几种简单的滤波方式（未完）

从统计学的观点来看，凡是统计特征不随时间变化的噪声称为平稳噪声，而统计特征随时间变化的噪声称为非平稳噪声。幅值基本相同，但是噪声出现的位置是随机的，称为椒盐噪声；如果噪声的幅值是随机的，根据幅值大小的分布，有高斯型和瑞利型两种，分别称为高斯噪声和瑞利噪声。由于去除噪声处理的原理和方法很多，这里只给出了简单的描述和我自己已实现的几种方法的java源代码。

常见的去噪处理有均值滤波，中值滤波，灰度最小方差均值滤波，K近邻平滑滤波，对称近邻均值滤波，西戈玛平滑滤波等。

均值滤波

定义

均值滤波方法是，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。

如下图，1~8为(x,y)的邻近像素。

权系数矩阵模板

g = (f(x-1,y-1) + f(x,y-1)+ f(x+1,y-1) + f(x-1,y) + f(x,y) + f(x+1,y)  + f(x-1,y+1) + f(x,y+1) + f(x+1,y+1))/9

方法优缺点

优点：算法简单，计算速度快；对高斯噪声的处理效果好

缺点：降低噪声的同时使图像产生模糊，特别是景物的边缘和细节部分。

代码：

I=imread('lena.jpg');
[m n]=size(I);
I1=zeros(m,n);
for i=2:m-1
for j=2:n-1
for k=-1:1
for p=-1:1
I1(i,j)=I1(i,j)+I(i+k,j+p)*1/9;
end
end
end
end
imshow(I1,[]);

中值滤波

定义

中值滤波方法是，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，对模板的像素由小到大进行排序，再用模板的中值来替代原像素的值的方法。

权系数矩阵模板

g = median[(x-1,y-1) + f(x,y-1)+ f(x+1,y-1)  + f(x-1,y) + f(x,y) + f(x+1,y)  + f(x-1,y+1) + f(x,y+1) + f(x+1,y+1)]

代码：

x=imread('lena.jpg');
y=imnoise(x,'salt & pepper',0.04); %加椒盐噪声
z=medfilt2(y(:,:),[5 5],'symmetric'); %中值滤波
imshow(z);
imwrite(z,'medfilt.jpg');
title('zhongzhilvbo');

中值滤波的：主要针对椒盐噪声的处理效果好；

3、高斯平滑滤波器(Gaussian Smoothing Filter)

高斯平滑滤波器被使用去模糊图像，和均值滤波器差不多，但是和均值滤波器不一样的地方就是核不同。均值滤波器的核每一个值都是相等，而高斯平滑滤波器的核内的数却是呈现高斯分布的。

对于二维高斯分布：

它的分布图如下：

作为高斯平滑滤波器的核就应该呈现出上图的布局，例如：

一般而言，高斯平滑滤波器要优于均值滤波器。

一般在使用时我们用的模板是：

[1 2 1;2 4 2;1 2 1]/16   的模板

编程类似中值滤波的过程