MATLAB图像空间滤波：加权均值与中值滤波实战指南

1. MATLAB图像空间滤波的核心概念与应用场景

图像空间滤波是数字图像处理中最基础也最实用的技术之一。作为一名长期使用MATLAB进行图像处理的工程师，我发现很多初学者对滤波的理解停留在表面，而真正掌握其原理和实现细节才能在实际项目中游刃有余。

空间滤波本质上是在图像像素的邻域内进行数学运算的过程。它通过一个称为"滤波器"或"模板"的小矩阵（通常为3×3或5×5）在图像上滑动，对每个像素及其邻域像素进行特定计算，从而改变或增强图像的某些特性。这种技术在以下场景中尤为关键：

• 医疗影像去噪（CT、MRI图像预处理）
• 工业检测中的缺陷识别
• 安防监控视频增强
• 遥感图像分析
• 手机摄影后期处理

在MATLAB中实现空间滤波时，我们通常面临两个核心选择：滤波算法类型（如均值滤波、中值滤波、高斯滤波等）和噪声模型（如椒盐噪声、高斯噪声等）。不同的组合会产生截然不同的处理效果，这也是为什么我们需要深入理解每种方法的特性和适用场景。

提示：选择滤波算法前，务必先分析图像噪声特性。就像医生开药前需要诊断病情一样，错误的滤波选择可能适得其反——比如用均值滤波处理椒盐噪声反而会扩散噪声点。

2. 加权均值滤波的MATLAB实现与参数优化

2.1 加权均值滤波的数学原理

加权均值滤波是标准均值滤波的进阶版本，其核心思想是为邻域内的不同像素赋予不同的权重。与简单均值滤波（所有像素权重相同）相比，这种改进允许我们更精细地控制滤波行为。

数学表达式为：

code复制g(x,y) = Σ w(s,t) * f(x+s,y+t) / Σ w(s,t)

其中w(s,t)是权重系数，f(x+s,y+t)是邻域像素值，g(x,y)是输出像素值。

在MATLAB中，我们可以通过自定义卷积核来实现加权均值滤波。例如，一个强调中心像素的3×3加权核可以是：

matlab复制kernel = [1 2 1; 
          2 4 2; 
          1 2 1]/16;

这个核中心像素权重为4，相邻像素为2，对角像素为1，总和归一化为1。

2.2 实战代码与参数调优

下面是一个完整的加权均值滤波实现示例，包含噪声添加和滤波处理：

matlab复制% 读取原始图像
originalImg = imread(