① 最有效的图像高斯噪声去噪方法是什么
自适应滤波器。
wiener2();
RGB = imread('saturn.png');
I = rgb2gray(RGB);
J = imnoise(I,'gaussian',0,0.005);
K = wiener2(J,[5 5]);
imshow(J)
figure, imshow(K)
② 如何利用图像的加法运算去除噪声
如果只是简单的灰度图，像利用加法运算很难去除噪声，如果图像保留的是幅度和相位信息，就可以通过多次相加取平均的方法去除一些加性噪声
③ 如何在锐化的同时抑制噪声。
通常需要锐化的图像，经过锐化后，我们发现轮廓会变得清晰，但是轮廓内部或外部就会出现噪声，具体来说，就是锐化需要处理的多数是轮廓部分，而不需要锐化的内部和外部反而因为锐化产生噪音。解决噪声的办法则是通过复制锐化前的原图层，在锐化后将其放置在被锐化的图层之上，选择适当的透明度，并且使用橡皮擦（画笔采用模糊圆形笔尖）擦掉轮廓，使下层经过锐化的轮廓明晰显露出来，这样，既有明晰的轮廓，又有原图尚未产生噪声的大部分主体，应可满足你的需求。
④ 求四个方向检测图像噪声的matlab算法，不用滤波，就检测就可以。急。各位大神帮帮忙
2. 噪声及其噪声的 Matlab 实现
imnoise 函数
格式：J=imnoise(I,type)
J=imnoise(I,type,parameter)
说明：J=imnoise(I,type) 返回对图像 I 添加典型噪声后的有噪图像 J ，参数 type 和 parameter 用于确定噪声的类型和相应的参数。
加权领域平均算法来进行滤波处理
由实验我们可以看出，一般的滤波器在对图像进行噪声滤除的同时对图像中的细节部分有不同程度的破坏，都不能达到理想的效果。但是采用加权的邻域平均算法对图像进行噪声滤除， 不仅能够有效地平滑噪声， 还能够锐化模糊图像的边缘。 加权的邻域平均算法的基本思想是: 在一个邻域内， 除了可以利用灰度均值外， 灰度的上偏差和下偏差也能够提供某些局部信息。算法的计算公式描述如下， 用f (x ，y ) 表示原始图像， g (x ， y ) 为平滑后点(x ， y ) 的灰度值，V x ， y 表示以点(x ， y ) 为中心的邻域， 该邻域包含N 个象素，m (x ， y ) 表示邻域V x ， y 内的灰度均值。NI表示邻域内大于平均值的像素个数，Ng表示小于平均值的像素个数，而N0表示等于平均值的像素个数。则修正的邻域平均法由下式给出:
m - A?? m l； N l > max{N g ，N 0}
g(x，y)= m + A?? m g； N g > max{N l ，N 0} (1)
m ； else
(1)式(1) 中， A为修正系数， 取值范围为0～ 1， 其大小反映V x ， y 中的边缘状况。 以上是我认为在图像处理中比较有价值的两点，有兴趣的可以上网查阅相关的资料。
3. 图像滤波的 Matlab 实现
3.1 conv2 函数
功能：计算二维卷积
格式：C=conv2(A,B)
C=conv2(Hcol,Hrow,A)
C=conv2(...,'shape')
说明：对于 C=conv2(A,B) ，conv2 的算矩阵 A 和 B 的卷积，若 [Ma,Na]＝size(A), [Mb,Nb]=size(B), 则 size(C)=[Ma+Mb-1,Na+Nb-1]; C=conv2(Hcol,Hrow,A) 中，矩阵 A 分别与 Hcol 向量在列方向和 Hrow 向量在行方向上进行卷积；C=conv2(...,'shape') 用来指定 conv2 返回二维卷积结果部分，参数 shape 可取值如下：
》full 为缺省值，返回二维卷积的全部结果；
》same 返回二维卷积结果中与 A 大小相同的中间部分；
valid 返回在卷积过程中，未使用边缘补 0 部分进行计算的卷积结果部分，当 size(A)>size(B) 时，size(C)=[Ma-Mb+1,Na-Nb+1]。
3.2 conv 函数
功能：计算多维卷积
格式：与 conv2 函数相同
3.3 filter2函数
功能：计算二维线型数字滤波，它与函数 fspecial 连用
格式：Y=filter2(B,X)
Y=filter2(B,X,'shape')
说明：对于 Y=filter2(B,X) ，filter2 使用矩阵 B 中的二维 FIR 滤波器对数据 X 进行滤波，结果 Y 是通过二维互相关计算出来的，其大小与 X 一样；对于 Y=filter2(B,X,'shape') ，filter2 返回的 Y 是通过二维互相关计算出来的，其大小由参数 shape 确定，其取值如下：
》full 返回二维相关的全部结果，size(Y)>size(X)；
》same 返回二维互相关结果的中间部分，Y 与 X 大小相同；
》valid 返回在二维互相关过程中，未使用边缘补 0 部分进行计算的结果部分，有 size(Y)<size(X) 。
3.4 fspecial 函数
功能：产生预定义滤波器
格式：H=fspecial(type)
H=fspecial('gaussian',n,sigma) 高斯低通滤波器
H=fspecial('sobel') Sobel 水平边缘增强滤波器
H=fspecial('prewitt') Prewitt 水平边缘增强滤波器
H=fspecial('laplacian',alpha) 近似二维拉普拉斯运算滤波器
H=fspecial('log',n,sigma) 高斯拉普拉斯（LoG）运算滤波器
H=fspecial('average',n) 均值滤波器
H=fspecial('unsharp',alpha) 模糊对比增强滤波器
说明：对于形式 H=fspecial(type) ，fspecial 函数产生一个由 type 指定的二维滤波器 H ，返回的 H 常与其它滤波器搭配使用。
⑤ opencv过滤噪声
问题1 你可以设置5个图像变量，保存连续五个帧，求均值后，显示就是了，取得新的帧后，替换最早的那一帧
问题2 不一定比方法1好，方法2的原理是求5帧的均值，当出现细小的白噪声时，效果不比方法一好。
⑥ 滤除图像中的椒盐噪声采用中值滤波还是邻域均值滤波，为什么
均值滤波器是一种最常用的线性低通平滑滤波器，可抑制图像中的加性噪声，但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器，可消除图像中孤立的噪声点，又可产生较少的模糊。一般情况下中值滤波的效果要比邻域平均处理的低通滤波效果好，主要特点是滤波后图像中的轮廓比较清晰。因此，滤除图像中的椒盐噪声采用中值滤波。
⑦ 5 图像噪声的傅里叶频谱的特点怎样在频域滤除噪声噪声是高频信号还是低频信号
噪声的傅里叶频谱大多集中在次低频，次高频以及高频字块中;在频域滤除噪声可以应用小波变换；噪声是高频信号。
⑧ 图像处理中的线性滤波算法与非线性滤波算法的区别、高斯噪声与椒盐噪声的区别及各自的特点（简要）急急急
线性滤波器的原始数据与滤波结果是一种算术运算，即用加减乘除等运算实现，如均值滤波器（模板内像素灰度值的平均值）、高斯滤波器（高斯加权平均值）等。由于线性滤波器是算术运算，有固定的模板，因此滤波器的转移函数是可以确定并且是唯一的（转移函数即模板的傅里叶变换）。
非线性滤波器的原始数据与滤波结果是一种逻辑关系，即用逻辑运算实现，如最大值滤波器、最小值滤波器、中值滤波器等，是通过比较一定邻域内的灰度值大小来实现的，没有固定的模板，因而也就没有特定的转移函数（因为没有模板作傅里叶变换），另外，膨胀和腐蚀也是通过最大值、最小值滤波器实现的。
高斯噪声是指噪声服从高斯分布，即某个强度的噪声点个数最多，离这个强度越远噪声点个数越少，且这个规律服从高斯分布。高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以用线性滤波器滤除。
椒盐噪声类似把椒盐撒在图像上，因此得名，是一种在图像上出现很多白点或黑点的噪声，如电视里的雪花噪声等。椒盐噪声可以认为是一种逻辑噪声，用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。
本人非大神，互相学习，希望能帮到你