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。