要求是：自适应中值滤波器和自适应均值滤波器的设计，分别使用python和matlab去实现

一.原理

1.自适应中值滤波器

2.自适应局部滤波器，也叫自适应均值滤波器

二.设计流程

1.自适应中值滤波器
①生成椒盐噪声
利用rand()函数生成[0,1]的随机数，将随机数作逻辑判断，小于n值（n为椒盐密度）的为逻辑1，其余为逻辑0，再将这些逻辑值通过逻辑与、非等操作赋予像素点0或255值，得到椒盐噪声。

②设计中值滤波
中值滤波器的设计过程为：取出当前n*n阶滤波器对应的像素点，对其中像素作排序，取出中位数，赋予当前的中间位置像素点，放至结果矩阵中，输出。

③设计自适应中值滤波器
设计过程：以整个矩阵为整体进行操作。取出当前的n阶像素点，取出中位数、最小值、最大值并存储到新矩阵。将这三个新矩阵进行自适应中值滤波器的A、B过程的比较，并按照要求将符合的结果放至结果矩阵中，输出。

2.自适应局部滤波器
①生成高斯噪声
按照上次作业的原理设计出高斯噪声，并添加到原图像中。

②设计均值滤波器
设计过程为：取出当前n*n阶滤波器对应的像素点，求其均值，并将结果放至结果矩阵中，输出。

③设计自适应均值滤波器
设计过程为：求噪声方差；以矩阵为整体运算，求出n阶滤波器对应的像素点像素的均值，方差；将局部方差与噪声方差进行比较，按照规则计算新的像素，并存在结果矩阵中，输出。

三.MATLAB代码

①自适应中值滤波器，对灰度图像进行处理

%自适应中值滤波器，对灰度图像进行处理
function output=adp_median(image,nmin,nmax)
%输入为：image原图像，nmin滤波器的最小阶数，nmax滤波器的最大阶数
%image=rgb2gray(image); %灰度图像
%image=imnoise(image,'salt & pepper',0.5);
[h,w,~]=size(image);
imaged=double(image);
imagedd=imaged;
imagemid=imaged;
imagemin=imaged;
imagemax=imaged;
for k=nmin:2:nmaxfor i=1:h-k+1for j=1:w-k+1pattern=imaged(i:i+k-1,j:j+k-1);   %取出n*n的像素点值patterns=reshape(pattern,1,length(pattern(:)));  %将n*n矩阵转换为行向量middle=median(patterns); %对行向量取中位数mini=min(patterns); %对行向量取最小值maxi=max(patterns);%对行向量取最大值imagemid(i+(k-1)/2,j+(k-1)/2)=middle;imagemin(i+(k-1)/2,j+(k-1)/2)=mini;imagemax(i+(k-1)/2,j+(k-1)/2)=maxi;endendpa=(imagemax>imagemid)&(imagemid>imagemin);%A步骤的判断（对整个矩阵判断）pb=(image>imagemin)&(imagemax>image);%B步骤的判断zxy=pa&pb; %满足A,B条件的记在zxy位置zmed=pa&~pb;%满足A条件，不满足B条件的记在zmed位置imagedd(zxy)=image(zxy);%输出zxyimagedd(zmed)=imagemid(zmed);%输出zmedif k==nmax  %超过最大窗口尺寸的，输出zmedzmedd=~pa;imagedd(zmedd)=imagemid(zmedd);end
end
imagedd=uint8(imagedd); %转换为图片格式
output=imagedd;%输出
End

②自适应中值滤波器，对彩图进行处理

%自编写自适应中值滤波器处理三通道彩色图像
function output=adpmedian(image,nmin,nmax)
[h,w,~]=size(image);
imaged=double(image);
imaged1=imaged(:,:,1);
imaged2=imaged(:,:,2);
imaged3=imaged(:,:,3);
imagedd=imaged;
imagedd1=imaged(:,:,1);
imagedd2=imaged(:,:,2);
imagedd3=imaged(:,:,3);
imagemid=imaged;
imagemid1=imaged(:,:,1);
imagemid2=imaged(:,:,2);
imagemid3=imaged(:,:,3);
imagemin=imaged;
imagemin1=imaged(:,:,1);
imagemin2=imaged(:,:,2);
imagemin3=imaged(:,:,3);
imagemax=imaged;
imagemax1=imaged(:,:,1);
imagemax2=imaged(:,:,2);
imagemax3=imaged(:,:,3);
alreadyProcessed1=false(size(imaged1));
alreadyProcessed2=false(size(imaged2));
alreadyProcessed3=false(size(imaged3));for k=nmin:2:nmaxfor i=1:h-k+1for j=1:w-k+1pattern1=imaged1(i:i+k-1,j:j+k-1);   %取出n*n的像素点值pattern2=imaged2(i:i+k-1,j:j+k-1); pattern3=imaged3(i:i+k-1,j:j+k-1); patterns1=reshape(pattern1,1,length(pattern1(:)));  %将n*n矩阵转换为行向量patterns2=reshape(pattern2,1,length(pattern2(:)));patterns3=reshape(pattern3,1,length(pattern3(:)));middle1=median(patterns1); %对行向量取中位数middle2=median(patterns2);middle3=median(patterns3);mini1=min(patterns1);mini2=min(patterns2);mini3=min(patterns3);maxi1=max(patterns1);maxi2=max(patterns2);maxi3=max(patterns3);imagemid1(i+(k-1)/2,j+(k-1)/2)=middle1;imagemid2(i+(k-1)/2,j+(k-1)/2)=middle2;imagemid3(i+(k-1)/2,j+(k-1)/2)=middle3;imagemin1(i+(k-1)/2,j+(k-1)/2)=mini1;imagemin2(i+(k-1)/2,j+(k-1)/2)=mini2;imagemin3(i+(k-1)/2,j+(k-1)/2)=mini3;imagemax1(i+(k-1)/2,j+(k-1)/2)=maxi1;imagemax2(i+(k-1)/2,j+(k-1)/2)=maxi2;imagemax3(i+(k-1)/2,j+(k-1)/2)=maxi3;endendpa1=(imagemax1>imagemid1)&(imagemid1>imagemin1)&(~alreadyProcessed1);pa2=(imagemax2>imagemid2)&(imagemid2>imagemin2)&(~alreadyProcessed2);pa3=(imagemax3>imagemid3)&(imagemid3>imagemin3)&(~alreadyProcessed3);pb1=(imaged1>imagemin1)&(imagemax1>imaged1);pb2=(imaged2>imagemin2)&(imagemax2>imaged2);pb3=(imaged3>imagemin3)&(imagemax3>imaged3);zxy1=pa1&pb1;zxy2=pa2&pb2;zxy3=pa3&pb3;zmed1=pa1&~pb1;zmed2=pa2&~pb2;zmed3=pa3&~pb3;imagedd1(zxy1)=imaged1(zxy1);imagedd2(zxy2)=imaged2(zxy2);imagedd3(zxy3)=imaged3(zxy3);imagedd1(zmed1)=imagemid1(zmed1);imagedd2(zmed2)=imagemid2(zmed2);imagedd3(zmed3)=imagemid3(zmed3);alreadyProcessed1=alreadyProcessed1|pa1;%处理过的像素alreadyProcessed2=alreadyProcessed2|pa2;alreadyProcessed3=alreadyProcessed2|pa3;if all(alreadyProcessed1(:)&alreadyProcessed2(:)&alreadyProcessed3(:))break;end
end
imagedd1(~alreadyProcessed1) = imagemid1(~alreadyProcessed1);
imagedd2(~alreadyProcessed2) = imagemid2(~alreadyProcessed2);
imagedd3(~alreadyProcessed3) = imagemid3(~alreadyProcessed3);
imagedd=cat(3,imagedd1,imagedd2,imagedd3);
imagedd=uint8(imagedd);output=imagedd;

③自适应均值滤波器，对灰度图进行处理

clear;clc;
%% 导入原图像，并添加高斯噪声
image=imread('whl.jpg');
[width,height,~]=size(image);
imagen=rgb2gray(image);
mu=0;  %均值
sigma=0.1;  %标准差
u1=rand(width,height);  %生成图像大小的均匀(0,1)分布的u1，u2
u2=rand(width,height);
x=sigma*sqrt(-2*log(u1)).*cos(2*pi*u2)+mu;  %box-muller方法的公式书写，生成的是标准正态分布，再乘上标准差，加上均值，为最终的高斯分布
k=double(imagen)/255;
imagen=k+x;  %将图像变为double型，且数值区间在(0,1),再加上高斯分布形成的噪声
imagen=uint8(255*imagen);   %将double类型的灰度值变回为图像
%% 自适应均值滤波器的设计
imagenn=double(imagen);
iamgee=rgb2gray(image); %取未加噪声的原图像的灰度
iamgee=double(iamgee);
%初始化
imagedd=imagenn;
imagemean=imagenn;
imagevar=imagenn;
n=7;%滤波器阶数为7sigma=(imagenn-iamgee).^2; %干扰f形成在gxy上的噪声方差for i=1:width-n+1for j=1:height-n+1pattern=imagenn(i:i+n-1,j:j+n-1);patterns=reshape(pattern,1,length(pattern(:)));means=mean(patterns);%求均值imagemean(i+(n-1)/2,j+(n-1)/2)=means;vars=var(patterns,1);%求方差imagevar(i+(n-1)/2,j+(n-1)/2)=vars;end
end
%对自适应局部滤波的各项条件作了修改
da=(sigma<1);%噪声方差小于1的返回原像素值
dc=~da&(abs(sigma-imagevar)<=100); %噪声方差与局部方差高度相关时，返回一个近似值
db=~dc; %略有调整，剩下的像素位置设置为均值
%da,db,dc为逻辑值
imagedd(da)=imagenn(da);
imagedd(db)=imagemean(db);
imagedd(dc)=imagenn(dc)-(sigma(dc)./imagevar(dc).*(imagenn(dc)-imagemean(dc)));
imagedd=uint8(imagedd);
%% 画图
subplot(1,3,1);
imshow(imagen);
title('原图像');
output=mean_filter(imagen,3);
subplot(1,3,2);
imshow(output);
title('均值滤波处理后结果');
subplot(1,3,3);
imshow(imagedd);
title('自适应均值滤波处理后结果');

其他程序：
④中值滤波器

%自编写中值滤波器
function output=mid_filter(image,n)
%输入image为原始图像，n为滤波器规模n*n，输出为滤波后的图像output
[h,w]=size(image);
imaged=double(image); %转换为double类型
imagedd=imaged;  %初始化滤波结果的规模
for i=1:h-n+1for j=1:w-n+1pattern=imaged(i:i+n-1,j:j+n-1);   %取出n*n的像素点值patterns=reshape(pattern,1,length(pattern(:)));  %将n*n矩阵转换为行向量middle=median(patterns); %对行向量取中位数imagedd(i+(n-1)/2,j+(n-1)/2)=middle;  %该值储存在滤波结果的对应位置上end
end
output=uint8(imagedd);
end

⑤均值滤波器

%自编写均值滤波器
function output=mean_filter(image,n)
%输入image为原始图像，n为滤波器规模n*n，输出为滤波后的图像output
[h,w]=size(image);
imaged=double(image); %转换为double类型
imagedd=imaged;  %初始化滤波结果的规模
a=ones(n,n);
for i=1:h-n+1for j=1:w-n+1pattern=imaged(i:i+n-1,j:j+n-1).*a;means=sum(sum(pattern));imagedd(i+(n-1)/2,j+(n-1)/2)=means/(n*n);end
end
output=uint8(imagedd);
end

⑥椒盐噪声

%自编写添加椒盐噪声
function output=salt_noise(image,n)
%输入image为原图像，n为椒盐噪声的密度，输出为添加椒盐噪声后的图像
[width,height,~]=size(image);
result2=image;%k1、k2作为判断临界点
k1=n;
k2=n;
%小于k的元素在矩阵中为1，反之为0（逻辑值）
a1=rand(width,height)<k1;
a2=rand(width,height)<k2;
b1=rand(width,height)<k1;
b2=rand(width,height)<k2;
c1=rand(width,height)<k1;
c2=rand(width,height)<k2;
%合成彩色图像，RGB三通道分开添加
t1=result2(:,:,1);
t2=result2(:,:,2);
t3=result2(:,:,3);
%分成黑点，白点
% a1&a2:a1,a2均为1时，结果为逻辑1
t1(a1&a2)=0;
t2(b1&b2)=0;
t3(c1&c2)=0;
% a1&~a2:a1为1,a2为0时，结果为逻辑1
t1(a1& ~a2)=255;
t2(b1& ~b2)=255;
t3(c1& ~c2)=255;
result2(:,:,1)=t1;
result2(:,:,2)=t2;
result2(:,:,3)=t3;output=result2;
end

⑦主程序：显示各个子图

clear;clc;
image=imread('whl.jpg');
subplot(2,4,1),imshow(image),title('原图');
k1=salt_noise(image,0.5);
subplot(2,4,2),imshow(k1),title('加入椒盐噪声');
output11=mid_filter(k1,3);
subplot(2,4,3),imshow(output11),title('中值滤波处理后');
output22=mean_filter(k1,3);
subplot(2,4,4),imshow(output22),title('均值滤波处理后');imagen=rgb2gray(image);
imagen=imnoise(imagen,'salt & pepper',0.5);
subplot(2,4,5),imshow(imagen),title('灰度图');
imagedd=adp_median(imagen,3,9);
subplot(2,4,6),imshow(imagedd),title('自适应中值滤波处理后');imagenn=salt_noise(image,0.5);
subplot(2,4,7),imshow(imagenn),title('0.5椒盐噪声图');
imagekk=adpmedian(imagenn,3,21);
subplot(2,4,8),imshow(imagekk),title('自适应中值滤波处理后的彩色图像');

四.运行结果

①自适应中值滤波器的程序运行结果：
该图包括有：加入椒盐噪声的原图像显示，中值滤波与均值滤波的处理结果图显示，自适应中值滤波的灰度图结果显示，自适应中值滤波的彩色图结果显示。以子图的形式显示，是方便了进行原图与处理结果的比较，以及各种方法的效果比较总结。
结果分析：当椒盐噪声的密度较大时，中值滤波的处理结果不理想，仍存在较多噪声点，而自适应中值滤波的处理结果较好，灰度图和彩色图的结果都能较为清晰。

②自适应均值滤波器的程序运行结果：
该图包括有：添加了高斯噪声的原图像，均值滤波处理后的结果显示，自适应均值滤波处理后的结果，均是以灰度图的形式显示。
结果分析：均值滤波的处理结果仍是较模糊，自适应的效果更好，能让局部的像素点更加的清晰，但实现起来较复杂。

五.python版本代码

自适应局部滤波器

# 自适应均值滤波器
# 即，自适应局部滤波器import cv2
import numpy as np
import matplotlib.pyplot as pltdef ada_mean_m(image):[width, height] = image.shape[:2]imagen = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)mu = 0  # 均值sigma = 0.1  # 标准差u1 = np.random.rand(width, height)  # 生成图像大小的均匀(0,1)分布的u1，u2u2 = np.random.rand(width, height)x = sigma * np.sqrt(-2 * np.log(u1)) * np.cos(2 * np.pi * u2) + mu  # box-muller方法的公式书写，生成的是标准正态分布，再乘上标准差，加上均值，为最终的高斯分布k = imagen / 255imagen = k + x  # 将图像变为double型，且数值区间在(0,1),再加上高斯分布形成的噪声imagen = np.uint8(255 * imagen)  # 将double类型的灰度值变回为图像# 自适应均值滤波器的设计imagenn = imageniamgee = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 取未加噪声的原图像的灰度iamgee = iamgee# 初始化imagecc = imagennimagedd = imagennimagemean = imagennimagevar = imagennn = 7  # 滤波器阶数为7sigma0 = (imagenn - iamgee) ^ 2  # 干扰f形成在gxy上的噪声方差for i in range(width - n + 1):for j in range(height - n + 1):pattern = imagenn[i:i + n - 1, j:j + n - 1]height = int(pattern.shape[0])width = int(pattern.shape[1])dim = width * heightpatterns = cv2.resize(pattern, (dim, 1), interpolation=cv2.INTER_AREA)means = np.mean(patterns)  # 求均值imagemean[int(i + (n - 1) / 2), int(j + (n - 1) / 2)] = meansVars = np.var(patterns, 1)  # 求方差imagevar[int(i + (n - 1) / 2), int(j + (n - 1) / 2)] = Varsda = (sigma0 < 1)  # 噪声方差小于1的返回原像素值dc = ~da & (abs(sigma0 - imagevar) <= 100)  # 噪声方差与局部方差高度相关时，返回一个近似值db = ~dc  # 略有调整，剩下的像素位置设置为均值# da,db,dc为逻辑值imagedd[da] = imagenn[da]imagedd[db] = imagemean[db]imagedd[dc] = imagenn[dc] - (sigma0[dc] / imagevar[dc] * (imagenn[dc] - imagemean[dc]))where_are_nan = np.isnan(imagedd)where_are_inf = np.isinf(imagedd)imagedd[where_are_nan] = 0imagedd[where_are_inf] = 0imagedd = np.uint8(imagedd)return imagedd# 导入原图像，并添加高斯噪声
image = cv2.imread('whl.jpg', 1)# 画图
plt.subplot(1, 3, 1)
plt.imshow(image)
plt.title('original')
'''
output=mean_filter(imagen,3)
plt.subplot(1,3,2)
plt.imshow(output)
plt.title('均值滤波处理后结果')
'''
imagedd = ada_mean_m(image)
plt.subplot(1, 3, 3)
plt.imshow(imagedd)
plt.title('adapt_mean_filter')
plt.show()

自适应中值滤波器

# 自适应中值滤波器import cv2
import numpy as np
import matplotlib.pyplot as pltdef AdaptProcess(src, i, j, minSize, maxSize):filter_size = minSizekernelSize = filter_size // 2rio = src[i-kernelSize:i+kernelSize+1, j-kernelSize:j+kernelSize+1]minPix = np.min(rio)maxPix = np.max(rio)medPix = np.median(rio)zxy = src[i, j]if (medPix > minPix) and (medPix < maxPix):if (zxy > minPix) and (zxy < maxPix):return zxyelse:return medPixelse:filter_size = filter_size + 2if filter_size <= maxSize:return AdaptProcess(src, i, j, filter_size, maxSize)else:return medPixdef adapt_meadian_filter(img, minsize, maxsize):borderSize = maxsize // 2src = cv2.copyMakeBorder(img, borderSize, borderSize, borderSize, borderSize, cv2.BORDER_REFLECT)for m in range(borderSize, src.shape[0] - borderSize):for n in range(borderSize, src.shape[1] - borderSize):src[m, n] = AdaptProcess(src, m, n, minsize, maxsize)dst = src[borderSize:borderSize+img.shape[0], borderSize:borderSize+img.shape[1]]return dst# 导入原图像，并添加高斯噪声
image = cv2.imread('whl.jpg')
imagen = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 画图
plt.subplot(1, 3, 1)
plt.imshow(image)
plt.title('original')
'''
output=mean_filter(imagen,3)
plt.subplot(1,3,2)
plt.imshow(output)
plt.title('均值滤波处理后结果')
'''
imagedd = adapt_meadian_filter(imagen, 3, 9)
plt.subplot(1, 3, 3)
plt.imshow(imagedd)
plt.title('adapt_meadian_filter')
plt.show()

自适应中值滤波器和自适应局部（均值）滤波器的设计 python+matlab各实现相关推荐

经典非局部均值滤波(NLM)算法python实现(1)
经典非局部均值滤波(NLM)算法python实现(单通道图像版本) 概述:非局部均值(NL-means)是近年来提出的一项新型的去噪技术.该方法充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持 ...
经典非局部均值滤波(NLM)算法python实现(2)
经典非局部均值滤波(NLM)算法python实现(三通道图像版本) 单通道图像版本已发布: https://blog.csdn.net/yy0722a/article/details/11392408 ...
详解非局部均值滤波原理以及用MATLAB源码实现
详解非局部均值滤波原理以及用MATLAB源码实现序言均值滤波.中值滤波.高斯滤波在滤除噪声的过程中,无可避免的使图像的边缘细节和纹理信息所被滤除.针对此问题,Buades[1]等人提出了非局部均值 ...
时间序列信号处理（三）——局部均值分解LMD的python实现
1.介绍局部均值分解(LMD)作为近年来出现的一种新的自适应时频分析方法,能够依据信号的自身特点将复杂的多分量调幅调频信号分解为有限个的单分量调幅调频信号之和,进而求取瞬时频率和瞬时幅值并进行组合, ...
基于Δ-Σ模数转换器的梳状滤波器的设计与matlab仿真
欢迎订阅<FPGA学习入门100例教程>.<MATLAB学习入门100例教程> 目录一.理论基础二.核心程序三.测试结果一.理论基础 Δ-Σ模数转换器是一种低速,高精度 ...
非局部相似性 matlab,非局部均值滤波(NLM)和MATLAB程序详解视频教程保持图像细节...
[内容简介]<非局部均值滤波与应用和MATLAB程序详解视频>共6章28节视频,总学时698分钟,合11.6小时.主要内容包括:非局部均值滤波类算法入门,基于滤波参数自适应的非局部均值滤波 ...
Matlab中滤波器的设计（FDAT)
在matlab中有一个滤波器设计和分析工具FDAT,可以通过此工具来对滤波器进行设计. matlab中一些简单的命令:round(x)把x舍入到最近的整数(四舍五入) abs(x)计算x的绝对值 sq ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建11 - 空间滤波 - 自适应滤波器 - 自适应局部降噪、自适应中值滤波器
标题自适应滤波器自适应局部降噪滤波器自适应中值滤波器自适应滤波器自适应局部降噪滤波器均值是计算平均值的区域上的平均灰度,方差是该区域上的图像对比度 g(x,y)g(x, y)g(x,y)噪 ...
【OpenCV 例程200篇】100. 自适应局部降噪滤波器
[OpenCV 例程200篇]100. 自适应局部降噪滤波器欢迎关注『OpenCV 例程200篇』系列,持续更新中欢迎关注『Python小白的OpenCV学习课』系列,持续更新中 3.7 ...
【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））
目录一.二值化的概念(实际上就是一个阈值化操作) 1.概念: 2.实现方法 3.常用方法二.阈值类型 1.常见阈值类型(主要有五种类型) (1)公式描述 (2)图表描述 2.两种特殊的阈值算法(O ...

自适应中值滤波器和自适应局部（均值）滤波器的设计 python+matlab各实现