1. 项目概述从噪声中找回清晰世界在图像处理、信号分析乃至金融数据清洗的日常工作中我们总会遇到一个令人头疼的“不速之客”——噪声。无论是相机传感器产生的椒盐噪点还是工业信号采集中的突发脉冲干扰这些随机、尖锐的异常值就像白纸上的墨点严重破坏了数据的连续性与可读性。直接使用简单的平均或线性滤波往往会让图像变得模糊或者让信号的边缘特征消失殆尽。这时一种名为“中值滤波”的非线性工具就成了我们工具箱里的“瑞士军刀”。它不像它的“表亲”均值滤波那样温和而是以一种更果决的方式处理噪声直接排序取中位数用邻域内的“大多数意见”来替代中心点的值。这种方法对于消除椒盐噪声这类孤立的、强度差异大的噪声点效果出奇的好同时还能较好地保留边缘的锐利度。我最初接触中值滤波是在处理一批受污染的工业传感器时序数据时传统的低通滤波把关键的阶跃信号边缘也给磨平了导致特征提取失败。转而尝试中值滤波后那些刺眼的脉冲毛刺被干净利落地去除了而信号本身的突变点却清晰依旧。这个经历让我深刻体会到在非线性问题面前线性工具有时会显得力不从心。今天我们就以MATLAB这个强大的工程计算平台为舞台彻底拆解中值滤波。我们不仅要知道在MATLAB里如何简单地调用medfilt2函数更要深入其原理内核理解它为何有效并亲手从零实现它最后再探讨它在图像、信号乃至一维数据中的各种实战应用与调参技巧。无论你是正在学习《数字图像处理》课程的学生还是需要处理实际工程数据的工程师这篇内容都将带你绕过我当年踩过的坑直击核心。2. 中值滤波的核心原理排序的力量要理解中值滤波首先要跳出线性滤波的思维定式。我们熟悉的均值滤波其本质是卷积运算用一个滤波器窗口比如3x3的矩阵所有元素值为1/9滑过图像窗口中心的新值等于窗口内所有像素值的加权平均。这是一个线性操作其副作用是导致图像模糊因为平均运算天然地会混合不同区域的信息。2.1 非线性滤波的哲学基于顺序统计量中值滤波则完全不同。它属于非线性滤波家族其核心操作不是加权求和而是排序与选择。对于一个给定的滤波器窗口也称为邻域、模板或核中值滤波的处理步骤如下将窗口覆盖区域内的所有像素值或数据点提取出来。将这些值按照从小到大的顺序进行排序得到一个有序序列。从排序后的序列中选取位于正中间的那个值即中位数。用这个中位数替换原窗口中心位置的像素值。这个过程的威力在于它的“投票”机制。考虑一个被椒盐噪声污染的像素点椒盐噪声表现为随机的纯白高值如255或纯黑低值如0像素点。在一个3x3窗口中如果中心点是噪声比如一个白色的255而周围8个点都是正常的图像像素值可能在100-200之间。当我们对这9个数排序时那个异常的255要么在最大端要么如果是黑色噪声0在最小端。而取中位数选出的永远是排序后位于第5位对于9个数的那个值这个值极大可能来自周围正常的像素群。于是噪声点就被悄无声息地“矫正”了。2.2 与均值滤波的直观对比我们可以通过一个简单的例子来感受两者的区别。假设一个一维信号片段[10, 12, 15, 255, 18, 20, 22]。其中255很可能是一个脉冲噪声。均值滤波窗口大小为3以255为中心计算(1525518)/3 96。结果96虽然拉低了噪声但仍然严重偏离了原始信号趋势10-22并且影响了相邻点。中值滤波窗口大小为3对[15, 255, 18]排序得到[15, 18, 255]取中位数18。看噪声点255被完全修正为了一个合理的值18完美地融入了前后序列。这个例子清晰地展示了中值滤波在去除孤立尖峰噪声方面的卓越能力同时它对边缘的保持也更优。因为在中值计算中只要边缘一侧的像素数量超过窗口半径边缘的灰度跳变就能被保留下来而均值滤波则会将其平滑成一个斜坡。注意中值滤波并非万能。对于高斯噪声一种广泛存在的、幅度较小的随机噪声其效果通常不如均值滤波。因为高斯噪声不是孤立的强脉冲而是所有点都受到微小扰动此时取中位数并不能显著优于取平均。此外如果噪声点不是孤立的而是成片出现噪声密度很大超过了窗口内正常像素的数量那么中值滤波也会失效因为它选出的“中位数”可能仍然是噪声值。2.3 关键参数窗口形状与大小中值滤波的效果严重依赖于两个参数窗口大小和窗口形状。窗口大小通常用N表示对于一维是长度对于二维是M x N。窗口越大滤波力度越强但图像或信号也会越模糊计算量也越大。这是一个需要权衡的折衷。通常从3x3开始尝试。窗口形状常见的有方形如3x3, 5x5、圆形近似圆形的邻域和十字形等。不同形状对边缘和细节的保持能力不同。例如十字形窗口水平和垂直方向对斜向边缘的保持可能不如方形窗口但计算更快。在MATLAB中medfilt2函数默认使用[3 3]的方形窗口。理解这些原理是我们正确使用和自定义实现中值滤波的基础。3. MATLAB中的内置实现与快速上手MATLAB为我们提供了现成的、高度优化的中值滤波函数对于绝大多数应用场景直接使用它们是最高效、最可靠的选择。这里我们主要关注图像处理工具箱中的medfilt2函数。3.1medfilt2函数详解medfilt2是用于二维数据主要是灰度图像的中值滤波函数。它的基本调用语法非常直观B medfilt2(A) B medfilt2(A, [m n]) B medfilt2(A, [m n], padopt)A输入图像一个二维矩阵。要求是数值类型的矩阵如uint8,double等。B输出图像经过中值滤波后的矩阵大小和类型通常与A相同取决于边界处理方式。[m n]指定滤波窗口的大小m和n必须是正奇数。默认是[3 3]。例如[5 5]表示使用5x5的方形窗口。padopt指定边界填充选项这是一个关键且容易出错的参数。它决定了如何处理图像边缘那些窗口无法完全覆盖的像素。常见选项有‘zeros’默认用0填充边界。这对于uint8图像范围0-255来说相当于用黑色填充可能在滤波后的图像边缘产生一圈暗边。‘symmetric’镜像反射边界。这是我最推荐在大多数情况下使用的选项它能很好地避免引入人为的边界效应。‘replicate’复制边界像素值。‘circular’循环填充适用于周期性信号但在图像中较少用。3.2 一个完整的实战示例去除椒盐噪声让我们通过一个完整的例子看看如何用几行代码解决一个实际问题。% 步骤1准备一张干净的图像并添加椒盐噪声 cleanImg imread(‘cameraman.tif‘); % 读取MATLAB自带的测试图像 noisyImg imnoise(cleanImg, ‘salt pepper‘, 0.02); % 添加密度为2%的椒盐噪声 % 步骤2使用默认参数进行中值滤波 defaultFiltered medfilt2(noisyImg); % 相当于 medfilt2(noisyImg, [3 3]) % 步骤3使用更大的窗口和‘symmetric‘边界填充进行滤波 strongFiltered medfilt2(noisyImg, [5 5], ‘symmetric‘); % 步骤4为了对比同时使用均值滤波 h fspecial(‘average‘, 3); % 创建3x3均值滤波器 meanFiltered imfilter(noisyImg, h, ‘replicate‘); % 步骤5可视化结果 figure(‘Position‘, [100, 100, 1200, 600]); subplot(2,3,1); imshow(cleanImg); title(‘原始干净图像‘); subplot(2,3,2); imshow(noisyImg); title(‘添加椒盐噪声后‘); subplot(2,3,3); imshow(defaultFiltered); title(‘3x3中值滤波 (默认)‘); subplot(2,3,4); imshow(strongFiltered); title(‘5x5中值滤波 (对称填充)‘); subplot(2,3,5); imshow(meanFiltered); title(‘3x3均值滤波‘); % 步骤6定量评价 - 计算峰值信噪比(PSNR) psnr_noisy psnr(noisyImg, cleanImg); psnr_median3 psnr(defaultFiltered, cleanImg); psnr_median5 psnr(strongFiltered, cleanImg); psnr_mean psnr(meanFiltered, cleanImg); fprintf(‘PSNR对比:\n‘); fprintf(‘ 噪声图像: %.2f dB\n‘, psnr_noisy); fprintf(‘ 3x3中值滤波: %.2f dB\n‘, psnr_median3); fprintf(‘ 5x5中值滤波: %.2f dB\n‘, psnr_median5); fprintf(‘ 3x3均值滤波: %.2f dB\n‘, psnr_mean);运行这段代码你会直观地看到3x3的中值滤波几乎可以完全去除稀疏的椒盐噪声同时图像细节损失很小。5x5的中值滤波去噪更彻底但你会发现图像的某些细节如相机三脚架的纹理开始变得有些模糊。作为对比的3x3均值滤波虽然也能抑制噪声但整个图像有明显的模糊感边缘不再锐利这是线性滤波的固有缺陷。从PSNR数据上中值滤波的结果通常会远高于均值滤波这定量地证明了其优越性。3.3 彩色图像处理策略medfilt2直接处理的是二维矩阵。对于彩色图像三维矩阵M x N x 3我们不能直接调用它。常见的策略有两种分量处理法将RGB三个通道分离分别对每个通道进行中值滤波然后再合并。这种方法简单但可能导致颜色在边缘处出现轻微失真。rgbImg imread(‘peppers.png‘); noisyRGB imnoise(rgbImg, ‘salt pepper‘, 0.01); r medfilt2(noisyRGB(:,:,1), [3 3], ‘symmetric‘); g medfilt2(noisyRGB(:,:,2), [3 3], ‘symmetric‘); b medfilt2(noisyRGB(:,:,3), [3 3], ‘symmetric‘); filteredRGB cat(3, r, g, b);向量中值滤波这是一种更高级的方法将每个像素的RGB值看作一个三维向量在滑动窗口内定义向量间的距离如欧氏距离然后寻找“中值向量”。这种方法保色性更好但计算复杂MATLAB没有内置函数需要自己实现或寻找工具箱。对于大多数应用分量处理法已经足够好。一个重要的实操心得是在处理彩色图像前先将其转换为double类型范围0-1以避免uint8类型计算中的溢出和截断问题滤波完成后再转回uint8。rgbDouble im2double(noisyRGB); % ... 对各通道进行滤波滤波函数也支持double类型输入 ... filteredRGB im2uint8(filteredRGBDouble); % 转回uint8用于显示和保存4. 从零实现中值滤波深入算法内核虽然直接调用medfilt2很方便但亲手实现一遍中值滤波算法是理解其精髓、掌握其变种、并能在其他编程环境中复现的关键。这个过程会涉及到边界处理、排序算法选择、以及如何高效地滑动窗口等核心问题。4.1 基础实现暴力排序法最直观的实现方式就是严格按照定义对于输出图像的每一个像素位置(i, j)取出其邻域窗口内的所有值排序然后取中位数。我们以实现一个处理灰度图像、窗口大小为k x kk为奇数的函数为例。function outputImg myMedfilt2Basic(inputImg, k) % MYMEDFILT2BASIC 自定义中值滤波函数基础暴力版 % inputImg: 输入灰度图像矩阵 % k: 窗口大小必须是正奇数如3,5,7... % outputImg: 输出滤波后图像 [rows, cols] size(inputImg); outputImg zeros(rows, cols, ‘like‘, inputImg); % 创建同类型输出矩阵 pad floor(k / 2); % 计算需要填充的边界宽度 % 为了方便使用‘symmetric‘方式进行边界扩展 paddedImg padarray(inputImg, [pad, pad], ‘symmetric‘); % 遍历图像中的每一个像素除了扩展的边界 for i 1:rows for j 1:cols % 获取当前窗口区域 (在扩展后的图像中) window paddedImg(i:ik-1, j:jk-1); % 将窗口展成一维向量并排序 sortedVals sort(window(:)); % 取中位数索引为中间位置 medianIdx ceil((k*k) / 2); % 例如9个数中位数是第5个 outputImg(i, j) sortedVals(medianIdx); end end end这个实现非常清晰但效率是它的致命伤。对于一幅M x N的图像和k x k的窗口时间复杂度是O(M * N * k^2 * log(k^2))因为对每个窗口都要进行一次排序sort函数复杂度约为O(n log n)。当图像较大或窗口较大时会非常慢。4.2 优化策略滑动窗口与高效中值更新在暴力法中当窗口向右滑动一列时新旧窗口的数据有大量重叠k x (k-1)个像素是相同的但我们却每次都重新排序整个k x k的窗口这是巨大的浪费。优化算法的核心思想就是利用重叠信息。一种经典的优化算法是黄氏算法Huang‘s algorithm或基于直方图的算法尤其适用于像素值范围有限如0-255的图像初始化为第一个窗口建立其像素值的直方图。滑动与更新当窗口向右移动一列时将“移出列”的k个像素值从直方图中减去。将“移入列”的k个像素值加到直方图中。根据更新后的直方图快速找到中位数即累计计数超过一半总数时的像素值。行间滑动当移动到下一行时同样进行整行的“移出”和“移入”更新。这种方法将每次计算中位数的复杂度从O(k^2 log k)降低到了接近O(L)其中L是像素值的范围对于8位图像L256这是一个常数与窗口大小k无关因此总体复杂度降至O(M * N)与窗口大小无关性能提升巨大。下面是一个简化版的直方图法中值滤波实现展示了核心思想function outputImg myMedfilt2Fast(inputImg, k) % MYMEDFILT2FAST 自定义中值滤波函数快速直方图版适用于uint8 % 注意此版本为演示原理的简化版未做所有边界和效率优化。 if ~isa(inputImg, ‘uint8‘) error(‘此简化版实现仅支持uint8类型图像。‘); end [rows, cols] size(inputImg); outputImg zeros(rows, cols, ‘uint8‘); pad floor(k / 2); paddedImg padarray(inputImg, [pad, pad], ‘symmetric‘); totalPixels k * k; targetCount floor(totalPixels / 2) 1; % 中位数是第targetCount个 % 遍历每一行 for i 1:rows % 为当前行的第一个窗口初始化直方图 histArray zeros(256, 1, ‘uint32‘); % 直方图记录0-255每个灰度级的数量 winStartRow i; winEndRow i k - 1; winStartCol 1; winEndCol k; firstWindow paddedImg(winStartRow:winEndRow, winStartCol:winEndCol); for idx 1:totalPixels grayVal firstWindow(idx) 1; % MATLAB索引从1开始灰度值0对应索引1 histArray(grayVal) histArray(grayVal) 1; end % 计算第一个窗口的中位数 cumSum 0; for grayLevel 1:256 cumSum cumSum histArray(grayLevel); if cumSum targetCount outputImg(i, 1) grayLevel - 1; break; end end % 水平滑动窗口 for j 2:cols % 移除左边一列 leftCol paddedImg(winStartRow:winEndRow, winStartCol); for r 1:k grayVal leftCol(r) 1; histArray(grayVal) histArray(grayVal) - 1; end % 添加右边一列 winStartCol winStartCol 1; winEndCol winEndCol 1; rightCol paddedImg(winStartRow:winEndRow, winEndCol); for r 1:k grayVal rightCol(r) 1; histArray(grayVal) histArray(grayVal) 1; end % 计算当前窗口的中位数 cumSum 0; for grayLevel 1:256 cumSum cumSum histArray(grayLevel); if cumSum targetCount outputImg(i, j) grayLevel - 1; break; end end end end % 注意此简化版未实现垂直方向的滑动优化实际完整算法会更复杂。 end重要提示上述myMedfilt2Fast函数是一个为了阐明原理的教学示例它只实现了水平方向的滑动优化并且没有处理垂直滑动因此在实际应用中并不完整性能也可能不如MATLAB内置的、经过多重优化的medfilt2。真正的工业级实现如MATLAB内置函数、OpenCV的medianBlur会使用更复杂的算法可能结合了直方图、Skiplist或更高效的数据结构来维护动态集合的中位数。我们自己实现的目的在于理解原理和应对特殊需求如自定义窗口形状、加权中值滤波等在99%的情况下请信任并使用内置函数。4.3 边界处理的陷阱与选择边界处理是图像滤波不可回避的问题。在我们的自定义实现中我们使用了padarray(inputImg, [pad, pad], ‘symmetric‘)。为什么选择‘symmetric‘而不是默认的‘zeros‘‘zeros‘的问题用0填充对于uint8图像0是黑色。在图像边缘进行中值滤波时如果窗口内有很多0可能会导致边缘像素被错误地拉低变暗产生一圈“黑边”。这在视觉上是一种人工痕迹。‘symmetric‘的优势它通过镜像反射图像边缘的像素来进行填充。假设图像边缘的像素值是[a, b, c, d]向左镜像填充就会得到[c, b, a, b, c, d, ...]。这样填充出来的虚拟像素与真实图像边缘是自然连续的滤波后能最大程度地避免边界效应。因此在大多数图像处理场景下‘symmetric‘是比‘zeros‘更优的选择。‘replicate‘复制边缘值也是一个不错的备选。在实现自己的滤波函数时务必在文档中明确说明所使用的边界处理方式因为这直接影响最终结果。5. 超越基础中值滤波的变体与高级应用掌握了标准中值滤波后我们可以根据具体问题对其进行改造和扩展这就是算法应用的魅力所在。5.1 加权中值滤波在标准中值滤波中窗口内每个像素的“投票权”是相等的。但有时我们可能希望中心像素或其邻近像素拥有更大的权重。加权中值滤波的思想是在排序时将权重高的像素值复制多次。例如在一个3x3窗口中我们给中心像素权重3给四邻域上、下、左、右权重2给角点像素权重1。那么在构造排序序列时中心像素值会出现3次四邻域值出现2次角点值出现1次。然后再取这个加长序列的中位数。这相当于在排序前对数据进行了“重要性”的加权。它可以在去除噪声的同时更好地保护我们特别关注的像素通常是中心像素。实现起来只需在提取窗口值后根据权重表将其重复多次放入一个数组然后对该数组排序取中值即可。5.2 自适应中值滤波标准中值滤波有一个固定大小的窗口。如果噪声密度变化很大或者图像细节丰富程度不同固定窗口可能不是最优的窗口太小去不掉密集噪声窗口太大又会模糊细节。自适应中值滤波能动态调整窗口大小。其基本流程如下从一个最小窗口如3x3开始。检查当前窗口内像素值的中位数Z_med、最小值Z_min和最大值Z_max。判断中心像素Z_xy是否为脉冲噪声如果Z_min Z_xy Z_max则认为Z_xy不是噪声直接输出Z_xy否则进入步骤4。判断中位数Z_med是否为脉冲噪声如果Z_min Z_med Z_max则认为Z_med是可信的输出Z_med否则进入步骤5。增大窗口尺寸如变为5x5重复步骤2-4直到窗口达到预设的最大尺寸。如果达到最大尺寸仍不满足条件则直接输出Z_xy或Z_med。这种方法能更智能地在去噪和保细节之间取得平衡尤其适用于噪声密度不均匀的图像。在MATLAB中你可以通过编写一个循环在medfilt2的基础上封装逻辑来实现它。5.3 在多维信号与数据清洗中的应用中值滤波绝不局限于图像。任何一维或多维的、受到脉冲干扰的序列数据都是它的用武之地。一维信号如音频、传感器数据使用medfilt1函数。例如去除ECG心电图信号中的工频干扰或运动伪影。load(‘ecgSignal.mat‘); % 假设加载了一个有噪声的心电信号ecgNoisy fs 1000; % 采样率1000Hz % 设计一个窗口长度为50ms的中值滤波器 windowLength round(0.05 * fs); % 50ms对应的采样点数需为奇数 if mod(windowLength, 2) 0 windowLength windowLength 1; end ecgFiltered medfilt1(ecgNoisy, windowLength);三维数据如视频或体数据可以对每一帧图像二维分别进行中值滤波这称为时域中值滤波常用于视频去噪。也可以使用medfilt3函数需要图像处理工具箱进行真正的三维中值滤波用于处理医学CT、MRI等体数据去除体素噪声。金融时间序列用于平滑股价、交易量等数据消除异常的“毛刺”更清晰地观察趋势。一个关键的实操心得在处理一维时间序列时窗口长度的选择至关重要。窗口太短滤波效果不足窗口太长会过度平滑抹平真实的快速变化。一个经验法则是窗口长度应大于噪声脉冲的典型宽度但远小于你希望保留的信号特征周期。通常需要通过观察数据的频谱或反复试验来确定。6. 实战调参、性能优化与避坑指南理论很美好但把中值滤波用对、用好还需要一些实战经验和技巧。6.1 窗口大小与形状的选取策略选择窗口是调参的核心。这里没有银弹但有一些指导原则从默认开始无脑先用[3 3]。对于大多数轻度噪声它效果不错且计算快。根据噪声特征调整噪声点尺寸如果噪声点是成片的、较大的斑点可能需要更大的窗口如5x5, 7x7才能完全覆盖它。噪声密度噪声密度越高需要的窗口可能越大以确保窗口内正常像素多于噪声像素。观察细节损失逐步增大窗口直到你发现重要的边缘或纹理开始变得模糊。这就是窗口大小的实际上限。在去噪效果和细节保留之间找一个平衡点。尝试不同形状方形窗口最常用各向同性但可能过度平滑角点。十字形窗口如[1 3; 3 1]的逻辑形状只考虑水平和垂直方向的邻域对斜向边缘保持更好但对噪声的抑制能力较弱。你可以通过组合两个方向的线性中值滤波先水平后垂直来近似实现。圆形/椭圆形窗口更符合各向同性的视觉感知但实现稍复杂。在MATLAB中你可以先创建一个圆形结构元素se strel(‘disk‘, radius)然后取其邻域坐标作为窗口。6.2 性能瓶颈分析与优化建议中值滤波的计算开销主要来自排序。当处理大图或使用大窗口时即使使用内置函数也可能成为瓶颈。使用内置函数medfilt2是MEX文件C/C编译速度远快于任何你自己写的MATLAB循环实现。首要优化建议就是能用内置函数绝不用自编函数。降低图像分辨率如果实时性要求极高可以考虑先将图像降采样imresize滤波后再上采样回来。这适用于对绝对精度要求不高的场景。在GPU上计算如果拥有Parallel Computing Toolbox和兼容的GPU可以尝试将图像数据转换为gpuArray然后使用支持GPU的滤波函数需要查看特定版本的支持情况能获得显著的加速。避免在循环中反复调用如果你需要对一个图像序列如视频的每一帧做同样的中值滤波不要用for循环套medfilt2。考虑使用arrayfun如果函数支持或将序列组合成三维数组进行向量化处理如果内存允许但通常视频处理更推荐用专门的视频处理工具箱函数。6.3 常见问题与排查技巧实录在实际使用中你可能会遇到以下问题问题现象可能原因排查与解决思路滤波后图像边缘有黑边/白边边界填充方式不当。默认‘zeros‘填充导致。尝试在medfilt2中指定padopt参数为‘symmetric‘或‘replicate‘。滤波后图像整体变模糊细节丢失严重窗口尺寸 ([m n]) 设置得过大。逐步减小窗口尺寸观察细节恢复情况。考虑是否误用了均值滤波。某些孤立的噪声点没有被去除噪声点可能不是孤立的或者其值与周围像素差异不够大。窗口尺寸可能太小。检查噪声模式。尝试稍微增大窗口尺寸。确认输入图像数据类型是否正确如double范围0-1uint8范围0-255。处理彩色图像时出现颜色失真直接对三维RGB矩阵使用了medfilt2或者分量处理时边界效应叠加。绝对不要直接将三维矩阵传给medfilt2。采用分量处理法并对每个通道使用相同的、合适的边界填充方式如‘symmetric‘。运行速度极慢图像尺寸太大窗口尺寸太大或者使用了自编的低效循环实现。1. 使用内置medfilt2。2. 考虑缩小图像或窗口。3. 检查代码避免在循环中进行全窗口排序。处理一维信号时相位发生偏移medfilt1默认可能不是零相位滤波。使用medfilt1(x, n, [], 2)中的末尾参数2指定为双通滤波零相位但注意这会改变滤波器的瞬态响应。更好的零相位滤波方式是先正向滤波再将结果反转后反向滤波fliplr(medfilt1(fliplr(medfilt1(x, n)), n))。一个我踩过的坑曾经处理一组16位的医学图像uint16直接使用medfilt2后发现效果很奇怪。后来才发现medfilt2对uint16的支持需要注意排序运算对于大范围整数0-65535虽然有效但计算效率可能不如uint8。更稳妥的做法是先将图像归一化到double类型0-1范围滤波后再按比例转换回去这样可以避免整数计算中的一些潜在问题也方便与其他滤波操作衔接。最后记住中值滤波是一把锋利的“手术刀”它在切除“噪声肿瘤”时能尽量不伤及“细节组织”。但它并非适用于所有“疾病”噪声类型。理解你的数据理解噪声的特性然后选择合适的工具和参数这才是工程实践中的王道。当你下次再面对满是麻点的图片或充满毛刺的信号时希望你能自信地打开MATLAB让中值滤波为你带来清晰与宁静。
1. 项目概述从噪声中找回清晰世界在图像处理、信号分析乃至金融数据清洗的日常工作中我们总会遇到一个令人头疼的“不速之客”——噪声。无论是相机传感器产生的椒盐噪点还是工业信号采集中的突发脉冲干扰这些随机、尖锐的异常值就像白纸上的墨点严重破坏了数据的连续性与可读性。直接使用简单的平均或线性滤波往往会让图像变得模糊或者让信号的边缘特征消失殆尽。这时一种名为“中值滤波”的非线性工具就成了我们工具箱里的“瑞士军刀”。它不像它的“表亲”均值滤波那样温和而是以一种更果决的方式处理噪声直接排序取中位数用邻域内的“大多数意见”来替代中心点的值。这种方法对于消除椒盐噪声这类孤立的、强度差异大的噪声点效果出奇的好同时还能较好地保留边缘的锐利度。我最初接触中值滤波是在处理一批受污染的工业传感器时序数据时传统的低通滤波把关键的阶跃信号边缘也给磨平了导致特征提取失败。转而尝试中值滤波后那些刺眼的脉冲毛刺被干净利落地去除了而信号本身的突变点却清晰依旧。这个经历让我深刻体会到在非线性问题面前线性工具有时会显得力不从心。今天我们就以MATLAB这个强大的工程计算平台为舞台彻底拆解中值滤波。我们不仅要知道在MATLAB里如何简单地调用medfilt2函数更要深入其原理内核理解它为何有效并亲手从零实现它最后再探讨它在图像、信号乃至一维数据中的各种实战应用与调参技巧。无论你是正在学习《数字图像处理》课程的学生还是需要处理实际工程数据的工程师这篇内容都将带你绕过我当年踩过的坑直击核心。2. 中值滤波的核心原理排序的力量要理解中值滤波首先要跳出线性滤波的思维定式。我们熟悉的均值滤波其本质是卷积运算用一个滤波器窗口比如3x3的矩阵所有元素值为1/9滑过图像窗口中心的新值等于窗口内所有像素值的加权平均。这是一个线性操作其副作用是导致图像模糊因为平均运算天然地会混合不同区域的信息。2.1 非线性滤波的哲学基于顺序统计量中值滤波则完全不同。它属于非线性滤波家族其核心操作不是加权求和而是排序与选择。对于一个给定的滤波器窗口也称为邻域、模板或核中值滤波的处理步骤如下将窗口覆盖区域内的所有像素值或数据点提取出来。将这些值按照从小到大的顺序进行排序得到一个有序序列。从排序后的序列中选取位于正中间的那个值即中位数。用这个中位数替换原窗口中心位置的像素值。这个过程的威力在于它的“投票”机制。考虑一个被椒盐噪声污染的像素点椒盐噪声表现为随机的纯白高值如255或纯黑低值如0像素点。在一个3x3窗口中如果中心点是噪声比如一个白色的255而周围8个点都是正常的图像像素值可能在100-200之间。当我们对这9个数排序时那个异常的255要么在最大端要么如果是黑色噪声0在最小端。而取中位数选出的永远是排序后位于第5位对于9个数的那个值这个值极大可能来自周围正常的像素群。于是噪声点就被悄无声息地“矫正”了。2.2 与均值滤波的直观对比我们可以通过一个简单的例子来感受两者的区别。假设一个一维信号片段[10, 12, 15, 255, 18, 20, 22]。其中255很可能是一个脉冲噪声。均值滤波窗口大小为3以255为中心计算(1525518)/3 96。结果96虽然拉低了噪声但仍然严重偏离了原始信号趋势10-22并且影响了相邻点。中值滤波窗口大小为3对[15, 255, 18]排序得到[15, 18, 255]取中位数18。看噪声点255被完全修正为了一个合理的值18完美地融入了前后序列。这个例子清晰地展示了中值滤波在去除孤立尖峰噪声方面的卓越能力同时它对边缘的保持也更优。因为在中值计算中只要边缘一侧的像素数量超过窗口半径边缘的灰度跳变就能被保留下来而均值滤波则会将其平滑成一个斜坡。注意中值滤波并非万能。对于高斯噪声一种广泛存在的、幅度较小的随机噪声其效果通常不如均值滤波。因为高斯噪声不是孤立的强脉冲而是所有点都受到微小扰动此时取中位数并不能显著优于取平均。此外如果噪声点不是孤立的而是成片出现噪声密度很大超过了窗口内正常像素的数量那么中值滤波也会失效因为它选出的“中位数”可能仍然是噪声值。2.3 关键参数窗口形状与大小中值滤波的效果严重依赖于两个参数窗口大小和窗口形状。窗口大小通常用N表示对于一维是长度对于二维是M x N。窗口越大滤波力度越强但图像或信号也会越模糊计算量也越大。这是一个需要权衡的折衷。通常从3x3开始尝试。窗口形状常见的有方形如3x3, 5x5、圆形近似圆形的邻域和十字形等。不同形状对边缘和细节的保持能力不同。例如十字形窗口水平和垂直方向对斜向边缘的保持可能不如方形窗口但计算更快。在MATLAB中medfilt2函数默认使用[3 3]的方形窗口。理解这些原理是我们正确使用和自定义实现中值滤波的基础。3. MATLAB中的内置实现与快速上手MATLAB为我们提供了现成的、高度优化的中值滤波函数对于绝大多数应用场景直接使用它们是最高效、最可靠的选择。这里我们主要关注图像处理工具箱中的medfilt2函数。3.1medfilt2函数详解medfilt2是用于二维数据主要是灰度图像的中值滤波函数。它的基本调用语法非常直观B medfilt2(A) B medfilt2(A, [m n]) B medfilt2(A, [m n], padopt)A输入图像一个二维矩阵。要求是数值类型的矩阵如uint8,double等。B输出图像经过中值滤波后的矩阵大小和类型通常与A相同取决于边界处理方式。[m n]指定滤波窗口的大小m和n必须是正奇数。默认是[3 3]。例如[5 5]表示使用5x5的方形窗口。padopt指定边界填充选项这是一个关键且容易出错的参数。它决定了如何处理图像边缘那些窗口无法完全覆盖的像素。常见选项有‘zeros’默认用0填充边界。这对于uint8图像范围0-255来说相当于用黑色填充可能在滤波后的图像边缘产生一圈暗边。‘symmetric’镜像反射边界。这是我最推荐在大多数情况下使用的选项它能很好地避免引入人为的边界效应。‘replicate’复制边界像素值。‘circular’循环填充适用于周期性信号但在图像中较少用。3.2 一个完整的实战示例去除椒盐噪声让我们通过一个完整的例子看看如何用几行代码解决一个实际问题。% 步骤1准备一张干净的图像并添加椒盐噪声 cleanImg imread(‘cameraman.tif‘); % 读取MATLAB自带的测试图像 noisyImg imnoise(cleanImg, ‘salt pepper‘, 0.02); % 添加密度为2%的椒盐噪声 % 步骤2使用默认参数进行中值滤波 defaultFiltered medfilt2(noisyImg); % 相当于 medfilt2(noisyImg, [3 3]) % 步骤3使用更大的窗口和‘symmetric‘边界填充进行滤波 strongFiltered medfilt2(noisyImg, [5 5], ‘symmetric‘); % 步骤4为了对比同时使用均值滤波 h fspecial(‘average‘, 3); % 创建3x3均值滤波器 meanFiltered imfilter(noisyImg, h, ‘replicate‘); % 步骤5可视化结果 figure(‘Position‘, [100, 100, 1200, 600]); subplot(2,3,1); imshow(cleanImg); title(‘原始干净图像‘); subplot(2,3,2); imshow(noisyImg); title(‘添加椒盐噪声后‘); subplot(2,3,3); imshow(defaultFiltered); title(‘3x3中值滤波 (默认)‘); subplot(2,3,4); imshow(strongFiltered); title(‘5x5中值滤波 (对称填充)‘); subplot(2,3,5); imshow(meanFiltered); title(‘3x3均值滤波‘); % 步骤6定量评价 - 计算峰值信噪比(PSNR) psnr_noisy psnr(noisyImg, cleanImg); psnr_median3 psnr(defaultFiltered, cleanImg); psnr_median5 psnr(strongFiltered, cleanImg); psnr_mean psnr(meanFiltered, cleanImg); fprintf(‘PSNR对比:\n‘); fprintf(‘ 噪声图像: %.2f dB\n‘, psnr_noisy); fprintf(‘ 3x3中值滤波: %.2f dB\n‘, psnr_median3); fprintf(‘ 5x5中值滤波: %.2f dB\n‘, psnr_median5); fprintf(‘ 3x3均值滤波: %.2f dB\n‘, psnr_mean);运行这段代码你会直观地看到3x3的中值滤波几乎可以完全去除稀疏的椒盐噪声同时图像细节损失很小。5x5的中值滤波去噪更彻底但你会发现图像的某些细节如相机三脚架的纹理开始变得有些模糊。作为对比的3x3均值滤波虽然也能抑制噪声但整个图像有明显的模糊感边缘不再锐利这是线性滤波的固有缺陷。从PSNR数据上中值滤波的结果通常会远高于均值滤波这定量地证明了其优越性。3.3 彩色图像处理策略medfilt2直接处理的是二维矩阵。对于彩色图像三维矩阵M x N x 3我们不能直接调用它。常见的策略有两种分量处理法将RGB三个通道分离分别对每个通道进行中值滤波然后再合并。这种方法简单但可能导致颜色在边缘处出现轻微失真。rgbImg imread(‘peppers.png‘); noisyRGB imnoise(rgbImg, ‘salt pepper‘, 0.01); r medfilt2(noisyRGB(:,:,1), [3 3], ‘symmetric‘); g medfilt2(noisyRGB(:,:,2), [3 3], ‘symmetric‘); b medfilt2(noisyRGB(:,:,3), [3 3], ‘symmetric‘); filteredRGB cat(3, r, g, b);向量中值滤波这是一种更高级的方法将每个像素的RGB值看作一个三维向量在滑动窗口内定义向量间的距离如欧氏距离然后寻找“中值向量”。这种方法保色性更好但计算复杂MATLAB没有内置函数需要自己实现或寻找工具箱。对于大多数应用分量处理法已经足够好。一个重要的实操心得是在处理彩色图像前先将其转换为double类型范围0-1以避免uint8类型计算中的溢出和截断问题滤波完成后再转回uint8。rgbDouble im2double(noisyRGB); % ... 对各通道进行滤波滤波函数也支持double类型输入 ... filteredRGB im2uint8(filteredRGBDouble); % 转回uint8用于显示和保存4. 从零实现中值滤波深入算法内核虽然直接调用medfilt2很方便但亲手实现一遍中值滤波算法是理解其精髓、掌握其变种、并能在其他编程环境中复现的关键。这个过程会涉及到边界处理、排序算法选择、以及如何高效地滑动窗口等核心问题。4.1 基础实现暴力排序法最直观的实现方式就是严格按照定义对于输出图像的每一个像素位置(i, j)取出其邻域窗口内的所有值排序然后取中位数。我们以实现一个处理灰度图像、窗口大小为k x kk为奇数的函数为例。function outputImg myMedfilt2Basic(inputImg, k) % MYMEDFILT2BASIC 自定义中值滤波函数基础暴力版 % inputImg: 输入灰度图像矩阵 % k: 窗口大小必须是正奇数如3,5,7... % outputImg: 输出滤波后图像 [rows, cols] size(inputImg); outputImg zeros(rows, cols, ‘like‘, inputImg); % 创建同类型输出矩阵 pad floor(k / 2); % 计算需要填充的边界宽度 % 为了方便使用‘symmetric‘方式进行边界扩展 paddedImg padarray(inputImg, [pad, pad], ‘symmetric‘); % 遍历图像中的每一个像素除了扩展的边界 for i 1:rows for j 1:cols % 获取当前窗口区域 (在扩展后的图像中) window paddedImg(i:ik-1, j:jk-1); % 将窗口展成一维向量并排序 sortedVals sort(window(:)); % 取中位数索引为中间位置 medianIdx ceil((k*k) / 2); % 例如9个数中位数是第5个 outputImg(i, j) sortedVals(medianIdx); end end end这个实现非常清晰但效率是它的致命伤。对于一幅M x N的图像和k x k的窗口时间复杂度是O(M * N * k^2 * log(k^2))因为对每个窗口都要进行一次排序sort函数复杂度约为O(n log n)。当图像较大或窗口较大时会非常慢。4.2 优化策略滑动窗口与高效中值更新在暴力法中当窗口向右滑动一列时新旧窗口的数据有大量重叠k x (k-1)个像素是相同的但我们却每次都重新排序整个k x k的窗口这是巨大的浪费。优化算法的核心思想就是利用重叠信息。一种经典的优化算法是黄氏算法Huang‘s algorithm或基于直方图的算法尤其适用于像素值范围有限如0-255的图像初始化为第一个窗口建立其像素值的直方图。滑动与更新当窗口向右移动一列时将“移出列”的k个像素值从直方图中减去。将“移入列”的k个像素值加到直方图中。根据更新后的直方图快速找到中位数即累计计数超过一半总数时的像素值。行间滑动当移动到下一行时同样进行整行的“移出”和“移入”更新。这种方法将每次计算中位数的复杂度从O(k^2 log k)降低到了接近O(L)其中L是像素值的范围对于8位图像L256这是一个常数与窗口大小k无关因此总体复杂度降至O(M * N)与窗口大小无关性能提升巨大。下面是一个简化版的直方图法中值滤波实现展示了核心思想function outputImg myMedfilt2Fast(inputImg, k) % MYMEDFILT2FAST 自定义中值滤波函数快速直方图版适用于uint8 % 注意此版本为演示原理的简化版未做所有边界和效率优化。 if ~isa(inputImg, ‘uint8‘) error(‘此简化版实现仅支持uint8类型图像。‘); end [rows, cols] size(inputImg); outputImg zeros(rows, cols, ‘uint8‘); pad floor(k / 2); paddedImg padarray(inputImg, [pad, pad], ‘symmetric‘); totalPixels k * k; targetCount floor(totalPixels / 2) 1; % 中位数是第targetCount个 % 遍历每一行 for i 1:rows % 为当前行的第一个窗口初始化直方图 histArray zeros(256, 1, ‘uint32‘); % 直方图记录0-255每个灰度级的数量 winStartRow i; winEndRow i k - 1; winStartCol 1; winEndCol k; firstWindow paddedImg(winStartRow:winEndRow, winStartCol:winEndCol); for idx 1:totalPixels grayVal firstWindow(idx) 1; % MATLAB索引从1开始灰度值0对应索引1 histArray(grayVal) histArray(grayVal) 1; end % 计算第一个窗口的中位数 cumSum 0; for grayLevel 1:256 cumSum cumSum histArray(grayLevel); if cumSum targetCount outputImg(i, 1) grayLevel - 1; break; end end % 水平滑动窗口 for j 2:cols % 移除左边一列 leftCol paddedImg(winStartRow:winEndRow, winStartCol); for r 1:k grayVal leftCol(r) 1; histArray(grayVal) histArray(grayVal) - 1; end % 添加右边一列 winStartCol winStartCol 1; winEndCol winEndCol 1; rightCol paddedImg(winStartRow:winEndRow, winEndCol); for r 1:k grayVal rightCol(r) 1; histArray(grayVal) histArray(grayVal) 1; end % 计算当前窗口的中位数 cumSum 0; for grayLevel 1:256 cumSum cumSum histArray(grayLevel); if cumSum targetCount outputImg(i, j) grayLevel - 1; break; end end end end % 注意此简化版未实现垂直方向的滑动优化实际完整算法会更复杂。 end重要提示上述myMedfilt2Fast函数是一个为了阐明原理的教学示例它只实现了水平方向的滑动优化并且没有处理垂直滑动因此在实际应用中并不完整性能也可能不如MATLAB内置的、经过多重优化的medfilt2。真正的工业级实现如MATLAB内置函数、OpenCV的medianBlur会使用更复杂的算法可能结合了直方图、Skiplist或更高效的数据结构来维护动态集合的中位数。我们自己实现的目的在于理解原理和应对特殊需求如自定义窗口形状、加权中值滤波等在99%的情况下请信任并使用内置函数。4.3 边界处理的陷阱与选择边界处理是图像滤波不可回避的问题。在我们的自定义实现中我们使用了padarray(inputImg, [pad, pad], ‘symmetric‘)。为什么选择‘symmetric‘而不是默认的‘zeros‘‘zeros‘的问题用0填充对于uint8图像0是黑色。在图像边缘进行中值滤波时如果窗口内有很多0可能会导致边缘像素被错误地拉低变暗产生一圈“黑边”。这在视觉上是一种人工痕迹。‘symmetric‘的优势它通过镜像反射图像边缘的像素来进行填充。假设图像边缘的像素值是[a, b, c, d]向左镜像填充就会得到[c, b, a, b, c, d, ...]。这样填充出来的虚拟像素与真实图像边缘是自然连续的滤波后能最大程度地避免边界效应。因此在大多数图像处理场景下‘symmetric‘是比‘zeros‘更优的选择。‘replicate‘复制边缘值也是一个不错的备选。在实现自己的滤波函数时务必在文档中明确说明所使用的边界处理方式因为这直接影响最终结果。5. 超越基础中值滤波的变体与高级应用掌握了标准中值滤波后我们可以根据具体问题对其进行改造和扩展这就是算法应用的魅力所在。5.1 加权中值滤波在标准中值滤波中窗口内每个像素的“投票权”是相等的。但有时我们可能希望中心像素或其邻近像素拥有更大的权重。加权中值滤波的思想是在排序时将权重高的像素值复制多次。例如在一个3x3窗口中我们给中心像素权重3给四邻域上、下、左、右权重2给角点像素权重1。那么在构造排序序列时中心像素值会出现3次四邻域值出现2次角点值出现1次。然后再取这个加长序列的中位数。这相当于在排序前对数据进行了“重要性”的加权。它可以在去除噪声的同时更好地保护我们特别关注的像素通常是中心像素。实现起来只需在提取窗口值后根据权重表将其重复多次放入一个数组然后对该数组排序取中值即可。5.2 自适应中值滤波标准中值滤波有一个固定大小的窗口。如果噪声密度变化很大或者图像细节丰富程度不同固定窗口可能不是最优的窗口太小去不掉密集噪声窗口太大又会模糊细节。自适应中值滤波能动态调整窗口大小。其基本流程如下从一个最小窗口如3x3开始。检查当前窗口内像素值的中位数Z_med、最小值Z_min和最大值Z_max。判断中心像素Z_xy是否为脉冲噪声如果Z_min Z_xy Z_max则认为Z_xy不是噪声直接输出Z_xy否则进入步骤4。判断中位数Z_med是否为脉冲噪声如果Z_min Z_med Z_max则认为Z_med是可信的输出Z_med否则进入步骤5。增大窗口尺寸如变为5x5重复步骤2-4直到窗口达到预设的最大尺寸。如果达到最大尺寸仍不满足条件则直接输出Z_xy或Z_med。这种方法能更智能地在去噪和保细节之间取得平衡尤其适用于噪声密度不均匀的图像。在MATLAB中你可以通过编写一个循环在medfilt2的基础上封装逻辑来实现它。5.3 在多维信号与数据清洗中的应用中值滤波绝不局限于图像。任何一维或多维的、受到脉冲干扰的序列数据都是它的用武之地。一维信号如音频、传感器数据使用medfilt1函数。例如去除ECG心电图信号中的工频干扰或运动伪影。load(‘ecgSignal.mat‘); % 假设加载了一个有噪声的心电信号ecgNoisy fs 1000; % 采样率1000Hz % 设计一个窗口长度为50ms的中值滤波器 windowLength round(0.05 * fs); % 50ms对应的采样点数需为奇数 if mod(windowLength, 2) 0 windowLength windowLength 1; end ecgFiltered medfilt1(ecgNoisy, windowLength);三维数据如视频或体数据可以对每一帧图像二维分别进行中值滤波这称为时域中值滤波常用于视频去噪。也可以使用medfilt3函数需要图像处理工具箱进行真正的三维中值滤波用于处理医学CT、MRI等体数据去除体素噪声。金融时间序列用于平滑股价、交易量等数据消除异常的“毛刺”更清晰地观察趋势。一个关键的实操心得在处理一维时间序列时窗口长度的选择至关重要。窗口太短滤波效果不足窗口太长会过度平滑抹平真实的快速变化。一个经验法则是窗口长度应大于噪声脉冲的典型宽度但远小于你希望保留的信号特征周期。通常需要通过观察数据的频谱或反复试验来确定。6. 实战调参、性能优化与避坑指南理论很美好但把中值滤波用对、用好还需要一些实战经验和技巧。6.1 窗口大小与形状的选取策略选择窗口是调参的核心。这里没有银弹但有一些指导原则从默认开始无脑先用[3 3]。对于大多数轻度噪声它效果不错且计算快。根据噪声特征调整噪声点尺寸如果噪声点是成片的、较大的斑点可能需要更大的窗口如5x5, 7x7才能完全覆盖它。噪声密度噪声密度越高需要的窗口可能越大以确保窗口内正常像素多于噪声像素。观察细节损失逐步增大窗口直到你发现重要的边缘或纹理开始变得模糊。这就是窗口大小的实际上限。在去噪效果和细节保留之间找一个平衡点。尝试不同形状方形窗口最常用各向同性但可能过度平滑角点。十字形窗口如[1 3; 3 1]的逻辑形状只考虑水平和垂直方向的邻域对斜向边缘保持更好但对噪声的抑制能力较弱。你可以通过组合两个方向的线性中值滤波先水平后垂直来近似实现。圆形/椭圆形窗口更符合各向同性的视觉感知但实现稍复杂。在MATLAB中你可以先创建一个圆形结构元素se strel(‘disk‘, radius)然后取其邻域坐标作为窗口。6.2 性能瓶颈分析与优化建议中值滤波的计算开销主要来自排序。当处理大图或使用大窗口时即使使用内置函数也可能成为瓶颈。使用内置函数medfilt2是MEX文件C/C编译速度远快于任何你自己写的MATLAB循环实现。首要优化建议就是能用内置函数绝不用自编函数。降低图像分辨率如果实时性要求极高可以考虑先将图像降采样imresize滤波后再上采样回来。这适用于对绝对精度要求不高的场景。在GPU上计算如果拥有Parallel Computing Toolbox和兼容的GPU可以尝试将图像数据转换为gpuArray然后使用支持GPU的滤波函数需要查看特定版本的支持情况能获得显著的加速。避免在循环中反复调用如果你需要对一个图像序列如视频的每一帧做同样的中值滤波不要用for循环套medfilt2。考虑使用arrayfun如果函数支持或将序列组合成三维数组进行向量化处理如果内存允许但通常视频处理更推荐用专门的视频处理工具箱函数。6.3 常见问题与排查技巧实录在实际使用中你可能会遇到以下问题问题现象可能原因排查与解决思路滤波后图像边缘有黑边/白边边界填充方式不当。默认‘zeros‘填充导致。尝试在medfilt2中指定padopt参数为‘symmetric‘或‘replicate‘。滤波后图像整体变模糊细节丢失严重窗口尺寸 ([m n]) 设置得过大。逐步减小窗口尺寸观察细节恢复情况。考虑是否误用了均值滤波。某些孤立的噪声点没有被去除噪声点可能不是孤立的或者其值与周围像素差异不够大。窗口尺寸可能太小。检查噪声模式。尝试稍微增大窗口尺寸。确认输入图像数据类型是否正确如double范围0-1uint8范围0-255。处理彩色图像时出现颜色失真直接对三维RGB矩阵使用了medfilt2或者分量处理时边界效应叠加。绝对不要直接将三维矩阵传给medfilt2。采用分量处理法并对每个通道使用相同的、合适的边界填充方式如‘symmetric‘。运行速度极慢图像尺寸太大窗口尺寸太大或者使用了自编的低效循环实现。1. 使用内置medfilt2。2. 考虑缩小图像或窗口。3. 检查代码避免在循环中进行全窗口排序。处理一维信号时相位发生偏移medfilt1默认可能不是零相位滤波。使用medfilt1(x, n, [], 2)中的末尾参数2指定为双通滤波零相位但注意这会改变滤波器的瞬态响应。更好的零相位滤波方式是先正向滤波再将结果反转后反向滤波fliplr(medfilt1(fliplr(medfilt1(x, n)), n))。一个我踩过的坑曾经处理一组16位的医学图像uint16直接使用medfilt2后发现效果很奇怪。后来才发现medfilt2对uint16的支持需要注意排序运算对于大范围整数0-65535虽然有效但计算效率可能不如uint8。更稳妥的做法是先将图像归一化到double类型0-1范围滤波后再按比例转换回去这样可以避免整数计算中的一些潜在问题也方便与其他滤波操作衔接。最后记住中值滤波是一把锋利的“手术刀”它在切除“噪声肿瘤”时能尽量不伤及“细节组织”。但它并非适用于所有“疾病”噪声类型。理解你的数据理解噪声的特性然后选择合适的工具和参数这才是工程实践中的王道。当你下次再面对满是麻点的图片或充满毛刺的信号时希望你能自信地打开MATLAB让中值滤波为你带来清晰与宁静。
)
