得到去噪后的图像。常用的空域滤波有均值滤波、中值滤波等。它们对不同的噪声有
不同的去噪特性，均值滤波可以有效的滤除高斯噪声，而中值滤波对脉冲噪声和椒盐
噪声的去噪能力很好[13]。
研究发现．拍摄到的视频图像中椒盐噪声的影响较严重，同时由于均值滤波不只
是把干扰去除，还常把图像的边缘模糊，不利于图像进一步的分析。而中值滤波既能
消除噪声又能保持图像的细节。因此，我们选择中值滤波来进行滤波除噪。
中值滤波器是一种非线性的平滑滤波器。其中，输入像素由领域包含的像素中值
替换，象征性的表示为：
v(m, n) = median {y(m-k, n-l), (k, l)  ∈W}        (2.1-2)
其中 W 表示适当选择的领域。本文中令 W 为 3×3 的像素区域，作为遍历模板。
中值滤波具体步骤如下：
1)令 W中心依次与各个像素位置重合，实现对图像中所有像素的遍历。
2)读取 W 中各个像素的灰度值，并将这些值进行排序(考虑到实时性需求，用快
速排序法)。
3)取排序后的中间值，将其赋给中心位置v(m, n)的像素。
2.1.3  实验结果
             
(a)未经滤波处理的灰度图像               (b)中值滤波后的灰度图像
图 2.1 图像的中值滤波
2.2  图像纹理和边缘检测
2.2.1  图像纹理
图像的纹理是图像的某种局部性质，或是对局部区域中像素之间关系的一种度量。
可以认为，纹理是由许多相互接近的、相互编织的像元构成，它提供了图像区域的平
滑、稀疏和规则等特性。纹理的描述常常使用统计法、频谱法和结构法，以及这三种
方法的混合方法，其性质可分为空间性质、频域性质和结构感知性质三类。常用的纹
理描述算子包括空间性质的灰度共生矩阵、频域性质的傅立叶变换和小波变换、结构
感知性质的粗细度、对比度和方向性等，以及它们的混合算子等。
2.2.2  Sobel算子边缘检测
图像处理中，边缘不仅仅是指物体边界的线，还应该包括能够描绘图像特征的线
要素，因此通过所提取的边缘可以识别出目标、测量目标的面积和周长等，边缘检测
与提取的处理进而也可以作为更为复杂的图像识别、图像理解的关键预处理步骤来使
用。
实际图像中，即使用眼睛可清楚地确定为边缘，但在灰度变化模型中也有一些会
变钝、灰度变化量会变小，从而使得提取清晰的边缘变得十分困难，为此人们提出了
基于微分的边缘检测与提取法和基于模板匹配的边缘检测与提取法。
边缘是赋予单个像素的性质，用图像函数在该像素一个邻域处的特性来计算。它
是一个具有强度和方向的矢量，其强度等于梯度的强度。这里简单介绍下面阴影检测
中采用的Sobel算子边缘检测。
Sobel算子是基于梯度算子3×3的领域的。其卷积模板由下图的两个核定义：
 
图 2.2  Sobel 算子水平和垂直边缘卷积核
取水平垂直两个方向的最大响应作为边缘：
G(i,j) = max(| 光电图像动态目标跟踪技术研究(5):http://www.youerw.com/wuli/lunwen_4269.html