MATLAB详解高斯噪声、椒盐噪声，简单实现图像的均值滤波、中值滤波并分析其有效性

本文主要是介绍MATLAB详解高斯噪声、椒盐噪声，简单实现图像的均值滤波、中值滤波并分析其有效性，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- 一、高斯噪声与椒盐噪声的基本特点
- 二、使用Matlab的imnoise()函数为图像添加噪声
- 三、使用imfilter()进行均值滤波处理
- 四、使用medfilt3()进行中值滤波处理
- 五、两种滤波处理高斯噪声、椒盐噪声效果对比
- 六、参考代码

一、高斯噪声与椒盐噪声的基本特点

噪声类型	基本特点	滤波处理
高斯噪声	噪声的概率密度函数服从高斯分布（即正态分布），即某个强度的噪声点个数最多,离这个强度越远噪声点个数越少。高斯噪声是一种加性噪声,即噪声直接加到原图像上,因此可以用线性滤波器滤除。	使用均值滤波等线性滤波方法效果更佳
椒盐噪声	由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声，往往由图像切割引起。椒盐噪声是指两种噪声，盐噪声(高灰度噪声)、胡椒噪声(低灰度噪声)。同时出现时，在图像上呈现为黑白杂点。	使用中值滤波方法效果更佳

二、使用Matlab的imnoise()函数为图像添加噪声

在Matlab中使用imnoise函数可为图像加入不同类型的噪声，常用调用方法如下：J=imnoise(I,type,parameters)
其中，I指原图像，type指噪声类型，parameters指不同类型噪声的参数，J为添加噪声后的图像。

type的参数值	代表的噪声
gaussian	高斯噪声
salt & pepper （注意中间有空格）	椒盐噪声
speckle	乘法噪声
poission	泊松噪声

三、使用imfilter()进行均值滤波处理

在Matlab中使用imfilter函数可对多维图像进行线性滤波处理，常用调用方法如下：
B = imfilter(A,H)
H=fspecial(‘average’,para)
其中，A指原图像，B为输出图像，H指滤波算子，‘average’指算子类型为均值，para是指定相应的参数，默认值为3。para的数值越大，均值滤波效果越显著，不过图像也会变得越模糊，测试后挑选一个合适的值即可。
均值滤波处理灰度图

均值滤波处理彩色图像

四、使用medfilt3()进行中值滤波处理

在Matlab中使用medfilt3函数可对多维图像进行中值滤波处理，常用调用方法如下：
B = medfilt3(A)
其中，A指原图像，B为输出图像。
中值滤波处理灰度图

中值滤波处理彩色图像

五、两种滤波处理高斯噪声、椒盐噪声效果对比

1.使用均值滤波、中值滤波处理椒盐噪声

2.使用均值滤波、中值滤波处理高斯噪声
使用均值滤波、中值滤波处理高斯噪声**

根据以上图片对比可知，用均值滤波处理高斯噪声，中值滤波处理椒盐噪声效果更显著，不过在用中值滤波处理彩色图像时可能会出现图像颜色变浅的现象。当然啦，这或许和具体的滤波算法有关。
至于为什么用中值滤波处理椒盐噪声效果更好，可以这么理解，椒盐噪声只影响了图片的部分像素点而不是全部像素点，使用中值滤波方法正好排除了被噪声影响的像素点（被椒盐噪声影响的像素点表现为灰度值255的盐噪点和灰度值0的胡椒噪点），而均值滤波方法采用了包含噪声像素点在内的所有像素点的平均值，效果自然不如中值滤波。
高斯噪声影响了图片的全部像素点，如果只用像素中的中间值来替代所有像素点，会损失掉其他同样受噪声影响的像素点信息，效果不如采用所有像素点平均值的均值滤波。

六、参考代码

imread()内为所需处理的图片路径，具体代码如下：

A=imread('D:\matlab\Fig1119(a).tif');
figure('name','对高斯噪声进行滤波处理')
subplot(2,2,1)
imshow(A)
title('原图像')
subplot(2,2,2)
B=imnoise(A,'gaussian',0,0.03);
imshow(B)
title('高斯噪声图像')
subplot(2,2,3)
C=imfilter(B,fspecial('average',3));
imshow(C,[])
title('均值滤波处理')
subplot(2,2,4)
D=medfilt3(B);
imshow(D,[])
title('中值滤波处理')