复杂背景下的目标辨识技术研究(3)
2.1.2 利用中值滤波实现去噪
从根本上讲，中值滤波，是一种非线性的图像处理方法，通过对所在领域内的所有像素的灰度值进行排序，根据所获结果，确定中心像素的灰度值，因此这种方法本质上是一种统计排序滤波器。中值滤波在以原图像上某一个点（i,j）作为中心的邻域之中，对全部像素进行统计排序所得到的中值来记作点（i,j）的响应。必须要注意的是，均值在概念上和中值有很大的区别，均值就是指在整个排序队列中位置上处在中间的元素的值。
对于处理一些特定类型的随机噪声时，中值滤波具有比较理想的降噪能力[7]。但是解决的像素邻域之内若有噪声点存在时，总会有噪声可能会提高计算这一点的像素值时带来的误差率，(特别地，对高斯平滑而言，若噪声点到中心点越近，影响就越小，反之，若噪声点到中心点越远，影响就会越大)，然而在中值滤波中，一般是直接忽略噪声点，并且其在降噪引起的模糊效应是比较低的。
中值滤波在各个 邻域里面都会忽视掉一些与领域内大多数像素比起来比较亮或比较暗，而且其占据的区域比像素总数的一半（ /2）要小的像素的点，很明显，这与线性的平滑
2.2 图像分割
图像分割就是指把图像中一些比较特殊的区域划分开，同时这些区域应当是互不相交的，各个区域都能够满足灰度、彩色、纹理等一些特征的一种相似性准则。图像分割是极为重要的一环，经过分割的区域能够充当之后特征提取的目标对象。一般而言，图像分割大都基于灰度值的相似性或者不连续性[8]。相似性是依据先前制定的准则把图像进行分割成为比较相似的区域，比如区域分割、阈值分割等算法；不连续性是指灰度值不发生连续变化的分割图像，与图像边缘相适应，比如有边界跟踪、边缘检测等算法。