噪声对图像处理十分重要，其会影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程。其中，椒盐噪声一般是由于传输误差或比特丢失造成的。椒盐噪声与其他的像素点有明显的区别，一般是邻域中的像素值的极值点。但是极值点并不一定是噪声点。椒盐噪声在图像上表现出黑白相间的亮暗点，会严重影响图像的质量。传统中值滤波算法(smf)[1]能够减弱或消除傅里叶空间的高频分量，但是同时会影响低频分量。由于高频分量对应图像中的边沿灰度值具有较大较快变化的部分，所以smf算法可将这些分量滤除，使图像平滑，破坏图像的边缘和细节。
文献[2]提出了模糊开关中值滤波算法(fsm)，fsm算法处理效果比smf算法要好一点。提出了自适应模糊开关中值滤波(nafsm)算法。文献提出了edpa算法。文献[5]和文献[6]提出基于神经网络的模糊中值滤波算法，对于受密度噪声污染的图像取得了不错的效果，但是计算量很大。文献[7]、文献[8]、文献[9]、文献[10]提出了一种自适应模糊中值滤波算法(afm)。afm算法对傅里叶空间的低频分量具有较好的滤除效果，但对高频分量的处理效果不是很好，主要是没有考虑椒盐噪声对图像的污染程度。所以本文在afm的基础上提出了一种双阈值模糊中值滤波算法，该算法能很好地保护图像的细节，具有高效地处理椒盐噪声的能力。
利用模糊系统，计算输入参数的模糊系数权值。因为处理的是椒盐噪声，所以只需输入滤波窗口中原值与中值的差，最后通过去模函数去模糊化，滤波输出。
滤波窗口s由w×w(w默认值为3，一般为奇数)的方阵组成。对s里的像素点值进行快排序，可得滤波窗口中像素的最小值为smin，最大值为smax，中值为smed，均值为smean。x(i，j)表示噪声图像在(i，j)的灰度值。模糊系统首先是计算参数s1(i，j)=x(i，j)-smed。在图像处理的时候一般对像素的污染程度进行阈值的设置。这里假设最小阈值为tmin，最大阈值为tmax，同时设置参数s2=|x(i，j)-smean|。当s2tmax时，认为像素点严重污染，这时就用最近邻域已处理的像素点求均值代替。