图像算法均值滤波

A. 求分析均值滤波去除图像噪声效果不好的原因(有图有代码，VC++)

应该另外开辟一个空间保存新计算的图像像素值，你这样是把前面计算好的中值或者均值算到它临近点的3*3区域里了，这样的效果应该是图像从左上到右下越来越白或者越来越黑。
对于椒盐噪声，中值滤波的效果好；对于高斯噪声，均值滤波的效果好。

B. 自适应中值滤波原理中一句话没看懂

均值滤波：是把每个像素都用周围的8个像素来做均值操作，幅值近似相等且随机分布在不同位置上，这样可以平滑图像，速度较快，算法简单。但是无法去掉噪声，只能微弱的减弱它。中值滤波：常用的非线性滤波方法 ,也是图像处理技术中最常用的预处理技术。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。其中加权中值滤波能够改进中值滤波的边缘信号，使其良好保持效果。

C. 二值化处理之前进行图像均值滤波有什么作用

平滑，去噪。尽可能较少非目标区域给二值化结果带来的噪声

D. 图像处理怎么入门数字图像处理都有哪些方向，推荐几个学习较容易或者容易发论文的方向

摘要 入门语言

E. 均值滤波适用于处理什么样的噪声

均值滤波，适用于去除通过扫描得到的图像中的颗粒噪声。

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。

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像细节。小波分析进行图像去噪主要有3个方面：

(1)对图像信号进行小波分解。

(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像信号。

(5)图像算法均值滤波扩展阅读：

均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板。

该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y） m为该模板中包含当前像素在内的像素总个数。

均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。

F. 数字图像处理clean算法的MATLAB代码

图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 
目前比较经典的图像去噪算法主要有以下三种： 
均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 
中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 
实验一：均值滤波对高斯噪声的效果 
I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像

G. matlab图像去噪算法里 均值滤波跟中值滤波降噪为什么必须转换成灰度图像才可以处理

其实都可以对彩色图像处理的，只是matlab里面的实现不一致。均值滤波和中值滤波matlab函数只考虑了单通道当然就必须转换成灰度图像；小波降噪的matlab函数不知道你是用的那个，肯定也需要把三通道的彩色图像先转换成单通道，分别去噪以后再整合成彩色图像。总的来说一般图像去噪都是对单通道来处理的，因为大部分的filter都是对二维矩阵来操作的，要是对三通道处理也需要分别对不同的通道处理再整合。

H. 请问中值滤波与均值滤波各自的优缺点

均值滤波和中值滤波的内容非常基础，均值滤波相当于低通滤波，有将图像模糊化的趋势，对椒盐噪声基本无能为力。中值滤波的优点是可以很好的过滤掉椒盐噪声，缺点是易造成图像的不连续性。通过下面三张图可以清楚看到以上两种滤波方法的差异。

利用均值滤波处理后，椒盐噪声被处理成了小的气泡，但与此同时图像开始变得模糊。

拓展资料：

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，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，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度g(x，y)，即g(x，y)=1/m ∑f(x，y) m为该模板中包含当前像素在内的像素总个数。

I. 用锐化的算法可否将均值滤波后的图像变得清晰一些

均值滤波是对图像进行累加求和运算，而锐化是对图像进行逆运算：差分，其本质就是提高边缘像素的反差。因此锐化就可以增强图像边缘，让模糊图像变得清晰（如果觉得对就给分吧O(∩_∩)O）

J. 图像噪声滤波中算术均值滤波与几何均值滤波有什么区别

高斯滤波
由于高斯函数的傅立叶变换仍是高斯函数, 因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对是对信号进行局部平均, 以平均值来代表该像素点的灰度值。矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转化 ,得到一幅单位矢量图。这个 512×512的矢量图被划分成一个 8×8的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向 ,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向。于是就得到了一个新的64×64的矢量图。这个新的矢量图还可以采用一个 3×3模板进行进一步的平滑。

均值滤波
把每个像素都用周围的8个像素来做均值操作。可以平滑图像，速度快，算法简单。但是无法去掉噪声，这能微弱的减弱它。

中值滤波
常用的非线性滤波方法 ,也是图像处理技术中最常用的预处理技术。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。加权中值滤波能够改进中值滤波的边缘信号保持效果。但对方向性很强的指纹图像进行滤波处理时 ,有必要引入方向信息,即利用指纹方向图来指导中值滤波的进行。

最小均方差滤波器
亦称维纳滤波器,其设计思想是使输入信号乘响应后的输出,与期望输出的均方误差为最小。

Gabor滤波
Gabor变换是英国物理学家 Gabor提出来的,由“测不准原理”可知,它具有最小的时频窗,即Gabor函数能做到具有最精确的时间-频率的局部化；另外, Gabor函数与哺乳动物的视觉感受野相当吻合,这一点对研究图像特征检测或空间频率滤波非常有用。恰当的选择其参数, Gabor变换可以出色地进行图像分割、识别与理解。如文献提出的基于Gabor滤波器的增强算法。