三种常见的平滑滤波方法

一、概述

  平滑滤波，顾名思义就是对信号进行处理使之整体显得更加平滑，降低噪声影响，提高信号质量，它常见于数学信号处理和图像处理，一般意义上的数字信号多体现于一维数据，图像信号多体现于二维数据。
  均值滤波、中值滤波、高斯滤波是三种常见的平滑滤波方法，其中均值滤波和高斯滤波是线性技术，中值滤波是非线性技术。它们实现的基本原理是基本一致的，指定一个滑动窗口，计算其中的均值、中值、卷积值输出到当前位置。
  均值滤波、高斯滤波对高斯噪声表现较好，但对椒盐噪声表现较差；中值滤波则对椒盐噪声表现较好，对高斯噪声表现较差。

二、基本原理

  均值滤波、中值滤波、高斯滤波的基本原理都是以一个滑动窗口，以指定的计算方式得到其中的值，将它输出到信号的当前位置，


  均值滤波计算均值，中值滤波计算中值，高斯滤波计算卷积值。窗口大小L的设定一般为2k+1，每次计算窗口中心位置的值。
  该种策略下，在边缘区域窗口输出的位置是无法覆盖到的，因此需要特定的方式进行处理。处理的方式通常有四种：不作处理、只计算窗口包含区域、外周填充0、外周填充邻近元素值或指定值。

1.均值滤波

(1)一维
  对于信号(a1,a2,…,an)，定义一个大小为L的窗口，计算窗口中元素的均值
$$vmean=\frac{1}{L}\sum _{i=1}^L{x}_i$$
  作为对应窗口 $\frac{L+1}{2}$位置处的输出值。
(2)二维
  对于一幅灰度图像
$$A=\begin{array}{c}\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]\end{array}$$
  定义一个大小为L*L的窗口，计算窗口中元素的均值
$$vmean=\frac{1}{L^2}\sum _{i=1}^L\sum _{j=1}^L{p}_{ij}$$
  作为对应窗口 $\left(\frac{L+1}{2},\frac{L+1}{2}\right)$ 位置处的输出值。

2.中值滤波

(1)一维
  对于信号(a1,a2,…,an)，定义大小为L的窗口，计算窗口中元素的中值。

• 升序（降序）排列为(r1,r2,…,rL)，
• 取中间$\frac{L+1}{2}$处的值，作为对应窗口$\frac{L+1}{2}$ 位置处的输出值。

(2)二维
  对于一幅灰度图像
$$A=\begin{array}{c}\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]\end{array}$$
  定义大小为L*L的窗口，计算窗口中元素的中值。

• 升序（降序）排列为(r1,r2,…,rL2)，
• 取中间 $\frac{L^2+1}{2}$处的值，作为对应窗口 $\left(\frac{L+1}{2},\frac{L+1}{2}\right)$位置处的输出值。

3.高斯滤波

  高斯滤波类似于均值滤波和中值滤波，形式上和均值滤波是统一的。均值滤波计算的是元素的均值，也就是均数1/n的加权和。高斯滤波同样定义一个滑动窗口，这个窗口中对应于每个元素定义了一个权重参数，窗口的输出就是数据元素和这些权重参数的加权和，因为这个运算是形式化的卷积运算，因此这个窗口叫做卷积核。
（1）一维
  对于信号(a1,a2,…,an)，定义一个大小为L的卷积核
$$\left(w_1,w_2,...,w_L\right)$$
  与数据元素做卷积运算，得到值
$$vgaus=\sum _{i=1}^L{w}_i\cdot x_i$$
  作为对应窗口 $\frac{L+1}{2}$位置处的输出值。
（2）二维
  对于一幅灰度图像
$$A=\begin{array}{c}\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]\end{array}$$
  定义一个大小为L*L的卷积核
$$\begin{array}{c}\left[\begin{array}{ccc}{w}_{11}& \cdots & w_{1L}\\ ⋮& \ddots & ⋮\\ w_{L1}& \cdots & w_{LL}\end{array}\right]\end{array}$$
  与数据元素做卷积运算，得到值
$$vgaus=\sum _{i=1}^L\sum _{j=1}^L{w}_{ij}\cdot x_{ij}$$
  作为对应窗口$\left(\frac{L+1}{2},\frac{L+1}{2}\right)$位置处的输出值。

4.边缘处理

  滤波窗口处在数据边缘区域时，对于最外周的 $\frac{L-1}{2}$宽度的那些元素，窗口输出的位置无法涵盖到它们，因此需要以一定的策略对该区域进行处理。常见的处理策略有以下几种：
（1）不作处理
  对于边缘区域不作处理，计算时直接略过。
（2）只计算窗口包含区域
  照常由窗口的中心点进行覆盖，计算时不计外周缺失的部分，只计算窗口包含的区域。
（3）外周填充0
  照常由窗口的中心点进行覆盖，外周缺失的部分填充0。
（4）外周填充邻近元素值或其他指定值
  照常由窗口的中心点进行覆盖，外周缺失的部分填充邻近元素值或其他指定的值。

三、示例

1.均值滤波

一维：
  有信号段S=[3, 2, 4, 5, 13, 7, 9, 10, 1, 6]，定义长度为3的窗口，进行均值滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口的三个元素为[0,3,2]，输出均值 $\frac{0+3+2}{3}\approx 1.67$ ；
  窗口滑至下一位置，三个元素为[3,2,4]，输出均值 $\frac{3+2+4}{3}=3$；
  窗口滑至下一位置，三个元素为[2,4,5]，输出均值 $\frac{2+4+5}{3}\approx 3.67$ ；
  同样地，窗口依次输出值7.33、8.33、9.67、8.67、6.67、5.67，在最后一个窗口位置，三个元素为[1,6,0]，输出均值2.33。
  因此，输出的信号段为O=[1.67, 3, 3.67, 7.33, 8.33, 9.67, 8.67, 6.67, 5.67, 2.33]。

python实现：

import numpy as np
from scipy import signal

S = np.array([3, 2, 4, 5, 13, 7, 9, 10, 1, 6])
slid_wind_L = 3  # 滑动窗口长度
filter_kernal = np.ones(slid_wind_L) / float(slid_wind_L)  # 滤波核
Out = signal.convolve(S, filter_kernal,'same')  # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

二维：
  有图像矩阵
$$I=\begin{array}{c}\left[\begin{array}{cccc}4& 3& 1& 6\\ 2& 5& 7& 1\\ 2& 0& 6& 10\\ 7& 3& 5& 9\end{array}\right]\end{array}$$
  定义长度为3*3的窗口，进行均值滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 0& 4& 3\\ 0& 2& 5\end{array}\right]\end{array}$$，输出均值 $\frac{1}{9}\left(0+0+0+0+0+4+3+2+5\right)\approx 1.56$ ；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 4& 3& 1\\ 2& 5& 7\end{array}\right]\end{array}$$，输出均值2.44；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 3& 1& 6\\ 5& 7& 1\end{array}\right]\end{array}$$，输出均值2.56；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 0& 1& 6\\ 0& 7& 1\end{array}\right]\end{array}$$ ，输出均值1.67；
  同样地，窗口依次输出值1.78、3.33、4.33、3.44、2.11、4.11、5.11、4.22、1.33、2.56、3.67、3.33。
  因此，输出的图像矩阵为
$$O=\begin{array}{c}\left[\begin{array}{cccc}1.56& 2.44& 2.56& 1.67\\ 1.78& 3.33& 4.33& 3.44\\ 2.11& 4.11& 5.11& 4.22\\ 1.33& 2.56& 3.67& 3.33\end{array}\right]\end{array}$$。

python实现：

I = np.array([[4,3,1,6],[2,5,7,1],[2,0,6,10],[7,3,5,9]])
slid_wind_L = 3  # 滑动窗口长度
filter_kernal = np.ones((slid_wind_L,slid_wind_L)) / float(slid_wind_L*slid_wind_L)  # 滤波核
Out = signal.convolve2d(I, filter_kernal, mode='same') # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

2.中值滤波

一维：
  有信号段S=[3, 2, 4, 5, 13, 7, 9, 10, 1, 6]，定义长度为3的窗口，进行中值滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口的三个元素为[0,3,2]，输出中值2；
  窗口滑至下一位置，三个元素为[3,2,4]，输出中值3；
  窗口滑至下一位置，三个元素为[2,4,5]，输出中值4；
  同样地，窗口依次输出值5、7、9、9、9、6、1。
  因此，输出的信号段为O=[2, 3, 4, 5, 7, 9, 9, 9, 6, 1]。

python实现：

S = np.array([3, 2, 4, 5, 13, 7, 9, 10, 1, 6])
Out = signal.medfilt(S,3)  # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

二维：
  有图像矩阵
$$I=\begin{array}{c}\left[\begin{array}{cccc}4& 3& 1& 6\\ 2& 5& 7& 1\\ 2& 0& 6& 10\\ 7& 3& 5& 9\end{array}\right]\end{array}$$
  定义长度为3*3的窗口，进行中值滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口内容为$$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 0& 4& 3\\ 0& 2& 5\end{array}\right]\end{array}$$ ，输出中值0；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 4& 3& 1\\ 2& 5& 7\end{array}\right]\end{array}$$ ，输出中值2；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 3& 1& 6\\ 5& 7& 1\end{array}\right]\end{array}$$ ，输出中值1；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 0& 1& 6\\ 0& 7& 1\end{array}\right]\end{array}$$ ，输出中值0；
  同样地，窗口依次输出值2、3、5、1、2、5、5、5、0、2、3、0。
因此，输出的图像矩阵为
$$O=\begin{array}{c}\left[\begin{array}{cccc}0& 2& 1& 0\\ 2& 3& 5& 1\\ 2& 5& 5& 5\\ 0& 2& 3& 0\end{array}\right]\end{array}$$。

python实现：

I = np.array([[4,3,1,6],[2,5,7,1],[2,0,6,10],[7,3,5,9]])
Out = signal.medfilt2d(I,[3,3])  # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

3.高斯滤波

一维：
  有信号段S=[3, 2, 4, 5, 13, 7, 9, 10, 1, 6]，定义长度为3的卷积核[1, 0, 1]，进行高斯滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口的三个元素为[0,3,2]，输出卷积值2；
  窗口滑至下一位置，三个元素为[3,2,4]，输出卷积值7；
  窗口滑至下一位置，三个元素为[2,4,5]，输出卷积值7；
  同样地，窗口依次输出值17、12、22、17、10、16、1。
  因此，输出的信号段为O=[2, 7, 7, 17, 12, 22, 17, 10, 16, 1]。

python实现：

S = np.array([3, 2, 4, 5, 13, 7, 9, 10, 1, 6])
filter_kernal = np.array([1,0,1])  # 滤波核
filter_kernal = np.flip(filter_kernal)  # 旋转180度
Out = signal.convolve(S, filter_kernal,'same')  # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

二维：
  有图像矩阵
$$I=\begin{array}{c}\left[\begin{array}{cccc}4& 3& 1& 6\\ 2& 5& 7& 1\\ 2& 0& 6& 10\\ 7& 3& 5& 9\end{array}\right]\end{array}$$
  定义长度为3*3的卷积核 $$\begin{array}{c}\left[\begin{array}{ccc}1& 0& 1\\ 0& 0& 0\\ 1& 0& 1\end{array}\right]\end{array}$$，进行高斯滤波的平滑处理，边缘区域以填充0的方式操作。
  首位置窗口内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 0& 4& 3\\ 0& 2& 5\end{array}\right]\end{array}$$ ，输出卷积值5；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 4& 3& 1\\ 2& 5& 7\end{array}\right]\end{array}$$ ，输出卷积值9；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 3& 1& 6\\ 5& 7& 1\end{array}\right]\end{array}$$ ，输出卷积值6；
  窗口滑至下一位置，内容为 $$\begin{array}{c}\left[\begin{array}{ccc}0& 0& 0\\ 1& 6& 0\\ 7& 1& 0\end{array}\right]\end{array}$$，输出卷积值7；
  同样地，窗口依次输出值3、13、19、7、8、21、18、12、0、8、10、6。
  因此，输出的图像矩阵为
$$O=\begin{array}{c}\left[\begin{array}{cccc}5& 9& 6& 7\\ 3& 13& 19& 7\\ 8& 21& 18& 12\\ 0& 8& 10& 6\end{array}\right]\end{array}$$。

python实现：

I = np.array([[4,3,1,6],[2,5,7,1],[2,0,6,10],[7,3,5,9]])
filter_kernal = np.array([[1,0,1],[0,0,0],[1,0,1]])  # 滤波核
filter_kernal = np.flip(filter_kernal)  # 旋转180度
Out = signal.convolve2d(I,filter_kernal,'same')  # 滤波计算
Out = np.round(Out,2)  # 保留两位小数
print('Out:\n',Out)

pdf下载：
https://download.csdn.net/download/Albert201605/88191979?spm=1001.2014.3001.5503

End.

参考：
https://blog.csdn.net/cjsh_123456/article/details/79261271