2.1 圆周期中值/均值滤波法 圆周期均值滤波 [2] 和圆周期中值滤波 [3] 分别由 P.H.Eichel 等和 LANARI R 等人提出的。 这两种方法的前提假设是：相位值本身相对于取样是缓变的，相邻样点间有较好的相似性， 而噪声干扰在相邻样点上却是统计独立的。因此就可以采用邻域平均来实现滤波。在干涉条 纹图中，干涉条纹的区域为矩形平面 [2,3] 。记 ( , )l mϕ 为干涉图中(l,m)处的样点的相位值。 取滑动窗口 D的大小为（2LD+1）×（2MD+1）（行方向×列方向），被滤波的相位点位于窗口 中心。 ml ,ϕ̂ 记为滤波器的输出。 圆周期均值滤波的算法可表示为： ^ , , , ,, [arg[exp( ) / ]] arg( )l m nl nm l m l ml m mean j d dϕ ϕ= + (1) , ,exp( ) D D D D l L m M l m nl nm nl l L nm m M d jϕ + + − − − − = ∑ ∑ (2) 其中： , ,arg[exp( ) / ]nl nm l mj dϕ 为滤波窗口中的各矢量与主矢量的相角差； mean[·]是对以样点(l，m)为中心的窗口中各元素取均值运算。 圆周期中值滤波的算法为： ^ , , , ,, [arg[exp( ) / ]] arg( )l m nl nm l m l ml m median j d dϕ ϕ= + (3) 式中， ,l m median [·]是对以样点（l，m）为中心的窗口中各元素取中值运算。 圆周期均值滤波法的优点是滤波效果控制简单，并且在噪声为独立于雷达信号的加性高 斯分布时，滤波的结果是 小均方意义下 优的。其不足是会破坏相位条纹的连续性，同时 无法滤除颗粒噪声。而圆周期中值滤波法圆周期均值滤波法相比，圆周期中值滤波具有较好 的相位条纹的保持能力，同时能够有效地滤除颗粒噪声，但是没有利用信号的统计特性，所 以结果并非统计 优的。 2.2 加权圆周期中值滤波 由于圆周期均值滤波和圆周期中值滤波法在滤除高斯噪声和颗粒噪声方面各有所长，结 合噪声分布特性权重，将两种算法结合起来，即产生了加权圆周期中值滤波法 [4] 。 加权圆周期中值滤波的算法为： ^ , , , , ,[arg[exp( ) / ]] arg( ) D D D D l L m M l m nl nm nl nm l m l m nl l L nm m M w j d dϕ ϕ + + − − − − = ⋅ +∑ ∑ (4) 其中： ' 2 , , , , 1 / [1 ( ) ]nl nm l m nl nm l m M w S ϕ+ − = (5) ────────────-———————— 1 本课题得到高等学校博士学科点专项科研基金(20090095110002)、国家自然科学基金（40772191）资助

matlab代码，中值滤波，比较简单，适合初学者使用，直接运行即可。

针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声，对于脉冲噪声得不到好的降噪效果的问题，提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。仿真实验结果表明，结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善，从而证明了该方法的有效性。

基于直方图的高效中值滤波算法，执行速度快，稍加修改即可生成最大值和最小值滤波算法。

对图片进行均值滤波和中值滤波，VC下可以运行的哦

完整代码，可直接运行

Matlab制作模糊的图像清晰：分别实现：1。对模糊车牌图像进行清晰处理； 2。对高斯模糊图像进行高斯平滑滤波处理； 3。对椒盐噪声图像进行中值滤波处理； 4。对雾化图像进行直方图均衡化处理； 5。对模糊图像进行垂直拉伸与灰度拉伸处理； 6。对运动模糊图像进行维纳滤波处理；

本文设计的是一种加权中值滤波算法，窗口大小是5（列）*1（行），适用于灰度图像实时视频处理，可以有效淡化视频竖条纹。同时为了保持图像的细节，采用如下图所示的加权窗口。

在低信噪比图像处理中，为了在图像去噪时更好地保留边缘，提出了一种各向异性扩散-中值滤波方法。这种方法包含两个步骤：首先，为了使滤波器在抑制噪声时具有鲁棒的边缘保持能力，该方法采用各向异性扩散滤波对图像进行处理，其中，各向异性扩散滤波中的扩散函数选用Tukey函数；然后，为了去除各向异性扩散滤波后图像中的脉冲噪声，采用中值滤波对图像做进一步的处理，从而使这种滤波方法在抑制噪声的同时使边缘模糊达到最小。从仿真结果可以看出，文中的方法具有良好的噪声抑制和边缘保持能力。

首先对伪中值滤波算法进行了改进:噪声检测过程融入像素点灰度值、几何距离等因素,实现噪声点从图像像素点中的逐步分离;采用加权滤波的方法滤除噪声。其次对改进非局部均值滤波算法的先验信息获取方法进行了改进:对噪声图像进行提升小波变换,采用一种新型阈值函数选择低频分解系数,对高于阈值的系数进行重构得到参考图像,计算参考图像的相似度权值并将其作为改进非局部均值滤波算法的先验信息。最后基于2种改进算法提出了一种红外图像滤波方法,即依次采用改进伪中值滤波算法和基于先验信息的改进非局部均值滤波算法对红外图像进行滤波处理,然后将其与参考图像进行融合,以修正被过度滤波的图像。实验结果表明,该方法针对高密度噪声的红外图像有较好的滤波效果。