一般來說，圖像中像素的灰度值是連續漸變的。

　　而如果存在噪點，那么在原圖像素和噪點之間的灰度值會發生突然的變化。基于此，首先取待檢測點的上、下、左、右四個鄰域大小為3×3，計算各鄰域的平均值，如果四個鄰域的均值都與待檢測點的差的絕對值大于既定的閾值，則判斷該點為噪點，反之，有一個鄰域的均值與待測點的差小于閾值。則判斷該點為正常像素點。其中；闋值是我們根據圖像的含噪情況人為設定的一個值，一般在100和200之問。同時。建立與待檢測圖像大小相同的矩陣，稱為噪聲標識矩陣。其中的點與原圖像矩陣中的點一一對應。并預設該矩陣中的值全為1，如果一像素被判斷為噪聲，則置標識矩陣中相應元素為o.這樣，就可以實現前面判斷過程所得出的結果被后續的檢測所使用，已經被判定為噪聲的像素不再參與領域均值的計算。

　　這樣，我們就可以用一個循環，來對圖像矩陣中的每個像素逐個進行判斷，方便地檢測到了噪聲點。

　　接下來，就可以利用中值濾波的方法，去除圖像中的噪點了，將預先判斷為噪點的圖像矩陣中的點，如（a。b）=（70.S5）的點的值是230，與鄰域點的均值的差大于兩值150。因此翔斷它是一個噪點。這樣，我們就用它鄰域內的八個點中有效的點來取均值代入。依次執行，挨個計算、代人。這樣就得到了一個新的圖像數據矩陣，最后我們用i眥Ilow函數顯示處理后的圖像（見圖3）。可以看到。效果非常明顯。

　　4 結語

　　去噪后的圖像不僅噪聲強度受到限制，而且圖像細節得到了最大限度的保持，解決了妨礙人們獲取圖像信息的同胚。在航空航天、通信工程、生物醫學、軍事公安、文化藝術等領域都具有一定意義。