基于dsp的圖像去噪實(shí)現(xiàn)畢業(yè)設(shè)計(jì)

1、<p><b>　　目錄</b></p><p><b>　　摘 要I</b></p><p>　　ABSTRACTII</p><p><b>　　引言II</b></p><p><b>　　1　緒論2</b></p>

2、<p>　　1.1　數(shù)字圖像基礎(chǔ)2</p><p>　　1.1.1　數(shù)字圖像2</p><p>　　1.1.2　數(shù)字圖像灰度化3</p><p>　　1.2　噪聲的分類與特點(diǎn)3</p><p>　　1.2.1　椒鹽噪聲4</p><p>　　1.2.2　高斯噪聲4</p><

3、p>　　1.2.3　其他各類噪聲5</p><p>　　1.2.4　圖像系統(tǒng)噪聲的特點(diǎn)6</p><p>　　1.3　灰度圖像噪聲的清除7</p><p>　　1.3.1　鄰域平均去噪法7</p><p>　　1.3.2　頻域去噪方法8</p><p>　　1.3.3　幾種新型的濾波方法8</p

4、><p>　　1.4　圖像去噪效果的評價方法9</p><p>　　1.5　本章小結(jié)10</p><p><b>　　2　中值濾波11</b></p><p>　　2.1　標(biāo)準(zhǔn)中值濾波11</p><p>　　2.1.1　中值濾波的原理11</p><p>　　2.1

5、.2　中值濾波的主要特性13</p><p>　　2.2　中值濾波的改進(jìn)算法14</p><p>　　2.2.1　快速排序算法14</p><p>　　2.2.2　極值中值濾波器15</p><p>　　2.2.3　加權(quán)中值濾波器16</p><p>　　2.2.4　多級中值濾波器16</p>

6、<p>　　2.3　本章小結(jié)17</p><p>　　3　算法及DSP仿真18</p><p><b>　　3.1　算法18</b></p><p>　　3.1.1　算法思想18</p><p>　　3.1.2 C代碼實(shí)現(xiàn)19</p><p>　　3.2　仿真過程21<

7、;/p><p>　　3.2.1　CCS2.2使用21</p><p>　　3.2.2　去噪仿真結(jié)果24</p><p>　　3.2.3　結(jié)論30</p><p>　　3.3　本章小結(jié)30</p><p><b>　　致謝31</b></p><p><b>

8、　　參考文獻(xiàn)32</b></p><p><b>　　摘要</b></p><p>　　近年來，圖像處理相關(guān)技術(shù)取得了飛速的發(fā)展，并在人們生活的各個領(lǐng)域得到廣泛應(yīng)用，如攝影及印刷、衛(wèi)星圖像處理、醫(yī)學(xué)圖像處理、人臉識別、生物特征識別、顯微圖像處理等。數(shù)字圖像處理的主要目的是通過對圖像的加工，提高圖像的視覺感受質(zhì)量，從中獲取有用的信息。</p>

9、<p>　　然而數(shù)字圖像在產(chǎn)生、傳輸、處理、儲存的過程中，不可避免地受到各類噪聲的干擾導(dǎo)致信息難以獲取，這就直接影響后期處理的效果。因此在對圖像進(jìn)行后續(xù)操作前必須進(jìn)行提前加工處理，而圖像去噪就是一種重要的方法之一。 </p><p>　　圖像噪聲有很多種類，本文主要研究椒鹽噪聲和高斯噪聲。中值濾波是一種非線性數(shù)字濾波器技術(shù)，中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個鄰域中各點(diǎn)值的中

10、值代替，從而消除孤立的噪聲點(diǎn)。</p><p>　　本文以灰度圖像去噪為研究課題，通過使用DSP平臺對圖像分別加入椒鹽噪聲和高斯噪聲，再進(jìn)行中值濾波處理對比仿真結(jié)果，得出中值濾波能有效去除椒鹽噪聲的結(jié)論。也提出了一些中值濾波的優(yōu)化改進(jìn)算法思想。</p><p>　　關(guān)鍵詞: 圖像去噪；　DSP；　椒鹽噪聲；　高斯噪聲；　中值濾波 </p><p><b&

11、gt;　　ABSTRACT</b></p><p>　　In recent years, image processing related technology has made rapid development, and it has been widely used in various fields in people's lives such as photography and p

12、rinting, satellite image processing, medical image processing, face recognition, biometric identification, microscopic image processing, etc. The main purpose of digital image processing is improve the perception of the

13、quality of the image by the image processing, to obtain useful information.</p><p>　　However, the process of digital image generation, transmission, processing, storage, inevitably affected by various types

14、of noise interference lead to information difficult to obtain, which directly affects the post-processing effects. Therefore, in subsequent operations we must carried out in advance before the image processing, and image

15、 denoising is an important methods.</p><p>　　There are many types of image noise, this paper studies salt and pepper noise and Gaussian noise. Median filter is a nonlinear digital filter technique, median fi

16、ltering of the basic principle is the sequence of digital images or digital value is a point in a neighborhood of the point values ??of each point value to replace, thus eliminating isolated noise points.</p><

17、p>　　In this paper, gray image denoising as the research, through the useness of DSP platforms, salt and pepper noise and Gaussian noise were added to the image, and then comparing median filtering process simulation r

18、esults we can obtained the conclusion that median filter can effectively remove salt and pepper noise. We also made some improvements median filtering optimization algorithm ideas.</p><p>　　Keywords: denoisi

19、ng; DSP; salt and pepper noise; median filtering; Gaussian noise</p><p><b>　　引言</b></p><p>　　隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，數(shù)字圖像處理已經(jīng)廣泛應(yīng)用到了人類社會生活的各個方面，如：遙感，工業(yè)檢測，醫(yī)學(xué)，氣象，通信，偵查，智能機(jī)器人等，對國民經(jīng)濟(jì)的作用也越來越大。其處

20、理的精度高，實(shí)現(xiàn)多種功能的、高度復(fù)雜的運(yùn)算求解非常靈活方便。在其短短的歷史中，它成功的應(yīng)用于幾乎所有與成像有關(guān)的領(lǐng)域，并正發(fā)揮相當(dāng)重要的作用。</p><p>　　現(xiàn)實(shí)中的數(shù)字圖像在獲取、傳輸、接收和處理過程中，因受到一定的外部及內(nèi)部干擾，從而被噪聲影響，導(dǎo)致圖像質(zhì)量的退化，這樣的圖像稱為噪聲圖像。但對圖像進(jìn)行邊緣檢測、圖像分割、特征識別等處理工作時，都要求圖像有較高的質(zhì)量，因此需要先濾除圖像中的噪聲以提高圖像質(zhì)

21、量。減少數(shù)字圖像中噪聲的過程稱為圖像去噪。</p><p>　　近幾年來，圖像去噪技術(shù)有了迅速的發(fā)展，諸多新的去噪處理方案不斷涌現(xiàn)。目前，常用的圖像噪聲有椒鹽噪聲、高斯噪聲、白噪聲等，去噪方法有中值濾波、小波變換、均值濾波、同態(tài)濾波、頻域?yàn)V波等等，本文也會對各類去噪方法簡單介紹并提出幾種中值濾波的優(yōu)化算法。重點(diǎn)為中值濾波算法、代碼實(shí)現(xiàn)以及其對椒鹽高斯噪聲的處理效果的仿真實(shí)驗(yàn)。</p><p&g

22、t;<b>　　1　緒論</b></p><p>　　1.1　數(shù)字圖像基礎(chǔ) </p><p>　　1.1.1　數(shù)字圖像 </p><p>　　在人們的視界里，圖像分為彩色和黑白。對于彩色圖像，按照色度學(xué)理論：任何顏色都可由紅、綠、藍(lán)三種基本顏色按不同的比例混合得到。這樣，自然界的圖像可以用基于位置坐標(biāo)的三維函數(shù)來表示，即：利用 f 表示空間坐

23、標(biāo) 點(diǎn)的顏色函數(shù)，fred、fgreen、fblue分別表示該點(diǎn)顏色的紅、綠、藍(lán)三種原色的分量值。由于平面上每一點(diǎn)僅包括兩個坐標(biāo)(x, y),所以我們可以將空間三維函數(shù)轉(zhuǎn)化為二維函數(shù)。對于黑白圖像，就比彩色圖像簡單多了，只需要用 表示該點(diǎn)圖像的灰度（強(qiáng)度）即可。</p><p>　　我們所說的數(shù)字圖像是相對于模擬圖像而言的。是將圖像按空間坐標(biāo)和明暗程度的連續(xù)性分類得到的：</p><p>

24、　　(1)模擬圖像指空間坐標(biāo)和明暗程度都是連續(xù)變化的圖像，計(jì)算機(jī)無法對其直接處理。即 是空間的連續(xù)函數(shù)， 為連續(xù)的空間，即在連續(xù)空間內(nèi)，每一個點(diǎn)都有一個精確的值與之相對應(yīng)。</p><p>　　(2)數(shù)字圖像是一種空間坐標(biāo)和灰度均不連續(xù)的、用離散的數(shù)字表示的圖像，這樣的圖像才能被計(jì)算機(jī)處理。</p><p>　　由于計(jì)算機(jī)僅能處理二進(jìn)制數(shù)據(jù)，如果要用計(jì)算機(jī)來處理圖像的話，必須把連續(xù)的圖像函

25、數(shù)轉(zhuǎn)化為離散的數(shù)據(jù)集。經(jīng)過離散化處理，原來連續(xù)的模擬圖像就變成了由許多像素依據(jù)一定規(guī)則形成的數(shù)字圖像來近似表示，一般用一個矩陣表示那些離散的數(shù)據(jù)，每一個離散的矩陣元素表示一個像素的顏色值。把像素依據(jù)不同的方式組織和存儲，就形成了不同的圖像格式，把圖像數(shù)據(jù)存成文件就會得到相應(yīng)的圖像文件。</p><p>　　由于是數(shù)字圖像，那么對于一幅黑白圖像來說，只要把各個像素賦值為0或1即可，我們用1 表示白色，用 0 表示黑

26、色，于是我們把一幅黑白圖像稱為二值圖像，彩色圖像或其它圖像轉(zhuǎn)化為黑白圖像的過程叫做二值化。對于一幅彩色圖像，每個像素我們都需要用3個取值范圍為 之間的整數(shù)值來分別表示紅、綠、藍(lán)三原色分量，且這些分量都是用整型數(shù)據(jù)表示，稱之為像素顏色的R, G, B值。表示一個取值范圍為 的整型數(shù)據(jù)，需要占用 8bit 空間，三個 R, G, B這樣的整型數(shù)據(jù)就需要用24bit 來存儲，所以，我們常把一幅真彩色位圖稱為 24 位位圖。</p>

27、<p>　　在對數(shù)字圖像進(jìn)行處理的過程中，一般先把 24 位的位圖轉(zhuǎn)化為灰度圖像，然后再進(jìn)行相關(guān)的處理。所謂灰度圖像，就是把圖像矩陣中每個像素的值用1個 內(nèi)的整型數(shù)據(jù)表示。如果彩色圖像的R, G, B三個分量相等就成為灰度圖像。灰度圖中的每個像素只需要占有 8bit 空間，所以，灰度圖像通常也被稱為 8 位位圖。 </p><p>　　1.1.2　數(shù)字圖像灰度化 </p><p

28、>　　對數(shù)字圖像進(jìn)行灰度化處理，主要方法有以下三種： </p><p>　　1、最大值法：使 R、G、B 的值等于三個值中最大的一個，即： </p><p><b>　　(1-1) </b></p><p>　　最大值法會使灰度圖像亮度變高。 </p><p>　　2、平均值法：使 R、G、B 的值等于三個的平均值

29、，即： </p><p><b>　　(1-2)</b></p><p>　　平均值法會形成比較柔和的灰度圖像。 </p><p>　　3、加權(quán)平均值法：根據(jù)重要性或敏感度等其他指標(biāo)的要求給R，G，B 設(shè)定不同的權(quán)值，并使R、G、B值加權(quán)，即： </p><p>　　其中， , , 分別為R, G, B的權(quán)值。 ,

30、 , 取不同的值，加權(quán)平均值法將形成不同的灰度圖像。人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍(lán)色的敏感度最低，因此讓 可以得到合理的灰度圖像。實(shí)驗(yàn)和理論推導(dǎo)都表明，當(dāng) , , 時，即：</p><p><b>　　(1-3) </b></p><p>　　此時，R, G, B, 的取值就是該像素的亮度值，此時得到的灰度圖像最合理。 </p>

31、<p>　　1.2　噪聲的分類與特點(diǎn) </p><p>　　噪聲可以理解為“妨礙人們感覺器官對所接收的信源信息理解的因素”。噪聲通常是一種隨機(jī)信號，不可能預(yù)測，因此它只能用概率統(tǒng)計(jì)的方法來分析。使用某種方法從被攝體或信息源把信息傳遞給受看者時，如果通過視覺接收平面二維亮度分布，那么對這種接收起干擾作用的亮度分布就叫圖像噪聲。噪聲存在于圖像的獲取、傳輸和處理的各個環(huán)節(jié)。因此，去噪己經(jīng)成為圖像處理中極其

32、必要的步驟之一，同時也是圖像處理領(lǐng)域中一個重點(diǎn)研究的課題。本節(jié)先對噪聲的來源和性質(zhì)進(jìn)行簡要的介紹。 </p><p>　　黑白圖滿足二維亮度分布 函數(shù)，則噪聲就是對亮度的干擾，用 來表示。因?yàn)樵肼暰哂须S機(jī)性，所以我們需要用隨機(jī)過程來描述，也就是說要求知道噪聲的分布函數(shù)和密度函數(shù)。然而，在許多情況下，這些函數(shù)難以確定和描述，甚至根本無法得到，所以我們只能用統(tǒng)計(jì)方法來描述噪聲，例如均值、方差、自相關(guān)函數(shù)等。 <

33、/p><p>　　描述噪聲的總功率： (1-4)</p><p>　　噪聲的交流功率利用方差描述： (1-5)</p><p>　　噪聲的直流功率利用均值的平方表示： (1-6)</p><p>　　一般在圖像處理技術(shù)

34、中常見的噪聲有如下幾種：白噪聲、椒鹽噪聲、脈沖噪聲、量化噪聲等，我們重點(diǎn)介紹高斯噪聲和椒鹽噪聲。 </p><p>　　1.2.1　椒鹽噪聲 </p><p>　　椒鹽噪聲（Pepper Noise） ：是一種脈沖噪聲，它在圖像中產(chǎn)生黑色點(diǎn)和白色點(diǎn)。這種噪聲在圖像中表現(xiàn)非常明顯，對圖像具有嚴(yán)重的破壞作用，極大地妨礙了圖像分割、邊緣檢測、特征提取等后續(xù)處理。它的噪聲概率密度函數(shù)可表示為：&l

35、t;/p><p><b>　　(1-7)</b></p><p>　　因?yàn)槊}沖信號的強(qiáng)度通常比圖像信號強(qiáng)度要大的多，因此脈沖噪聲可以用灰度極限值（黑或白）來量化。我們一般假設(shè)a 和b 作為所取圖像允許的最大灰度和最小灰度值，即“飽和”值。如果 , 灰度 b在圖像中表示為白點(diǎn)，而灰度 a 在圖像中表示為黑點(diǎn)。如果 或 等于0，這時脈沖噪聲被稱之為單極性噪聲。如果 和 都不等

36、于0，但兩者大小接近，這時脈沖噪聲就像椒鹽隨機(jī)灑在圖像上一樣，因此，我們把雙極性的脈沖噪聲也叫做椒鹽噪聲。 </p><p>　　1.2.2　高斯噪聲</p><p>　　所謂高斯噪聲是指它的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。</p><p>　　高斯分布，也稱正態(tài)分布，又稱常態(tài)分布，記為 ，其中μ, 為分布的參數(shù)，分別為高斯分布的期望和方差。當(dāng)有

37、確定值時，p(x)也就確定了，特別當(dāng)μ=0， =1時，X的分布為標(biāo)準(zhǔn)正態(tài)分布。</p><p>　　高斯隨機(jī)變量z的PDF如下式：</p><p><b>　　(1-8)</b></p><p>　　其中z表示灰度值，μ表示z的平均值或期望值， 表示z的標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)差的平方 稱為z的方差。當(dāng)z服從式（1-8）的分布時候，其值有70％落在 內(nèi)，且

38、有95％落在 范圍內(nèi)。 </p><p>　　1.2.3　其他各類噪聲</p><p><b>　　1. 均勻噪聲分布</b></p><p>　　均勻噪聲的概率密度在較寬的頻率范圍內(nèi)有固定的頻譜分布，均勻噪聲分布的概率密度，由下式給出：</p><p><b>　　(1-9)</b>&l

39、t;/p><p>　　概率密度函數(shù)的期望值和方差可由下式給出：</p><p><b>　　(1-10)</b></p><p><b>　　2. 瑞利噪聲</b></p><p>　　瑞利噪聲是指頻譜服從瑞利分布的噪聲，瑞利分布（Rayleigh Distribution）是指一個均值為(0.5*π*

40、σ^2)^(0.5)，方差為(2-0.5*π)*σ^2的平穩(wěn)窄帶高斯過程，其包絡(luò)的一維分布是瑞利分布。當(dāng)一個隨機(jī)二維向量的兩個分量呈獨(dú)立的、有著相同的方差的正態(tài)分布時，這個向量的模呈瑞利分布。兩個正交高斯噪聲信號之和的包絡(luò)服從瑞利分布。它的概率密度函數(shù)由下式給出：</p><p><b>　　(1-11)</b></p><p>　　概率密度的均值和方差由下式給出：&

41、lt;/p><p><b>　　(1-12)</b></p><p>　　3. 伽馬(愛爾蘭)噪聲</p><p>　　伽馬噪聲的PDF如下式：</p><p><b>　　(1-13)</b></p><p>　　其中，a>0，b為正整數(shù)且“!”表示階乘。其密度的均值和方

42、差由下式給出：</p><p><b>　　4. 指數(shù)分布噪聲</b></p><p>　　指數(shù)噪聲的PDF可由下式給出：</p><p><b>　　(1-15)</b></p><p>　　其中a>0。概率密度函數(shù)的期望值和方差是：</p><p><b>

43、;　　(1-16)</b></p><p>　　1.2.4　圖像系統(tǒng)噪聲的特點(diǎn) </p><p>　　1．噪聲的掃描變換 </p><p>　　在對圖像處理時，首先先把二維圖像信號掃描變換成一維的電信號，然后再進(jìn)行處理，處理完成后，還要將一維電信號還原成二維圖像信號。在進(jìn)行這種圖像轉(zhuǎn)換的同時，噪聲也同樣會參與相同的變換。 </p><

44、p><b>　　2．噪聲的迭加性 </b></p><p>　　在串聯(lián)類型的圖像傳輸系統(tǒng)中，如果各子系統(tǒng)竄入的噪聲是同種噪聲，就會進(jìn)行功率相加，導(dǎo)致信噪比不斷下降。如果不是同種形式噪聲時就應(yīng)區(qū)別對待，此外還要考慮視覺檢出性征對視覺效果的影響。但是因?yàn)橐曈X檢出性征中的許多問題還沒有被人類研究透徹，所以我們也就只能進(jìn)行一些主觀的評價體驗(yàn)。例如空間頻率性征不同的噪聲迭加時我們要考慮到視覺空間

45、頻譜帶通的特性。如果是時間性征不同的噪聲迭加，則要考慮到視覺滯留、閃爍的性征等。 </p><p>　　3．噪聲與圖像的相關(guān)性 </p><p>　　如果使用的是光導(dǎo)攝象管的攝象機(jī)，可以認(rèn)為，噪聲幅度和信號幅度無關(guān)。但如果使用的是超正析攝象機(jī)，噪聲幅度與信號幅度關(guān)聯(lián)。此外在數(shù)字圖像處理技術(shù)中，量化噪聲一定存在，并且和圖像相位有關(guān)聯(lián)。 </p><p>　　1.3　灰

46、度圖像噪聲的清除 </p><p>　　圖像去噪通常是根據(jù)不同圖像的特性和不同目標(biāo)而采用不同的方法進(jìn)行處理。對某一種圖像很理想的去噪處理方法對另一種圖像則不一定可行，也可以說某種去噪方法在處理某一類型圖像效果理想，但處理其他類型的圖像時卻收不到好的效果。這是因?yàn)槿魏我环N處理方法都要在滿足其限定條件的前提下進(jìn)行才會收到好的效果，在沒有滿足其限定條件時，效果就就會極大地降低。這也說明，由于圖像本身具有的隨機(jī)性與特殊性

47、，我們在圖像去噪的方法選擇上要靈活應(yīng)變。</p><p>　　圖像噪聲在圖像上往往表現(xiàn)為灰度值是離散的，并且它們在圖像上的分布是隨機(jī)的。我們可以采用多種方法去除噪聲，主要有空域處理、頻域?yàn)V波和統(tǒng)計(jì)濾波，但它們各有長處。雖然頻域?yàn)V波與統(tǒng)計(jì)濾波精度相對較高，但是運(yùn)算量巨大，并且過程繁雜；空域處理方法雖然精度相對比較低，但它運(yùn)算簡單方便。鄰域平均法、中值濾波和空域低通濾波法就是比較常用的相對簡單的去除噪聲方法。 <

48、;/p><p>　　1.3.1　鄰域平均去噪法 </p><p>　　對于給出的 N×N 大小的圖像 ，定義一個鄰域 S,選擇一個點(diǎn) ，取它的領(lǐng)域S內(nèi)的所有像素點(diǎn)的平均灰度值作為該點(diǎn)的灰度值，以此類推，對整幅圖像中每個像素點(diǎn)做類似的處理，就得到新的圖像 。其過程可表示為： </p><p><b>　　(1-17)</b></p&g

49、t;<p>　　式中，s 表示所取像素鄰域S中像素的坐標(biāo)范圍，M 為鄰域 S中容納像素的個數(shù)。鄰域平均去噪法特點(diǎn)是：去噪效果效果明顯，容易實(shí)現(xiàn)；缺點(diǎn)是會導(dǎo)致邊緣模糊。所取鄰域 S越大，去噪效果越顯著，但邊緣越模糊。為此，我們可以在進(jìn)行鄰域平均時需要設(shè)定一個閾值，以此來減輕邊緣模糊，即： </p><p><b>　　(1-18)</b></p><p>

50、　　T為一個預(yù)先設(shè)定的閾值，并且非負(fù)。當(dāng)某點(diǎn)灰度值與其鄰域內(nèi)灰度均值之差小于預(yù)定的閾值 T 時，就保留該點(diǎn)原有的灰度值，這種方法在一定程度上可以減小邊緣的模糊程度。 </p><p>　　1.3.2　頻域去噪方法 </p><p>　　頻域去噪技術(shù)的數(shù)學(xué)基礎(chǔ)是卷積理論。假設(shè)線性不變算子 與函數(shù) 進(jìn)行卷積后的結(jié)果是 </p><p>　　)

51、 (1-19)</p><p>　　據(jù)卷積定理在頻域有： </p><p><b>　　(1-20)</b></p><p>　　其中 G(u, v)、H(u, v)、F(u, v)分別是 g(x, y)、h(x, y)、f(x, y)的 X 類型變換(Fourier變換等)。在對特定的圖

52、像信號進(jìn)行處理應(yīng)用中，f(x, y)是給定的，我們主要確定H(u, v)，于是由具有所需特性的 g(x, y)我們就可以算出 G(u, v)，然后再通過 X 反變換得到 g(x, y)，如下式 </p><p><b>　　(1-21)</b></p><p>　　在頻域中進(jìn)行圖像去噪，可以分成以下三個主要步驟： </p><p>

53、;　　①對需要去噪的圖像進(jìn)行 X變換計(jì)算； </p><p>　?、谧儞Q后的結(jié)果與一個函數(shù)(根據(jù)需要設(shè)計(jì))相乘； </p><p>　?、蹖⒔Y(jié)果進(jìn)行反 X變換操作就可以得到圖像的去噪結(jié)果。 </p><p>　　1.3.3　幾種新型的濾波方法 </p><p>　　近些年來，隨著數(shù)學(xué)各分支在理論和應(yīng)用上的逐步深入，使得很多數(shù)學(xué)理論在圖像去噪技

54、術(shù)應(yīng)用中取得了很大的進(jìn)展，產(chǎn)生了不少的新算法。新的濾波方法主要有： </p><p>　　(1)數(shù)學(xué)形態(tài)濾波方法 </p><p>　　自從J.Serra 的專著《Image Analysis and Mathematical Morphology》出版，提出數(shù)學(xué)形態(tài)學(xué)以來，已經(jīng)引起了世界各國學(xué)者的興趣。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語言是集合論。使用數(shù)學(xué)形態(tài)學(xué)可以簡化圖像數(shù)據(jù)，保持它們基本的

55、形狀特征，并且可以除去不相干的結(jié)構(gòu)。 數(shù)學(xué)形態(tài)學(xué)的算法由于具有天然的并行實(shí)現(xiàn)的結(jié)構(gòu)，因此實(shí)現(xiàn)了形態(tài)學(xué)分析和處理算法的并行,極大提高了圖像分析和處理的速度。 </p><p>　　數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的基本運(yùn)算有 4 個：膨脹（或擴(kuò)張）、腐蝕（或侵蝕）、開啟和閉合，它們在二值圖像和灰度圖像中各有特點(diǎn)。在這些基本運(yùn)算的基礎(chǔ)上，還可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，使用它們可以進(jìn)行圖像分析

56、及處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強(qiáng)和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當(dāng)探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。目前，有關(guān)數(shù)學(xué)形態(tài)學(xué)的技術(shù)和應(yīng)用正在不斷地研究深入。 </p><p>　　(2)小波濾波方法 </p><p>　　小波變換是傅里葉變換的發(fā)展，是從 20世紀(jì) 80年代中期逐

57、漸發(fā)展起來的一個重要的數(shù)學(xué)分支。作為一個非常重要的數(shù)學(xué)分析工具，在數(shù)字圖像去噪領(lǐng)域獲得廣泛的使用。由于小波去噪方法具有以下四個特點(diǎn)，所以可以取得很好的效果：一是低熵性；二是多分辨率性質(zhì)，三是去相關(guān)性，四是選基靈活性。 </p><p>　　小波方法目前可以分為三類： 第一種是由Mallat 提出的基于小波變換模極大值原理的去噪方法。二是基于小波變換域內(nèi)相鄰尺度間系數(shù)相關(guān)性的去噪方法。三是小波閾值去噪方法，由Don

58、oho等人提出。其中小波閾值去噪法算法簡單、效果好，因此使用廣泛。 </p><p>　　(3)基于模糊數(shù)學(xué)的濾波方法 </p><p>　　近年來，隨著圖像處理數(shù)據(jù)的持續(xù)不斷增加，同時對實(shí)時性要求的日益提高，但伴隨著模糊理論的發(fā)展及人們對事物模糊性認(rèn)識的深入，模糊理論在圖像去噪方面的應(yīng)用日益增多。在圖像去噪過程中采用模糊手段，可以在減少信息的輸入量、處理量和存儲量的同時能實(shí)時且令人滿意地

59、去除噪聲?？傮w上而言，通過對圖像信息模糊性的理解，利用模糊集來更為精確的描述圖像信息，這時就需要將傳統(tǒng)的經(jīng)典集處理方法推廣到模糊集，也就是要通過隸屬度函數(shù)來進(jìn)行分集，從而形成了一類模糊圖像處理算法。 </p><p>　　(4)基于神經(jīng)網(wǎng)絡(luò)的濾波方法 </p><p>　　由于神經(jīng)網(wǎng)絡(luò)濾波器本身具備并行運(yùn)算的性質(zhì)，再加上它獨(dú)特具備的自組織和自學(xué)習(xí)能力，從而使其在圖像處理領(lǐng)域中的應(yīng)用越來越廣

60、泛。目前，神經(jīng)網(wǎng)絡(luò)在圖像去噪中的應(yīng)用研究主要集中在針對圖像的特點(diǎn)系統(tǒng)地研究學(xué)習(xí)算法和訓(xùn)練方法上，特別是在訓(xùn)練方法方面還需要作出更加深入研究，再者就是如何簡化神經(jīng)網(wǎng)絡(luò)濾波算法的運(yùn)算速度和如何硬件實(shí)現(xiàn)并且進(jìn)行優(yōu)化和簡化的問題。 </p><p>　　1.4　圖像去噪效果的評價方法 </p><p>　　如何評價圖像去噪效果是圖像信息學(xué)科的基礎(chǔ)研究之一。對于圖像處理和圖像通信系統(tǒng)而言，圖像就作為

61、信息的載體，圖像的質(zhì)量就是衡量這個圖像信息系統(tǒng)的重要指標(biāo)。圖像去噪的直觀目的就是為了提高圖像的視覺顯示效果。在對一個去噪模型作具體評估時，需要考慮以下幾個因素： </p><p>　　(1)圖像經(jīng)去噪后應(yīng)盡量平滑，盡可能的降低噪聲遺留痕跡； </p><p>　　(2)去噪不應(yīng)該過度損失圖像的細(xì)節(jié)； </p><p>　　(3)不能因?yàn)槿ピ攵a(chǎn)生過度的的的噪聲； &

62、lt;/p><p>　　(4)采用去噪方法，如果必然產(chǎn)生新的噪聲，那么它應(yīng)盡量地接近隨機(jī)噪聲； </p><p>　　(5)信噪比要高。使去噪后的圖像盡量接近原始圖像。 </p><p>　　這就都要求設(shè)計(jì)一個合理的圖像去噪評估方法?，F(xiàn)有的評價方法分為主觀和客觀兩種，本文我們將只對結(jié)果進(jìn)行主觀評價，下面簡單介紹下主觀評價方法。 </p><p>

63、　　主觀評價一般分兩種：一種是觀察者的主觀評價，由觀察者對圖像直接用肉眼進(jìn)行觀察，由本人對所觀察的圖像的質(zhì)量給出相應(yīng)的評價，綜合眾多觀測者的意見給出一個綜合結(jié)論。這種方法沒有定量，非常容易受觀察者主觀因素的影響，因此評價的結(jié)果存在一定的不確定性。第二種是采用模糊綜合評判方法，它實(shí)現(xiàn)了對圖像質(zhì)量近似定量的評估，目的為了盡量減少主觀因素的影響，但主觀不確定性并沒有完全消除，而且需要專家利用經(jīng)驗(yàn)來確定定量計(jì)算公式中的參數(shù)。本文使用肉眼觀察的直

64、觀方法來對中值濾波的去噪效果進(jìn)行探究。 </p><p><b>　　1.5　本章小結(jié) </b></p><p>　　本章首先闡述了如何把圖像離散化和數(shù)字化，然后簡要介紹了幾種常用的灰度圖像去噪處理方法，并闡明了各種去噪的原理及其所具有的優(yōu)缺點(diǎn)。由于圖像特征的隨機(jī)性和多樣性以及使用者的不同使用目的，采用不同增強(qiáng)處理方法針對不同噪聲的處理效果是不同的，因此需要分別用各類

65、處理方法對各種常見噪聲圖像進(jìn)行處理并分析結(jié)果</p><p><b>　　2　中值濾波</b></p><p>　　中值濾波(Median Fi1ter)以排序統(tǒng)計(jì)理論作為其理論基礎(chǔ)，作為一種非線性平滑濾波算法，可以有效抑制噪聲，由于它在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便使用。 </p><p>　　2.1　標(biāo)準(zhǔn)中值濾波 <

66、;/p><p>　　2.1.1　中值濾波的原理 </p><p>　　中值濾波是由圖基（Turky）在1971年提出的，中值濾波的基本原理是把數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近真實(shí)值，從而消除孤立的噪聲點(diǎn)。</p><p>　　具體來講就是先以某個像素為中心，定義它的一個鄰域（通常是方形鄰域）。對鄰域內(nèi)所有像素按灰度值的大小排序，取

67、其中間值作為中心像素新的灰度值。這個鄰域一般我們稱之為稱為窗口。然后把圖像中不同的像素依次作類似的處理。對于奇數(shù)個元素，中值是指按大小排序后中間的數(shù)值；對于偶數(shù)個元素，中值是指排序后中間兩個元素灰度值的平均值。</p><p><b>　　序列的中值y為：</b></p><p><b>　　(2-1)</b></p><p&

68、gt;　　公式中，若把一個點(diǎn)的特定長度或形狀的鄰域作為窗口，在一維情況下，中值濾波器是一個含有奇數(shù)個像素的滑動窗口。窗口中中間那個像素的值用窗口各像素值的中值來代替，設(shè)輸入序列為，為自然數(shù)集合或子集，窗口長度為n，且令u=(n-1)/2，則濾波器的輸出為:</p><p><b>　　(2-2)</b></p><p>　　上式表明i點(diǎn)的中值僅與窗口前后各點(diǎn)的中值有關(guān)

69、，為序列的中值。把中值濾波的概念推廣到二維并利用某種形式的二維窗口。則可對二維中值濾波做如下定義：設(shè)表示數(shù)字圖像各點(diǎn)的灰度值，濾波窗口為A，則:</p><p><b>　　(2-3)</b></p><p>　　上式窗口是A的點(diǎn)的中值表達(dá)式，二維中值濾波的窗口通常選為3*3，5*5區(qū)域，可以5*5窗口為例，常見的圖形如圖(2-1)的(a)方形 (b)菱形 (c)十字

70、形 所示：</p><p>　　圖(2-1) (a)方形 (b)菱形 (c)十字形</p><p>　　用兩個例子來詳細(xì)分析：</p><p>　　例1：如圖(2-2)所示，1*5的一維模版，噪聲點(diǎn)為m，灰度值為2，先進(jìn)行數(shù)值排序，找到中值并用中值取代原噪聲點(diǎn)，形成新的1*5一維模版：</p><p>　　圖(2

71、-2)一維中值濾波過程</p><p>　　例2：3*3的模板，對9個數(shù)排序，取第5個數(shù)替代原來的像素值。以某一個像素點(diǎn)為中心，選取一個3*3的窗口為模版，如圖11.3：模版中的灰度值依次為｛2,1,4,2,2,3,7,6,8｝，排序后新的灰度值為｛1,2,2,2,3,4,6,7,8｝,第五個數(shù)3為排序后的中值，用3取代原來的中心值2，完成中值濾波過程。</p><p>　　圖(2-3)二

72、維中值濾波過程</p><p>　　采用中值濾波算法能對圖像進(jìn)行平滑處理。經(jīng)過中值濾波處理，輸出圖像任一像素的灰度值是由該像素鄰域內(nèi)所有像素灰度值的中間值決定的，因此中值濾波可以較好地消除孤立的噪聲點(diǎn)，從而可以使圖像經(jīng)過處理后不會變的很模糊。但是由于中值濾波在去噪時，同時也會破壞圖像的細(xì)節(jié)，當(dāng)噪聲相當(dāng)嚴(yán)重時，效果就會變的非常差。為了解決這些矛盾，近年來出現(xiàn)了很多改進(jìn)的算法，如加權(quán)中值濾波算法、開關(guān)中值濾波、min

73、max算法。 </p><p>　　2.1.2　中值濾波的主要特性 </p><p>　　中值濾波的主要特性有: </p><p>　　l. 非線性運(yùn)算：對于隨機(jī)噪聲，數(shù)學(xué)分析過程將會異常復(fù)雜。如果噪聲輸入符合零均值正態(tài)分布規(guī)律，中值濾波輸出就會與噪聲輸入的分布密度有關(guān)，即輸出噪聲方差和輸入噪聲密度函數(shù)之間成平方成反比關(guān)系。結(jié)尾結(jié)論：雖然中值濾波比均值濾波對隨機(jī)噪聲

74、的去噪能力要差些，但對于脈沖干擾來講，中值濾波是很有效的。特別是對于脈沖寬度小于濾波窗口長度的一半且距離較遠(yuǎn)的窄脈沖，效果會更好。 </p><p>　　2. 信號的不變性：中值濾波在處理某些特定的輸入信號時，輸出信號會保持與輸入信號相同，所以與一般的線性濾波器相比，圖像細(xì)節(jié)能更好地得到保護(hù)。 </p><p>　　3. 頻譜特性:由于中值濾波輸出與輸入在頻率上不是一一對應(yīng)的，因此不能使用

75、普通線性濾波器頻率特性分析方法。一般我們采用總體實(shí)驗(yàn)觀察法，通過大量實(shí)驗(yàn)來驗(yàn)證中值濾波器的頻率響應(yīng)與輸入信號的頻譜之間是有關(guān)系的，呈現(xiàn)一種不規(guī)則但波動幅度不大的曲線，它的頻譜特性起伏不大，因此認(rèn)為信號經(jīng)過中值濾波后，頻譜基本上保持不變。</p><p>　　在設(shè)計(jì)中值濾波器算法時，窗口內(nèi)像素灰度值與周圍象素灰度值相差較大的點(diǎn)經(jīng)過處理后要求能與附近的像素灰度值接近，這樣就可以減小隨機(jī)噪聲。為了減小處理后的產(chǎn)生模糊的

76、程度，要求在處理時不能簡單的取平均值，即可以使中值濾波既能有效消除噪聲，同時還能保護(hù)圖像中的細(xì)節(jié)部分。 </p><p>　　2.2　中值濾波的改進(jìn)算法 </p><p>　　標(biāo)準(zhǔn)的中值濾波能夠明顯去除圖像中的脈沖噪聲，但它在去除噪聲的同時，也會使圖像中得重要細(xì)節(jié)衰減。為了解決這種情況，研究人員相繼提出了許多的改進(jìn)型的中值濾波算法。 </p><p>　　2.2.1

77、　快速排序算法</p><p>　　中值濾波的算法很多，但通常數(shù)據(jù)排序量較大。需要消耗大量時間，不利于圖像處理的實(shí)時性。為節(jié)省圖像處理的時間，我們試圖選擇更快速的排序方法。</p><p>　　窗口大小為3*3的快速排序算法：</p><p>　　將3*3窗口內(nèi)的各個像素分別定義為M11，M12，M13，M21，M22，M23，M31，M32，M33。 首先

78、分別對窗口中的每一行計(jì)算最大值、中值、最小值，這樣一共可以得到9個數(shù)值，分別包括3個最大值、3個中值、3個最小值：</p><p>　　第一行的最大值：Max1=max[M11，M12，M13]；</p><p>　　第一行的中值：Med1=med[M11，M12，M13];</p><p>　　第一行的最小值：Min1=min[M11，M12，M13]；</

79、p><p><b>　　依此類推：</b></p><p>　　Max2=max[M21，M22，M23]；Med2=med[M21，M22，M23]；Min2=min[M21，M22，M23].</p><p>　　Max3=max[M31，M32，M33];Med3=med[M31，M32，M33]；Min3=min[M31，M32，M33].

80、</p><p>　　( max表示取最大值，med表示取中值，min表示取最小值。)</p><p><b>　　由此可得：</b></p><p>　　9個數(shù)值中3個最大值中的最大值和3個最小值中的最小值一定是9個像素中的最大值和最小值；</p><p>　　3個中值中的最大值至少大于5個像素：即本行中的最小值、其他

81、2行的中值及最小值；而3個中值中的最小值至少小于5個像素：即本行中的最大值、其他2行的中值及最小值。</p><p>　　所以，只要比較3個最大值中的最小值Min_of_Max，3個中值中的中值Med_of_Med，3個最小值中的最大值Max_of_Min．得到的中間值即為濾波的最后結(jié)果Med_of_nine。具體過程表示如下：</p><p>　　Min_of_Max=min[Max1，

82、Max2,Max3]；</p><p>　　Med_of_Med=med[Med1，Med2，Med3]；</p><p>　　Max_of_Min=max[Min1，Min2，Min3].</p><p><b>　　則最后濾波結(jié)果：</b></p><p>　　Med_of_nine=med[Min_of_Max,M

83、ed_of_Med，Max_of_Min]；</p><p>　　利用這種排序法的中值濾波運(yùn)算僅需17次比較，與傳統(tǒng)算法相比。比較次數(shù)減少了近2倍，大大提高了濾波的速度。</p><p>　　2.2.2　極值中值濾波器 </p><p>　　在標(biāo)準(zhǔn)的中值濾波算法中，對窗口內(nèi)所有的像素點(diǎn)都采用同樣的處理形式。這樣不僅去除了噪聲，同時也改變了真正信號點(diǎn)的灰度值，使得圖像

84、模糊，喪失細(xì)節(jié)。但如果我們能夠知道哪些信號點(diǎn)是干凈點(diǎn)，哪些信號點(diǎn)已被噪聲污染，這樣我們就可以只處理噪聲污染點(diǎn)，不但減少了運(yùn)算量，而且降低了圖像的失真度。</p><p>　　根據(jù)經(jīng)驗(yàn)可知，對于自然圖像，鄰近點(diǎn)之間存在著比較大的相關(guān)性。圖像中某一點(diǎn)的灰度值與其附近點(diǎn)的灰度值是很接近的。根據(jù)這個結(jié)論我們可以做出以下判斷：在一幅圖像中如果一個像素點(diǎn)的灰度值與其鄰域的相關(guān)性很小，那么，該信號點(diǎn)很可有能已經(jīng)被噪聲污染了。由

85、此，如果該點(diǎn)的灰度值與其鄰點(diǎn)的相關(guān)性接近，就應(yīng)該是一個干凈的信號點(diǎn)。設(shè)隨機(jī)選擇原始圖像某一像素點(diǎn)xij，用 w[i，j]表示對點(diǎn) xij所作一個窗口操作運(yùn)算，如果點(diǎn)xij的灰度值等于其窗口內(nèi)所有像素點(diǎn)灰度值的最大或最小值，那么該點(diǎn)就是噪聲點(diǎn)。如果不是，則為信號點(diǎn)。即如式所示: </p><p><b>　　(2-4)</b></p><p>　　極值中值濾波算法有一個

86、判斷點(diǎn)是否被噪聲污染的過程， 我們介紹的極值中值濾波算法在處理幅度差值比較大的脈沖噪聲時，去噪效果相當(dāng)明顯。但是圖像中如果有一些細(xì)線等窄的邊緣情況，它與它們周圍的像素相比，灰度值相差也會很大，極值中值濾波算法就會把這樣的像素點(diǎn)誤判斷為噪聲點(diǎn)，因此會破壞原始圖像的信號。 </p><p>　　2.2.3　加權(quán)中值濾波器 </p><p>　　采用加權(quán)的方法，可以增加窗口的中心像素的灰度值的比

87、重，對于輸入( ， )，其加權(quán)中值濾波的輸出如下式所示:</p><p><b>　　(2-5)</b></p><p>　　這里中值運(yùn)算用Med()表示，*表示加權(quán)。窗口的權(quán)用 來表示，我們把W=(1,1,…,1)時的窗口稱為標(biāo)準(zhǔn)窗口。如下式所示：</p><p><b>　　(2-6)</b></p>&

88、lt;p><b>　　(2-7)</b></p><p>　　如果W是整數(shù)時，加權(quán)后的 中的共有：</p><p><b>　　(2-8)</b></p><p>　　在加權(quán)中值濾波中，對加權(quán)后 中的N′個數(shù)從小到大進(jìn)行排列，把其中第T個數(shù)作為窗口的中值輸出。通過一個簡單的例子來看采用加權(quán)中值濾波與采用常規(guī)中值濾波的

89、區(qū)別。例如，采用普通的中值濾波有y= Med(1 ,1 , 1,5 , 5 , 1 , 5 , 5 , 1 )=1 ,而采用加權(quán)后的中值濾波后，則變?yōu)?y=Med(1,1,1,1,1,5 ,5 , 5, 1 , 5 , 5 , 5)=5,此時發(fā)現(xiàn)加權(quán)中值濾波的輸出值和常規(guī)中值濾波的輸出值并不相同。 </p><p>　　總結(jié)：如果在圖像去噪時，我們希望突出中間點(diǎn)或最近的幾個點(diǎn)的作用，這時可采用加權(quán)中值濾波。原理是

90、調(diào)整窗口中變量的數(shù)量，可以使多個變量等于同一點(diǎn)的值，然后對經(jīng)過擴(kuò)張以后的數(shù)字集合再去求中值。這種方法比使用簡單中值濾波能更好地從噪聲圖像中還原出階躍邊緣和其他細(xì)節(jié)。 </p><p>　　2.2.4　多級中值濾波器</p><p>　　多級中值濾波器的工作原理是：沿豎直、水平、45°、135°各取一維窗口，把它們的最大值、濾波點(diǎn)、極小值排序后，取中值輸出。 </p

91、><p>　　設(shè)數(shù)字圖像序列為 X(.,.)表示，W表示中心在 ，且大小為（2N+1) （2N+1）的正方形濾波窗口。濾波窗口 W的四個子集可以定義為: </p><p><b>　　(2-9)</b></p><p>　　假定相應(yīng)的中值為 即</p><p><b>　　(2-10)</b><

92、;/p><p>　　并且 (2-11)</p><p>　　于是多級中值濾波器輸出可以定義為</p><p><b>　　(2-12)</b></p><p>　　多級中值濾波器可以很好的保存圖像的細(xì)節(jié)，但它控制噪聲的能力比較差。 </p><p><b&

93、gt;　　2.3　本章小結(jié) </b></p><p>　　本章主要介紹了經(jīng)典的中值濾波的理論、中值濾波算法的特點(diǎn)及對中值濾波改進(jìn)的算法：快速中值濾波算法、極值中值濾波算法、加權(quán)中值濾波算法、多級中值濾波算法。</p><p>　　3　算法及DSP仿真</p><p><b>　　3.1　算法</b></p><p

94、>　　3.1.1　算法思想 </p><p>　　理論上我們已經(jīng)得出中值濾波對脈沖噪聲的抑制效果比較明顯，上一章也對中值濾波的算法做了具體分析，現(xiàn)在就進(jìn)行基礎(chǔ)中值濾波算法實(shí)現(xiàn)，并通過DSP試驗(yàn)箱對添加不同噪聲的圖像進(jìn)行中值濾波處理，對比圖像仿真效果，驗(yàn)證中值濾波去噪特性。算法的具體實(shí)現(xiàn)過程如下：</p><p>　　(1).選擇一個(2n+1)×(2n+1)的窗口(本次采用

95、3×3)，并用該窗口沿圖像數(shù)據(jù)進(jìn)行行或列方向的移位滑動；</p><p>　　(2).每次移動后，對窗內(nèi)的諸像素灰度值進(jìn)行排序；</p><p>　　(3).用排序所得中值替代窗口中心位置的原始像素灰度值。</p><p>　　圖(3-1)中值濾波算法流程圖</p><p>　　3.1.2 C代碼實(shí)現(xiàn)</p><

96、p>　　中值濾波算法對應(yīng)的DSP程序如下：</p><p>　　void MedianFilter //中值濾波子程序</p><p>　　( unsigned char *sourceImg, //原始圖像 </p><p>　　unsigned char

97、 *newImg, //輸出：中值濾波后圖像</p><p>　　int cols, int rows ) //圖像的寬度與高度 </p><p><b>　　{ </b></p><p><b>　　//定義局部變量</b>

98、</p><p>　　int i,j,k,m,r,range=32;</p><p>　　int pixels;</p><p>　　unsigned char *pp=sourceImg, *newpp=newImg; </p><p>　　int medianWin[9]={0};</p><p>　　int te

99、mp; </p><p>　　//圖像四周的像素不進(jìn)行處理，等于原值 </p><p>　　for (i=0; i< cols -1; i++) //處理第一行的像素</p><p>　　*newpp++ = *pp++;</p><p>　　//處理最后一行的像素</p>&

100、lt;p>　　pp = sourceImg + (rows-1)* cols; //指針指向最后一行</p><p>　　newpp = newImg+ (rows-1)* cols; </p><p>　　for (i=0; i< cols -1; i++) </p><p>　　*newpp++ =

101、 *pp++;</p><p>　　//處理最左邊一列的像素</p><p>　　newpp = newImg; //指針指向第一行第一個像素</p><p>　　pp = sourceImg; </p><p>　　for (i=0; i< rows -1;

102、i++) </p><p><b>　　{</b></p><p>　　*newpp = *pp; </p><p>　　newpp+=cols; pp+=cols; //指針偏移到下一行像素的位置</p><p><b>　　}</b></p><p>　　

103、//處理最右邊一列的像素</p><p>　　newpp = newImg+cols-1; //指針指向第一行最后一個像素</p><p>　　pp = sourceImg+cols-1; </p><p>　　for (i=0; i< rows -1; i++) </p><p&g

104、t;<b>　　{</b></p><p>　　*newpp = *pp; </p><p>　　newpp+=cols; pp+=cols; //指針移到下一行像素的位置</p><p><b>　　}</b></p><p>　　pixels=(cols-2)*(rows-

105、2); //圖像四周的像素不處理</p><p>　　pp=sourceImg+cols+1; //指針指向第一個像素</p><p>　　newpp=newImg+cols+1;</p><p><b>　　//中值濾波</b></p><

106、p>　　for(i=0;i<pixels;i++)</p><p><b>　　{</b></p><p>　　//3*3的中值濾波數(shù)組賦值</p><p>　　medianWin[0]=*(Newpp - cols-1);</p><p>　　medianWin[1]=*( Newpp -cols);<

107、;/p><p>　　medianWin[2]=*( Newpp - cols+1);</p><p>　　medianWin[3]=*( Newpp-1);</p><p>　　medianWin[4]=* Newpp;</p><p>　　medianWin[5]=*( Newpp+1); </p><p>

108、　　medianWin[6]=*( Newpp + cols-1);</p><p>　　medianWin[7]=*( Newpp + cols);</p><p>　　medianWin[8]=*( Newpp + cols+1);</p><p>　　//賦值后的中值濾波數(shù)組進(jìn)行冒泡排序 </p><p><b>　　r=9;

109、</b></p><p>　　for(k=0;k<r;k++,r--)</p><p>　　for(m=0;m<r;m++)</p><p><b>　　{</b></p><p>　　if(medianWin[m]>medianWin[m+1])</p><p>&

110、lt;b>　　{</b></p><p>　　temp=medianWin[m];</p><p>　　medianWin[m]=medianWin[m+1];</p><p>　　medianWin[m+1]=temp;</p><p><b>　　}</b></p><p>

111、<b>　　}</b></p><p>　　//取排序好的數(shù)組的中值賦給當(dāng)前像素</p><p>　　*newpp=medianWin[4];</p><p>　　newpp++; </p><

112、;p><b>　　}</b></p><p><b>　　3.2　仿真過程</b></p><p>　　3.2.1　CCS2.2使用</p><p>　　以軟件仿真(Simulator)環(huán)境下進(jìn)行，試驗(yàn)步驟如下：</p><p>　　1. 設(shè)置CCS工作在軟件仿真環(huán)境。</p>

113、<p>　?。?）雙擊桌面上Setup CCS studio圖標(biāo)運(yùn)行CCS Setup，進(jìn)入CCS設(shè)置窗口；</p><p>　?。?）按照下面所示，進(jìn)行CCS設(shè)置；</p><p>　　圖(3-2)CCS設(shè)置界面截圖</p><p>　?。?）在彈出的窗口中點(diǎn)擊“是”按鍵保存設(shè)置，退出CCS Setup，進(jìn)入CCS開發(fā)環(huán)境。</p><

114、;p>　　圖(3-3)CCS設(shè)置界面截圖</p><p><b>　　2. 啟動CCS。</b></p><p>　　雙擊桌面上CCS 2 ('C6000)圖標(biāo)運(yùn)行CCS。</p><p>　　3. 打開工程，編譯并運(yùn)行程序。</p><p>　　運(yùn)行中值濾波程序，打開\ti\myprojects\Lab-

115、Median-Guass(SaltPepper)\image642.pjt。</p><p>　　4. 編譯、鏈接程序：執(zhí)行菜單Project/Rebuild All，匯編結(jié)果在將匯編信息輸出窗口中給出。編譯后將在Bebug目錄中產(chǎn)生一個MedianFilter.out。</p><p>　　5. 加載程序：執(zhí)行File/Load Program，選擇MedianFilter.out并打開