VB图像处理，（七）一种邻近均值滤波器的算法介绍（去尘，去噪音）

图像噪音来源众多，视图像来源而定：扫描仪，数码相机，摄像头等等，均会产生图像噪音。
而图像噪音又可以分为点，线,背景波纹等等。
这里简单介绍一下点和线类型的噪音去除算法。

看过我的系列的前几篇文章的朋友，可以发现“模糊”算法也具有去除噪音的效果，
这是因为模糊本身就是一个高频滤波器，但是由于这个模糊算法并非专门为去除噪音而设计，
如果你把它用来去除噪音，那么估计效果是惨不忍睹了。
（噪音点被平均分摊到周围的区域中去了，淡是淡了，范围却变大了）

现在我们要优化一下模糊算法，使之更适用于去除图像噪音，而又不会不分好坏，对正常图像影响太大。

首先，我们来看一下噪音点的形态。一般由于输入设备上的灰尘或划痕（扫描仪，数码相机），造成输入的
数码图像上带上了细微的杂色点或细线。
这些杂点或细线的宽度比较小，一般在1到数个象素之间。
（要是很大的斑点，估计大家就会去清理输入设备重新输入了）
并且，这些杂点的颜色（亮度）和正常图片的差异痕大。

因此我们可以针对每一个象素，取一个范围，比如它周围的最相邻的8个或24(或更多)像素　＊注１
在这个范围内的所有象素和当前象素做一个比较，取差异最小的K个象素，用这几个象素的平均值来代替当前象素。

(实际的做法是还要设置一个阀值,当这K个像素平均值和当前像素的差异超过这个阀值的时候,当前像素才会被替换)
这样就有两种情况会发生：
1：当前象素是噪音点：
如果当前象素是噪音点，那么即使是和它的差值最接近的K个象素也都是正常象素，他们的平均值也依然在正常范围内。
因此替代之后，当前的噪音点就被正常点给替代了，也就是说噪音点被去除了。
2：当前点是正常点：
如果当前点是正常点，那么和它差异最小的K个点的平均值代替当前点之后，新点和原来点的差异很小，图像基本不变。
（这里有个假定前提：自然图片，包括照片或摄像输入的图片的主体是色彩平滑的，突变点很少）
因此如果图像本身是一个有很多不平滑的突变点构成的话，那么这些突变点也会被认为是噪音点而被去除。
下面举例子：范围为1，一共9个点，取最接近的点数5点：
（当前点：6）
3  4  5     
4  6  5 ＝》最接近的5个点为4，5，5，7，8
3  7  8
均值=(4+5+5+7+8)/5=5.8=>6(四舍五入会比较精确点，当然也可以直接取整=5)
运算后结果为：
3  4  5