Python实现中值滤波去噪方式
发布时间：2020-08-28 04:17:42
来源：脚本之家
阅读：105
中值滤波器去噪：
中值滤波的主要原理是将数字图像中的某点用该点的邻域中各个像素值的中值所来代替，这样就能让目标像素周围能够更好的接近真实值，比如一张白纸上有一个黑点时，黑点的像素值比较大，经过中值滤波过后，黑点附近的像素值可能就会变小。经过中值滤波后一些相对孤立的噪声点就容易被清除掉，这样就能提高图像的质量。
所以中值滤波器去噪的一个优点就是对椒盐噪声的去除具有很好的效果，具体操作是选取一个中心邻域，然后给邻域类各个像素的灰度值按大小进行排序，选取排序序列中的中值作为该邻域中心点的像素值的灰度值。
它的缺点是当邻域挑选过大时，可能会造成图像特征丢失。
实现代码如下：
import numpy as np
import cv2
from PIL import Image
import scipy.signal as signal
import matplotlib.pyplot as plt
#创建一个500*500的矩阵
input_images = np.zeros((500, 500))
filename = "E:/pycharm/GraduationDesign/Test/testtwo.png"
#convert将当前图像转换为灰度模式，并且返回新的图像。
#将图片在重新定义的矩阵中再显示，不然可能会只显示部分。
img = Image.open(filename).resize((500, 500)).convert('L')
plt.subplot(221)
plt.title('原图', fontproperties=font_set)
plt.imshow(img)
#图像的尺寸，按照像素数计算。它的返回值为宽度和高度的二元组（width, height）。
width = img.size[0]
height = img.size[1]
threshold=130
#可以改写代码使其成为二值化,此代码可理解为反向二值化
for h in range(height):
for w in range(width):
#getpixel直接获得（h，w）处的像素直接返回这个点三个通道的像素值
#返回给定位置的像素值。如果图像为多通道，则返回一个元组(r,g,b,阈值）。
#如果改成（w，h）出现的图像会倒转
  if img.getpixel((w, h)) < threshold:
input_images[h, w] = 1
else:
input_images[h, w] = 0
plt.subplot(222)
plt.title('二值化', fontproperties=font_set)
plt.imshow(input_images)
data = signal.medfilt2d(np.array(img), kernel_size=3) # 二维中值滤波
for h in range(0, height):
for w in range(0, width):
if data[h][w] < 128:
input_images[h, w] = 0
else:
input_images[h, w] = 1
plt.subplot(223)
plt.title('中值滤波去噪（3*3）', fontproperties=font_set)
plt.imshow(input_images)
data = signal.medfilt2d(np.array(img), kernel_size=7) # 二维中值滤波
for h in range(0, height):
for w in range(0, width):
if data[h][w] < 128:
input_images[h, w] = 0
else:
input_images[h, w] = 1
plt.subplot(224)
plt.title('中值滤波去噪（7*7）', fontproperties=font_set)
plt.imshow(input_images)
plt.show()
效果图：
图中的小黑点是我简单模拟实现图片中含有椒盐噪声中所加入的。当中值滤波领域选取过大时会使图片失真。
以上这篇Python实现中值滤波去噪方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持亿速云。

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

椒盐噪声
在去除椒盐噪声方面均值滤波会模糊图像，并且去除效果较差。相比之下，中值滤波能够较好地去除椒盐噪声。我们直接看Matlab实现的效果和代码：
%这个程序为我们显示了在去除椒盐噪声方面 中值滤波优于均值滤波
clear all;
close all;
clc;
I=imread('cameraman.tif');
I=im2double(I);
J=imnoise(I,'salt & pepper',0.05);
PSF=fspecial('average',3);
K=imfilter(J,PSF);
M=medfilt2(J,[3 3]);
figure(1);
subplot(2,2,1);imshow(I);title('原图');
subplot(2,2,2);imshow(J);title('添加椒盐噪声');
subplot(2,2,3);imshow(K);title('均值滤波去噪');
subplot(2,2,4);imshow(M);title('中值滤波去噪');
相关阅读
大家知道马赛克画是什么吗？不是动作片里的马赛克哦~~
马赛克画是一张由小图拼成的大图，本文的封面就是我们的效果图，放大看细节，每一
对于PDF文件来最大的麻烦就是PDF文件的打开以及编辑，我们都知道PDF文件比较有安全性，操作性高，但是我们想要给PDF文件进行编辑怎么操
常见的噪声：高斯、泊松和椒盐噪声以及代码实现
转载的地址：https://www.jianshu.com/p/67f909f3d0ce
转载的地址：https://www.cnbl
Word水印功能可以给文档中添加任意的图片和文字作为背景图片，这也被我们称之为“水印”。不仅如此，我们还可以将文档背景
Excel已是办公中的常客。而尽管如此，我们处理数据时显得仍旧十分繁琐，并且花费了许多时间不见得表格就做得漂亮了。当百分比想要转

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

          

                    受到椒盐噪声污染的图像 ↑

          

                    中值滤波后的图像 ↑

          

                    均值滤波后的图像 ↑

        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

        https://www.jianshu.com/p/53b4a8b15c28