中值滤波算法及例程

中值滤波是一种常用的非线性图像滤波算法,它能够有效去除图像中的椒盐噪声(即孤立的亮或暗像素点),同时保持图像边缘和细节的清晰度。中值滤波的主要思想是使用一个滑动窗口,在窗口内对像素值进行排序,并将排序后的中间值作为中心像素的新值。

以下是中值滤波的算法步骤:

  1. 定义滑动窗口的大小,通常为一个正方形或矩形。

  2. 在图像上遍历每个像素。

  3. 对于每个像素,获取其周围邻域内的像素值,并将其放入一个数组或列表中。

  4. 对这个数组或列表进行排序,找到其中值。

  5. 将中值赋给当前像素作为滤波后的值。

  6. 重复步骤2-5,直到遍历完整个图像。

中值滤波算法的关键在于选择合适的窗口大小,较小的窗口大小可以更好地保留图像细节和边缘特征,但可能无法有效去除较大的噪声;而较大的窗口大小可以更好地平滑图像,但可能会模糊细节。

需要注意的是,中值滤波算法对于消除椒盐噪声效果良好,但对于其他类型的噪声(如高斯噪声)可能效果不佳。在实际应用中,可以根据具体的噪声类型和需求选择合适的滤波方法。

以下是一个使用Python实现的中值滤波例程:

复制代码
import cv2
import numpy as np

def median_filter(image, kernel_size):
    # 获取图像的宽度和高度
    height, width = image.shape[:2]
    
    # 创建一个与原图像相同大小的空白图像
    filtered_image = np.zeros_like(image)
    
    # 计算中值滤波的卷积核大小
    kernel_half = kernel_size // 2
    
    # 对图像进行遍历
    for i in range(height):
        for j in range(width):
            # 获取每个像素的周围邻域像素
            neighborhood = image[max(0, i - kernel_half):min(height, i + kernel_half + 1),
                                 max(0, j - kernel_half):min(width, j + kernel_half + 1)]
            # 计算邻域像素的中值,并赋值给当前像素
            filtered_image[i, j] = np.median(neighborhood)
    
    return filtered_image

# 读取图像
image = cv2.imread('input.jpg', 0)  # 以灰度图像方式读取

# 应用中值滤波器
filtered_image = median_filter(image, kernel_size=3)

# 显示原图像和滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Filtered Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码中,我们定义了一个名为median_filter的函数,它接受一个图像和一个滤波器大小作为参数,并返回滤波后的图像。在函数内部,我们通过遍历图像的每个像素,获取周围邻域像素的值,并使用np.median函数计算中值,然后将中值赋值给当前像素。最后,我们使用cv2.imshow函数显示原图像和滤波后的图像,并使用cv2.waitKey和cv2.destroyAllWindows等函数来管理窗口显示和关闭。

请确保在运行示例代码前,将'input.jpg'替换为你自己的图像文件路径。

相关推荐
oil欧哟几秒前
从产品经理视角拆解 DeepSeek Super-agent:双层路由与异步调度架构
人工智能
张张123y10 分钟前
个人助手型 Agent 的六个工程细节:Hermes 与 OpenClaw 的审批、委派、上下文与调度
网络·人工智能·开源·后端开发·ai agent
漂流瓶jz18 分钟前
UVA-1615 高速公路 题解答案代码 算法竞赛入门经典第二版
数据结构·算法·贪心算法·贪心·aoapc·算法竞赛入门经典·uva
Dawson Zhu1 小时前
【模型量化⑦】W4A8与GPTQ-Int4:极限压缩与MLC-LLM部署实战
人工智能·语言模型·架构·aigc·agi
千寻技术帮1 小时前
50055_基于AI的互帮互助小程序(源码+文档+数据库脚本+部署教程)
数据库·人工智能·小程序·毕业设计·springboot·课程设计
天树星智源1 小时前
KV 剪枝的同一个误差,模型确定时只改 1.4% 的 token,不确定时改 65%:接上不确定性,AIME25 端到端快 1.27 倍
人工智能·大模型
AI英德西牛仔1 小时前
PC 用户的效率革命:腾讯元宝导出 Word 指令与“AI 导出鸭”的底层逻辑
人工智能·word·excel·deepseek·ai导出鸭
Flynn Liang2 小时前
多智能体协同不再复杂:Redis Stream 消费者组、幂等与故障恢复
数据库·人工智能·redis·缓存·ai agent·智能体
凌冰_10 小时前
数据结构 - 时间空间复杂度(一)
数据结构·算法·软件工程
VIP_CQCRE11 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商