改进的自适应中值滤波算法

改进的自适应中值滤波算法 : 1001 , 9081( 2011) 07 , 1835 , 03doi: 10, 3724 / SP, J, 1087, 2011, 01835文章编号 改进的自适应中值滤波算法 1 2 1 1，，，黄宝贵卢振泰马春梅赵景秀 ( 1, ，276826; 2, ，510515)曲阜师范大学 计算机科学学院山东 日照 南方医科大学 生物医学工程学院广州 ( hjbaogu@ 163, com) i : ，3 × 3 。摘 要中值滤波窗口大小影响滤波器性能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 。× 3 ，7 × 7 ，3 值滤波 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 将 窗口中心的极值点作为候选噪声点若候选噪声点仍然是 窗口的极值点则该点即是噪声 × 3 ，。3 。，点若以噪声点为中心的 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 。，。，换如果图像中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 : ; ; ; 关键词脉冲噪声中值滤波噪声检测自适应 : TP391, 41: A中图分类号文献标志码 Improved adaptive median filtering algorithm 1 2 1 1HUANG Bao-gui, LU Zhen-tai, MA Chun-mei, ZHAO Jing-xiu ( 1, School of Computer Science, Qufu Normal University, Rizhao Shandong 276826, China; 2, School of Biomedical Engineering, SouthernM edical University, Guangzhou Guangdong 510515, China) Abstract: The size of median filtering window influences the capability of filter and 3 ×3 filtering window can preserve image details, An adaptive median filtering method was proposed, The extreme value point in 3 × 3 filter window was taken as candidate noise, If the candidate noise is extreme value in 7 × 7 window, then it is a sure noise, If the median value of 3 × 3 fter wndow s not nose, then the centra nose woud be repaced wth the medan vaue, The steps above were repeated untiliiililliilil there was no noise replaced, If there still existed large noise cluster, the noise would be replaced with the mean of the three isgnals near it, The experimental results show that the methocda n denoise impulse noise and protect thei mage details effectively, Key words: impulse noise; median filtering; noise detection; adaptive ,8, ，中值滤波也是一种经典的非线性滤波方法它将每一 0 引言像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度 ，。值的中值对消除椒盐噪声非常有效传统中值滤波采用固 ，图像滤波就是去除图像中的噪声减少噪声对图像的影 ，，定大小的滤波窗口对窗口内的所有像素排序找到中值用中 ，。: 响提高图像的信噪比图像滤波器总体可以分为两大类线。值替换窗口中心像素值即使窗口中心值不是噪声也进行替 。( ) 性滤波器和非线性滤波器线性卷积滤波在去除噪声污 ，: 。换所以模糊了图像的细节窗口大小也影响滤波效果小尺 ，染的同时会造成图像边缘的模糊使图像特征的定位精度及 ，; 寸窗口滤波能力低但较好地保持了图像细节大尺寸窗口有 ，。特征的可抽取性降低无法保留陡变边缘基于小波 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 的 ，。,1 , 3,较强的滤波能力同时也模糊了图像细节学者们相继提出 。小波去噪算法是常见的一种非线性滤波算法 。基于中值滤波的改进方法基于极值均值的自适应滤波算 ，一幅自然图像往往有大量的冗余信息在进行图像处理 ,9,,10 , 11, 、，法开关中值滤波算法等通过对图像像素点的判 ，，。 时不仅要考虑局部像素信息还要考虑整幅图像的信息，，断将图像像素分为噪声点和信号点保持信号点像素值不 Buades ( NL-Means 等人提出了一种非局部均值滤波算法 算 ,4,，，。变将噪声点进行中值替换从而减少不必要的细节丢失如 ) 。NL-Means ， 法算法充分利用了图像局部结构的相似性果滤波窗口内的噪声点个数大于或等于窗口元素个数的一半 ，。具有很好的去噪效果对高斯噪声滤波效果尤其明显这种 ，。，时中值滤波失效为了提高滤波性能相应地应增大窗口的 ，方法仅仅考虑了图像中像素点的灰度属性而忽略了它还具 。,12,尺寸文献提出一种根据噪声干扰程度自适应地调整 ,5, ，，。WANG 有的几何属性而且算法时间复杂度高等人提 ，滤波窗口的尺寸方法兼顾了噪声抑制和细节保护两方面的 ，，出了加速的非局部均值算法首先计算相邻窗口的相似度通 ( Summed Square Image，SSI) 过引入积分图和快速傅里叶变换 ( Fast Fourier Transform，FFT) 。对算法进行了加速刘艳丽等 ，。,13,文献性能但是噪声干扰程度的判断区间不容易确定,6 , 7,，人进而提出了一种鲁棒有效的非局部均值去噪方法把 ，，不仅改变窗口尺寸也改变窗口的形状更全面地保留了图像，图像分解成不同时频分辨率的组元在每个组元上以像素的 ，，的细节和边缘但是随着窗口尺寸的增加算法的运算量急剧 。非局部相似度作为权重对图像进行调整这些方法不但能有 ，。 效地抑制图像噪声而且可以保持图像的细节 ，，。增大所以该方法的运算效率较低不适于图像的实时处理 ，，一般情况下随着窗口尺寸的增大窗口内像素排序占用大量 ，，。的时间图像处理的时间较长不利于图像的实时处理一般 : 2010 , 12 , 14; : 2011 , 01 , 29。: ( 31000450) 。收稿日期修回日期基金项目国家自然科学基金资助项目 : ( 1977 ,) ，，，，，: ; ( 1981 ,) ，，，、作者简介黄宝贵数字图像处理模式识别卢振泰男山东临沂人讲师硕士主要研究方向男山东济宁人副，，: 、; ( 1978 ,) ，，，，，: ; 教授博士主要研究方向图像配准与融合图像分割马春梅数字图像处理赵景秀 女山东威海人讲师硕士主要研究方向 ( 1968 ,) ，，，，，: 、。数字图像处理模式识别 男山东泰安人副教授硕士主要研究方向 ，，，N 认为对 个元素进行排序时所需的比较次数在理论上的最准确度又因为只针对小区域内的极值点才进行大窗口判断O( N ln N) ，，小值为 当原始数据序列较长或窗口较大时用这 ×7 。7 本文采用 的窗口对所以并不会增加算法的执行时间。种传统中值滤波算法十分费时从滤波窗口的中值元素的特 。7 ×7 ，可疑噪声点进行二次确认增大确认窗口至 标记为 ，点及滤波窗口移动的相关性上进行考虑充分利用前一个滤 7 77 7 W，WfWW，和 分别表示窗口 的最大灰度和最小灰度 i，j max mni，波窗口的排序结果可以对当前滤波窗口内的像素不进行全 3 7 7 ，W。f = Wf = W表示 窗口的可疑噪声若 或 则标记 i，j max i，j mni，，排序从而减少了查找中值的时间将传统算法的时间复杂度 2 ,14,,15,f; ，f。 是噪声点否则标记 是信号点，j ，j iiO( N) O( N) ，从 简化为 或是更小极大地提高了滤波 3 7 f= W1，f = W且 或 。速度传统中值滤波未考滤中心像素与其邻域内像素之间的 i，j max i，jmax ,16, 3 7 。联系及图像的纹理特征加权中值滤波器根据周围像素 Flag( i，j) =( 2) f= Wf = W且 i，j min i，jmin, ，，值与中心像素的相关性给周围像素点赋以不同的权值然后 0，其他，，对周围像素进行加权求和作为中心像素的替代值从而提高 表 1 不同窗口尺寸对噪声检测结果 。中值滤波性能 。 × 3 窗口 7 × 7 窗口 3 本文提出一种基于中值滤波的脉冲噪声滤除方法对图 噪声密度 ，误检率漏检率误检率漏检率 像的所有像素用二级检测的方法准确地将像素点分为信号 ，。×3 ，0, 1, 132 0, 004 93 0000点及噪声点只处理噪声点使用 的滤波窗口若窗口 0, 3 0, 051 2 0, 002 3 0 0 ，，内所有像素的中值不是噪声值则用中值替换中心噪声否则 0, 5 0, 020 4 0, 002 0 0 0 。×3 3 中心噪声不进行处理如此重复地用 窗口模板进行滤 0, 7 0, 010 2 0, 001 9 0 0 ，3 × 3 波直到图像中没有噪声或者噪声无法用 窗口模板进行 0, 9 0, 008 0 0 0, 001 9 0 。， 滤波为止若图像中仍然存在大的噪声团块则噪声团块中 ，。的噪声点用相邻信号点的均值替换 1, 3窗口尺寸选择1 自适应中值滤波 ，滤波窗口尺寸的选择影响滤波效果大尺寸窗口滤波能 ，; 1, 1 力强但细节保持能力较弱小尺寸窗口能保持图像大量细节噪声点初级检测 。但其滤波性能较低根据噪声密度的大小自适应地选择滤波 ，脉冲噪声是图像处理中常见的一类中值滤波器对消除 ，窗口可以缓和滤波性能与细节保持之间的矛盾同时也增加 ( ) ，。脉冲噪声非常有效噪声脉冲可以是正的盐点也可以是 。×3 3 了算法的时间复杂度如果某噪声的 窗口内所有像素 ( ) ，“”。负的胡椒点所以也称这种噪声为椒盐噪声椒盐噪声 ，。( a) 。2的中值仍然是噪声则滤波失败如图 的中心像素如 ，一般总表现为图像局部区域的最大值或最小值并且受污染 5 ×5 ，果将滤波窗口增加到 然后再取其中值并替换中心噪 ，。 像素的位置是随机分布的正负噪声点出现的概率通常相等，。× 3 ，，3 声滤波成功事实上如果用 窗口无法滤波可以先不 ，，图像噪声点往往对应于局部区域的极值反之不然区域极值 ，3 × 3 。进行处理转而处理后面能够用 窗口滤波的噪声点把 。( a) 3 ×3 1点不一定都是噪声点如图 的中心像素是 邻域极 3 × 3 ，所有能用 窗口滤波的噪声替换以后该中心噪声点就可 ，，; 1( b) 小值与周围像素值差别较大认为是噪声干扰点而图 的3 × 3 。，以用 窗口进行滤波了两种方法的滤波结果相同如图 3 × 3 ，中心像素值是 邻域虽然是极大值但与周围像素值差 别2( b) 。所示 ，。较小应该是信号点 图 2 5 × 5 窗口内噪声滤波结果 图 1 3 × 3 邻域像素值 。，N 对两种方法的时间复杂度进行比较一般认为对 个 333元素进 行 排 序 时 所需的比较次数在理论上的最小值为 f3 × 3 W ，WW设 是 窗口 的中心像素灰度值和 分 i，j max min O( N ln N) 。，3 ×3 3 用自适应改变滤波窗口的方法首先对 窗 。=Wf 别表示窗口 内所有像素的最大灰度和最小灰度若 i，j9 ，5 ×5 25 口中的 个像素排序然后再对 窗口中的 个像素排 33 = W，f; ，fWf则标记 是候选噪声点否则标记 是 或 min i，j i，j max ，ji，9 ×ln 9 + 25 ×ln 25 = 100, 25。序算法时间复杂度为 而用 。信号点3 × 39 ，，窗口中的 个像素排序只需进行两次算法时间复杂度 331， f= Wf= W或 i，jmax i，j min9 × ln 9 × 2 = 39, 55，为 仅是自适应改变滤波窗口算法的 Flag( i，j) =( 1), 330， fWfW? 且 ? 39, 5% 。 i，j max i，j min 1, 4 噪声团块的处理 , 21噪声点二级检测，3 × 3 如果图像受噪声污染较轻用 的滤波窗口进行重复 ，，正如前面所述局部极值不一定是噪声点若把局部极值 ，。，，。 滤波能够处理掉所有的噪声但是如果图像受噪声污染比 点都作为噪声进行中值替换势必造成不必要的细节丢失 ，3 ×3 ，， 一幅自然的平滑图像平滑区域的像素值是相近甚至相同的较严重则较大的噪声团块不能用 的滤波窗口进行滤 ，。。。3 ，0 ，1 只有在图像的边缘或是细节非常丰富的区域内图像像素值 波如图 所示其中表示信号点表示噪声点实验 。，，0, 5 ，3 ×3 的差别才比较大根据人的视觉特性对平滑区域内的噪声 结果表明当噪声密度不大于 时用 的滤波窗口进 。。比细节丰富的区域内的噪声更敏感如果候选噪声点在更大 行重复滤波即可去除掉所有的噪声 ，，。1 的窗口范围内依然是极值点那么该点即为噪声点表 是 ，对于噪声团块内的噪声本文结合均值滤波的思想进行 3 × 3 7 × 7 分别采用 窗口和 窗口对不同噪声密度下噪声的检 。，处理噪声团块外围的噪声用与其相邻的像素点的灰度值 。，测结果采用大的窗口判断噪声点大大提高了噪声检测的 。。:4 ，1 ，0 PSNR ，PSNR 的均值进行替换如图 所示表示噪声表示信号点作为客观评价的尺度定义为 2ff，若 是大噪声团块内的噪声用与 相邻的信号点的灰度 i，j i，j M × N × 255 PSNR = 10 lg ( 4) M N。( 3 ) 4 均值进行替换式即是图 中第一个图所用的替换公 2( f( m，n) ,f '( m，n) ) 。?? 式 m = 1 n = 1 ，，其中MN 表示图像的尺寸f( m，n) 表示原始图像的灰度、 1 =( f+ f+ f))3f( j ,1j ,1 ,1j j ,1 ，f ( m，n) i，i，i，i，'。值表示滤波后的图像灰度值各种算法对不同噪 3 PSNR ( : dB) 6 。声密度的图像处理后的 单位比较如图 所示 图 3 大的噪声团块 图 4 噪声团块中噪声用相邻像素均值替换 算法实现过程 2 1) ，( i，j) ，标记出所有的噪声点若第 个像素是噪声则 Flag( i，j)= 1，replace = 0。变量 2) Flag( i，j) = 1，( i，j) 3 × 3 若 求得以 为中心的 窗口中Med; Med ，Med 所有像素的中值 若中值 不是噪声则用 替换 ，Flag( i，j) = 0，replace = 1; ，中心像素同时修改 否则中心像 。素不做处理 3) Flag( i，j) = 1 ，，所有 的点处理完毕将结果输出作为 。待处理图像 图 5 各种算法对不同噪声密度图像滤波结果 4) replace = 1，2) 、3) ; ，如果 则重复 否则说明图像中不 3 × 3 。存在噪声或者有大的噪声团块但不能用 窗口进行替换 6 ) Flag f0，，若 ? 说明图像中仍有噪声团块噪声 用 ，j i? f。与 相邻的信号点的灰度均值进行替换 ，j i 7) 。输出滤波结果 3实验结果与分析 ×51 2、256 ，512 为验证本文算法的有效性对 级灰度图像 Lena ，加不同密度的脉冲噪声用本文算法及传统中值滤波 ( MF) 、( AMF，7 ×7 ) 自适应中值滤波最大窗口尺寸 进行比 。。( e) 3 ×3 MF、5 ，较滤波结果如图 所示其中图是分别用 图 6 各种算法下 PSNR 比较 5 × 5 MFAMF( b) ( , 1 ) 、、5 0本文算法对图 密度是 的滤波结 ; ( f) 3 × 3 MF、5 ×5 MF、AMF、。5 6 果图是分别用 本文算法对图 从图 可以看出本文算法的有效性随着噪声密度的增 ( c) ( , 5) ; ( g) 3 ×3 MF、5 ×5 0，，。密度是 的滤波结果是分别用 大 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 中值滤波性能急剧下降而本文算法的性能比较稳定 MF、AMF、( d) ( , 9) 。50本文算法对图 密度是 的滤波结果 3, 1 主观比较 4 结语 ( 0, 1 ) ，AMF 当噪声密度比较小时和本文算法在滤除掉 。中值滤波算法能有效地去除脉冲噪声为了准确地检测 ，; 3 ×3 MF 所有噪声的同时很好地保持了图像的细节保持了 ，; 5 ×5 MF ，，，图像的大量细节但图像仍有噪声能去掉所有噪 噪声本文在极大极小中值滤波的思想上用二级检测的方法，，。 声但平滑了图像的细节模 糊 了 图 像当噪声密度较大 。3 × 3 将像素点分为信号点及噪声点只用 滤波模板重复去除( 0, 5) ，AMF ( 时本文算法比 更好地保持了图像的细节帽子 ，; 噪声可以很好地保持图像的细节大的噪声团块采用均值的 ) ; 3 ×3 MF ，5 ×5 MF 的纹理和眼睫毛仅能除掉小部分噪声，。，思想能有效地去除图像的噪声实验结果表明该算法能有 ，。( 0, 9 ) 去掉了大量噪声但效果不理想当噪声密度非常大。效地滤除大量噪声并极好地保持了图像的细节尤其当噪声 ; AMF ; ，MF 时已经失效效果非常不理想而本文算法能基本 ，，。 密度较大时与其他算法相比更能体现出本算法的有效性。还原原始图像信息 :参考文献 ,1,CHANG S G, YU B, VETTERLI M, Adaptive wavelet thresholding for image denoising and compression,J,, IEEE Transactions on Im- , 23客观比较，为了客观地说明本文算法的滤波性能采用峰值信噪比 age Processng, 2000,9( 9) 1532 , 1546, ( 1883 )i: 下转第 页 { x} ，{ x，x} ，{ x} ，{ x，x} ， 此时的信任类型相关度矩阵为 ，、糊聚类为基础用直觉模糊数的隶属度非隶属度和犹豫度来1 2 6 3 4 5 Web 。Web 更加细腻地描述 服务的信任属性考虑到 环境的 , 94, 66, 82 0001 ， ，、、Web 1 0, 58 开放性自治性不确定性和欺骗性等特征以及 服务的 0, 94, 88 0, , 。若需要进行粗粒度的信任类型0, 58 1 0, 660, 38 , , 、。，实际情况本文从能力安全性和声誉三个方面描述信任度， ， 0, 88 0, 38 0, 821 ，并用直觉模糊聚类的方法先构造信任直觉模糊集的相似矩 : ，0 , 66 ，，λ 时划分则可采用最大相关度较大的分类方式如，，阵再由求传递闭包的方式得到直觉模糊等价矩阵最后通过 { x，x，x，x，x，x} 。的信任划分 1 2 3 4 5 6 -，设定不同的 λ 值得到不同的 λ截矩阵从而得到不同的分类 1 ，图 的实验结果表明基于直觉模糊聚类的信任分类的。，Web 结果实验证明直觉模糊数所刻画的 服务的信任属性 最大相关性低于基于普通模糊聚类的信任分类的最大相关 ，Web 更接近真实情况基于直觉模糊聚类的 服务信任类型动 ，。性即用直觉模糊集定义的信任属性较普通模糊集准确 。态定义 机制 综治信访维稳工作机制反恐怖工作机制企业员工晋升机制公司员工晋升机制员工晋升机制图 可以获得有效合理的分类结果本文所提出的 Web Web 服务信任类型动态定义机制为 信任管理研究提供 。了一个新思路 :参考文献 T,BORCHERDING M, KLEIN B, Valuation of trust in openBETH ,1, network,C, / / P roceedngs of the European Symposum on Research ii 图 1 基于直觉模糊集和普通模糊集划分信任类别的最大相关度 in Security, LNCS 895, Berlin: Springer-Verlag, 1994: 3 , 18,唐 ，，此外在真实的网络环境中网上交易行为可能有正常行 ,, ,J,, 陈钟基于模糊集合理论的主观信任管理模型研究软 文 ,2,，。，为也可能有恶意行为一般正常行为向他人提供真实服务 ,2003,14( 8) : 1401 , 1408, 件学报 ，，或对其他服务进行真实评价而恶意行为则正好相反它要么 ,,, 张仕斌何大可逺藤誉基于模糊聚类的信任类型动态定义机 ,3,，。提供虚假评价要么伪装提供真实服务为防止恶意行为的 ,J,, ,2006,32( 9) : 19 , 21, ,,制研究计算机工程李海华杜小勇田 , Web ,J,, ，一种能力属性增强的 服务信任评估 模型计算机学破坏可以从保障服务信息本身安全和恶意行为识别两个方 萱 ,4,,2008,31( 8) : 1471 , 1477, 报。，面来考虑若从保障服务信息本身安全性出发可以适当调 ,, 李小勇桂小林可信网络中基于多维决策属性的信任量化模型 ; ，整安全性信任贡献度的权重若从识别恶意行为出发可以适 ,5,,J,, ,2009,32( 3) : 405 , 416, ,,计算机学报李建欣怀进鹏李先，当提高能力信任贡献度的权重降低声誉属性信任贡献度的 ,, DTM: ,J,, 等一种面向网络计算的动态信 任管理模型计贤。权重实际的信任分类情况也可能会随着网络环境和应用环 ,6,,2009,32( 3) : 493 , 505, ,,, 雷英杰王宝树胡军红直觉算机学报，，境的不同而有不同的要求可以根据实际情况调整 λ 取值获 ,J,, ,2007,系统 工程理论与实践模糊等价矩阵构造方法，得不同的分类结果也可以通过调整信任属性的权重值来动 ,7,16( 7) : 127 , 131, ，态调整信任管理的侧重点进而得到针对不同性能要求的动 ,,, ,J,, 张洪美徐泽水陈琦直觉模糊集的聚类方法研究控制与 。态信任分类 ,2007,22( 8) : 882 , 888, ,8,决策 ATANASSOV K, Intuitionistic fuzzy sets , J ,, Fuzzy Sets and Sys- tems,1986,20( 1) : 87 , 96, ,9, 4 结语 ,10, 申晓勇,雷英杰,蔡茹,等, 直觉模糊集合数据的聚类有效性分析 ,J,, ,2009,24( 4) : 493 , 496,Web数据采集与处理 本文提出的服务信任类型动态定义机制以直觉模 ( )1837 上接第 页 ,2,PIZURICA A ，PHILIPS W ，LEMAHIEU I ，et al , A v ersatileata,C,/ / P roceedings of the IEEE Electronics and Aerospaced wavelet domain noise filteration technique for medical imaging SystemsC onference, New York: IEEE，1974: 673 , 681, ,J,,IEEE Transactons on Medca magng，2003，22( 3) : 323 , iilIi,9, , ，，，秦虹王耀南朱江等一种改进的极值均值自适应滤波算法 , ，331,韩丽娜 耿国华基于小波变换的真彩图像降噪与增强,J,, 2009，45( 32) : 180 , 182,，计算机工程与应用 ,3,J, , 2010，36( 12) : 224 , 225,，计 算机工程 , ,10,WANG ZHOU，ZHANG D, Progressive switching median filter for the removal of impulse noise from highly corrupted images ,4,BUADES A，COLL B，MOREL J M, A non-local algorithm for,J,,IEEE Transactions on Circuits and Systems，1999，46( 1) : 78 mage denosng,C,/ / P roceedngs of the IEEE Computer Socetyiiiii，，, , 80,陈初侠 丁勇刘栎莉去除椒盐噪声的自适应开关加权Conference on Computer Vision and Pattern R ecognition, New ,11,J,, ，2010，36( 4) : 210 , 212,计算机工程 ,均值 滤波York: IEEE，2005: 60 , 65, ，，, 张旭明徐滨士董世运用于图像处理的自适应中值滤波 WANG JIN，GUO YANWEN，YING YITING，et al, Fast non-local ,5,,12,,J,, ，2005，17( 2) : 295 , 299, 计算机辅助 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 与图形学学报王algorithm for image denoising,C,/ / I EEE International Conference , ,J,, 改进的自适应中值滤波计算机工程与应 ，晓凯李锋on Image Processing, New York: IEEE，2006: 1429 , 1432, ,13,2010，46( 3) : 175 , 176, ，用LIU YANLI，WANG JIN，CHEN XI，et al, A robust and fast non- , J,, ，, 肖昕李岩中值滤波编码算法的设计原理与实现计算机 ,6,local algorithm for image denoising ,J,, Journal of Computer 2004，16( 9) : 1256 , 1259, ，，张欣刘英，辅助设计与图形学学报 ,14,，Science and Technology，2008，23( 2) : 270 , 279,刘艳丽 郭延, J,, ,自适应投票快速中值滤波算法研究计算机工程高秀艳, 噪声方差未知的小波域中非局部均 值图像去噪，，文王进等2010，46( 6) : 148 , 150, ，与应用 J,, ，2009，21 ( 4 ) : ,7,计算机辅助设计与图形学学报 ,15,,，, 李秀玲何劲松基于旋转不变像素相关性的加权中值滤波器 526 , 532, ,J,, ，2010，15( 1) : 56 , 62,中国图象图形学报 TUKEY J W, Nonnear ( Nonsuperposabe) methods for smoothng lili ,16, ,8,