4.边界保持类滤波器 a. 导入加噪后的图像； b. 使用k近邻平滑滤波器、灰度最小方差的均值滤波器、对称近邻均值滤波器、∑平滑滤波器等边界保持类滤波器进行图像增强； c. 分别显示和保存滤波后的图像matlab代码。

边界保持类滤波器是一种用于图像处理的技术，它强调在保留图像边缘细节的同时进行平滑处理，防止过度模糊导致边缘丢失。在MATLAB中，你可以按照以下步骤操作：

a. 首先，假设你已经有了导入的加噪声图像，例如`noisy_image`。可以使用`imread`函数读取图片文件，如果图片已经包含噪声，可以直接使用。

noisy_image = imread('your_noisy_image.jpg'); % 替换为实际的图片路径

b. 然后，你可以选择几种常见的边界保持滤波器来进行图像增强。下面是使用k近邻（KNN）、灰度最小方差的均值（Gaussian Mean）、对称近邻均值（Symmetric Mean）和∑平滑（Summation）滤波的例子代码：

% k近邻滤波
filtered_knn = imfilter(noisy_image, fspecial('average', 5), 'replicate');

% 灰度最小方差均值滤波
filtered_gaussian = imgaussfilt(noisy_image, 2);

% 对称近邻均值滤波
filtered_symmetric_mean = medfilt2(noisy_image, [3 3], 'symmetric');

% ∑平滑滤波（这里以3x3窗口为例）
filtered_sum = sum(sum(noisy_image, 3), 2);
filtered_sum = uint8(filtered_sum); % 如果需要还原为原始颜色通道大小

% 保存结果
imwrite(filtered_knn, 'filtered_knn.png');
imwrite(filtered_gaussian, 'filtered_gaussian.png');
imwrite(filtered_symmetric_mean, 'filtered_symmetric_mean.png');
imwrite(filtered_sum, 'filtered_sum.png');

c. 最后，分别使用`imshow`函数显示滤波后的图像：

figure; imshow(noisy_image, 'InitialMagnification', 'fit');
title('Original Noisy Image');
figure; imshow(filtered_knn, 'InitialMagnification', 'fit');
title('Filtered with KNN');
...

请注意，上述代码需要根据实际情况调整参数，并确保所有所需的库已安装（如`image Processing Toolbox`）。此外，对于每个滤波器，可以根据效果自行调整滤波器大小和其他参数。