python-opencv 中值濾波{cv2.medianBlur(src, ksize)}
中值濾波將圖像的每個像素用鄰域 (以當(dāng)前像素為中心的正方形區(qū)域)像素的 中值 代替 。與鄰域平均法類似，但計算的是中值
#用中值法
for y in xrange(1,myh-1):
for x in xrange(1,myw-1):
lbimg[y,x]=np.median(tmpimg[y-1:y+2,x-1:x+2]
下面調(diào)用opencv的函數(shù)
# -*- coding: utf-8 -*-
#code:myhaspl@myhaspl.com
#中值濾波
import cv2
import numpy as np
fn="test3.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
#加上椒鹽噪聲
#灰階范圍
w=img.shape[1]
h=img.shape[0]
newimg=np.array(img)
#噪聲點數(shù)量
noisecount=50000
for k in xrange(0,noisecount):
xi=int(np.random.uniform(0,newimg.shape[1]))
xj=int(np.random.uniform(0,newimg.shape[0]))
newimg[xj,xi]=255
#濾波去噪
lbimg=cv2.medianBlur(newimg,3)
cv2.imshow('src',newimg)
cv2.imshow('dst',lbimg)
cv2.waitKey()
cv2.destroyAllWindows()
中值濾波忽略了較高階灰度和較低階灰度，直接取中值，因此有效得過濾椒鹽噪聲。
對高斯噪聲的濾波
用scipy.signal中值濾波
中值濾波技術(shù)能有效抑制噪聲，通過把數(shù)字圖像中一點的值用該點周圍的各點值的中位數(shù)來代替，讓這些值接近，以消除原圖像中的噪聲。
*模擬中值濾波
>>> import random
>>> import numpy as np
>>> import scipy.signal as signal
>>> x=np.arange(0,100,10)
>>> random.shuffle(x)
>>> x
array([70, 80, 30, 20, 10, 90, 0, 60, 40, 50])
>>> signal.medfilt(x,3) #一維中值濾波
array([ 70., 70., 30., 20., 20., 10., 60., 40., 50., 40.])
signal的medfilt()方法傳入兩個參數(shù)，第一個參數(shù)是要作中值濾波的信號，第二個參數(shù)是鄰域的大小(奇數(shù))。如鄰域為3即是每個點自己和左右各一個點成為一個鄰域。在每個位置的鄰域中選取中位數(shù)替換這個位置的數(shù)，也就是該函數(shù)的返回值數(shù)組。如果鄰域中出現(xiàn)沒有元素的位置，那么以0補齊。
>>> x=np.random.randint(1,1000,(4,4))
>>> x
array([[ 31, 33, 745, 483],
[331, 469, 804, 479],
[235, 487, 244, 982],
[857, 114, 167, 174]])
>>> signal.medfilt(x,(3,3)) #二維中值濾波
array([[ 0., 33., 469., 0.],
[ 33., 331., 483., 479.],
[ 235., 331., 469., 174.],
[ 0., 167., 167., 0.]])
二維中值濾波還可以用signal.medfilt2d()，速度較快，但只支持int8，float32和float64。
*對圖像中值濾波 （這個代碼我還沒試，如果出現(xiàn)問題可以懷疑是代碼的問題）
import numpy as np
from PIL import Image
import scipy.signal as signal
im=Image.open('test.jpg') #讀入圖片并建立Image對象im
data=[] #存儲圖像中所有像素值的list(二維)
width,height=im.size #將圖片尺寸記錄下來
#讀取圖像像素的值
for h in range(height): #對每個行號h
row=[] #記錄每一行像素
for w in range(width): #對每行的每個像素列位置w
value=im.getpixel((h,w)) #用getpixel讀取這一點像素值
row.append(value)#把它加到這一行的list中去
data.append(row) #把記錄好的每一行加到data的子list中去，就建立了模擬的二維list
data=signal.medfilt(data,kernel_size=3) #二維中值濾波
data=np.int32(data) #轉(zhuǎn)換為int類型，以使用快速二維濾波
#創(chuàng)建并保存結(jié)果
for h in range(height): #對每一行
for w in range(width): #對該行的每一個列號
im.putpixel((h,w),tuple(data[h][w])) #將data中該位置的值存進圖像,要求參數(shù)為tuple
im.save('result.jpg')#存儲
opencv中值濾波medianBlur
中值濾波是一種典型的非線性濾波，是基于排序統(tǒng)計理論的一種能夠有效抑制噪聲的非線性信號處理技術(shù)，基本思想是用像素點鄰域灰度值的中值來代替該像素點的灰度值，讓周圍的像素值接近真實的值從而消除孤立的噪聲點。該方法在取出脈沖噪聲、椒鹽噪聲的同時能保留圖像的邊緣細(xì)節(jié)。這些優(yōu)良特性是線性濾波所不具備的。
中值濾波首先也得生成一個濾波模板，將該模板內(nèi)的各像素值進行排序，生成單調(diào)上升或單調(diào)下降的二維數(shù)據(jù)序列，二維中值濾波輸出為g(x, y)=medf{f(x-k, y-1),(k, l∈w)}，其中f(x,y)和g(x,y)分別是原圖像和處理后圖像, w為輸入的二維模板，能夠在整幅圖像上滑動，通常尺寸為3*3或5*5區(qū)域，也可以是不同的形狀如線狀、圓形、十字形、圓環(huán)形等。通過從圖像中的二維模板取出奇數(shù)個數(shù)據(jù)進行排序，用排序后的中值取代要處理的數(shù)據(jù)即可。
中值濾波對消除椒鹽噪聲非常有效，能夠克服線性濾波器帶來的圖像細(xì)節(jié)模糊等弊端，能夠有效保護圖像邊緣信息，是非常經(jīng)典的平滑噪聲處理方法。在光學(xué)測量條紋圖像的香味分析處理方法中有特殊作用，但在條紋中心分析方法中作用不大。
中值濾波相較于線性濾波中的均值濾波優(yōu)點在前面已經(jīng)提到，取得良好濾波效果的代價就是耗時的提升，可能達到均值濾波的數(shù)倍，而且對于細(xì)節(jié)較多的圖像也不太適用。
opencv中提供了medianBlur()函數(shù)實現(xiàn)了中值濾波操作，其原型如下：
C++: void medianBlur(InputArray src, OutputArray dst, int ksize)
參數(shù)解釋：
. InputArray src: 輸入圖像，圖像為1、3、4通道的圖像，當(dāng)模板尺寸為3或5時，圖像深度只能為CV_8U、CV_16U、CV_32F中的一個，如而對于較大孔徑尺寸的圖片，圖像深度只能是CV_8U。
. OutputArray dst: 輸出圖像，尺寸和類型與輸入圖像一致，可以使用Mat::Clone以原圖像為模板來初始化輸出圖像dst
. int ksize: 濾波模板的尺寸大小，必須是大于1的奇數(shù)，如3、5、7……
示例程序：
#include iostream>
#include opencv2/core.hpp>
#include opencv2/highgui.hpp>
#include opencv2/imgproc.hpp>
using namespace std;
using namespace cv;
//定義全局變量
Mat g_mSrcImage;
Mat g_mDstImage;
const int g_nMedianBlurMaxValue = 5;
int g_nMedianBlurValue;
int g_nkernelSize;
//定義回調(diào)函數(shù)
void on_medianBlurTrackBar(int, void*);
int main()
{
g_mSrcImage = imread("lena.jpg");
//判斷文件是否加載成功
if(g_mSrcImage.empty())
{
cout "圖像加載失敗!" endl;
return -1;
}
else
cout "圖像加載成功!" endl;
//判斷圖像是否是CV_8U圖像
if(0 = g_mSrcImage.depth() = 255)
cout "加載圖像符合處理要求!" endl;
else
{
cout "圖像深度不是CV_8U，程序即將退出..." endl;
return -1;
}
namedWindow("原圖像", WINDOW_AUTOSIZE);
imshow("原圖像", g_mSrcImage);
//輸出圖像窗口屬性及軌跡條名稱
namedWindow("中值濾波圖像", WINDOW_AUTOSIZE);
char medianBlurName[20];
sprintf(medianBlurName, "核函數(shù)尺寸 %d", g_nMedianBlurMaxValue);
g_nMedianBlurValue = 1;
//創(chuàng)建軌跡條
createTrackbar(medianBlurName, "中值濾波圖像", g_nMedianBlurValue,
g_nMedianBlurMaxValue, on_medianBlurTrackBar);
on_medianBlurTrackBar(g_nMedianBlurValue, 0);
waitKey(0);
return 0;
}
void on_medianBlurTrackBar(int, void*)
{
//重新計算尺寸值，尺寸值應(yīng)為大于1的奇數(shù)
g_nkernelSize = g_nMedianBlurValue * 2 + 1;
medianBlur(g_mSrcImage, g_mDstImage, g_nkernelSize);
imshow("中值濾波圖像", g_mDstImage);
}
運行結(jié)果：
程序說明：
對于程序中對圖像深度的判斷根據(jù)如下標(biāo)準(zhǔn)：
CV_8U - 8-bit unsigned integers ( 0..255 )
CV_8S - 8-bit signed integers ( -128..127 )
CV_16U - 16-bit unsigned integers ( 0..65535 )
CV_16S - 16-bit signed integers ( -32768..32767 )
CV_32S - 32-bit signed integers ( -2147483648..2147483647 )
CV_32F - 32-bit floating-point numbers ( -FLT_MAX..FLT_MAX, INF, NAN )
CV_64F - 64-bit floating-point numbers ( -DBL_MAX..DBL_MAX, INF, NAN )
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- opencv 圖像濾波(均值,方框,高斯,中值)
- opencv3/C++圖像濾波實現(xiàn)方式
- python+opencv實現(xiàn)高斯平滑濾波
- 理想高通濾波實現(xiàn)Python opencv示例
- opencv+python實現(xiàn)均值濾波
- opencv實現(xiàn)輪廓高斯濾波平滑
- OpenCV-Python實現(xiàn)圖像梯度與Sobel濾波器
- opencv實現(xiàn)圖像濾波之雙邊濾波
