图像在采集、获取和传输过程中往往夹杂着噪声，针对几种常用方法去噪效果不理想，提出了一种新的图像去噪方法。此方法通过二维变分模态分解将图像分解为一系列不同中心频率的子模态，保留其低频模态，并对其进行自适应中值滤波处理，从而得到其去噪后的图像。实验结果表明，与其他几种常用的去噪方法相比，该方法在滤除噪声的同时，能较好地保留图像的边缘细节，图像也获得了较好的视觉效果，此外客观评价参数也得到明显的改善，随着噪声强度加大去噪效果愈明显。

数字图像处理 该程序是使用Swing用J​​ava编写的。 已实现以下算法： 形态运算： 轮廓检测 非线性滤波器： 最小过滤器 最大过滤器 中值过滤器 开启过滤器 关闭过滤器 高斯模糊滤镜 在以下图片中，显示了此过滤器的结果，并且半径大小设置为14。 原始图片 结果图片 锐化蒙版滤镜 结果图片 FILTER PARAMETER: radius = 5 unsharp mask value = 4 坎尼边缘检测器 结果图片 FILTER PARAMETER: low threshold = 100 hight threshold = 120 radius = 2 骨骼化 原始图片 结果图片 自适应中值滤波器 原始图片 结果图片 FILTER PARAMETER: radius min = 0 radius max = 4 双边过滤器 原始图片 结果图片 FILTER P

中值滤波窗口大小影响滤波器性能，3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点，若候选噪声点仍然是7×7窗口的极值点，则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声，则噪声用中值替换。重复以上过程，直到没有噪声点被替换。如果图像申仍然存在大的噪声团块，则噪声用相邻的三个信号点的灰度均值替换。实验结果表明，该方法能够有效去除脉冲噪声，并在抑制噪声的同时很好地保护图像的细节。

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM)。首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量。实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高。

%自适应中值滤波-Chan R H, Ho C W, Nikolova M. Salt-and-pepper noise removal by %median-type noise detectors and detail-preserving regularization[J]. %IEEE Trans. Image Process, 2005, 14(10): 1479～1485.

实现自适应中值滤波，边缘问题采用复制边缘像素的方法。

此代码可以自动调节滤波窗口，并适用于彩色图像 代码有备注，简单易懂 红外图像中值滤波处理效果更佳 本人实测结果良好

课程实验的产物，自适应中值滤波matlab程序，效果比较好。

基于matlab的自适应中值滤波图像去噪算法仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

自适应中值滤波步骤 1. 指定模板的最小尺寸N和最大尺寸M，并按照(M-1)/2扩展图像边界。 2. 先使用NxN的模板取出图像中部分值。 3. 判断当前模板的中值是否可能为噪点，若可能执行步骤4，不是则执行步骤5。 4. 若当前模板尺寸小于M则扩大模板尺寸再执行步骤2，若当前模板尺寸等于M则使用中值替换原像素值再执行步骤6。 5. 判断模板中心点像素值是否可能为噪点，若可能则以中值替换原像素值，若不是则保留原像素值。执行步骤6。 6. 将模板尺寸减小为N，移动模板，重复步骤2，直到模板不能再继续移动。 该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。