前面介绍的均值滤波、框滤波、高斯滤波都是线性滤波方法。由于线性滤波的结果是所有像素值的线性组合,因此包含噪声的像素也被考虑在内,噪声并没有被去除,而是以更柔和的方式存在。在这种情况下,使用非线性滤波可能会更好。中值滤波与上面介绍的滤波方法不同,不再通过加权平均计算滤波结果。它将当前像素的像素值替换为邻域内所有像素值的中值。
5.1 原理介绍
中值滤波器会取当前像素及其周围相邻像素(总共有奇数个像素)的像素值,对这些像素值进行排序,然后将中间的像素值作为像素值当前像素。对于以下矩阵:
将其邻域设置为3×3大小,对其3×3邻域内像素点的像素值进行排序(升序降序均可),按升序排序后得到序列值为:[66,78,90,91,93,94,95,97,101]。在该序列中,处于中心位置(也叫中心点或中值点)的值是“93”,因此用该值替换原来的像素值78,作为当前点的新像素值。中值滤波效果如下:
5.2 函数语法
在OpenCV中,实现中值滤波的函数是cv2.medianBlur(),其语法格式如下:
dst=cv2.medianBlur(src,ksize)
在哪里:
● dst是返回值,表示进行中值滤波后得到的处理结果。
● src 是需要处理的图像,即源图像。它能够有任意数量的通道,并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F中的一种。
● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意,核大小必须是比1大的奇数,比如3、5、7等。
5.3 程序实例
import cv2 as cv
def cv_show(name, img):
cv.imshow(name, img)
cv.waitKey(0)
cv.destroyAllWindows()
def add_peppersalt_noise(image, n=10000):
result = image.copy()
# 测量图片的长和宽
w, h =image.shape[:2]
# 生成n个椒盐噪声
for i in range(n):
x = np.random.randint(1, w)
y= np.random.randint(1, h)
if np.random.randint(0, 2) == 0 :
result[x, y] = 0
else:
result[x,y] = 255
return result
img = cv.imread('D:\\dlam.jpg')
if img is None:
print('Failed to read the image')
img1 = add_peppersalt_noise(img)
cv_show('after', img1)
# 中值滤波,可对灰色图像和彩色图像使用
img2 = cv.medianBlur(img1, 3)
cv_show('after1', img2)
# ksize变大图像变模糊
img3 = cv.medianBlur(img1, 9)
cv_show('after2', img3)
原图如下所示:
添加椒盐噪声:
3*3中值滤波效果:
5*5中值滤波效果:
可以看出,中值滤波对去噪效果优于线性滤波,但是随着滤波核的增大,图像会变得模糊。
文章出处登录后可见!
已经登录?立即刷新