数字图像处理之均值滤波

图像噪声，通常指图像中除了成像物体之外的其它信息，比如斑点和颗粒，这些额外的错误信息干扰了成像物体的显示，影响成像质量，所以往往需要通过图像滤波（也称为图像去噪）来消除这些噪点。常见的图像滤波算法有均值滤波、高斯滤波、中值滤波、双边滤波、非局部均值滤波，以及近几年火热的基于深度学习的图像滤波等。本章节将详细讲解均值滤波算法的原理，以及C++实现和优化。

首先膜拜一下那些写Opencv代码的大佬们，他们写的代码不仅稳定性良好，运行效率也超级高，很多时候我们费尽心思写了一个相同的算法，发现性能与Opencv的接口函数相比还是差了许多，所以会有一丢丢的心理落差，但是抱着学习的态度，追赶大佬的脚步，精益求精，相信我们自己也是可以的！

均值滤波，也就是计算每一个像素点周围像素点（包括该点）的平均值，作为该像素点滤波之后的值，通常取以该像素点为中心的矩形窗口内的所有像素点来计算平均值，矩形窗口的大小一般为3*3，5*5，9*9，...，(2n+1)*(2n+1)。窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。比如3*3窗口的均值滤波如下图所示，点(x,y)的滤波值由其周围9个点（包括其自身）计算平均值得到。

 

图中点(x,y)的滤波值用公式表示为：

对于(2n+1)*(2n+1)窗口，点(x,y)的平均滤波值可根据如下公式计算：

为了解决图像边缘像素点取不到完整矩形窗口的问题，通常先把图像的上、下边界扩充n行，左右边界扩充n列，实际计算时，只计算图像原有像素点的窗口平均值。比如当矩形窗口为3*3，则n的值为1，这种情况下扩充边界的示意图如下图所示：

根据以上原理，基于Opencv和C++的均值滤波实现代码如下：

vo