示例：中值和分位数滤波
使用
medsmooth 和
getnoise 求出图像中每个元素的中值强度 (0.5 分位数) 及其 8 个最近邻点 (3 x 3 二乘核)。
medsmooth 函数返回滤波后的图像，而
getnoise 函数则返回原始图像与滤波后的图像之间的差异。
如果需要以用户定义的核与分位数代替中值，可使用
quantfilt。
除了可去除噪声，中值滤波也可能会将图片中轮廓鲜明的小特征滤掉。
medsmooth
1. 读入图像。
2. 向图像添加噪声。
3. 对比原始图像和噪声图像。
4. 用 medsmooth 对图像进行滤波处理。
(fruit_f.bmp)
getnoise
此函数会从图像矩阵的中值滤波形式中去掉其原始形式。
1. 对噪声图像应用 getnoise 函数。
(fruit_gn.bmp)
getnoise 函数执行从滤波后的图像中去除噪声的等效操作：
2. 计算并查看两个图像之间的绝对差别。
(fruit_an.bmp)
quantfilt
在某些情况下，具有 3 x 3 二乘核的中值滤波器可能不够普遍而无法进行正确滤波。例如，若以这种方法对具有多个尖角的图像进行滤波处理，通常会滤掉拐角像素。使用 quantfilt 函数可避免此效应，该函数具有加号形状的中值滤波核，而不是上面指定的均匀 3 x 3 核。
考虑常见的图形，并向其添加噪声：
1. 读入包含图形的图像。
2. 向图像添加噪声。
3. 对比原始图像和噪声图像。
(pattern.bmp) | (pattern_n2.bmp) |
4. 使用 quantfilt 函数对噪声图像进行滤波处理，该函数具有分位数为 0.5 的中值和 3 x 3 二乘核。
5. 使用 quantfilt 函数对噪声图像进行滤波处理，该函数具有分位数为 0.5 的中值和十字形核。
6. 比较两个滤波后的图形。
(pattern_sq.bmp) | (pattern_cr.bmp) |
与十字核相比，二乘核对于直角边缘、线条和角部的削弱要明显得多。
非中值分位数
quantfilt 函数的另一应用是选取分位数而非中值 (0.5)，这样可改变图像的总体强度。例如，如果选取 0.0 分位数，则取像素及其邻点的最小值；1.0 分位数则给出最大值。(这些与灰度形态腐蚀与形态扩散稍有类似)
1. 通过将分位数设置为 0.0 来扩散原始图形的较暗区域并腐蚀较亮区域。
2. 通过将分位数设置为 1.0 来扩散原始图形的较亮区域并腐蚀较暗区域。
3. 将原始图形与亮、暗两种形式的图形进行对比。
(pattern.bmp) | (pattern_drk.bmp) | (pattern_lit.bmp) |
