数字图像多噪声多均值平滑设计与实现

1、 学号本科毕业设计 学 院 专 业 年 级 姓 名 设计题目 数字图像多噪声多均值平滑设计与实现 指导教师 职称 年 月 日目 录摘 要1Abstract11绪论21.1数字图像处理的背景21.2数字图像处理的发展及应用21.3 数字图像处理均值滤波研究的意义31.4 MATLAB图形用户界面（GUI）31.5 本文的主要工作及结构安排42 数字图像多噪声多均值平滑的原理42.1 数字图像处理基础42.2 噪声函数52.3 均值平滑滤波83 数字图像多噪声多均值平滑设计实验93.1 改变模板（窗）的算法93.2改变模板（窗）的形状103.3改变模板（窗）的大小113.4改变噪声类型123.5

2、GUI模块仿真与实现 124总结与展望  174.1总结174.2展望17参考文献19附录：20数字图像多噪声多均值平滑设计与实现摘 要：由于系统在图像处理过程中，处在比较复杂的环境中，图像会受到由仪器和环境产生的各种各样的噪声干扰。在一定情况下，噪声会变成可见的颗粒状覆盖在图像上，不仅使图像在视觉上质量下降，可能还会使一些重要的细节丢失，为此必须对图像进行滤波除噪平滑处理。常用的滤波手段有线性滤波器和非线性滤波器。而采用线性滤波，能在一定程度上有效的还原因受到噪声干扰而质量变差的图像。本论文是在图像受到多种噪声如椒盐噪声、高斯噪声、随机噪声、乘性噪声、泊松噪声污

3、染的情况下，在MATLAB中使用多种均值算法如算术均值、几何均值、谐波均值等，由多种形状的窗进行除噪，以此观察对多种噪声使用多种均值除噪的效果。最后运用MATLAB中GUI进行仿真。关键词： 多噪声；算术均值；几何均值；谐波均值；除噪；GUI Digital image noise mean smoother design and implementation Abstract：Because the system during processing of the image, in more complex environments, the image will be all kinds

4、of noise generated by the instrument and the environment. In some cases, the noise will become visible on the particle shape covering the image of not only the Visual quality of the image may also cover some important details, which requires filtering process the image. Commonly used means of filter

5、ing were linear filters and effects filters. Using linear filter was an effective way to resolve the image polluted by various noise ,which had poor quality. This papers was in images polluted by variety noise as salt and pepper noise, Gaussian noise, random noise,took sex noise and parking pine noi

6、se pollution of situation,Using variety were value algorithm as arithmetic geometry and harmonic ,by variety shape of window for except noise, to this observation on variety noise using variety are value except noise of effect. Last using a graphical user interface developed in MATLAB environment to

7、 achieve.Keywords: more noise; arithmetic mean value; geometric mean; harmonic mean; filtering noise；guide1绪论1.1数字图像处理的背景在计算机中，图像是以数字的方式存储与工作的，也就是说，数字图像其实是用数字信号来表示的图像1。而图像在人类科技生活和信息传递方面起着重要作用，故现代科学技术的发展与数字图像处理技术的发展息息相关，所谓数字图像处理技术，就是通过计算机对图像进行去除杂点、增强、复原、分割、提取特征等处理的方法和技术2 。1.2数字图像处理的发展及应用数字图

8、像处理最早出现于20世纪50年代，最初进行图像处理是为了通过各种处理方法在视觉上改善图像质量，随着科学技术的迅猛发展，特别是受工业技术、多媒体技术、通信传输、航空航天、军事公安、生物医学等行业快速发展的需求刺激，图像处理与分析的许多方面也发生着日新月异的变化，因此，它是一门迅速发展的学科3。图像处理技术发展到今天，许多技术已日趋成熟，在各个领域的应用取得了巨大的成功和显著地经济效益，在多媒体技术、通信传输、医学以及科学研究中的应用已十分普遍4，其最典型的应用领域如下：Ø 航空航天数字图像处理技术被广泛应用于航空航天技术方面，例如在进行宇宙探索时，对星体图片的处理；在利用飞机和卫星的遥

9、感技术中，进行农林资源调查，作物长势监视，自然灾害（水、火、风、虫等）监测、预报，地势、地貌以及地质构造测绘，找矿，水文、海洋调查，环境污染监测等等2。Ø 生物医学数字图像处理在生物医学工程方面的应用非常广泛，而且很有成效，除了CT技术之外，还有一类是对医学显微图像的处理分析，如红细胞、白细胞分类，染色体分析，癌细胞识别等，此外，在X光肺部图像增晰、超声波图像处理、心电图分析、立体定向放射治疗等医学诊断方面都广泛地应用图像处理技术2。Ø 工业生产的质量控制在生产线中对生产的产品及部件进行无损检测也是图像处理技术的一个广泛的应用领域，如食品包装出厂前的质量检查，浮法玻璃生产线

10、上对玻璃质量的监控和筛选，甚至在工件尺寸测量方面也可以采用图像处理的方法加以自动实现，另外铁谱分析也是一个典型的应用4。Ø 军事公安在军事方面图像处理和识别主要应用于导弹的精确制导，各种侦察照片的判读，具有图像传输、存储和显示的军事自动化指挥系统，飞机、坦克和军舰模拟训练系统等，公安业务图片的判读分析，如指纹识别，人脸鉴别，不完整图片的复原以及交通监控和事故分析等，目前已投入运行的高速公路不停车自动收费系统中的车辆和车牌的自动识别都是图像处理技术成功应用的例子2。以上简单介绍了数字图像处理技术在科学技术领域的较为典型的应用，实际生活中，该技术的运用体现在方方面面，在经济、政治、文化各

11、项发展中占有重要地位。1.3 数字图像处理均值滤波研究的意义由于系统在图像处理过程中，处在比较复杂的环境中，图像会受到来自多方面多种多样的噪声干扰，在一定情况下，噪声会变成可见的颗粒形状覆盖在图像上，不但使图像在人视觉上质量有所下降，可能还会使一些重要的细节丢失，为此必须对图像进行滤波除噪处理，而均值滤波器可以使用多种均值算法，在一定程度上有效地还原因受到噪声干扰而质量变差的图像，其应用十分广泛。例如利用均值平滑滤波对数字图像进行处理，可使图像变得模糊，从而达到消除空洞和连接曲线目标断裂处的目的5。研究均值滤波，可以根据污染图像的噪声的特点，选择出平滑滤波效果最好的形状和大小的窗，从而有效还原

12、图像。1.4 MATLAB图形用户界面（GUI）MATLAB中的Guide由窗口、菜单、对话框等各种图形对象组成，它是专门用来为组织图形用户界面提供了一组丰富的工具，这些工具将会大大简化GUI设计与生成的过程，如果要在MATLAB命令窗口中打开已有的GUIDE，可直接输入guide filename(文件名)，GUIDE把GUI设计的内容保存在两个文件中，一个扩展名是.fig的FIG文件，它包含对GUI和GUI组件的完整描述，另一个扩展名是.m的M文件，它包含控制GUI的代码和组件的调用代码，这两个文件与GUI显示和编程任务相对应，在设计版面时，可以根据实际需要选择GUI组件6。1.5 本文的

13、主要工作及结构安排1.5.1 主要工作本文中将使用多种均值的算法，即算术均值、几何均值，编写多种形状的窗函数程序，如正方形、圆形、米字形等5种窗，并改变窗的大小，使用MATLAB软件，将原彩色图转换成灰度图，在灰度图上加入椒盐、高斯、乘性等噪声，分别对遭到不同噪声污染的图像进行平滑滤波，最终得出相应结论。1.5.2结构安排本文一共由四章组成，各章节主要内容如下：第1章，绪论。对数字图像处理的背景、发展及应用做了简单的概括，说明了本课题研究的意义，对MATLAB中图形用户界面做了简单的介绍，阐述本文的主要研究内容、主要工作和基本框架。第2章，数字图像多噪声多均值平滑的原理。本章主要简单介绍了数字

14、图像处理的基础知识和均值平滑滤波的原理，对噪声、均值和滤波使用的模板（窗）进行了说明。第3章，数字图像多噪声多均值平滑设计仿真实验。本章首先研究了算术均值和几何均值算法原理，并进行实验仿真，比较分析哪种平滑效果最好；其次根据选择出的最优算法，对同意加噪的图像进行滤波，比较分析何种模板（窗）平滑效果最好；然后根据所选最优的模板（窗），改变模板（窗）的大小，观察对图像平滑有何影响；最后根据所选最优大小和形状的模板（窗）对不同噪声进行滤波，观察分析对哪种噪声平滑效果最好。第4章，总结展望。总结全文所做的工作，对下一步工作进行预计展望。2 数字图像多噪声多均值平滑的原理2.1 数字图像处理基础我们可以

15、把一副图像定义为一个二维函数f（x,y），其中x和y是指空间（平面）坐标，而幅值f则称为图像在这一点的亮度，图像关于x,y和f都是连续的，对坐标和幅度进行数字化，即将其进行采样后会得到M行N列的图像和量化后，所得x、y和f都是有限的、离散的量，这时称图像为数字图像7。在对数字图像进行空间平滑滤波时，所用空间滤波器大致可以分为线性滤波器和非线性滤波器两种8。线性滤波器即均值滤波，而非线性滤波器较典型的是中值平滑滤波。Ø 均值滤波器平滑线性空间滤波器的输出是将包含在滤波模板邻域内像素的平均值赋给所取中心点，因此这种滤波器又称为均值滤波器9。均值滤波器用邻域的均值代替像素值的这种处理方式，

16、很明显在一定程度上将会减小了图像灰度的尖锐变化，从而使图像变得模糊。由于噪声可以看成是由这种灰度级的尖锐变化组成的，因此均值滤波这种平滑的滤波方法的主要应用就是减噪，即除去图像中不相干的细节，其中“不相干”是指与滤波模板尺寸相比较小的像素区域。Ø 中值滤波中值滤波是Tukey在1971年首次提出的概念，它是一种非线性平滑一维滤波器，随着科技发展的需要，又被引入到二维图像处理和分析中10。中值滤波采用对图像滤模板（窗）中邻域内所取像素的排序的方法，将每一像素点的灰度值设置为该点某邻域窗口内的所有的像素点的灰度值的中值11。通过这种处理方式，使得它的平滑滤波效果比小尺寸的线性平滑滤波器的

17、模糊程度明显要低，对处理脉冲干扰及椒盐噪声非常有效。中值滤波器的主要功能是使拥有不同灰度的点看起来更接近于它的邻近值，去除那些相对于其邻域像素更亮或更暗，并且其区域小于滤波器区域一半的孤立像素集12。2.2 噪声函数2.2.1椒盐噪声椒盐噪声又称脉冲噪声，其概率密度函数由下式给出： (2-1)如果b>a,则灰度值b和a分别表示一个亮点和一个暗点，若Pa、Pb任意一个为0，则脉冲噪声也叫做单级脉冲，若Pa和Pb都不能为0且值相近，椒盐噪声在图像上表现为椒盐颗粒且随机分布，所以双极脉冲噪声也称作椒盐噪声，此外脉冲噪声还被叫做散粒和尖峰噪声13。其添加程序为 b=imnoise(a,'

18、salt & pepper',d)；其中，a为输入原图像，d为噪声密度（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14。当改变d的大小时，其效果图如下图1所示：图1 添加不同噪声强度的椒盐噪声效果图由图可知，当噪声强度为0时，添加后的图像与原图像在视觉上一样，当d逐渐增大时，覆盖在图像上的噪声点点越来越多且越来越密。2.2.2高斯噪声高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其主要由阻性元器件内部产生，其概率密度函数由下式给出： （2-2） 其中z表示灰度值，表示z的平均或均值，叫做标准差。其添加程序为b=imnois

19、e(a,'gaussian',m,var)；其中m为均值，var表示方差。Ø 当固定方差改变均值时，其效果如图2所示：图2 添加不同均值的高斯噪声效果图由图可知当方差不变改变均值大小时，所加噪声在视觉上对图像影响不大。Ø 当固定均值改变方差时，其效果如图3所示：图3 添加不同方差值的高斯噪声效果图由图可知，当均值固定时，方差越大，噪声对图像污染越严重，图像越模糊。2.2.3乘性噪声乘性噪声是一种和图像信号相关的噪声，一幅含有和信号强度成比例的含噪图像可以表示为： （2-3）其噪声添加程序为：imnoise(a,'speckle',var)；其

20、中n(x,y)是均值为0、方差为var的均匀分布的随机噪声，当改变var的大小时，其效果图如图4所示：图4 添加不同方差的乘性噪声效果图由图可知，方差越大，覆盖在图像上的噪声越多，图像被污染的越严重。2.2.4泊松噪声泊松噪声是指概率密度函数符合泊松分布的噪声，且与输入信号有关，其概率密度函数由下式给出： P(k,)=e-k/k! (2-4)其中k表示随机事件的个数，表示均值和方差。其噪声添加程序为：imnoise(a，'poisson')；其添加效果图如图5所示：图5 添加泊松噪声效果图2.3 均值平滑滤波2.3.1 滤波模板（窗）在运用模板（窗）对图像进行平滑滤波时，首先选

21、取中心点（x,y），如果所取领域大小为m*n，则有mn个系数，求模板（窗）中所有像素的均值，再把该均值赋予当前像素点。本文中将使用正方形、圆形、十字形、米字形、叉形这5种模板（窗），模板（窗）如下图6所示：* （1）3*3正方形窗 （2）5*5圆形窗 （3）5*5十字形窗* （4）5*5米字形窗 （5）5*5叉形窗图6 多种滤波模板图表中*表示所选领域中的像素点，中心位置即为选取的中心点，也是所选像素均值所赋予的点。本文所调用模板（窗）程序见附录2.3程序。2.3.2 均值算法均值滤波可归结为矩形模板（窗）加权的有限冲激响应线性滤波器(在本文中，所求均值的权值皆为1)， 它的幅度特性的“主瓣”

22、 对应频率范围为(-2/N , 2/N )的区域(其中N 为矩形模板（窗）的窗口长度，也即滤波模板（窗）内的象素数目)，第一个“旁瓣” 比主峰低13 分贝。因此，均值滤波相当于低通滤波器，截止频率与N 成反比15。本文所用均值算法有两种，分别是算术均值和几何均值。Ø 算术均值其计算公式如下所示： （2-5） 其中Sxy表示中心点（x,y），m为所取像素的个数。Ø 几何均值其计算公式如下所示： （2-6） 其中Sxy表示中心点（x,y），m为所取像素的个数。 3 数字图像多噪声多均值平滑设计实验3.1 改变模板（窗）的算法在本节实验中，将针对同一张噪声图，运用同种形状和大小的

23、窗，分别使用算术均值和几何均值两种算法进行平滑滤波，观察比较哪种算法滤波效果最好。因此需运行出4幅图。第一幅图是将原彩色图转换成灰度图，第二幅图是添加噪声，本次所添加的噪声是噪声强度为0.1的椒盐噪声，第三幅图是使用算术均值算法滤波，第四幅图是使用几何均值算法滤波，而程序中使用的模板（窗）皆是7*7正方形，具体程序见附录3.1程序，仿真运行结果图如图7所示。图7 实验3.1运行结果图由结果图可知，几何均值滤波效果远远不如算术均值滤波的效果。故以下仿真将只使用算术均值算法进行滤波。3.2改变模板（窗）的形状在本节中，将针对同一噪声图，运用算术均值算法，改变模板（窗）的形状，即分别使用正方形、圆形

24、、十字形、米字形、叉形这5种模板（窗）进行平滑滤波，观察比较哪种形状的模板（窗）平滑效果最好。因此需运行出7幅图，第一幅图是将原彩色图转换成灰度图，第二幅图是添加噪声，本次所添加的噪声是噪声强度为0.1的椒盐噪声，第三幅图是使用5*5正方形模板（窗）滤波，第四幅图是使用圆形模板（窗）滤波，第五幅图是使用十字形模板（窗）滤波，第六幅图是使用米字形模板（窗）滤波，第七幅图是使用叉形模板（窗）滤波，具体程序见附录3.2程序，实验运行结果图如图8所示。图8 实验3.2运行结果图由以上运行结果图可知，针对同一张图片同一种噪声，使用算术均值算法编写并调用正方形、圆形、米字形、十字形和叉形5种窗函数进行滤波

25、后，正方形平滑效果最好，米字形次之，而效果最差的是十字形，滤波后很明显发现图像略微发黑。故在下一节中我们将观察使用算术均值算法正方形窗时，通过改变窗的大小，观察窗的大小对滤波会产生什么样的影响。3.3改变模板（窗）的大小在本节中，将针对同一噪声图，运用算术均值算法正方形模板（窗），改变模板（窗）的大小，即分别使用3*3、5*5、7*7、9*9、11*11这5种模板（窗）进行平滑滤波，观察比较哪种大小的模板（窗）平滑效果最好。因此需运行出7幅图，第一幅图是将原彩色图转换成灰度图，第二幅图是添加噪声，本次所添加的噪声是噪声强度为0.1的椒盐噪声，第三幅图是使用3*3正方形模板（窗）滤波，第四幅图是

26、使用5*5正方形模板（窗）滤波，第五幅图是使用7*7正方形模板（窗）滤波，第六幅图是使用9*9正方形模板（窗）滤波，第七幅图是使用11*11正方形模板（窗）滤波，具体程序见附录3.3程序，实验运行结果图如图9所示。图9 实验3.3运行结果图由以上可知，使用算术均值滤波，当n=7时，平滑效果最好。当n取值较小时，噪点不能被平滑掉，当n取值过大时，使图像变得比较模糊，尤其边缘部分更明显。由以上小节可得知，在使用算术均值和几何均值算法时，算术均值平滑效果更好，在使用算术均值算法的前提下，相比圆形窗、米字形窗、十字形窗和叉形窗，使用适当大小的正方形窗，对图像进行平滑处理效果更好。故在下节中，将使用7*

27、7的正方形窗针对多种噪声进行平滑处理，并观察对哪种噪声的平滑效果最好。3.4改变噪声类型在本节中，将针对同一灰度图，分别加入椒盐、高斯、乘性和泊松这四种噪声后，运用算术均值算法7*7正方形模板（窗），观察比较模板（窗）对哪种噪声平滑效果最好。因此需运行出9幅图，第一幅图是将原彩色图转换成灰度图，第二幅图是添加噪声强度为0.1的椒盐噪声，第三幅图是针对椒盐噪声的滤波图，第四幅图是添加均值为0.1、方差为0.01的高斯噪声，第五幅图是针对高斯噪声的滤波图，第六幅图是添加方差为0.01的乘性噪声，第七幅图是针对乘性噪声的滤波图，第八幅图是添加泊松噪声，第九幅图是针对泊松噪声的滤波图，具体程序见附录3

28、.4程序，实验运行结果图如图10所示。图10 实验3.4运行结果图由图10可知，在本次实验中，使用5*5的正方形模板（窗）平滑滤波时，对高斯噪声和泊松噪声滤波效果都很可观，相对而言，对椒盐噪声的平滑效果不是很理想。3.5 GUI模块仿真与实现 3.5.1针对实验3.1的GUI模块仿真在3.1节中，我们比较了在使用相同模板（窗），针对同一噪声图的前提下，算术均值和几何均值两种算法的滤波效果，如果要在MATLAB的图形用户界面中显示出来，在版面设计时，需要插入5张图，有3个菜单选项，3个菜单选项分别是文件、图像处理、滤波。如图11所示：图11 实验3.1图形用户界面其中文件菜单栏中有两个

29、选项分别是打开和保存，如图12中图（1）所示。当点击打开选项时，可以选择打开任意路径的图片，点击退出时，将退出该界面；图像处理菜单下灰度图和加噪两个菜单，加噪菜单下又有椒盐噪声、高斯噪声、乘性噪声和泊松噪声四个小选项，如图12中图（2）所示，以上功能以下几节均有，下面将不再累述；滤波菜单下有算术均值和几何均值两个选项，如图12中图（3）所示。 （1） （2） （3）图12 菜单选项图再根据3.1节中实验要求，在运行GUI时，选择添加的噪声为椒盐噪声，具体程序见附录3.5.1，仿真结果如图13所示。图13 实验3.1GUI仿真结果图3.5.2针对实验3.2的GUI模块仿真在3.2节中，在使用相同

30、算术均值算法，针对同一噪声图的前提下，我们比较了正方形、圆形、十字形、米字形、叉形这5种模板（窗）的滤波效果，如果要在MATLAB的图形用户界面中显示出来，在版面设计时，需要插入8张图，有3个菜单选项，3个菜单选项分别是文件、灰度图转换及加噪、滤波。如图14所示。图14 实验3.2图形用户界面本小节中滤波菜单下与上小节不同，所包含的5个选项分别是正方形窗、圆形窗、十字形窗、米字形窗、叉形窗，如图15所示。图15 菜单选项图再根据3.2节中实验要求，在运行GUI时，选择添加的噪声为椒盐噪声，具体程序见附录3.5.2，仿真结果如图16所示。图16 实验3.2GUI仿真结果图3.5.3针对实验3.3

31、的GUI模块仿真在3.3节中，在使用相同算术均值算法正方形窗，针对同一噪声图的前提下，我们比较了3*3、5*5、7*7、9*9、11*11这5种模板（窗）的滤波效果，如果要在MATLAB的图形用户界面中显示出来，在版面设计时，需要插入8张图，有3个菜单选项，3个菜单选项分别是文件、灰度图转换及加噪、滤波。如图17所示。图17 实验3.3图形用户界面本小节中滤波菜单下与上小节不同，所包含的5个选项分别是3*3、5*5、7*7、9*9、11*11，如图18所示。图18 菜单选项图再根据3.3节中实验要求，在运行GUI时，选择添加的噪声为椒盐噪声，具体程序见附录3.5.2，仿真结果如图19所示。图1

32、9 实验3.3GUI仿真结果图3.5.4针对实验3.4的GUI模块仿真在3.4节中，在对同一灰度图分别加入椒盐、高斯、乘性和泊松这四种噪声的前提下，我们比较了使用算术均值算法7*7正方形窗对这4种噪声进行平滑滤波的效果，如果要在MATLAB的图形用户界面中显示出来，在版面设计时，需要插入10张图，有3个菜单选项，3个菜单选项分别是文件、灰度图转换及加噪、滤波。如图20所示。图20 实验3.4图形用户界面本小节中滤波菜单下与上小节不同，所包含的4个选项分别是对椒盐噪声滤波、对高斯噪声滤波、对乘性噪声滤波和对泊松噪声滤波，如图21所示。图21 菜单选项图根据3.3节中实验要求，在运行GUI时，具体

33、程序见附录3.5.2，仿真结果如图22所示。图22 实验3.4 GUI仿真结果图4总结与展望  4.1总结在数字图像处理中，图像极易受到多种来源的噪声干扰，使图像质量变差，甚至会丢失一些重要的信息，而采用空间线性滤波器对受到噪声污染的图像进行滤波，可以在一定程度上有效的还原图像，为此，本文针对数字图像处理中多噪声多均值滤波设计进行了研究和探讨。本文首先研究了数字图像处理和噪声的基础知识以及均值滤波的基本原理，在此基础上，研究哪种模板（窗）对哪种噪声滤波效果最好，最后通过MATLAB中GUI进行仿真。本文的主要工作如下：1 根据算术均值和几何均值的算法不同，分别编写相应的模板

34、（窗）函数，通过试验运行出结果，比较得出算术均值滤波平滑效果远远优于几何均值滤波。2 在使用算术均值算法的前提下，改变窗的形状和大小，即改变所取邻域的大小时，编写并调用模板（窗）函数进行实验，可由实验结果观察分析得出所取邻域越大，平滑效果越好，但是图像会变得越模糊，尤其边缘部分情况更严重。3 在本次设计中，针对该噪声图，选用适当大小和形状的模板（窗）即7*7的正方形窗，分别对椒盐、高斯、乘性和泊松这四种噪声进行滤波，观察分析可得出，使用该模板（窗），对高斯噪声和泊松噪声平滑效果较好，而对椒盐噪声平滑效果最差。4 在MATLAB中，编写并调用相应的程序，利用GUI对本设计中实验进行模块仿真。4.

35、2展望随着时间的推移，科学技术是不断发展的，人们对生活质量的要求也在不断提高，数字图像处理技术的应用范围也将越来越广泛，必然对图像的质量要求也越来越高，均值滤波技术具有很大的发展空间和广泛的应用范围，由于时间有限，论文只是在阅读过部分国内外关于噪声、均值滤波、GUI的文献后，进行了简单的研究和实验仿真，事实上有很多工作还有待进行，如下所示：Ø 在3.1节中，由实验结果得出算术均值平滑效果较好，所以以下几节均没有对几何均值算法进行研究。Ø 由于噪声是随机产生的，所以当添加噪声的程序每运行一次，所运行出的结果图均不同，需要考虑这种情况对实验结果的影响，以及思考如何减小这种影响。

36、Ø 在实验中，运用GUI进行实验仿真时，版面设计上还有很多更好的方案，可以使版面更清晰，使用更方便以及编写程序最简。上述几个问题都是值得下一步研究和探讨的，本文只是针对性的做了简单的研究实验。由于刚刚接触数字图像处理和GUI这两方面的知识，所以在做本次设计时，遇到了很多问题，但是在一个个解决问题的过程中学到了很多，生活中也收获了很多。但是毕竟时间也有限，本次设计还有很多不足，仍有很大的进步空间，希望可以为以后学习数字图像处理和GUI打下基础。参考文献1 左飞数字图像处理：技术详解与Visual C+实践M北京：电子工业出版社，2014： 12 张德丰MATLAB数字图像处理M北京：机

37、械工业出版社，2012：41-453 赵荣椿，赵忠明，赵歆波数字图像处理与分析M.北京：清华大学出版社，2013：2-44 阮秋琦数字图像处理学M第3版北京：电子工业出版社，2013：2-135 PRATTW KDigital image processing MThird Edition.New York：Wiley，2001126 张敏，洪汉玉通过MATLAB GUI实现图像处理软件的开发J电脑知识与技术，2011：7（25）：61567 Rafael C.Gonzalez，Richard E.Woods，Steven L.EddinsDigital Image Prossing Usin

38、g MATLABMSecond EditionNew York：Gatesmark LLC，2011：78 李宏贵非线性滤波器在红外图像增强中的应用J数字采集与处理，1999，14（3）:3029 罗晓军数字图像混合噪音的几种滤波算法研究D长沙：罗晓军，200910 J.W.TukeyExploratory Data AnalysisMAddison-Wesley，Reading，MA，1971：2111 龚声蓉，刘纯平，王强数字图像处理与分析M北京：清华大学出版社，2006：22-2612 飞思科技产品研发中心MATLAB6.5辅助图像处理M北京：电子工业出版社，2003：113 刘振宇图像

39、中随机值脉冲噪声去除算法研究D兰州大学，201214 魏晗，陈刚MATLAB数字信号与图像处理范例实战速查宝典M北京：清华大学出版社，2013：44515 Oppenheim A V，Schafer R WDigital Signal Processing MNew Yo rk：Prentice -Hall Inc，1975：22附录：2.3程序（1） 正方形窗（n*n）Ø 算术均值程序function y=czfx(b,n) row,col=size(b); type(1:n,1:n)=1; x1=double(b); x3=x1; for i=1:row-n+1; for j=1

40、:col-n+1; x=type.*x1(i:i+n-1,j:j+n-1); x2=sum(x(:); x3(i+(n-1)/2,j+(n-1)/2)=x2/(n*n); end end y=uint8(x3); endØ 几何均值程序function y=jhjzzfxc(b,n) row,col=size(b); type(1:n,1:n)=1; x1=double(b); x3=x1; for i=1:row-n+1; for j=1:col-n+1; x=type.*x1(i:i+n-1,j:j+n-1); x2=prod(x(:); x4=nthroot(x2,n*n);

41、x3(i+(n-1)/2,j+(n-1)/2)=x4; end end y=uint8(x3); end（2）圆形窗function y=yxc(b) row,col=size(b); type=0 1 1 1 0;1 0 0 0 1;1 0 1 0 1;1 0 0 0 1;0 1 1 1 0; x1=double(b); x3=x1; for i=3:row-3; for j=3:col-3; x=type.*x1(i-2:i+2,j-2:j+2); x2=sum(x(:); x3(i,j)=x2/(13); end end y=uint8(x3); end（3）十字形窗function y

42、=szxc(b) row,col=size(b); type=zeros(5,5); type(3,:)=1; typ(:,3)=1; x1=double(b); x3=x1; for i=3:row-3; for j=3:col-3; x=type.*x1(i-2:i+2,j-2:j+2); x2=sum(x(:); x3(i,j)=x2/(9); end end y=uint8(x3); end (4)米字形窗function y=mzxc(b) row,col=size(b); type=1 0 1 0 1;0 1 1 1 0;1 1 1 1 1;0 1 1 1 0 ;1 0 1 0 1

43、; x1=double(b); x3=x1; for i=3:row-3; for j=3:col-3; x=type.*x1(i-2:i+2,j-2:j+2); x2=sum(x(:); x3(i,j)=x2/(17); end end y=uint8(x3); end(5) 叉形窗function y=cxc(b) row,col=size(b); type=1 0 0 0 1;0 1 0 1 0;0 0 1 0 0;0 1 0 1 0 ;1 0 0 0 1; x1=double(b); x3=x1; for i=3:row-3; for j=3:col-3; x=type.*x1(i-2

44、:i+2,j-2:j+2); x2=sum(x(:); x3(i,j)=x2/(9); end end y=uint8(x3); end 3.1程序x=imread('01.jpg'); a=rgb2gray(x); b=imnoise(a,'salt & pepper',0.1);n=7; c=czfx(b,n); d=jhjzzfxc(b,n);subplot(2,2,1);imshow(a) title('原图像灰度图');subplot(2,2,2);imshow(b) title('添加椒盐噪声');subplo

45、t(2,2,3);imshow(c) title('算术均值滤波后');subplot(2,2,4);imshow(d) title('几何均值滤波后');3.2程序 x=imread('04.jpg'); a=rgb2gray(x); b=imnoise(a,'salt & pepper',0.1); n=3; c=czfx(b,n); d=yxc(b,n); e=szxc(b,n) f=mzxcb,n) g=cxc(b,n)subplot(3,3,1);imshow(a) title('原图像灰度图')

46、;subplot(3,3,2);imshow(b) title('添加椒盐噪声');subplot(3,3,3);imshow(c) title('正方形窗滤波后');subplot(3,3,4);imshow(d) title('圆形窗滤波后');subplot(3,3,5);imshow(e) title('十字形窗滤波后');subplot(3,3,6);imshow(f) title('米字形窗滤波后');subplot(3,3,7);imshow(g) title('叉形窗滤波后');3.

47、3程序 x=imread('03.jpg'); a=rgb2gray(x); b=imnoise(a,'salt & pepper',0.1);n=3; c=czfx(b,n); n=5; d=czfx(b,n);n=7; e=czfx(b,n) n=9; f=czfx(b,n)n=11; g=czfx(b,n)subplot(3,3,1);imshow(a) title('原图像灰度图');subplot(3,3,2);imshow(b) title('添加椒盐噪声');subplot(3,3,3);imshow(c)

48、title('3*3窗滤波后');subplot(3,3,4);imshow(d) title('5*5窗滤波后');subplot(3,3,5);imshow(e) title('7*7窗滤波后');subplot(3,3,6);imshow(f) title('9*9窗滤波后');subplot(3,3,7);imshow(g) title('11*11滤波后');3.4程序x=imread('05.jpg'); a=rgb2gray(x); subplot(3,3,1);imshow(a) t

49、itle('原图像灰度图'); n=7;b=imnoise(a,'salt & pepper',0.1); c=czfx(b,n);subplot(3,3,2);imshow(b) title('添加椒盐噪声');subplot(3,3,3);imshow(c) title('对椒盐噪声滤波后');b=imnoise(a,'gaussian',0.1,0.01) d=czfx(b,n);subplot(3,3,4);imshow(b) title('添加高斯噪声');subplot(3,3,

50、5);imshow(d) title('对高斯噪声滤波后');b=imnoise(a,'speckle',0.01); e=czfx(b,n);subplot(3,3,6);imshow(b) title('添加乘性噪声');subplot(3,3,7);imshow(e) title('对乘性噪声滤波后');b=imnoise(a,'poisson'); f=czfx(b,n);subplot(3,3,8);imshow(b) title('添加泊松噪声');subplot(3,3,9);imshow(f) title('对泊松噪声滤波后');3.5.1程序function n_image_suan_Callback(hObject, eventdata, handles)global M global b axes(handles.axes_suan); n=7;c=