matlab信号与系统设计近均值滤波.docVIP

《信号与系统》 课程设计报告 论文题目： 姓 名： 班 级：学 号： 指导老师：提交日期： 学习过程 课程设计目的 本次课程设计的目的在于：结合均值和中值的优势，提出新的“中庸”之道——“近均值”，实现快速计算，适应多种噪声类型，提高去噪质量。本次课程设计，提高了我们分析问题和解决问题的能力，还能培养一定的科研能力。 设计原理 均值滤波 ???均值滤波原理?：均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。????均值滤波也称为线性滤波，其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度值u（x，y），即?u（x，y）=1/m?∑f（x，y）?①?m为该模板中包含当前像素在内的像素总个数。（实现算法如右图所示） 2.中值滤波? 中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。在数字信号处理一维信号中，方法是用某种结构的一维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为一维数据序列。一维中值滤波输出为g（x）=med{f(x-k),(k,∈W)}?，其中,f(x)，g(x)分别为原始信号和处理后信号。 3.“近均值”的计算规则 对剩余数据计算均值Average 后，按照既定的规则，可得到“近均值”Near_Aver。本文提出了三种计算“近均值”的规则。 （1）规则1：直接以剩余数据量的均值作为“近均值”，即Near_Aver=Average。 （2）规则2：将剩余数据划分为小于等于Average和大于Average 的两个子集，并分别在这两个子集中找到最接近Average 的“近均值”Left_Near_Aver 和Right_Near_Aver 值。此时，中心像素属于哪个子集，就用哪个子集的“近均值”来代替。 （3）规则3：类似于规则2，只是候选的“近均值”分别变为（Left_Near_Aver + Average）/2 和（Right_Near_Aver+Average）/2。与规则2 相比，本规则的“近均值”更接近Average。 4.计算规则的时间复杂性分析 使用本文所提出的近均值计算规则时，无须对数据进行全排序，其速度快于传统的中值滤波算法，但慢于均值滤波。 假设窗口尺寸为L，如果要去掉L - 2 个最小的数据和L - 2 个最大的数据，只需要进行L - 2 次循环即可。第1 次循环可得到L2个数据中的最大值、最小值，以及数据和，用时大致为中值滤波算法中第1次循环的3 倍。第2 次循环可得到L2 - 2 个数据中的最小值和最大值，用时大致为中值滤波算法中第2 次循环（其数据量为L2 - 1 个）的2 倍。L - 2 轮循环结束后，即可得到剩余数据的均值Average。此时，对于中值滤波来说，还需对剩余的L2 - 2 *(L - 2) 个数据继续进行排序。显然，随着窗口尺寸L 的增加，本文方法的速度优势将变得更加明显。 （1）对于规则1，此时已得到最终的近均值Near_Aver。 （2）对于规则2，会对剩余的L2 - 2*(L - 2) 个数进行一次循环，得到Left_Near_Aver和Right_Near_Aver值。 （3）规则3与规则2相比，增加了两个运算步骤。 5.对中心像素进行替换 进行滤波时，对于是否替换窗口的中心像素，通常有两种思路：一种是不论中心像素是否为噪声点，均进行替换；另一种是只有当中心像素为噪声点的时候才进行替换。本文分别对这两种思路进行了实 验。此外，在判断中心像素是否为噪声点时，设计了两种方案。 （1）方案1：在计算均值Average 前去除的点即为噪声点。 （2） 方案2：将剩余数据划分为小于等于Average和大于Average 的两个子集，并分别计算这两个子集的均值SubLeft_Aver 和SubRight_Aver。若中心像素小于SubLeft_Aver 或大于SubRight_Aver，即认为是噪声点。采用本方案判定的噪声点会多于方案1，即滤波后，被替换的数据会更多一些。同时，耗时也会多 一些。 近均值滤波方法 综上所述，本文将“近