简介：面向图像处理初学者、课程设计学生以及需要快速复现去噪算法的研究人员，这份资源提供了基于MATLAB的自适应中值滤波图像去噪完整仿真方案，可有效应对椒盐噪声污染，并在去噪同时保留更多边缘细节，是理解自适应滤波机制的良好起点。压缩包共3个文件，包含核心算法脚本（.m）、演示操作录像（.avi）与测试图像（.jpg），整体仅2.14MB，轻量便携。脚本实现主控制逻辑与可视化输出，录像逐步展示从环境配置到运行出图的完整过程，测试图则方便直接验证算法效果。运行前需将MATLAB当前文件夹切换至工程路径，建议使用2021a或更高版本，配套视频可辅助新手避开常见环境问题。已有712人学习下载，适合课程设计、论文实验或算法对比等场景。借助包内完整的源码、测试图与操作演示，可深入理解自适应窗口尺寸随噪声密度动态变化的思想，并灵活修改参数对比去噪效果。
1. 自适应中值滤波为什么比普通中值滤波更值得仿真
在图像去噪这个老话题里，中值滤波一直是最容易上手、最不挑硬件的一类方法。但真把一张叠加了高密度椒盐噪声的图丢给固定窗口的中值滤波，结果往往不是去噪，而是把图像弄成一块块模糊的色斑。原因不复杂：噪声密度高时，固定窗口里的中值本身可能就是被污染像素，排序取中值失去了意义。更麻烦的是，中值滤波对边缘和细纹理的处理是“一视同仁”的——它分不清某像素是噪声还是本来就在细节区域。
自适应中值滤波（Adaptive Median Filter，AMF）解决的就是这个矛盾：窗口大小和是否滤波都由局部统计特性决定。能确认是脉冲噪声的，才动这个像素；确认是边缘细节的，主动放行。这个“先在噪声检测上做文章、再决定滤波强度”的思路，在图像去噪这个方向上，几乎是所有现代去噪算法（从加权中值到非局部均值）的雏形。用 Matlab 做这个算法的仿真，核心不是调一个medfilt2，而是自己把窗口扩展、噪声检测、双阈值判断这些逻辑一步步写出来。
这篇帖子会从算法判定逻辑讲到 Matlab 代码实现，再对比不同参数下的去噪效果，最后聊怎么把仿真过程做成能放进 PPT 或演示视频的动态展示。适合做图像处理课程实验、毕设仿真，以及刚开始接触自适应滤波但不想只看公式的工程师。
2. 自适应中值滤波的两级判定逻辑：从噪声检测到窗口扩展
2.1 标准中值滤波的失效边界
先明确中值滤波到底在算什么。对图像中的某个像素点 ((x,y))，取一个大小为 (W \times W) 的邻域窗口，窗口内所有像素按灰度排序，取中间值作为当前像素的新灰度。Matlab 里一行g = medfilt2(f, [3 3])就能跑，但这一行隐藏了两个默认行为：窗口大小固定，且对窗口内的每个像素都做替换。
固定窗口的隐患在噪声密度上来之后非常明显。假设椒盐噪声密度是 0.3，一个 3×3 窗口内平均会有约 2.7 个噪声点。排序后的中值落在真实像素上的概率尚可，但如果噪声密度到 0.5，3×3 窗口里一半左右是噪声，排序取到的中值大概率本身就是噪声或受噪声影响的灰度，滤波后图像会残留大量黑白点。更隐蔽的情况是边缘像素：一个干净的边缘像素和一个被噪声污染的非边缘像素，在固定窗口中各占 9 个灰度值，排序后的输出几乎总会压平边缘，造成细节丢失，而这种丢失在视觉上表现得比噪声本身更难接受。
自适应策略的核心，就是不把每个像素都交给同一个窗口。它对每个像素做先判断、后处理，判断不通过时自动扩大窗口，直到满足条件或到达窗口上限。这套机制业界通常称为“双级判定”，英文资料里常写为 two-level decision，它也是后面代码实现的骨架。
2.2 第一级判定：区分噪声点和信号点
先看窗口内部的灰度分布。设当前窗口为 (S_{xy})，窗口半径为 (r)，(z_{min})、(z_{max})、(z_{med}) 分别是窗口内灰度的最小值、最大值和中值。第一级判定规则如下：
- 若 (z_{min} < z_{med} < z_{max})，说明中值本身不是极值，即中值不是被椒盐噪声污染的亮度值。这种情况下，窗口中心像素的原始灰度 (z_{xy}) 如果满足 (z_{min} < z_{xy} < z_{max})，那就认为它是正常信号，直接保留原始灰度，不做滤波。
- 若 (z_{xy}) 本身落在极值上（即等于 (z_{min}) 或 (z_{max})），判定为疑似噪声，进入第二级判定。
第一级判定的意义很多人会看漏：它真正在做的是“保护非噪声极值”。图像中天然存在接近全黑或全白的像素（如夜晚的路灯、白墙上的黑点），这些像素的灰度在邻域中可能恰好是极小值或极大值。如果只按单一阈值判断，这类像素会被误伤。所以第一级先看中值是否可靠，再看中心像素是否真的是极值，双条件同时满足才认为是噪声候选。
2.3 第二级判定：中值本身也是极值时怎么办
当第一级判定发现 (z_{med}) 等于 (z_{min}) 或 (z_{max})，说明当前窗口内噪声密度高，排序后的中值已经不可靠。此时的做法不是直接滤波，而是扩大窗口半径，从 (r+1) 重新执行第一级判定。具体流程：
- 从最小窗口半径 (r_{min})（通常 1，即 3×3 窗口）开始。
- 执行第一级判定，若不通过，则 (r \leftarrow r+1)，重新计算窗口灰度统计。
- 若 (r) 已经达到最大窗口半径 (r_{max})（常取 3 或 4，即 7×7 或 9×9 窗口），仍然不满足第一级条件，说明局部区域噪声非常密集。此时不再无限扩大，直接输出当前窗口的中值 (z_{med}) 作为替代值。
这个“扩窗上限”的设计是自适应中值滤波的关键参数。(r_{max}) 设小了，高密度噪声区域救不回来；设大了，虽然能覆盖更宽的空间，但窗口跨越物体边界的概率增加，容易把两个不同区域的灰度混在一起取中值，产生伪纹理。
第二级判定的另一条重要规则是：当中心像素被判定为噪声、但窗口扩展后的中值仍落在极值上时，也有资料主张用“相邻窗口中值”或“最近有效像素”来替代，但这属于变体做法。课程和常见的毕业设计仿真里，标准 AMF 多采用“扩窗后输出中值”的方式，实现简单、效果可预期。
2.4 AMF 与传统中值滤波的对比表
| 维度 | 传统中值滤波 | 自适应中值滤波 |
|---|---|---|
| 窗口大小 | 固定 | 动态调整，从 3×3 自动扩至上限 |
| 是否检测噪声 | 不做区分，全图统一处理 | 两级判定，只处理疑似噪声点 |
| 边缘保护 | 差，边缘像素易被排序后的中值改写 | 较好，极值判定的目的是先识别再处理 |
| 高密度噪声（>0.5） | 残留大量斑点 | 能通过扩窗提高恢复能力，但也受 (r_{max}) 限制 |
| Matlab 内置函数 | medfilt2 | 无内置，需手动实现 |
| 适用场景 | 中低密度高斯/椒盐噪声做预处理 | 高密度椒盐噪声、对细节有要求的去噪任务 |
AMF 的代价是计算量显著上升：每个像素都要做窗口统计和条件判断，噪声密度越高，窗口扩张越频繁，排序次数也就越多。实际落地时通常先用快速排序算法（如sort的底层实现）来减少排序开销，后面代码实现里会用这个思路。
3. Matlab 实现：从零手写自适应中值滤波函数
3.1 灰度图预处理与噪声类型选择
写滤波函数前，先把测试图准备好。Matlab 里最常用的实验图是自带的camerman.tif，也可以用imread读入自己的图像。关键是第一步要把图像转成double类型，否则灰度的加减比较在uint8下会发生溢出问题。
clear; clc; close all; % 读取灰度图，转为 double，归一化到 [0,1] I = imread('cameraman.tif'); if size(I, 3) == 3 I = rgb2gray(I); end I = im2double(I); % 关键：后续所有操作都在 double 下做 % 加入椒盐噪声，密度 0.3 In = imnoise(I, 'salt & pepper', 0.3);参数说明：imnoise的第三个参数是噪声密度，取值范围 0 到 1，表示总像素中多少比例会被替换为 0 或 255（归一化后为 0 或 1）。密度 0.3 意味着三成像素被污染，这个密度对普通 3×3 中值滤波已经有明显压力，但自适应滤波大多能恢复得不错。im2double把灰度从 0-255 的整数区间映射到 0-1 的浮点区间，窗口内排序和比较都更稳。注意：因为imnoise用的是随机数生成器，每次运行输出的噪声位置不同，如果需要可复现结果，建议先执行一次rng(0)固定随机种子。
3.2 自写 min 和 max 的朴素自适应窗口版本
下面是一个原理最直观的实现，每个像素独立处理，代码量短，逻辑和上面讲的两级判定一一对应。
function out = adaptive_median_filter(I, r_min, r_max) % 输入 I 为 double 灰度图，值域 [0,1] % r_min 最小窗口半径，通常为 1（3×3） % r_max 最大窗口半径，建议 3 或 4 [M, N] = size(I); % 边界填充：用边缘镜像，避免窗口越界 pad = r_max; I_pad = padarray(I, [pad pad], 'symmetric'); out = zeros(M, N); for i = pad+1 : M+pad for j = pad+1 : N+pad for r = r_min : r_max % 当前窗口半径下的局部块 block = I_pad(i-r:i+r, j-r:j+r); zmin = min(block(:)); zmax = max(block(:)); zmed = median(block(:)); zxy = I_pad(i, j); % 第一级判定：中值是否为极值 if zmin < zmed && zmed < zmax % 第二级判定：当前像素是否是疑似噪声 if zmin < zxy && zxy < zmax out(i-pad, j-pad) = zxy; % 是信号，直接保留 else out(i-pad, j-pad) = zmed; % 是噪声，输出中值 end break; else % 中值不可靠，若已到最大半径，只能用当前中值兜底 if r == r_max out(i-pad, j-pad) = zmed; end end end end end end逻辑说明：外层r循环从最小半径到最大半径递增，内层对每个半径做窗口统计。break语句保证一旦满足第一级判定条件就不再扩大窗口。这里容易踩坑的是padarray的'symmetric'选项——它把边缘像素做镜像填充，比补零好得多。如果补零，图像四周边界会出现一圈由 0 引发的伪边缘，滤波后视觉上会有一圈黑框。还有一点：zmin < zmed && zmed < zmax是严格小于，不能取<=。在后文 3.3 会解释为什么<=会让平坦区域的像素完全走错误分支。
3.3 优化版：一维排序、复用统计量、避免窗口全量排序
朴素版本的问题是慢。对 256×256 图像，在密度 0.5 噪声下，每个像素可能要重复计算多个窗口的median。如果实验图是 1024×1024，朴素版本跑一次要几十秒，根本不适合做参数扫描。优化思路分三层：
- 利用
sort一次得到排序后的整行数据，同时提取zmin、zmax、zmed，避免min、max、median三次扫描。 - 外层扩窗时，上一轮窗口包含在下一轮窗口内。可以维护窗口内灰度的直方图，扩窗时只增量更新边界新增像素，而不是重新对整块排序。
- 窗口半径递增时，复用上一轮的排序结果，理论上扩窗代价从 O(W^2 log W) 降到 O(W)，但在 Matlab 里向量化的收益往往比手动维护数据结构的收益更明显，所以折中做法是保留全窗口排序，只是用
sort(block(:))一次性取值。
function out = adaptive_median_filter_fast(I, r_min, r_max) % 优化版：利用 sort 一次取三值，减少重复扫描 [M, N] = size(I); % 对中心像素做扩展时，先预留输出矩阵 out = zeros(M, N); pad = r_max; I_pad = padarray(I, [pad pad], 'symmetric'); for i = pad+1 : M+pad for j = pad+1 : N+pad for r = r_min : r_max block = I_pad(i-r:i+r, j-r:j+r); sorted = sort(block(:)); % 升序 zmin = sorted(1); zmax = sorted(end); zmed = sorted(ceil(length(sorted)/2)); zxy = I_pad(i, j); if zmin < zmed && zmed < zmax if zmin < zxy && zxy < zmax out(i-pad, j-pad) = zxy; else out(i-pad, j-pad) = zmed; end break; else if r == r_max out(i-pad, j-pad) = zmed; end end end end end end核心改动是sorted = sort(block(:))这一行：block(:)将二维窗口拉成一维列向量，sort升序排列后，最小值是第一个元素，最大值是最后一个，中位数是正中间那个。注意在元素个数为偶数时中值定义有两种，这里统一用ceil，效果偏差在图像上肉眼基本看不出来。
3.4 与传统 medfilt2 的对比脚本
实现完滤波器，立刻就能做对比实验。下面脚本同时跑出三种结果：普通 3×3 中值、自适应中值（r_min=1, r_max=3）、自适应中值（r_min=1, r_max=4），并计算 PSNR 和 SSIM。
% 直接调用上面写的函数 I_med3 = medfilt2(In, [3 3]); % 传统中值滤波 I_amf3 = adaptive_median_filter_fast(In, 1, 3); % 自适应，最大 7×7 I_amf4 = adaptive_median_filter_fast(In, 1, 4); % 自适应，最大 9×9 % 计算峰值信噪比 PSNR psnr_med3 = psnr(I_med3, I); psnr_amf3 = psnr(I_amf3, I); psnr_amf4 = psnr(I_amf4, I); % 计算结构相似性 SSIM ssim_med3 = ssim(I_med3, I); ssim_amf3 = ssim(I_amf3, I); ssim_amf4 = ssim(I_amf4, I); fprintf('PSNR: medfilt2=%.2f dB, AMF(r_max=3)=%.2f dB, AMF(r_max=4)=%.2f dB\n', ... psnr_med3, psnr_amf3, psnr_amf4); fprintf('SSIM: medfilt2=%.4f, AMF(r_max=3)=%.4f, AMF(r_max=4)=%.4f\n', ... ssim_med3, ssim_amf3, ssim_amf4);说明：psnr和ssim都是 Matlab 图像处理工具箱（Image Processing Toolbox）里的函数。psnr输入两张图必须是同尺寸同类型，这里都是 double 且在 0-1 范围，所以不需要额外转换。SSIM 是一个 0 到 1 之间的值，比 PSNR 更能反映结构相似性。对于椒盐噪声去噪，通常 AMF 的 PSNR 会高于普通中值滤波 3-8 dB，具体数值受噪声密度和图像内容影响。
3.5 参数调试：r_max 选择与边界处理
| r_max | 窗口最大尺寸 | 适应噪声密度 | 计算耗时（256×256） | 主要风险 |
|---|---|---|---|---|
| 1 | 3×3 | ≤0.2 | 快 | 高密度噪声下残留大量椒盐点 |
| 2 | 5×5 | ≤0.4 | 中等 | 窗口跨边缘时，细节区出现轻度糊化 |
| 3 | 7×7 | ≤0.6 | 慢 | 宽窗口下平坦区域可能出现块状伪纹理 |
| 4 | 9×9 | ≤0.7 | 很慢 | 边缘过冲明显，细线结构丢失 |
边界处理上，padarray用'symmetric'已经规避了大部分越界问题，但要留意r_max大于图像最小边长的一半时，pad会大于实际图像尺寸，这时镜像范围也会出现异常。正常实验图都在 256×256 以上，r_max=4 完全安全。
提示：如果输入图像不是方形，
padarray的pad参数是一个二维向量[pad_row, pad_col]，行和列方向的扩展尺寸可以不一样。上面代码统一用了pad = r_max，对非方形图像误差也不大，但严谨的做法是行方向用r_max、列方向也用r_max，保持一致。
4. 仿真实验：噪声密度变化与去噪效果对比分析
4.1 噪声密度从 0.1 到 0.7 的梯度测试
单张图固定密度的对比只能说明一种情况下的表现。要系统地评价自适应中值滤波，得让噪声密度在一个区间内变化，观察三个指标：PSNR、SSIM、主观视觉残留。下面脚本完成这个任务：
rng(0); % 固定随机种子 density_list = 0.1:0.1:0.7; psnr_med = zeros(length(density_list), 1); psnr_amf = zeros(length(density_list), 1); for k = 1:length(density_list) d = density_list(k); In = imnoise(I, 'salt & pepper', d); I_med = medfilt2(In, [3 3]); I_amf = adaptive_median_filter_fast(In, 1, 3); psnr_med(k) = psnr(I_med, I); psnr_amf(k) = psnr(I_amf, I); end % 打印表格数据 T = table(density_list', psnr_med, psnr_amf, ... 'VariableNames', {'NoiseDensity', 'MedianPSNR', 'AMF_PSNR'}); disp(T);rng(0)让每次循环生成的噪声位置一致，这样对比的是两种算法在同一种噪声分布下的差异，而不是随机误差。这一步在写论文或报告时尤其重要——可复现性是仿真实验的基本要求。
当噪声密度达到 0.7 时，3×3 固定窗口中几乎每个窗口都有 5 个左右的噪声像素，排序中值大概率落在噪声灰度上，medfilt2的结果会呈现明显的水渍状色斑，而 AMF 因为可以扩到 7×7 或 9×9，取到有效信号的概率就高一些。但注意，r_max=3 时 0.7 的密度已经逼近理论上限，如果密度继续升高，效果会快速下降。
4.2 边缘像素在滤波前后的灰度剖面
中值滤波最被诟病的点是边缘过度平滑，而自适应版本在边缘处通常选择保留原始值。为了可视化这一点，取图中一行像素，画出原始图像、噪声图像、普通中值滤波、自适应滤波四种情况下的灰度剖面曲线。
row = 100; % 取第 100 行观察 figure; subplot(2,1,1); plot(I(row, :), 'k-', 'LineWidth', 1.2); hold on; plot(In(row, :), 'b.', 'MarkerSize', 4); legend('原始', '带噪'); title('第100行灰度剖面：原始与噪声'); ylim([0 1]); subplot(2,1,2); plot(I_med3(row, :), 'r--', 'LineWidth', 1.2); hold on; plot(I_amf3(row, :), 'g-', 'LineWidth', 1.2); legend('medfilt2', 'AMF'); title('第100行灰度剖面：滤波结果对比'); ylim([0 1]);剖面图能非常直观地说明问题：在明显的灰度阶跃（物体边缘）处，medfilt2会把跳变沿拉平成一个斜坡，而 AMF 的曲线会在阶跃附近保留更陡的过渡。对比原始图像曲线，能看出 AMF 在平坦区域有明显去噪能力，同时在边缘处更接近原始曲线。这个可视化手法常出现在课程报告和论文的结果分析部分，也是答辩时评委爱看的内容。
4.3 局部区域放大对比：细节保留程度
全局 PSNR 无法反映局部细节保留情况，尤其是细线、纹理这类高频信息。建议用imcrop截取图像中一块包含细节的区域，放大后对比。
rect = [80 60 60 60]; % 裁剪区域 [x, y, width, height] I_crop_orig = imcrop(I, rect); I_crop_noise = imcrop(In, rect); I_crop_med = imcrop(I_med3, rect); I_crop_amf = imcrop(I_amf3, rect); % 拼接成 2×2 montage 显示 figure; subplot(2,2,1); imshow(I_crop_orig); title('原始'); subplot(2,2,2); imshow(I_crop_noise); title('带噪'); subplot(2,2,3); imshow(I_crop_med); title('medfilt2'); subplot(2,2,4); imshow(I_crop_amf); title('AMF');放大区域的视觉差异通常比全图更明显。medfilt2输出中能看到的细线断裂、屋顶纹理变模糊，在 AMF 中会清晰不少。如果看不出来，可以尝试截取 cameraman 图中的三脚架区域，那个位置的密集细线是检验中值滤波类算法的最佳试金石。注意imcrop的坐标原点在图像左上角，宽度高度按像素计算，数据归一化不影响裁剪结果。
4.4 运行时间统计
性能这块在论文里是硬指标。用tic/toc记录运行时间，注意多次运行取平均值排除抖动。
funcs = {@() medfilt2(In, [3 3]), ... @() adaptive_median_filter_fast(In, 1, 3), ... @() adaptive_median_filter_fast(In, 1, 4)}; labels = {'medfilt2-3x3', 'AMF-rmax3', 'AMF-rmax4'}; for k = 1:length(funcs) t = zeros(1, 5); for trial = 1:5 f = funcs{k}; tic; f(); t(trial) = toc; end fprintf('%s 平均耗时: %.4f s\n', labels{k}, mean(t)); endmedfilt2底层是高效的 C 实现，自适应版本因为是纯 Matlab 循环，速度上被拉开差距是预期内的事。对 256×256 图像，medfilt2耗时 0.01s 量级，而 AMF 的纯循环实现通常要 2s 左右。如果仿真图是 1024×1024，纯循环版本可能要到 30 秒以上。实际项目中要提速，可以考虑把最内层循环用mex重构，或者用parfor并行化——后面第 5 章会讲一个不需要离开 Matlab 环境的加速思路。
5. 把仿真做成操作演示视频：录屏与动图两种路线
5.1 用 Matlab 自带的 VideoWriter 录制滤波过程
标题里提到“含代码操作演示视频”，说明这个项目的交付物不只是算法本身，还包含可演示的视频材料。Matlab 官方推荐的做法是用VideoWriter把多帧图像写成一个 AVI 或 MP4 文件。最常见的演示视频思路是：先展示原始图 → 展示加噪图 → 窗口逐渐扩大的动画 → 滤波结果图。下面给出一个录制窗口动画的代码。
% 生成演示视频：窗口逐帧扩大的滤波过程 v = VideoWriter('AMF_demo.avi', 'Motion JPEG AVI'); v.FrameRate = 5; % 每秒 5 帧，视觉上刚好能看清变化 open(v); % 先写 15 帧原始图，停顿感靠多帧重复实现 for f = 1:15 imshow(In); title('带噪声图像'); frame = getframe(gcf); writeVideo(v, frame); end % 窗口从 1 扩到 3，每级窗口显示 10 帧 for r = 1:3 I_tmp = adaptive_median_filter_fast(In, 1, r); for f = 1:10 imshow(I_tmp); title(sprintf('自适应中值滤波 (r = %d)', r)); frame = getframe(gcf); writeVideo(v, frame); end end close(v);参数说明：VideoWriter第一个参数是输出文件名，扩展名决定封装格式。.avi和Motion JPEG AVI是兼容性最好的组合，生成的视频体积较大但任何播放器都能打开。.mp4需要系统里有对应的编码器（Windows 上通常能用，Linux 上可能需要确认是否安装了 H.264 编码支持）。getframe(gcf)捕获当前 figure 窗口的内容，注意 gcf 窗口大小会直接影响视频分辨率，建议在录制前用set(gcf, 'Position', [100 100 640 480])固定窗口尺寸，避免不同帧分辨率抖动。
视频里的“代码操作演示”部分，如果不需要展示实时代码输入，可以用live script（.mlx 文件）逐段运行代码块，用系统录屏软件（Windows 的 Xbox Game Bar 或 OBS）录屏，这比 Matlab 内部录制的画面更丰富。
5.2 用 write 命令把关键中间结果输出为 GIF
视频适合汇报答辩，GIF 则更适合放进课程报告或博客附图中。Matlab 里把多帧图像写进 GIF 的方式是用imwrite的'WriteMode', 'append'选项。
% 输出一组 GIF 动画：原始 -> 加噪 -> 滤波结果 frames = {I, In, I_amf3}; filename = 'amf_steps.gif'; for k = 1:length(frames) [A, map] = gray2ind(frames{k}, 256); if k == 1 imwrite(A, map, filename, 'gif', 'LoopCount', Inf, 'DelayTime', 1); else imwrite(A, map, filename, 'gif', 'WriteMode', 'append', 'DelayTime', 1); end endgray2ind把 double 灰度图转成带 colormap 的索引图像，这是 GIF 格式要求的。DelayTime单位是秒，1 表示每帧停留 1 秒，如果想让加噪过程更快，改成 0.5 即可。LoopCount, Inf表示无限循环播放。这套写法在写博客、做实验报告时很实用，生成的 GIF 可以直接插入 Markdown 或者 Word，不需要任何视频剪辑软件。
5.3 演示视频中如何展示代码与参数
录屏演示的场景下，很多同学会直接把脚本从头到尾运行一遍，视频里全是代码滚动，观看者根本抓不住重点。更好的顺序是：
- 先用一句中文注释交代实验目的，例如
% 比较固定中值与自适应中值在噪声密度0.5下的去噪效果。 - 运行加噪代码，图窗弹出，停顿 2 秒让观众看到噪声图。
- 运行
medfilt2结果，再运行 AMF 结果，两张图并排对比。 - 命令行再打印一组 PSNR 数值。
- 最后运行
VideoWriter片段，把之前录的视频文件播一遍。
配合录屏软件，Matlab 编辑器里的代码高亮和命令行输出都能被记录下来，效果比直接导出 PDF 脚本要生动得多。如果环境支持，还可以在.mlx活页脚本里把代码、输出图和文字说明放在同一个文档流中，每段代码块执行后立即在右侧显示生成的图窗。这样录屏时就只滚动活页脚本，不需要反复切换窗口，观感上更接近现代 Notebook 风格。
5.4 验证演示视频正确性的自查清单
做完视频不要直接交差，花两分钟检查这几个点：窗口尺寸是否真的在变化（看 title 中的 r 值或者画面中噪声残留的变化）、不同算法对比时用是否是同一张噪声图（由于rng没有固定，两次imnoise产生的噪声位置可能不同，对比会失真）、视频文件是否能被主流播放器解码。最容易翻车的其实是最后一个——Matlab 在 Linux 下生成的某些编码格式 Windows 播放器不支持，保险起见统一用 Motion JPEG AVI。
注意：演示视频中的结果图应当与正文中的 PSNR 数值来源于同一组固定随机种子的运行结果。如果录视频时重新执行了脚本而没有设置
rng，噪声分布就可能与论文表格中的数据对不上，这种不一致在答辩时大概率会被追问。
本文还有配套的精品资源，点击获取
