Python 图像处理 | 图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波( 三 ) _Python

图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3 * 3 和 5 * 5 领域的高斯模板。

文章插图
高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4 。

文章插图
Python中OpenCV主要调用GaussianBlur函数，如下：
dst = cv2.GaussianBlur(src, ksize, sigmaX)
其中，src表示原始图像，ksize表示核大小，sigmaX表示X方向方差。注意，核大小（N, N）必须是奇数，X方向方差主要控制权重。

文章插图
代码如下：
【Python 图像处理 | 图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波】#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片img = cv2.imread('test01.png')source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#高斯滤波result = cv2.GaussianBlur(source, (3,3), 0)#显示图形titles = ['Source Image', 'GaussianBlur Image'] images = [source, result] for i in xrange(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show输出结果如下所示：

文章插图
如果使用15*15的核，则图形将更加模糊。

文章插图

文章插图
中值滤波
1.概念
在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。例如选择滤波的窗口如下图，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程如下：

文章插图
如下图所示，将临近像素按照大小排列，取排序像素中位于中间位置的值作为中值滤波的像素值。
2.代码
OpenCV主要调用medianBlur函数实现中值滤波。图像平滑里中值滤波的效果最好。
dst = cv2.medianBlur(src, ksize)
其中，src表示源文件，ksize表示核大小。核必须是大于1的奇数，如3、5、7等。

文章插图
代码如下所示：
#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片img = cv2.imread('test01.png')#高斯滤波result = cv2.medianBlur(img, 3)#显示图像cv2.imshow("source img", img)cv2.imshow("medianBlur", result)#等待显示cv2.waitKey(0)cv2.destroyAllWindows输出结果如下图所示：

文章插图
常用的窗口还有方形、十字形、圆形和环形。不同形状的窗口产生不同的滤波效果，方形和圆形窗口适合外轮廓线较长的物体图像，而十字形窗口对有尖顶角状的图像效果好。中值滤波对于消除孤立点和线段的干扰十分有用，尤其是对于二进噪声，但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，可以多次使用不同的中值滤波。

文章插图
希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。
版权声明：本文为CSDN博主「Eastmount」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：
https://blog.csdn.net/Eastmount/article/details/82216380