论文写作网

　　 　　0 引 言
　　1.2 IMF算法
　　[wk（i，j）=1（1+（fk（i，j）-Median（W[f（i，j）]））2）k=1N（1（1+（fk（i，j）-Median（W[f（i，j）]））2））] （2）
　　[f（i，j）=k=1Nfk（i，j）×wk（i，j）] （3）
　　IMF算法是对MTM算法的一种改造算法，同时具有中值滤波和均值滤波的思想，算法回收加权平均的要领对噪声点举办滤波滑腻，在对权值系数的计较上采纳了一种自适应要领。
　　1 MTM算法和IMF算法阐明
　　可见，IMF算法以滤波窗口内的中值点作为中心，并用其他各像素点与该中值举办差方运算计较加权系数，对窗口各像素举办加权求和作为滤波输出，算法没有阈值的限制，对脉冲噪声和高斯噪声均起到了较好的抑制浸染。但算法也存在不敷，首先，由于窗口内脉冲噪声的存在，以窗口内所有像素点和其权值举办加权求和作为滤波功效输出，大概会导致一些脉冲噪声点对功效的影响较大。其次，直接操作像素点和中值像素点的灰度方差计较权值，大概使一些与中值像素灰度不同较小的噪声点权值较大，进而扩大了噪声的影响，使去噪机能变差。因此本文算法基于这两点对其举办了改造，去噪机能获得了提高。
　　[f（i，j）=Mean（[Median（W[f（i，j）]）-δ Median（W[f（i，j）]）+δ]）] （1）
　　本文对MTM算法和IMF算法举办了阐明，并针对IMF算法存在的不敷做了一些改造，提出了一种改造的加权均值滤波算法。
　　MTM算法以滤波窗口中值作为中心选择可用像素点，能有效地滤除脉冲噪声。回收所选的灰度区间内像素点的均值作为滤波输出，对高斯噪声起到了必然的滑腻浸染。但算法存在的问题是阈值δ值的巨细影响了去噪结果和细节掩护本领，并且δ的选择不具自适应性，对付局部或是整体都取牢靠值一定不符合。所以MTM算法的去噪机能不是很抱负。
　　式中：wk（i，j）暗示滤波窗口W[f（i，j）]内各像素点对应的权值；k暗示滤波窗口内像素个数，对付3×3窗口，k取值范畴是1～9，对付5×5窗口，k取值范畴是1～25。式（2）中各像素点对应权值的计较回收了各点灰度值与中值点的方差，而且对权值举办了归一化处理惩罚。最后，将滤波窗口内各像素点灰度值与对应的权值举办加权求和运算，功效作为中心点的滤波输出，如式（3）所示：
　　1.1 MTM算法
　　图像在成像、编码及传输等进程中，常常会受到各类滋扰而形成噪声。这些噪声粉碎了图像中一些像素点的原有灰度值，使得图像不能真实地反应客观情形，图像质量下降，严重影响了后续的处理惩罚结果。因此，在对图像举办相关处理惩罚之前必需要举办滤波，以减小噪声的滋扰。常用的图像滤波算法有两种，它们是均值滤波[1?3]和中值滤波算法[4?6]。均值滤波是一种线性滤波要领，对零均值的高斯噪声具有较好的去噪机能，但在滤除噪声的同时，也对图像中的细节等信息发生粉碎，图像会变得恍惚。中值滤波是一种非线性滤波要领，对脉冲噪声的去噪结果较好，且可以或许较好地保持图像细节信息。由于实际中图像往往会同时受到脉冲噪声和高斯噪声的滋扰，单独利用中值滤波算法或均值滤波算法都不能到达较好的去除噪声的结果。因此，为了去除殽杂噪声，在这两种根基算法的基本上，一些改造的算法被提了出来。如Lee和Kassam提出改造均值滤波算法（MTM）[7]，算法团结中值滤波和均值滤波的优点，去噪机能获得较大提高，但算法受阈值限制，不具自适应性。张恒等在MTM算法基本上，提出一种改造的中值滤波算法（IMF）[8]，算法不再受阈值限制，去噪结果相对付MTM也获得了必然的改进，但算法会使滤波窗内一些与中值像素灰度值靠近的噪声点的权值增大，从而扩大了这些噪声点对中心点的滤波功效。张旭明等提出一种自适应中值?加权均值殽杂滤波器[9]，算法将脉冲噪声和高斯噪声分隔滤除，先滤除脉冲噪声，再滤除高斯噪声，对付受轻度殽杂噪声污染的图像去噪结果较好，跟着噪声浓度的增大，去噪结果不抱负。
　　算法道理是在含噪图像的每一点（i，j）为中心的滤波窗口内，找到该窗口内的灰度中值点Median（W[f（i， j）]），对窗口内的每一点都以这其中值为基本计较该点的加权系数，加权系数的计较回收式（2）的要领举办：
　　MTM团结了中值滤波和均值滤波的思想，在对像素点（i，j）滑腻时，先取滤波窗口内所有像素的灰度中值Median（W[f（i，j）]），然后以该点为中心，选取一个灰度区间[Median（W[f（i，j）]）-δ，Median（W[f（i，j）]）+δ]，之后将滤波窗口W[f（i，j）]内所有灰度值处在该灰度区间的像素点举办平均，将功效作为点（i，j）的新灰度值输出，如式（1）所示：