图像在采集、传输和存储过程中容易受到椒盐噪声的干扰，导致图像质量下降，影响后续的分析与处理。传统中值滤波算法在低噪声密度下能够较好地抑制椒盐噪声，但在高噪声密度条件下会造成图像边缘模糊和细节丢失。为解决这一问题，本文研究并实现了自适应中值滤波算法。该方法通过动态调整滤波窗口大小，结合两阶段判定机制，在保证去噪性能的同时尽可能保留图像的边缘与纹理细节。本文在 MATLAB 平台下完成算法实现，并以经典 Lena 图像为测试对象，对比分析了固定中值滤波与自适应中值滤波的效果。实验结果表明，在 20% 椒盐噪声干扰下，自适应中值滤波的峰值信噪比（PSNR）提升约 6 dB，结构相似性（SSIM）提升约 0.08，且运行效率优于传统中值滤波。研究结果表明，自适应中值滤波能够在高噪声条件下实现更优的去噪效果和图像恢复能力。
作者信息
编号：MI-28
大小：552K
环境：Matlab R2020b、R2024b
作者：张家梁(自研改进)
引言
在图像处理与计算机视觉领域中，噪声是影响图像质量的主要因素之一。尤其是椒盐噪声，常见于图像采集与传输环节中，其特点是在图像中随机出现黑白点，严重时会破坏图像的视觉质量和结构信息。如何有效去除椒盐噪声，同时尽可能保留图像细节与边缘信息，一直是图像处理研究中的重要课题。
中值滤波作为一种经典的非线性滤波方法，在抑制椒盐噪声方面表现良好。其基本思想是利用邻域像素的中值代替中心像素，从而消除脉冲噪声。然而，固定窗口大小的中值滤波在噪声密度较低时效果较佳，但在噪声密度较高的情况下容易导致过度平滑，使得图像边缘与纹理信息丢失。
针对这一问题，自适应中值滤波应运而生。该方法通过自适应地调整滤波窗口大小，首先判断窗口内的中值是否为有效像素，然后再判断中心像素是否为噪声，从而在保证噪声去除的同时最大限度保留原始图像的细节。与传统中值滤波相比，自适应中值滤波在高噪声密度条件下具有更强的鲁棒性和边缘保持能力。
本文以 Lena 图像为实验对象，基于 MATLAB 平台实现并对比分析了固定中值滤波与自适应中值滤波在去除椒盐噪声方面的性能。通过定量指标（PSNR、SSIM）和主观视觉效果的对比，验证了自适应中值滤波在高噪声条件下的优势。本文的研究对噪声环境下的图像恢复具有一定的参考价值。
系统架构
1.系统概述
本文设计并实现的图像去噪系统，主要面向椒盐噪声的抑制与图像质量恢复。系统采用模块化设计思想，由 图像输入模块、噪声添加模块、滤波处理模块、结果输出与评价模块 四个部分构成。
图像输入模块：负责读取原始图像，并将彩色图像统一转换为灰度图像，作为后续处理的基础。
噪声添加模块：通过 MATLAB 内置函数向图像中添加指定密度的椒盐噪声，用于模拟实际噪声干扰环境。
滤波处理模块：实现两种去噪方法。① 固定中值滤波：采用固定大小窗口对邻域像素取中值，替代中心像素；② 自适应中值滤波：根据噪声特性动态调整窗口大小，并通过两阶段判定机制对像素进行处理。
结果输出与评价模块：对去噪后的图像进行保存与显示，同时计算峰值信噪比（PSNR）、结构相似性（SSIM）等客观指标，并结合主观视觉效果对比，评价算法的性能优劣。
整个系统结构清晰、功能独立，既能够实现图像去噪处理的基本流程，又便于不同滤波方法的扩展与对比分析。
2.系统流程图
研究方法
本文基于 MATLAB 平台，采用固定中值滤波与自适应中值滤波对含椒盐噪声的图像进行去噪处理，并通过 PSNR、SSIM 等指标及视觉效果进行性能对比分析。。
实验结果
实验结果表明：自适应中值滤波在去除高密度椒盐噪声的同时能够更好地保持图像边缘与细节，其 PSNR 和 SSIM 指标均显著优于固定中值滤波，运行效率也更高，验证了该方法在图像恢复中的有效性与优越性。
运行main.m
图 1 原图
经典 Lena 图像，作为实验的基准图像，灰度清晰、边缘和细节丰富。
图 2 含噪图像（加入 20% 椒盐噪声）
图像中布满黑白点状噪声，严重破坏了视觉效果，尤其是面部与背景区域的细节。
图 3 中值滤波结果（3×3 窗口）
大部分椒盐噪声被抑制，整体视觉质量有所改善，但仍有部分噪点残留，同时边缘区域出现模糊，细节保留不足。
图 4 自适应中值滤波结果（Smin=3，Smax=7）
噪声基本被去除，图像清晰度明显提升，边缘与纹理细节得到较好保持，效果显著优于固定中值滤波。
文件清单
本系统完全基于MATLAB平台开发，主要集成以下脚本与模块：
研究结论
本文针对椒盐噪声对图像质量的影响，分别实现并对比了固定中值滤波与自适应中值滤波算法。实验结果表明：固定中值滤波在低噪声密度下能够有效抑制噪声，但在高噪声环境中存在噪点残留和边缘模糊的问题；而自适应中值滤波通过动态调整窗口大小并采用两阶段判定机制，能够在较高噪声密度下显著提升去噪性能。定量指标显示，在 20% 椒盐噪声条件下，自适应中值滤波的 PSNR 提升约 6 dB，SSIM 提升约 0.08，且运行效率优于传统中值滤波。综合来看，自适应中值滤波在噪声抑制与细节保持方面均表现出明显优势，具有较好的应用价值。
实验环境
硬件配置如表：实验所用硬件平台为惠普（HP）暗影精灵10台式机整机，运行 Windows 11 64 位操作系统，作为模型训练与测试的主要计算平台，能够良好支持Matlab的开发需求。
官方声明
实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的惠普（HP）暗影精灵 10 台式整机，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架、MATLAB工具等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。
研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。
版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由7zcode.张家梁独立完成。未经7zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。
本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。
评论(0)