图象去噪1-使用中值滤波与均值滤波

1、中值滤波

使用中值滤波去除图像的异常像素点，使用cv2.cv2.medianBlur(img, 3)表示再图像在中值滤波窗口3*3的范围内，从下到大排序，将当前值替换为排序中值（如下图所示）将56替换为（56，66,90,91,93,95,97,101）中的中值93。

Python代码如下：

将输入图像经过中值滤波后：

noise_img = './noiseimg.png'
image = cv2.imread(noise_img)
image = cv2.medianBlur(image, 5)
cv2.imwrite('./img.png', image)

原图与中值滤波后得到对比：

注意：中值滤波较大的核尺寸会考虑更大的邻域，虽然能更有效地去除噪声，但也会更加模糊图像细节和边缘。

2、均值滤波

均值滤波是指任意一点的像素值，都是周围 N×M 个像素值的均值。opencv中使用cv2.blur()

实现代码与效果如下：

def mean_denoise(noise_image='./noiseimg1.png', result_path='./mean_result1.png', kernel_size=(7,7)):image = cv2.imread(noise_image)image = cv2.blur(image, kernel_size)cv2.imwrite(result_path, image)

原图与均值滤波效果对比：

注意：kernel_size越大，滤波范围越大，去噪效果强，但会导致图象边缘模糊。

3、双边滤波

参考：https://blog.csdn.net/qq_49478668/article/details/123488527

去噪的同时，考虑到了图像边缘信息。

def bilateral_filter_noise(noise_image='./noiseimg1.png', result_path='./bilateral_result1.png'):image = cv2.imread(noise_image)filtered_image = cv2.bilateralFilter(image, 9,200,200)cv2.imwrite(result_path, filtered_image)

原图与双边滤波效果对比：

注意：

        cv2.bilateralFilter(image, d=9,sigmaColor=200,sigmaSpace=200)

        ● d是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐d=5。对于较大噪声的离线滤波，可以选择d=9。

        ● sigmaColor是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为0时，滤波失去意义；该值为255时，指定直径内的所有点都能够参与运算。

        ● sigmaSpace是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d与 sigmaSpace的值成比例。
原文链接：https://blog.csdn.net/qq_49478668/article/details/123488527