滤波

判断、相关处理、滤波与预测、平滑、外推等，最终实现对目标的稳定连续跟踪和对目标状态的精确估计。其处理的关键技术在于测量数据组织、相关和滤波算法的实现。本文只针对其中的滤波处理进行了研究，滤波处理主要用于解决测量数据的不精确性和被测量目标状态的跟踪与预判，目前常用的滤波算法主要包括α-β滤波、Kalman滤波和最小二乘法，通过分析三种算法的原理，并比较其优点有助于实践应用者在选择算法时做出最合理的选择。1 滤波算法原理1.1 最小二乘法最小二乘法的滤波原理是

中最经典的非线性滤波法是中值滤波(MF)[1]和它的相关改进方法[2]。然而，这些方法都是用滤波窗口的某一个像素点代替噪声点，没有很好的处理窗口内高密度噪声像素点对该像素点的影响。本文提出对图像进行高斯滤波并对高斯滤波进行迭代滤波。对图像进行多窗口中值滤波时，发现噪声密度与中值滤波的窗口呈正相关性。但是中值滤波窗口越小图像处理效果越清晰（PSNR越大），实验证明当图像受到较大密度噪声（如：0.5）干扰时，单纯靠某一个滤波窗口滤波效果并不理想，而且滤波后还会

个重要问题。去块滤波技术可以在不明显影响图像内容的情况下去除方块效应的影响，显著提高重构图像的主客观质量，是改善图像块效应的有效方法。文献[1]针对H.264与HEVC去块滤波算法的异同进行了研究，并列出相关数据说明了HEVC中去块滤波算法的低码率方面优于H.264。文献[2]针对HEVC的算法，提出了一种基于判决条件的快速算法，用来确定其滤波强度以及滤波方式。文献[3]针对需要滤波块中像素点间的相关性，提出了一种低复杂度的感知优化，用以降低滤波器的计算复

图像降噪的Lee滤波和Kuan滤波误差较大的问题，提出了基于最小均方误差(MMSE)准则的线性最优滤波，线性最优滤波通过把斑点噪声的乘性模型同时展开为一阶和二阶泰勒级数，然后使用MMSE准则获得线性滤波的统一模型，最后再对该统一模型使用MMSE准则而获得。线性最优滤波在所有的线性滤波中具有最低的滤波误差，因而具有最高的滤波精度。对某乡村和城区SAR图像的降噪实验表明：线性最优滤波对边缘细节的保留能力强于Kuan滤波，它对斑点噪声的滤除能力强于Lee滤波；与