MATLAB 图像分割算法的研究+分水岭算法(3)
数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如，使用CCD摄像机获取图像，光照程度和传感器是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如，通过无线网络传输的图像可能会因为光或其他大气因素的干扰被污染。
所以在进行图像分割之前，必须在对原始图像进行灰度校正、噪声过滤等图像预处理。对图像分割而言，所用的图像预处理方法并不考虑图像降质原因，只将图像中感兴趣的特征有选择地突出，衰减其不需要的特征，故预处理后的输出图像并不需要去逼近原图像。
如今图像预处理技术得到了巨大的发展，许多新的思路和方法不断出现。在这里我们主要介绍均值滤波和中值滤波，这也是最经典的算法。
3.1 均值滤波
局部均值运算是最简单的线性滤波器，即每一个像素值用其局部邻域内所有值的均值置换：
(3-1)
其中，M是邻域N内的像素点总数。例如，在像素点 处取3×3邻域，得到：
(3-2)
这一结果表明，均值滤波器可以通过卷积模板的等权值卷积运算来实现。实际上，许多图像处理运算都可以通过卷积来实现。下图（图3.1）是3×3领域的均值滤波器示意图：
1 1 1
1 1 1
1 1 1图3.1 采用3×3邻域的均值滤波器示意图
邻域N的大小控制着滤波程度，对应大卷积模板的大尺度邻域会加大滤波程度．作为去除大噪声的代价，大尺度滤波器也会导致图像细节的损失。不同尺度下均值滤波的结果见图3.2：
图3.2（1） 原始图像 图3.2（2） 加随机噪声后图像
图3.2（3） 平均3后图像 图3.2（4） 平均5后图像
图3.2（5） 平均10后图像
在设计线性平滑滤波器时，选择滤波权值应使得滤波器只有一个峰值，称之为主瓣，并且在水平和垂直方向上是对称的。一个典型的 平滑滤波器的权值模板如下（图3.3）：
图3.3 3×3平滑滤波器示意图
线性平滑滤波器去除了高频成分和图像中的锐化细节，例如：会把阶跃变化平滑成渐近变化，从而牺牲了精确定位的能力。空间可变滤波器能调节权值，使得在相对比较均匀的图像区域上加大平滑量，而在尖税变化的图像区域上减小平滑量。
3.2 中值滤波
中值滤波是一种非线性滤波，它的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节，这是因为它不依赖于邻域内那些与典型值差别很大的值。中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程却不再是加权运算。例如，取 函数窗，计算以点 为中心的函数窗像素中值步骤如下：