Python图像处理（四）——图像平滑操作之均值滤波、方框滤波、高斯滤波、中值滤波

最新推荐文章于 2024-08-30 14:12:31 发布

原创

最新推荐文章于 2024-08-30 14:12:31 发布 · 6.3k 阅读

本文介绍了Python图像处理中的四种平滑滤波方法：均值滤波、方框滤波、高斯滤波和中值滤波。通过实例展示了每种滤波器的原理、代码实现及其对图像去噪的效果，重点解释了滤波器在处理噪声和平滑图像方面的作用。

一、图像平滑

图像平滑是一种区域增强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量（某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染）。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。

为了方便做出比较，先给一幅图片中加入噪声，代码如下：

import  cv2
import numpy as np

# 读取图片
image = cv2.imread('E:/pythonProject/mei.jpeg',cv2.IMREAD_UNCHANGED)
rows,cols,chn = image.shape

#添加噪声
for i in range (5000):
    x = np.random.randint(0,rows)
    y = np.random.randint(0,cols)
    image[x,y,:] = 255

#显示图片
cv2.imshow("noise",image)

#窗口等待
cv2.waitKey(0)
cv2.destroyAllWindows()

#图片写入
cv2.imwrite("E:/pythonProject/meii.jpeg",image)

加入噪声后的图片显示如下：

二、均值滤波

1.原理

在进行均值滤波的时候要考虑需要对周围多少个像素去平均值，即确定核的大小，通常情况下都是以当前像素点为中心，读行数和列数相等的一块区域内的所有像素点求平均。将计算得到的结果作为该点的像素。

例如下图中，红色点的像素值为蓝色背景区域像素值之和除25。

其中红色区域的像素值均值滤波处理过程为： ((197+25+106+156+159)+ (149+40+107+5+71)+ (163+198+**226**+223+156)+ (222+37+68+193+157)+ (42+72+250+41+75)) / 25
其中5*5的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像。计算得