算相似性权重 模板的依据不一样——利用本次计算的联合双边滤波结果作为下一次联合双边滤波计算 相似性权重模板的依据。 导向滤波在平滑图像的基础上，有良好的保边作用， 而且在细节增强等方面都有良好的表现，在执行时间上也比双边滤波快很多。

去除效果差。平几何均滤波器，其特点是核需要进行归一化处理。其中不能使用几何平均滤波器去除胡椒粉噪音的原因是去除效果差。椒盐噪声的成因是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。

%%%%中值滤波得加窗I=imread("D:picture.jpg");figure;imshow(I);g=medfilt2(I,[5 5]);%中值滤波figure;imshow(g);希望对你能有所帮助。

Matlab中为图片加噪声的语句是：(1)J = imnoise(I,type);(2)J = imnoise(I,type,parameters);其中I为原图象的灰度矩阵,J为加噪声后图象的灰度矩阵;一般情况下用(1)中表示即可,(2)中表示是允许修改参数,而(1)中使用缺省参数;至于type可有五种,分别为"gaussian"(高斯白噪声),"localvar"(与图象灰度值有关的零均值高斯白噪声),"poisson"(泊松噪声),"salt & pepper"(椒盐噪声)和"speckle"(斑点噪声);具体(2)中参数值的设定可根据个人需要;其余情况以及若还有不懂请参考Matlab帮助文件。在此使用"salt & pepper"(椒盐噪声)，并将其参数设置为0.6。其例子如下：L = imread(‘image_ori.jpg");J = imnoise(L, ‘salt & pepper", 0.6);imshow(J); //立即弹出窗口，显示加了噪声后的图片imwrite(J, ‘image_noise.jpg", ‘jpg", ‘Quality", 100); //按100%的质量存储加了噪声的图片，Quality的默认值为75.以上程序就表示把原图像加入椒盐噪声，但注意要把图像和以上程序的M文件放在同一个子目录下。

噪声是妨碍人们感觉器官对所接收的信源信息理解的因素。是不可预测， 只能用概率统计方法来认识的随机误差。噪声分类加性噪声：噪声和图像信号的强度不相关，如图像在传输过程中引入的信道噪声，摄象机扫描噪声等。 g=f+n乘性噪声：噪声和图像信号相关，往往随图像信号的变化而变化，如飞点扫描图像中的噪声、电视扫描光栅、颗粒噪声等。 g=f+ fn量化噪声：数字图像的主要噪声源， 其大小显示出数字图像与原始图像的差异。对这类噪声减小的最好办法是采用按灰度级概率密度函数选择量化级的最优量化措施。椒盐噪声：即黑图像的白点、白图像上的黑点，往往由图像切割引起。