均值滤波算法实现

Ⅰ 用MATLAB编程实现均值滤波算法

1：smoothingAverageFilterMain.mclc;clear;fid = fopen('lenai.raw');temp= fread(fid, [256,256]);LenaRaw=uint8(temp');subplot(1,2,1) Imshow(LenaRaw);title('原始图像')subplot(1,2,2) Imshow(smoothingAverageFilter(LenaRaw,3));title('自制函数，使用用3*3模板，均值滤波图像')2：smoothingAverageFilter.mfunction returnData=smoothingAverageFilter(arg,arg2)[Iwidth,Ilength]=size(arg);temp=double(arg);returnData=zeros(Iwidth,Ilength);totalLength=arg2*arg2;for i=1:Iwidth-arg2+1 for j=1:Ilength-arg2+1 % temp(i,j)=average(arg(i:i+arg2,j:j+arg2)); sum=0.0; for n=1:arg2 for k=1:arg2 sum=sum+temp(i+n-1,j+k-1); end end returnData(i,j)=sum/totalLength; endendreturnData=uint8(returnData);end

Ⅱ 编写用均值滤波去噪的matlab程序，用两种方法实现.（重谢）

1、双循环语句，移动平均法。

<p>双循环语句，移动平均法</p> <p>%均值滤波</p>

<p>clc,clear;</p>

<p>f=imread('lena.bmp');</p>

<p>subplot(121),imshow(f),title('原图');</p>

<p>f1=imnoise(f,'gaussian',0.002,0.0008);</p>

<p>%subplot(222),imshow(f1),title('添加高斯噪声图');</p>

<p>k1=floor(3/2)+1;</p>

<p>k2=floor(3/2)+1;</p> <p>X=f1;</p>

<p>[M,N]=size(X);</p> <p>uint8Y=zeros(M,N);</p>

<p>funBox=zeros(3,3);</p> <p>fori=1:M-3</p>

<p>forj=1:N-3</p> <p>funBox=X(i:i+3,j:j+3);</p>

<p>s=sum(funBox(:));</p> <p>h=s/9;</p>

<p>Y(i+k1,j+k2)=h;</p> <p>end;</p>

<p>end;</p> <p>Y=Y/255;</p>

<p>subplot(122),imshow(Y),title('均值滤波');</p>

<p>实现图：</p>

2、filter2。

<p>filter2</p>

<p>clearall;</p>

<p>I=imread('lena.bmp');</p>

<p>%读入预处理图像</p>

<p>imshow(I)</p> <p>%显示预处理图像</p>

<p>K1=filter2(fspecial('average',3),I)/255;</p> <p>%进行3*3均值滤波</p>

<p>K2=filter2(fspecial('average',5),I)/255;</p> <p>%进行5*5均值滤波</p>

<p>K3=filter2(fspecial('average',7),I)/255;</p> <p>%进行7*7均值滤波</p>

<p>figure,imshow(K1)</p> <p>figure,imshow(K2)</p>

<p>figure,imshow(K3)</p>

Ⅲ 滑动平均滤波算法

value_buf可以理解为循环队列，里面的数据不断由AD采样值来更新。每读到一个新AD值，value_buf先更新再求平均。程序中有两个小错误，但思想是对的。
if(i==N) i=0;
sum +=value_buf[count];

Ⅳ 求均值滤波和中值滤波算法的MATLAB代码

5*5的均值滤波代码
w2=fspecial('average',[5 5]); %% 先定义一个滤波器
h=imfilter(a,w2,'replicate'); %%让图像通过滤波器
imshow(h);
imwrite(h,'8.jpg');
中值的暂时还不会

Ⅳ 怎样用Matlab循环编程实现均值滤波算法，采用3*3的窗口

随便写了一个方法，没优化，运行速度有点慢。对于图像范围边界，只跟图像内部点做均值。
clear
all
clc
A=imread('manuo1.jpg');
A=im2double(A);
subplot(1,2,1)
imshow(A);
[line,row]=size(A);
lines=0;
rows=0;
linee=0;
rowe=0;
temp=0;
B=[];
for
i=1:1:line
for
j=1:1:row
lines=i-1;
linee=i+1;
rows=j-1;
rowe=j+1;
if
i==1
lines=1;
linee=2;
end
if
i==line
lines=line-1;
linee=line;
end
if
j==1
rows=1;
rowe=2;
end
if
j==row
rows=row-1;
rowe=row;
end
temp=0;
for
m=lines:1:linee
for
n=rows:1:rowe
temp=temp+A(m,n);
end
end
B(i,j)=temp/((linee-lines+1)*(rowe-rows+1));
end
end
subplot(1,2,2)
imshow(B);

Ⅵ 均值滤波，中值滤波和高斯滤波的异同

高斯滤波
由于高斯函数的派锋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。这个新的矢量图还基汪可以采用一个 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。加权中值滤尘锋晌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。

Ⅶ 滑动平均值滤波法 用西门子 S7-200 plc编程，要求有程序注释

不需昌哗衫要这样做的！把扰源干掉就行！如果实面芦扮需要滤波！可以勾选，一般情耐腔况下并不需要！

Ⅷ MATLAB高手请帮帮小弟 现有MATLAB难题如下：

对图像加入高斯白噪声，参考以下函数：
AWGN：在某一信号中加入高斯白噪声
y = awgn(x,SNR) 在信号x中加入高斯白噪声。信噪比SNR以dB为单位。x的强度假定为0dBW。如果x是复数，就加入复噪声。
y = awgn(x,SNR,SIGPOWER) 如果SIGPOWER是数值，则其代表以dBW为单位的信号强度；如果SIGPOWER为'measured'，则函数将在加入噪声之前测定信号强度。
y = awgn(x,SNR,SIGPOWER,STATE) 重置RANDN的状态。
y = awgn(…,POWERTYPE) 指定SNR和SIGPOWER的单位。POWERTYPE可以是'dB'或'linear'。辩搏如果POWERTYPE是'顷灶唤dB'，那么SNR以dB为单位，而SIGPOWER以dBW为单位。如果POWERTYPE是'linear'，那么SNR作为比值来度量，而SIGPOWER以瓦特为单位。
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%自编的均值滤波函数。x是需要滤波的图像,n是模板大小(即n×n)
function d=avefilt(x,n)
a(1:n,1:n)=1; %a即n×n模板,元素全是1
p=size(x); %输入图像是p×q的,且p>n,q>n
x1=double(x);
x2=x1;
%A(a:b,c:d)表示A矩阵的第a到b行,第c到d列的所有元素
for i=1:p(1)-n+1
for j=1:p(2)-n+1
c=x1(i:i+(n-1),j:j+(n-1)).*a; %取出x1中从(i,j)开始的n行n列元素与模板相乘
s=sum(sum(c)); %求c矩阵(即模板)中各元素之和
x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n); %将模板各元素的均值赋给模板中心位置的元素
end
end
%未被赋值的元素取原值
d=uint8(x2);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
HCM是硬C均值算法，FCM为模糊C均值算法，由HCM发展而来。雀凯
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [center, U, obj_fcn] = FCMClust(data, cluster_n, options)
% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类
%
% 用法：
% 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options);
% 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster);
%
% 输入：
% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
% N_cluster ---- 标量,表示聚合中心数目,即类别数
% options ---- 4x1矩阵，其中
% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)
% options(2): 最大迭代次数 (缺省值: 100)
% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)
% options(4): 每次迭代是否输出信息标志 (缺省值: 1)
% 输出：
% center ---- 聚类中心
% U ---- 隶属度矩阵
% obj_fcn ---- 目标函数值
% Example:
% data = rand(100,2);
% [center,U,obj_fcn] = FCMClust(data,2);
% plot(data(:,1), data(:,2),'o');
% hold on;
% maxU = max(U);
% index1 = find(U(1,:) == maxU);
% index2 = find(U(2,:) == maxU);
% line(data(index1,1),data(index1,2),'marker','*','color','g');
% line(data(index2,1),data(index2,2),'marker','*','color','r');
% plot([center([1 2],1)],[center([1 2],2)],'*','color','k')
% hold off;

if nargin ~= 2 & nargin ~= 3, %判断输入参数个数只能是2个或3个
error('Too many or too few input arguments!');
end

data_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数
in_n = size(data, 2); % 求出data的第二维(columns)数，即特征值长度
% 默认操作参数
default_options = [2; % 隶属度矩阵U的指数
100; % 最大迭代次数
1e-5; % 隶属度最小变化量,迭代终止条件
1]; % 每次迭代是否输出信息标志

if nargin == 2,
options = default_options;
else %分析有options做参数时候的情况
% 如果输入参数个数是二那么就调用默认的option;
if length(options) < 4, %如果用户给的opition数少于4个那么其他用默认值;
tmp = default_options;
tmp(1:length(options)) = options;
options = tmp;
end
% 返回options中是数的值为0(如NaN),不是数时为1
nan_index = find(isnan(options)==1);
%将denfault_options中对应位置的参数赋值给options中不是数的位置.
options(nan_index) = default_options(nan_index);
if options(1) <= 1, %如果模糊矩阵的指数小于等于1
error('The exponent should be greater than 1!');
end
end
%将options 中的分量分别赋值给四个变量;
expo = options(1); % 隶属度矩阵U的指数
max_iter = options(2); % 最大迭代次数
min_impro = options(3); % 隶属度最小变化量,迭代终止条件
display = options(4); % 每次迭代是否输出信息标志

obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn

U = initfcm(cluster_n, data_n); % 初始化模糊分配矩阵,使U满足列上相加为1,
% Main loop 主要循环
for i = 1:max_iter,
%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;
[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);
if display,
fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));
end
% 终止条件判别
if i > 1,
if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro,
break;
end,
end
end

iter_n = i; % 实际迭代次数
obj_fcn(iter_n+1:max_iter) = [];

% 子函数
function U = initfcm(cluster_n, data_n)
% 初始化fcm的隶属度函数矩阵
% 输入:
% cluster_n ---- 聚类中心个数
% data_n ---- 样本点数
% 输出：
% U ---- 初始化的隶属度矩阵
U = rand(cluster_n, data_n);
col_sum = sum(U);
U = U./col_sum(ones(cluster_n, 1), :);

% 子函数
function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)
% 模糊C均值聚类时迭代的一步
% 输入：
% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
% U ---- 隶属度矩阵
% cluster_n ---- 标量,表示聚合中心数目,即类别数
% expo ---- 隶属度矩阵U的指数
% 输出：
% U_new ---- 迭代计算出的新的隶属度矩阵
% center ---- 迭代计算出的新的聚类中心
% obj_fcn ---- 目标函数值
mf = U.^expo; % 隶属度矩阵进行指数运算结果
center = mf*data./((ones(size(data, 2), 1)*sum(mf'))'); % 新聚类中心(5.4)式
dist = distfcm(center, data); % 计算距离矩阵
obj_fcn = sum(sum((dist.^2).*mf)); % 计算目标函数值 (5.1)式
tmp = dist.^(-2/(expo-1));
U_new = tmp./(ones(cluster_n, 1)*sum(tmp)); % 计算新的隶属度矩阵 (5.3)式

% 子函数
function out = distfcm(center, data)
% 计算样本点距离聚类中心的距离
% 输入：
% center ---- 聚类中心
% data ---- 样本点
% 输出：
% out ---- 距离
out = zeros(size(center, 1), size(data, 1));
for k = 1:size(center, 1), % 对每一个聚类中心
% 每一次循环求得所有样本点到一个聚类中心的距离
out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1));
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
调用完FCM后，得到的U矩阵就是聚类结果，然后根据U矩阵对原图像进行赋值，即可得到分割结果。

Ⅸ 3×3的均值滤波怎么算

答案：3×3的均值滤如拍波可以通过将每个像素周围的8个像素和自己的灰度值相加，再除以9来计算。即新像素的灰度值等于周围9个像素的灰度值之和除以9。
解释：均值滤波是一种基本的图像处理方法，用于去除图像中的噪声和平滑图像。在3×3的均值滤波中，每个像素周围的8个像素和自己的灰度值相加，再除以9，得到新像素的灰度值。这种方法可以平滑图像并减少图像中的噪声。
拓展：均值滤波是一种非培厅常基本的图像处理方法，但它有一些缺点。例如，它不能处理图像中的边缘，因为它只考虑像素周围的像素。此外，它可能会使图像变得模糊，因为它平均了像素的灰度值。因此，在实际应用中，可以配橡隐使用其他更高级的滤波方法来处理图像。

Ⅹ 均值滤波

一. 均值滤波简介和原理

     晌扒   均值滤波，是图像处理中常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高频信号将会去掉。均值滤波可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。理想的均值滤波是用每个像素和它周围像素计算出来岁蠢的平均值替换图像中每个像素。

        以3*3均值滤波器为例，均值滤波器算法宴雀昌原理如下图：

二. 用均值滤波器对椒盐噪声污染后的图像去噪

        python 源码：

import cv2

import numpy as np

# mean filter

def mean_filter(img, K_size=3):

    H, W, C = img.shape

    # zero padding

    pad = K_size // 2

    out = np.zeros((H + pad * 2, W + pad * 2, C), dtype=np.float)

    out[pad: pad + H, pad: pad + W] = img.().astype(np.float)

    tmp = out.()

    # filtering

    for y in range(H):

        for x in range(W):

            for c in range(C):

                out[pad + y, pad + x, c] = np.mean(tmp[y: y + K_size, x: x + K_size, c])

    out = out[pad: pad + H, pad: pad + W].astype(np.uint8)

    return out

# Read image

img = cv2.imread("../paojie_sp1.jpg")

# Mean Filter

out = mean_filter(img, K_size=5)

# Save result

cv2.imwrite("out.jpg", out)

cv2.imshow("result", out)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 实验结果：

        可以看到，均值滤波后，图像中噪声虽然有所减弱，但是图像变模糊了。因为均值滤波器过滤掉了图像中的高频分量，所以图像的边缘都变模糊了。（去除一定量椒盐噪声，可以考虑使用中值滤波）

四. 参考内容：

        https://www.cnblogs.com/wojianxin/p/12501891.html