图像滤波的中值滤波

Posted 2023-04-26

参考技术A

中值滤波由Turky在1971年提出，最初用于时间序列分析，后来被用于图像处理，并在去噪复原中取得了较好的效果。中值滤波器是基于次序统计完成信号恢复的一种典型的非线性滤波器，其基本原理是把图像或序列中心点位置的值用该域的中值替代，具有运算简单、速度快、除噪效果好等优点，曾被认为是非线性滤波的代表。然而，一方面中值滤波因不具有平均作用，在滤除诸如高斯噪声时会严重损失信号的高频信息，使图像的边缘等细节模糊；另一方面中值滤波的滤波效果常受到噪声强度以及滤波窗口的大小和形状等因素的制约，为了使中值滤波器具有更好的细节保护特性及适应性，人们提出了许多中值滤波器的改进算法。
标准中值滤波算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。实际上在一定邻域范围内具有最大或最小灰度值这一特性的，除了噪声点，还包括图像中的边缘点、线性特征点等。中值滤波以此作为图像滤波依据，其滤波结果不可避免地会破坏图像的线段、锐角等信息。因此，要找到一种既能实现有效滤除噪声，又能完整保留图像细节的滤波机制，仅考虑噪声的灰度特性是难以实现的。

中值滤波

参考技术A 一. 中值滤波：

    中值滤波器是一种可以使图像平滑的滤波器。它使用滤波器范围内的像素的中值去代表该范围内所有的像素。中值滤波是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比均值滤波更好。

二. python实现中值滤波和均值滤波，并用两种滤波器对受到椒盐噪声污染的图像进行去噪

import cv2

import numpy as np

# Median filter

def median_filter(img, K_size=3):

    H, W, C = img.shape

    ## Zero padding

    pad = K_size // 2

    out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)

    out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)

    tmp = out.copy()

    # filtering

    for y in range(H):

        for x in range(W):

            for c in range(C):

                out[pad+y, pad+x, c] = np.median(tmp[y:y+K_size, x:x+K_size, c])

    out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

    return out

# Average filter

def average_filter(img, G=3):

    out = img.copy()

    H, W, C = img.shape

    Nh = int(H / G)

    Nw = int(W / G)

    for y in range(Nh):

        for x in range(Nw):

            for c in range(C):

                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int)

    return out

# Read image

img = cv2.imread("../paojie_sp.jpg")

# Median Filter and Average Filter

out1 = median_filter(img, K_size=3)

out2 = average_filter(img,G=3)

# Save result

cv2.imwrite("out1.jpg", out1)

cv2.imwrite("out2.jpg", out2)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 实验结果

        可以明显看出，对于受到椒盐噪声污染的图像，中值滤波往往比均值滤波的去噪效果要好！

四. 参考内容：

         https://www.cnblogs.com/wojianxin/p/12500348.html