引言

　　圖像是用各種觀測系統以不同形式和手段觀測客觀世界而獲得的，可以直接或間接作用于人眼并進而產生視知覺的實體，是人類感知世界的視覺基礎，是人類獲取信息、表達信息和傳遞信息的重要手段。研究表明，人類獲取的視覺圖像信息在人類接受的信息中的比重達到75％，“百聞不如一見”便是非常形象的例子之一。在高度信息化條件下的今天，數字圖像越來越得到普及和應用。

　　然而，人們在獲取和傳輸數字圖像的同時，難免于圖像數據被外界噪聲所污染，妨礙了人們對圖像信息的理解。由此，圖像去噪技術應運而生。圖像去噪，即在盡可能地不損失原圖像細節的前提下，去除圖像中無關的噪點。現有的圖像去噪方法[11很多，如：

　　1 均值濾渡器

　　均值濾波器是一種典型的線性去噪方法，因為其運算簡單快速，同時又能夠較為有效地去除高斯噪聲。因而適用面較廣。

　　許多濾除噪聲方法都是在此基礎上發展而來的。其缺點是嚴重破壞了圖像的邊緣，模糊了圖像。

　　2 低通濾波器

　　低通濾波器，信號或圖像的能量大部分集中在幅度譜的低頻和中頻段是很常見的；而在較高頻段，感興趣的信息常被噪聲所淹沒。因此。一個能降低高頻成分幅度的濾波器就能減弱噪聲的看的見的影響。這是一種頻域處理法。在分析圖像信號的頻率特性時，一幅圖像的邊緣、跳躍部分以及顆粒噪聲代表圖像信號的高頻分量，而大面積的背景區則代表低頻分量。用濾渡的方法濾除其高頻部分就能去掉噪聲，使圖像得到平滑。但同時，有用的高頻成分也濾除了。因此這種處理是以犧牲清晰度為代價的。

　　3 中值濾波器

　　中值濾波器是一種消除噪聲的非線性處理方法，它是由Tueky在1971年提出的。它的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰近各點值的中值代替。中值定義如下：對一個數字序列的元素進行排序，如果元素個數為奇數，則取排序后序列的中間值。如果序列元素個數為偶數，則取排序后序列的中間兩個值的均值。

　　把一個點的特定長度或形狀的領域稱作窗口。在一維情況下，中值濾波器是一個含有奇數個像素的滑動窗口。窗口正中問那個像素的值用窗口內各像素值的中值代替。

　　該濾波器是一種典型的非線性處理方法。它的優勢在對圖像中脈沖噪聲消除極為有效，且能夠較好地保護圖像邊緣信息。

　　弱點是因為涉及大量排序運算，運算速度較慢，對圖像的實時處理有影響。圖像一般要傳化成數字圖像后才可以使用計算機對其進行各種處理。數字圖像，是以數字的形式而存在的。利用MATLAB（矩陣實驗室）進行處理時，我們簡單地理解它為一定大小的數字矩陣。矩陣中的每個效字代表圖像的一個像索點。由此可以知道，對數字圖像的處理，實際上就是對一個數字矩陣的運算處理。

　　為了研究方便，我們的方法是人工的給原圖像添加噪聲·主要是不同強度的正態分布隨機噪聲和脈沖噪聲。在MATLAB中，正態分布噪聲是由randn函數實現的，而脈沖噪聲，即平常所說的椒鹽噪聲，是由imnoise（Io，’saIt 8L pepper，i）實現的。其中Io是原圖像矩陣，i取值。至1之間，表示噪聲的強度。

　　通過研究，發現一種新的改進的均值濾波器[2]。在考慮如何對圖像的噪聲進行處理時，難以避免的，需要面臨噪聲點的檢測問題。因為一張含噪圖像中，只有一部分的像素受到了噪聲的污染，而其余的像素仍保持原值。無條件地對所有的像素點進行濾波，顯然在去除噪點的同時，使原圖像發生了失真。所以為了更有針對性地處理圖像中的躁點，最好的做法就是先對噪聲進行檢測。然后利用非噪聲點的平均值來代替每個像素的灰度，而不是上面傳統方法中的盲目運算。其計算公式為：

　　式中，S為（x，y）點領域中坐標的*，但不包括其本身，M為*內坐標點的點數。下面通過實例來驗證這種方法的優越性：

　　采用尺寸大小為162×120的圖像文件shoes.jpg。使用im-眥d函數將其載人到MATLAB中，為了簡便。我們先用瑁b29ray函數將其轉換為單維的灰度圖像，灰度范圍[o，255]

　　（見圖1）。在原圖基礎上加入噪聲密度為o.2的脈沖噪聲，可以用imnoise函數加入椒鹽噪聲，也可以用randn加入正態分布的隨機噪聲，這樣就得到了含噪的圖像。芝麻鹽狀的雪*點隨機地分布在圖像矩陣巾（見圖2）。

　　一般來說，圖像中像素的灰度值是連續漸變的。

　　而如果存在噪點，那么在原圖像素和噪點之間的灰度值會發生突然的變化。基于此，首先取待檢測點的上、下、左、右四個鄰域大小為3×3，計算各鄰域的平均值，如果四個鄰域的均值都與待檢測點的差的絕對值大于既定的閾值，則判斷該點為噪點，反之，有一個鄰域的均值與待測點的差小于閾值。則判斷該點為正常像素點。其中；闋值是我們根據圖像的含噪情況人為設定的一個值，一般在100和200之問。同時。建立與待檢測圖像大小相同的矩陣，稱為噪聲標識矩陣。其中的點與原圖像矩陣中的點一一對應。并預設該矩陣中的值全為1，如果一像素被判斷為噪聲，則置標識矩陣中相應元素為o.這樣，就可以實現前面判斷過程所得出的結果被后續的檢測所使用，已經被判定為噪聲的像素不再參與領域均值的計算。

　　這樣，我們就可以用一個循環，來對圖像矩陣中的每個像素逐個進行判斷，方便地檢測到了噪聲點。

　　接下來，就可以利用中值濾波的方法，去除圖像中的噪點了，將預先判斷為噪點的圖像矩陣中的點，如（a。b）=（70.S5）的點的值是230，與鄰域點的均值的差大于兩值150。因此翔斷它是一個噪點。這樣，我們就用它鄰域內的八個點中有效的點來取均值代入。依次執行，挨個計算、代人。這樣就得到了一個新的圖像數據矩陣，最后我們用i眥Ilow函數顯示處理后的圖像（見圖3）。可以看到。效果非常明顯。

　　4 結語

　　去噪后的圖像不僅噪聲強度受到限制，而且圖像細節得到了最大限度的保持，解決了妨礙人們獲取圖像信息的同胚。在航空航天、通信工程、生物醫學、軍事公安、文化藝術等領域都具有一定意義。