首頁(yè) > 資訊 > 知識(shí) > 均值濾波，去除尖銳噪聲是用中值濾波還是均值濾波

均值濾波，去除尖銳噪聲是用中值濾波還是均值濾波

來(lái)源：整理時(shí)間：2023-08-24 09:43:38 編輯：智能門(mén)戶(hù) 手機(jī)版

本文目錄一覽

1，去除尖銳噪聲是用中值濾波還是均值濾波
2，均值濾波
3，高斯濾波和均值濾波的區(qū)別 opencv
4，關(guān)于c中均值濾波求助

1，去除尖銳噪聲是用中值濾波還是均值濾波

均值濾波是對(duì)窗口所覆蓋的像素求取均值，這種濾波方法是將噪聲平均到鄰域像素里面，所以會(huì)模糊圖像；中值濾波是對(duì)窗口下的像素值進(jìn)行排序，將中間位置的像素值賦給窗口中心像素，對(duì)于濾除諸如椒鹽噪聲等有很好的效果。對(duì)于你說(shuō)的尖銳噪聲，建議使用中值濾波。以上。

alpha-trim比較好

去除尖銳噪聲是用中值濾波還是均值濾波

2，均值濾波

均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周?chē)呐R近像素（以目標(biāo)象素為中心的周?chē)?個(gè)象素，構(gòu)成一個(gè)濾波模板，即去掉目標(biāo)象素本身）。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。均值濾波也稱(chēng)為線性濾波，其采用的主要方法為領(lǐng)域平均法。線性濾波的基本原理是用均值代替原圖像中的各個(gè)像素值，即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度個(gè)g（x，y），即個(gè)g（x，y）=1/m ∑f（x，y） m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。

均值濾波

3，高斯濾波和均值濾波的區(qū)別 opencv

濾波實(shí)質(zhì)上就是對(duì)圖像進(jìn)行卷積運(yùn)算。而卷積的運(yùn)算可以分為反轉(zhuǎn)、平移，相乘，求和。在圖像處理中，圖像是一個(gè)大矩陣，卷積模板是一個(gè)小矩陣。按照上述過(guò)程，就是先把小矩陣反轉(zhuǎn)，然后平移到某一位置，小矩陣的每一個(gè)小格對(duì)應(yīng)大矩陣?yán)锩娴囊粋€(gè)小格，然后把對(duì)應(yīng)小格里面的數(shù)相乘，把所有對(duì)應(yīng)小格相乘的結(jié)果相加求和，得出的最后結(jié)果賦值給小矩陣中央小格對(duì)應(yīng)的圖像中小格的值，替換原來(lái)的值。就是上述說(shuō)到的，反轉(zhuǎn)、平移、相乘、求和。一般圖像卷積就是從第一個(gè)像素（小格）開(kāi)始遍歷到最后一個(gè)像素（小格）。之后的平滑、模糊、銳化、邊緣提取等本質(zhì)上都是卷積，只是模板不同。了解以上之后，就很好理解了。均值濾波就是對(duì)模板對(duì)應(yīng)的圖像像素求均值然后賦值給模板中心對(duì)應(yīng)的那個(gè)像素值。高斯濾波模板是二維高斯函數(shù)的離散化表示，高斯函數(shù)就是我們熟悉的正態(tài)分布。所以可以知道模板是中心值大，而越往外越小，高斯模板就是按照高斯函數(shù)遞減的模板。如果把模板小矩陣的每一個(gè)元素視為一個(gè)權(quán)值的話(huà)，均值濾波就是所有元素權(quán)值相等，高斯濾波就是中心點(diǎn)權(quán)值最大，越往外所占越小。比平均濾波的好處是可以突出重點(diǎn)。可以參考淺墨大神的這篇博文，里面有更細(xì)致的介紹：http://blog.csdn.net/pi9nc/article/details/22977297

高斯濾波和均值濾波的區(qū)別 opencv

4，關(guān)于c中均值濾波求助

這個(gè)filter是用來(lái)平滑圖像用的，簡(jiǎn)單來(lái)說(shuō)是對(duì)一幅(width * height)大小的圖像按下述方法進(jìn)行平滑化，以達(dá)到除去圖像中噪聲的目的。首先把輸入圖像中每個(gè)像素點(diǎn)和該像素點(diǎn)四周的8個(gè)像素點(diǎn)作為一組來(lái)看，將這9個(gè)像素點(diǎn)的灰度進(jìn)行排序后取最中間的...

//中值濾波和均值大概這個(gè)樣子 int nbytewidth=nwidth*3; if (nbytewidth%4) nbytewidth+=4-(nbytewidth%4); byte p[9],s; int i,j; for(y=1;y{ for(x=3;x { //把一個(gè)像素周?chē)?個(gè)像素值分別賦值給p[0]到p[8] p[0]=lpinput[x-3+(y-1)*nbytewidth]; p[1]=lpinput[x+(y-1)*nbytewidth]; p[2]=lpinput[x+3+(y-1)*nbytewidth]; p[3]=lpinput[x-3+y*nbytewidth]; p[4]=lpinput[x+y*nbytewidth]; p[5]=lpinput[x+3+y*nbytewidth]; p[6]=lpinput[x-3+(y+1)*nbytewidth]; p[7]=lpinput[x+(y+1)*nbytewidth]; p[8]=lpinput[x+3+(y+1)*nbytewidth]; //將p[0]到p[8]從小到大排列 for(j=0;j<5;j++) { for(i=j+1;i<9;i++) { if (p[j]>p[i]) { s=p[j]; p[j]=p[i]; p[i]=s; } } } //將各點(diǎn)的中值賦值給該像素 lpoutput[x+y*nbytewidth]=p[4]; } //---------------------------------------- int sr,sg,sb; int nbytewidth=nwidth*3; if (nbytewidth%4) nbytewidth+=4-(nbytewidth%4); for(y=1;y { for(x=1;x { p=x*3+y*nbytewidth; sb=0; sg=0; sr=0; for(y1=-1;y1<=1;y1++) for(x1=-1;x1<=1;x1++) { //像素本身及其周?chē)陌藗€(gè)像素（3x3窗口內(nèi)的像素）的blue值之和 sb+=lpinput[(y+y1)*nbytewidth+(x+x1)*3]; //像素本身及其周?chē)陌藗€(gè)像素（3x3窗口內(nèi)的像素）的green值之和 sg+=lpinput[(y+y1)*nbytewidth+(x+x1)*3+1]; //像素本身及其周?chē)陌藗€(gè)像素（3x3窗口內(nèi)的像素）的red值之和 sr+=lpinput[(y+y1)*nbytewidth+(x+x1)*3+2]; } //將red，green，blue值的平均值賦值給該像素 lpoutput[p+2]=sr/9; lpoutput[p+1]=sg/9; lpoutput[p]=sb/9; } }