噪声主要在数字图像的获取和传输过程中产生，一般是不可预测的随机信号，只能用概率统计的方法去识别。 以下就是由威廉希尔app 为您提供的一种自适应双阈值模糊中值滤波算法。

噪声对图像处理十分重要，其会影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。其中，椒盐噪声一般是由于传输误差或比特丢失造成的。椒盐噪声与其他的像素点有明显的区别，一般是邻域中的像素值的极值点。但是极值点并不一定是噪声点。椒盐噪声在图像上表现出黑白相间的亮暗点，会严重影响图像的质量。传统中值滤波算法(SMF)[1]能够减弱或消除傅里叶空间的高频分量，但是同时会影响低频分量。由于高频分量对应图像中的边沿灰度值具有较大较快变化的部分，所以SMF算法可将这些分量滤除，使图像平滑，破坏图像的边缘和细节。

文献[2]提出了模糊开关中值滤波算法(FSM)，FSM算法处理效果比SMF算法要好一点。提出了自适应模糊开关中值滤波(NAFSM)算法。文献提出了EDPA算法。文献[5]和文献[6]提出基于神经网络的模糊中值滤波算法，对于受密度噪声污染的图像取得了不错的效果，但是计算量很大。文献[7]、文献[8]、文献[9]、文献[10]提出了一种自适应模糊中值滤波算法(AFM)。AFM算法对傅里叶空间的低频分量具有较好的滤除效果，但对高频分量的处理效果不是很好，主要是没有考虑椒盐噪声对图像的污染程度。所以本文在AFM的基础上提出了一种双阈值模糊中值滤波算法，该算法能很好地保护图像的细节，具有高效地处理椒盐噪声的能力。

利用模糊系统，计算输入参数的模糊系数权值。因为处理的是椒盐噪声，所以只需输入滤波窗口中原值与中值的差，最后通过去模函数去模糊化，滤波输出。

滤波窗口S由w×w(w默认值为3，一般为奇数)的方阵组成。对S里的像素点值进行快排序，可得滤波窗口中像素的最小值为Smin，最大值为Smax，中值为Smed，均值为Smean。x(i，j)表示噪声图像在(i，j)的灰度值。模糊系统首先是计算参数S1(i，j)=x(i，j)-Smed。在图像处理的时候一般对像素的污染程度进行阈值的设置。这里假设最小阈值为Tmin，最大阈值为Tmax，同时设置参数S2=|x(i，j)-Smean|。当S2Tmax时，认为像素点严重污染，这时就用最近邻域已处理的像素点求均值代替。

编辑老师为大家整理了一种自适应双阈值模糊中值滤波算法，希望对大家有所帮助。

相关推荐：

论建筑设计中地域文化因子范文

商业室内装饰及设计的影响范文