文章目录
1 中值滤波
1.1 原理
1.2 中值滤波对图像的影响
1.3 函数编写
1.4 主文件
1.5 效果展示
2 高效的中值滤波算法
2.1 原理
2.2 函数编写
3 带权重的中值滤波
3.1 原理
3.2 函数编写
3.3 主文件
3.4 效果展示

1 中值滤波
1.1 原理
顾名思义，取中值的滤波方法。



如上图示，对于一个3*3大小的滤波器，每次取3*3大小范围内的中值赋值给当前像素。
1.2 中值滤波对图像的影响
如下图示，根据中值滤波器的定义：
（a）单独的一个像素会被消除；（b）单独的一条线会被消除；
（c）阶跃边界保持不变；（d）拐角会被磨圆。



因此中值滤波可以很好地去除椒盐噪声，稍后讲到。
1.3 函数编写
function imgMedian = medianfilter(img,filterSize)
% img: image
% filterSize: if=5, it means 5*5

% Generate new blank image
[h, w, c] = size(img);
padSize = (filterSize-1)/2;
imgMedianT = zeros([h+2*padSize, w+2*padSize, c]);
imgMedianT(1+padSize:padSize+h, 1+padSize:padSize+w, :) = img;
imgMedian = zeros([h, w, c]);

for k = 1:c
    for i = 1:h
        for j = 1:w
            block = imgMedianT(i:i-1+filterSize, j:j-1+filterSize, k);
            imgMedian(i, j, k) = median(block, 'all');
        end
    end
end

imgMedian = uint8(imgMedian);

end



1.4 主文件
% imgOrg = rgb2gray(imread("peppers.png"));
imgOrg = imread("peppers.png");
imgOrg = imnoise(imgOrg, 'salt & pepper'); % Adding salt-pepper noise
subplot(1,3,1);
imshow(imgOrg);
title("Originall img");

% median filter
imgMedian = medianfilter(imgOrg, 3); % Generally, the size of a filter is an odd num
subplot(1,3,2);
imshow(imgMedian);
title("Median filter img");

% Using Matlab API
subplot(1,3,3);
[~, ~, c] = size(imgOrg);
newImg = zeros(size(imgOrg));
for i = 1:c
    newImg(:,:,i) = medfilt2(imgOrg(:,:,i));
end
newImg = uint8(newImg);
imshow(newImg);
title("Medfilt img by API");

1.5 效果展示


可以看到，椒盐噪声被很好地去除了~
2 高效的中值滤波算法
2.1 原理
在每个像素位置上都要对滤波器范围内的所有像素进行排序，这样非常耗时费力。优化[Huang et al., 1979; Pitas and Venetsanopoulos, 1990]后的方法为：当窗口沿行移动一列时，窗口内容的变化只是用右边的一个新列代替了左边的一列，对于m*n的滤波器，（mn-2m）个像素没有变化。
算法步骤：




2.2 函数编写
请移步Matlab实现图像滤波（叁）：高效的中值滤波查看哦~
3 带权重的中值滤波
3.1 原理
滤波器的每个数字代表了对应位置像素的权重，如下图示，$I(i,j)位置重复W(i,j)次$再进行排序。


3.2 函数编写
function imgwMedianf = wMedianf(img,filter)
% img: image
% filterSize: if=5, it means 5*5

% Generate new blank image
[h, w, c] = size(img);
[hf, wf] = size(filter);
hpadSize = (hf-1)/2;
wpadSize = (wf-1)/2;
imgMedianT = zeros([h+2*hpadSize, w+2*wpadSize, c]);
imgMedianT(1+hpadSize:hpadSize+h, 1+wpadSize:wpadSize+w, :) = img;
imgwMedianf = zeros([h, w, c]);
filter = filter(:);

for k = 1:c
    for i = 1:h
        for j = 1:w
            block = imgMedianT(i:i-1+hf, j:j-1+wf, k);
            block = block(:);
            block = repelem(block, filter);
            imgwMedianf(i, j, k) = median(block, 'all');
        end
    end
end

imgwMedianf = uint8(imgwMedianf);

end


3.3 主文件
% imgOrg = rgb2gray(imread("peppers.png"));
imgOrg = imread("peppers.png");
imgOrg = imnoise(imgOrg, 'salt & pepper'); % Adding salt-pepper noise
subplot(1,2,1);
imshow(imgOrg);
title("Originall img");

% Weighted Median filter
filter = [1, 2, 1;
          2, 3, 2;
          1, 2, 1];
imgwMedianf = wMedianf(imgOrg, filter); % Generally, the size of a filter is an odd num
subplot(1,2,2);
imshow(imgwMedianf);
title("Weighted Median filter img");


3.4 效果展示

图像平滑处理-中值滤波
1.什么是滤波？
2.平滑处理的目的
3.平滑处理的应用
4.中值滤波的处理方法
5.中值滤波的示意图
椒盐噪声
6.椒盐处理和中值滤波的效果展示
7.代码（面向过程）
8.程序演示（面向对象）

1.什么是滤波？
图像滤波：即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。
2.平滑处理的目的
图像滤波的目的有两个:
一是抽出对象的特征作为图像识别的特征模式;

另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
而对滤波处理的要求也有两条:
一是不能损坏图像的轮廓及边缘等重要信息;

二是使图像清晰视觉效果好。
3.平滑处理的应用
关于滤波器，一种形象的比喻法是：

我们可以把滤波器想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口放到图像之上，透过这个窗口来看我们得到的图像。
举一个滤波在我们生活中的应用：

美颜的磨皮功能。如果将我们脸上坑坑洼洼比作是噪声的话，那么滤波算法就是来取出这些噪声，使我们自拍的皮肤看起来很光滑。
4.中值滤波的处理方法
中值滤波是一种典型的非线性滤波，是基于排序统计理论的一种能够有效抑制噪声的非线性信号处理技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，让周围的像素值接近真实的值从而消除孤立的噪声点。该方法在取出脉冲噪声、椒盐噪声的同时能保留图像的边缘细节。这些优良特性是线性滤波所不具备的。
中值滤波首先也得生成一个滤波模板，将该模板内的各像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为

g(x, y)=medf{f(x-k, y-1),(k, l∈w)}

	其中f(x,y)和g(x,y)分别是原图像和处理后图像, w为输入的二维模板，能够在整幅图像上滑动，通常尺寸为3*3或5*5区域，也可以是不同的形状如线状、圆形、十字形、圆环形等。通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据即可。 

5.中值滤波的示意图
首先，我们复习中值。在一连串数字｛1，4，6，8，9｝中，数字6就是这串数字的中值。由此我们可以应用到图像处理中。依然我们在图像中去3*3的矩阵，里面有9个像素点，我们将9个像素进行排序，最后将这个矩阵的中心点赋值为这九个像素的中值。


椒盐噪声
椒盐噪声（salt-and-pepper noise）是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。

　　所谓椒盐，椒就是黑，盐就是白，椒盐噪声就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声，产生该噪声的算法也比较简单。

　　椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个：一是抽出对象的特征作为图像识别的特征模式；二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条：一是不能损坏图像轮廓及边缘等重要信息；二是使图像清晰，视觉效果好。
我们使用信噪比（Signal NoiseRate）衡量图像噪声，图象的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图象信噪比，即信号与噪声的方差之比（其实在均值为零的情况下，功率就是方差）。首先计算图象所有像素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值，再转成dB数，最后用经验公式修正。
6.椒盐处理和中值滤波的效果展示

7.代码（面向过程）
#%matplotlib inline
from matplotlib import pyplot as plt
import cv2
import numpy as np
from copy import deepcopy


filename = input("请输入图像名称：")
winname = "figure"
img = cv2.imread(filename)

def add_salt_noise(img, snr=0.5):
    # 指定信噪比
    SNR = snr
    # 获取总共像素个数
    size = img.size
    print(size)
    # 因为信噪比是 SNR ，所以噪声占据百分之10，所以需要对这百分之10加噪声
    noiseSize = int(size * (1 - SNR))
    # 对这些点加噪声
    for k in range(0, noiseSize):
        # 随机获取 某个点
        xi = int(np.random.uniform(0, img.shape[1]))
        xj = int(np.random.uniform(0, img.shape[0]))
        # 增加噪声
        if img.ndim == 2:
            img[xj, xi] = 255
        elif img.ndim == 3:
            img[xj, xi] = 0
    return img

img_demo = deepcopy(img)
snr = float(input("请输入一个信噪比（小数表示）："))
img_salt = add_salt_noise(img_demo, snr)
img_medianblur = cv2.medianBlur(img, 11)

img_all = np.hstack([
    img, img_salt, img_medianblur
])

plt.figure(figsize=(20,10))
plt.imshow(img_all[:,:,::-1])
plt.show()


8.程序演示（面向对象）
用tkinter 做的界面化处理操作

完整代码（码云）：码云分享

完整代码（github）：github分享
觉得不错的朋友，可以与我交流关注，以及去码云和github点星，真的感谢！～

今天我们开始一段新的旅程：FPGA图像处理。
首先对于接触FPGA时间不长的同学们，一听到图像算法就会害怕，总是觉得算法是一种非常繁琐复杂的东西，还没开始做就被吓破胆。其实都是数学罢了。
今天我们来接触最简单的两个，中值滤波。首先何谓滤波？图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。
图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
而对滤波处理的要求也有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。
而我们今天面对的主要为椒盐噪声，椒盐噪声是数字图像的一个常见噪声，就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声。
首先要明白，RGB图像上，每一个像素点都是三段数字，分别对应R，G，B三种颜色（参考文章
Trustintruth：FPGA初始——VGA​zhuanlan.zhihu.com
）在灰白图像中，椒盐噪声若果是黑点的话，就是指这一点的像素值明显低于周围像素点的值，而白点就是明显高于周围的像素值。而对于这种噪声，只要让他与周围的值相持平皆可以消除。中值滤波和均值滤波就是根据这种方法来消除，每个像素点周围都有8个像素，如果使用周围8个像素的平均值来代替这个像素点的像素值，就是均值滤波的基本方法；如果使用8个像素点的中值来代替这个像素点的像素值，就是中值滤波的基本方法。
要做这个处理，核心就是要搭建3x3矩阵。如何搭建3x3矩阵呢？我们有三种方法：
通过2个或者3个RAM的存储来实现3X3像素窗口；
通过2个或者3个FIFO的存储来实现3X3像素窗口；
通过2行或者3行Shift_RAM的存储来实现3X3像素窗口；
以shift_ram为例，shift_ram就是移位寄存器，如图：
（原谅我VISO问题大直接删了，画图画的辣鸡图）左方数据输入，N是每行的像素点数，每行输出的就是要的矩阵。
（各位老爷别在意这个图，上次也有代码乱码的问题，这次的图春节一定改……）这样我们就得到了3x3矩阵。最后均值滤波就是求平均值，就是周围8个的和除个8，除法都不用做，直接右移三位来实现除8.
代码实现就不再贴了，网上有很多，而且也是IP核的调取，基础操作。
获取更多代码与资料，欢迎关注我啊！

中值滤波器原理
如果不在边缘区域，图像的数据是平缓的，没有太大的差值。因此，一个噪声点的值要么过大，要么过小。比如下图，左图是没有处理的原图，250在该区域由为突出，通过对3*3的9个数据进行排序，将中间值150重新填入，即滤波完成，原本的噪声点被去掉，该区域恢复平缓。同理，在边缘区域中，对于边界来说，高频不会影响，而过低数值将会突出，中值的选择将不会受到影响，除非3*3的整块区域都被污染，这时我们可以考虑更大的核来处理。
java 实现
/**
* 
Title: medfilt2
* 
Description:中值滤波 
* @param imagesPos
* @param tmp 模板矩阵 2*2
* @return
*/
public static  Matrix     medfilt2(Matrix  imagesPos, Matrix  tmp) {
/**imagesPos 计算矩阵外围追加数值为0外围，以防矩阵下表越界*/
Matrix appendPos=DenseMatrix.Factory.emptyMatrix();
appendPos=appendPos.appendVertically(Ret.NEW, imagesPos);
Matrix  v= DenseMatrix.Factory.zeros(1,imagesPos.getColumnCount());
appendPos=appendPos.appendVertically(Ret.NEW, v);
Matrix  h= DenseMatrix.Factory.zeros(imagesPos.getRowCount()+1,1);
appendPos=appendPos.appendHorizontally(Ret.NEW, h);
Matrix  matRt= DenseMatrix.Factory.zeros(imagesPos.getRowCount(),imagesPos.getColumnCount());
for(int i=0;i
Matrix  matTmp= DenseMatrix.Factory.zeros(tmp.getColumnCount(), tmp.getColumnCount());
for(int j=0;j
/**求和*/
double [] d= {appendPos.getAsDouble(i,j),appendPos.getAsDouble(i,j+1),
appendPos.getAsDouble(i+1,j),appendPos.getAsDouble(i+1,j+1)};
Arrays.sort(d);
/**依据模板矩阵2*2 计算中值*/
double  dbMid=(d[1]+d[2])/2;
matRt.setAsDouble(dbMid, i,j);
}
}
return  matRt;
}