均值滤波实现及优化

最新推荐文章于 2024-05-15 11:30:41 发布
最新推荐文章于 2024-05-15 11:30:41 发布
阅读量1.1w 收藏 51
点赞数 6
分类专栏： 图像算法优化 图像算法求职心得 文章标签： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fangwei1993/article/details/115602360
版权

均值滤波广泛的运用于图像处理，可以用来去除图片噪声。我们今天主要讲解一下什么是均值滤波，以及我们如何对原始的均值滤波进行算法层面的加速优化。

一 均值滤波的分类
均值滤波我们可以细分成4类：
  1 算术均值滤波器：计算滑动窗口内像素的均值。

                     f(x,y)=\frac{1}{mn}\sum g(x,t)

  2 几何均值滤波器：

                   f(x,y)=\frac{1}{mn}\prod g(x,t)

  3 谐波均值滤波器：

                  f(x,y) = \frac{mn}{\sum \frac{1}{g(x,t)}}

   4 谐谐波均值滤波器：当Q等于0时就变成均值滤波器 当Q等于-1时就是谐波均值滤波器

                f(x,y)=\frac{\sum g(x,t))^{^{Q+1}}}{\sum g(x,t))^{^{Q}}}

本章我们主要介绍算术均值滤波器，介绍算术均值滤波器的实现和优化。

二 算术均值滤波器

  • 均值滤波的定义及效果

算术均值滤波器的定义很简单，我们假设滑动窗口大小是3*3， 我们使用3*3的窗口在原始输入图片上进行滑动，每滑动一次就计算滑动窗口中9个像素的均值作为目标图像像素。    

        

      Fig 1 均值滤波算法示意图

均值滤波效果：我们输入一张图片，然后使用均值滤波进行滤波，得到我们的滤波后的图像。右图是我们用5*5的滑动窗口进行均值滤波后的结果，左边是我们对应的原始图像。

    

    Fig 2 kernel 5*5 均值滤波效果对比

  • 均值滤波问题

均值滤波存在两个明显的问题

<1> 某个突变像素回影响到周围像素的值

<2> 均值滤波会导致边缘信息丢失

这两个问题可以用中值滤波得到解决，但是中值滤波计算时间消耗比较大 。边缘信息会丢失的问题提出了一种改进的均值滤波器： 首先设定一个阈值， 当中心像素点的像素值与平均值差的绝对值大于阈值的时候才做滤波处理。这样既可以对噪声进行平滑，图像细节上的损失也很小。

三 均值滤波的实现及优化

本文的重点是介绍均值滤波的实现以及算法层面的优化，相应的会给出均值滤波不同优化版本的C代码实现。均值滤波的计算主要分为两个部分，一个是加法运算，一个是除法运算。我们优化的目标就是减少加法和除法运算的次数。我们是基于5*5的均值滤波为例进行算法层面的优化。

（1）方案一：按照均值滤波定义的方式来实现均值滤波，如Fig 1所示。

static void BlurU8_5x5_C(DdrPoint* pDdrPoint, BlurU8Param* pParam)
{
    float sum = 0.0;
    int dstChannel = pParam->dstChannel;
    int dstWidth = pParam->dstWidth;
    int dstHeight = pParam->dstHeight;
    int dstStride = pParam->dstStride;
    int srcWidth = pParam->srcWidth;
    int srcHeight = pParam->srcHeight;
    int srcStride = pParam->srcStride;
    int wSizeWidth = pParam->wSizeWidth;
    int wSizeHeight = pParam->wSizeHeight;
    int kSize = wSizeWidth * wSizeHeight;
    for (int k = 0; k < dstChannel; ++k)
    {
        int srcWidthTmp = srcWidth + (wSizeWidth / 2) * 2;
        int srcHeightTmp = srcHeight + (wSizeHeight / 2) * 2;

        unsigned char* pSrcTmpU8 = pDdrPoint->pSrcU8 + k * srcWidth * srcHeight;
        unsigned char* pDstTmpU8 = pDdrPoint->pDstU8 + k * dstWidth * dstHeight;
        unsigned char* pTmpBuffer = (unsigned char*)malloc(srcWidthTmp * srcHeightTmp);
        memset(pTmpBuffer, 0, srcWidthTmp * srcHeightTmp);
        unsigned char* pSrcTmpBuffer = pTmpBuffer + srcWidthTmp + (wSizeWidth / 2);
        for (int i = 0; i < srcHeight; ++i)
        {
            memcpy((pSrcTmpBuffer + i * srcWidthTmp), (pSrcTmpU8 + i * srcWidth), srcWidth);
        }

        for (int r = 0; r < dstHeight; ++r)
        {
            for (int c = 0; c < dstWidth; ++c)
            {
                sum = 0.0;

                // SUM
                for (int i = r - wSizeHeight / 2; i <= r + wSizeHeight / 2; ++i)
                {
                    for (int j = c - wSizeWidth / 2; j <= c + wSizeWidth / 2; ++j)
                    {
                        sum += *(pSrcTmpBuffer + i * srcWidthTmp + j);
                    }
                }

                // AVE STORE
                *(pDstTmpU8 + r * dstStride + c) = (int)((sum + kSize / 2) / kSize);
            }
        }

        free(pTmpBuffer);
    }
}

这样的实现方式可以实现均值滤波的效果但是效率上是有问题的，可以发现这样实现方案，存在着大量的重复计算的过程。当滑动窗口进行滑动的时候，相邻两个窗口之间存在着大量重叠的像素，该版本的均值滤波对这部分的代码做了重复计算。针对这个问题我们推出版本2的均值滤波。

（2）方案二：我们可以发现当滑动窗口从左向右滑动的时候，每一次滑动前后两个窗口之间，像素集合只改变了左右两列元素。所以我们可以将窗口像素和的结果保存在一个变量中，每次滑动时候减去最左侧移除的像素值，加上最右侧新加入的像素值就可以。

   

   Fig 3 方案2算法示意图

static void BlurU8_5x5_C(DdrPoint* pDdrPoint, BlurU8Param* pParam)
{
    float sum = 0.0;
    int dstChannel = pParam->dstChannel;
    int dstWidth = pParam->dstWidth;
    int dstHeight = pParam->dstHeight;
    int dstStride = pParam->dstStride;
    int srcWidth = pParam->srcWidth;
    int srcHeight = pParam->srcHeight;
    int srcStride = pParam->srcStride;
    int wSizeWidth = pParam->wSizeWidth;
    int wSizeHeight = pParam->wSizeHeight;
    int kSize = wSizeWidth * wSizeHeight;

    for (int k = 0; k < dstChannel; ++k)
    {
        int srcWidthTmp = srcWidth + (wSizeWidth / 2) * 2;
        int srcHeightTmp = srcHeight + (wSizeHeight / 2) * 2;

        unsigned char* pSrcTmpU8 = pDdrPoint->pSrcU8 + k * srcWidth * srcHeight;
        unsigned char* pDstTmpU8 = pDdrPoint->pDstU8 + k * dstWidth * dstHeight;
        unsigned char* pTmpBuffer = (unsigned char*)malloc(srcWidthTmp * srcHeightTmp);
        memset(pTmpBuffer, 0, srcWidthTmp * srcHeightTmp);
        unsigned char* pSrcTmpBuffer = pTmpBuffer + (wSizeHeight / 2) * srcWidthTmp + (wSizeWidth / 2);
        for (int i = 0; i < srcHeight; ++i)
        {
            memcpy((pSrcTmpBuffer + i * srcWidthTmp), (pSrcTmpU8 + i * srcWidth), srcWidth);
        }

        for (int r = 0; r < dstHeight; ++r)
        {
            sum = 0.0;

            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2*srcWidthTmp - 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2*srcWidthTmp - 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2*srcWidthTmp);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2*srcWidthTmp + 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2*srcWidthTmp + 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - srcWidthTmp - 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - srcWidthTmp - 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - srcWidthTmp);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - srcWidthTmp + 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - srcWidthTmp + 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp - 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + srcWidthTmp - 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + srcWidthTmp - 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + srcWidthTmp);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + srcWidthTmp + 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + srcWidthTmp + 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2*srcWidthTmp - 2);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2*srcWidthTmp - 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2*srcWidthTmp);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2*srcWidthTmp + 1);
            sum += *(pSrcTmpBuffer + r * srcWidthTmp + 2*srcWidthTmp + 2);
            *(pDstTmpU8 + r * dstStride) = (int)((sum + kSize / 2) / kSize);

            for (int c = 1; c < dstWidth; ++c)
            {
                // SUM
                sum -= *(pSrcTmpBuffer + r * srcWidthTmp + c - 2);
                sum -= *(pSrcTmpBuffer + r * srcWidthTmp + c - srcWidthTmp - 2);
                sum -= *(pSrcTmpBuffer + r * srcWidthTmp + c + srcWidthTmp - 2);
                sum -= *(pSrcTmpBuffer + r * srcWidthTmp + c - 2*srcWidthTmp - 2);
                sum -= *(pSrcTmpBuffer + r * srcWidthTmp + c + 2*srcWidthTmp - 2);
                sum += *(pSrcTmpBuffer + r * srcWidthTmp + c + 1);
                sum += *(pSrcTmpBuffer + r * srcWidthTmp + c - srcWidthTmp + 1);
                sum += *(pSrcTmpBuffer + r * srcWidthTmp + c + srcWidthTmp + 1);
                sum += *(pSrcTmpBuffer + r * srcWidthTmp + c - 2*srcWidthTmp + 1);
                sum += *(pSrcTmpBuffer + r * srcWidthTmp + c + 2*srcWidthTmp + 1);

                // AVE STORE
                *(pDstTmpU8 + r * dstStride + c) = (int)((sum + kSize / 2) / kSize);
            }
        }

        free(pTmpBuffer);
    }
}

(3) 方案3：经过方案2的优化之后，我们发现相比方案1我们的效率有所提升，但是单独就滑动窗口左右两侧的像素计算还是存在重复。所以我们改进了一下，减少左右两侧像素的重复计算。相比方案2我们将为图像的每一列申请一个缓存buf， 用于存储列方向的累加和。计算均值时首先是行方向的累加，就是将相应的5个buf累加。列方向移动时，需要更新buf内的值。

  

  Fig 4 方案3算法示意图

static void BlurU8_5x5_C(DdrPoint* pDdrPoint, BlurU8Param* pParam)
{
	float sum = 0.0;
	int dstChannel = pParam->dstChannel;
	int dstWidth = pParam->dstWidth;
	int dstHeight = pParam->dstHeight;
	int dstStride = pParam->dstStride;
	int srcWidth = pParam->srcWidth;
	int srcHeight = pParam->srcHeight;
	int srcStride = pParam->srcStride;
	int wSizeWidth = pParam->wSizeWidth;
	int wSizeHeight = pParam->wSizeHeight;
	int kSize = wSizeWidth * wSizeHeight;

	for (int k = 0; k < dstChannel; ++k)
	{
		int srcWidthTmp = srcWidth + (wSizeWidth / 2) * 2;
		int srcHeightTmp = srcHeight + (wSizeHeight / 2) * 2;

		int* sumTmp = (int*)malloc(srcWidthTmp * sizeof(int));
		unsigned char* pSrcTmpU8 = pDdrPoint->pSrcU8 + k * srcWidth * srcHeight;
		unsigned char* pDstTmpU8 = pDdrPoint->pDstU8 + k * dstWidth * dstHeight;
		unsigned char* pTmpBuffer = (unsigned char*)malloc(srcWidthTmp * srcHeightTmp);
		memset(pTmpBuffer, 0, srcWidthTmp * srcHeightTmp);
		unsigned char* pSrcTmpBuffer = pTmpBuffer + (wSizeHeight / 2) * srcWidthTmp;
		for (int i = 0; i < srcHeight; ++i)
		{
			memcpy((pSrcTmpBuffer + (wSizeWidth / 2) + i * srcWidthTmp), (pSrcTmpU8 + i * srcWidth), srcWidth);
		}

		memset(sumTmp, 0, srcWidthTmp * sizeof(int));

		for (int i = 0; i < srcWidthTmp; ++i)
		{
			sumTmp[i] += *(pSrcTmpBuffer - 2 * srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer - srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer + i);
			sumTmp[i] += *(pSrcTmpBuffer + srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer + 2 * srcWidthTmp + i);
		}

		for (int r = 0; r < dstHeight; ++r)
		{
			int index = 2;
			sum = 0.0;

			sum = sumTmp[0] + sumTmp[1] + sumTmp[2] + sumTmp[3] + sumTmp[4];
			*(pDstTmpU8 + r * dstStride) = (int)((sum + kSize / 2) / kSize);

			for (int c = 1; c < dstWidth; ++c)
			{
				int index = (wSizeWidth / 2) + c - 3;
				SUM
				sum -= sumTmp[index];
	
				sum += sumTmp[index+5];

				// AVE STORE
				*(pDstTmpU8 + r * dstStride + c) = (int)((sum + kSize / 2) / kSize);
			}

			for (int i = 0; i < srcWidthTmp; ++i)
			{
				sumTmp[i] -= *(pSrcTmpBuffer + r * srcWidthTmp - 2 * srcWidthTmp + i);
				sumTmp[i] += *(pSrcTmpBuffer + r * srcWidthTmp + 3 * srcWidthTmp + i);
			}
		}

		free(pTmpBuffer);
	}
}

(4) 方案4：经过上述上个步骤我们已经对均值滤波优化有了一个大幅度的提升，以上三个部分是针对加法部分优化，适用于任何情况。如果我们的图片输入输出类型都是8bit， 我们还可以对我们的均值滤波中的除法运算进行优化。我们可以提前建立一张表，用于存储除法所有可能的结果，然后就可以将除法运算改成查找表，实现性能上的提升。

int divisionRes[255*25];
static void BlurU8_5x5_C(DdrPoint* pDdrPoint, BlurU8Param* pParam)
{
        int res = -1;
        for (int i = 0; i < 255 * 25; ++i)
       {
            if (i % 25 == 0)
           {
               ++res;
           }
           divisionRes[i] = res;
        }
	float sum = 0.0;
	int dstChannel = pParam->dstChannel;
	int dstWidth = pParam->dstWidth;
	int dstHeight = pParam->dstHeight;
	int dstStride = pParam->dstStride;
	int srcWidth = pParam->srcWidth;
	int srcHeight = pParam->srcHeight;
	int srcStride = pParam->srcStride;
	int wSizeWidth = pParam->wSizeWidth;
	int wSizeHeight = pParam->wSizeHeight;
	int kSize = wSizeWidth * wSizeHeight;

	for (int k = 0; k < dstChannel; ++k)
	{
		int srcWidthTmp = srcWidth + (wSizeWidth / 2) * 2;
		int srcHeightTmp = srcHeight + (wSizeHeight / 2) * 2;

		int* sumTmp = (int*)malloc(srcWidthTmp * sizeof(int));
		unsigned char* pSrcTmpU8 = pDdrPoint->pSrcU8 + k * srcWidth * srcHeight;
		unsigned char* pDstTmpU8 = pDdrPoint->pDstU8 + k * dstWidth * dstHeight;
		unsigned char* pTmpBuffer = (unsigned char*)malloc(srcWidthTmp * srcHeightTmp);
		memset(pTmpBuffer, 0, srcWidthTmp * srcHeightTmp);
		unsigned char* pSrcTmpBuffer = pTmpBuffer + (wSizeHeight / 2) * srcWidthTmp;
		for (int i = 0; i < srcHeight; ++i)
		{
			memcpy((pSrcTmpBuffer + (wSizeWidth / 2) + i * srcWidthTmp), (pSrcTmpU8 + i * srcWidth), srcWidth);
		}

		memset(sumTmp, 0, srcWidthTmp * sizeof(int));

		for (int i = 0; i < srcWidthTmp; ++i)
		{
			sumTmp[i] += *(pSrcTmpBuffer - 2 * srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer - srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer + i);
			sumTmp[i] += *(pSrcTmpBuffer + srcWidthTmp + i);
			sumTmp[i] += *(pSrcTmpBuffer + 2 * srcWidthTmp + i);
		}

		for (int r = 0; r < dstHeight; ++r)
		{
			int index = 2;
			sum = 0.0;

			sum = sumTmp[0] + sumTmp[1] + sumTmp[2] + sumTmp[3] + sumTmp[4];
			*(pDstTmpU8 + r * dstStride + c) = divisionRes[int(sum + kSize / 2)];

			for (int c = 1; c < dstWidth; ++c)
			{
				int index = (wSizeWidth / 2) + c - 3;
				SUM
				sum -= sumTmp[index];
	
				sum += sumTmp[index+5];

				// AVE STORE
				*(pDstTmpU8 + r * dstStride + c) = divisionRes[int(sum + kSize / 2)];
			}

			for (int i = 0; i < srcWidthTmp; ++i)
			{
				sumTmp[i] -= *(pSrcTmpBuffer + r * srcWidthTmp - 2 * srcWidthTmp + i);
				sumTmp[i] += *(pSrcTmpBuffer + r * srcWidthTmp + 3 * srcWidthTmp + i);
			}
		}

		free(pTmpBuffer);
	}
}

    关于均值滤波的NEON优化，详见下一篇《均值滤波NEON实现及优化》。

 

 

会思考的码农
关注
  • 6
    点赞
  • 踩
  • 51
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图像处理学习笔记之空间滤波（3）均值滤波
linshanxian的博客
02-03 1万+
文章目录滤波原理相关与卷积边界处理均值滤波理论基础自定义滤波函数实现 滤波原理 空间滤波器有一个邻域和对该邻域包围的图像像素执行的预定义操作组成。滤波产生一个新像素，新像素的坐标等于邻域中心的坐标，像素的值是滤波操作的结果。滤波器的中心访问输入图像的每个像素，就生成了滤波后的图像。如果在图像像素上执行的是线性操作，则该滤波器称为线性滤波器。否则，滤波器就称为非线性滤波器。 　　下图说明了使用3*3邻域的线性空间滤波的机理。在图像中的任意一点（x,y）,滤波器的输出g(x,y)是滤波器系数与该滤波器包围的图像
（七）图像的均值滤波
技术改变命运
03-28 894
图像的均值滤波
图像处理：推导五种滤波算法（均值、中值、高斯、双边、引导）
m0_62919535的博客
10-14 2万+
均值滤波：卷积核越大，图片的失真越明显，图片会更模糊，如果设置核的大小为（1，1），则结果是原始图像。中值滤波：随着核的增大，图片会更加模糊，核必须是大于1的奇数，如3，5，7等，在这cv2.medianBlur(src,ksize)当中，填写核时填写一个数字，如3，5，7，在这里我们要对比均值滤波的用法。它对于椒盐噪声的图片效果最好。高斯滤波：随着核的大小逐渐变大，会让图像更加模糊，核的大小（N，N）必须是大于1的奇数，如3，5，7等，sigma表示的是X方向方差。我们常常在边缘检测中用到它。
C语言面向对象实现滑动均值滤波与平均值滤波_滑动滤波算法c语言实现
最新发布
2401_84973571的博客
05-15 446
平均值滤波算法是比较常用，也比较简单的滤波算法。在滤波时，将N个周期的采样值计算平均值，算法非常简单。当N取值较大时，滤波后的信号比较平滑，但是灵敏度差；相反N取值较小时，滤波平滑效果差，但灵敏度好。优点：算法简单，对周期性干扰有良好的抑制作用，平滑度高，适用于高频振动的系统。缺点：对异常信号的抑制作用差，无法消除脉冲干扰的影响。
图像去模糊中的均值滤波、高斯滤波、双边滤波简单介绍及代码演示
百年孤独百年的博客
05-03 3846
在本文中，我们介绍了图像去模糊的三种常见方法：均值滤波、高斯滤波和双边滤波。这些方法都是基于滤波器对图像像素进行加权平均来减小噪声和细节的。每种方法都有其优点和缺点，需要根据具体应用场景选择合适的方法。在实际应用中，可以通过调整滤波器的大小和参数来控制图像的平滑程度和细节保留程度。
滤波算法——均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波
weixin_43152152的博客
08-20 5万+
滤波算法——均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波 因工作涉及到数据滤波(滤噪)处理，汇总了一些网上简单的滤波算法，方便日后查看。 滤波算法包括：均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波。 本文主要是处理线性数据y=ax+b，对于非线性数据，简单的滤波算法效果有限。滤波算法都有自己的局限，针对不同问题需要选择合适的方法。 以下使用python实现简单demo，主要是方便画图。 建立测试数据 真值y = 0.003*x 观测值加上随机白噪声 import random import math
均值滤波
Rjex
12-31 6177
噪声原理 1.高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。 2.椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。 滤波原理 均值滤波是一种线性滤波器，将一个窗口区域中的像素计算平均值，然后将窗口中计算得到的均值设置为锚点上的像素值。均值滤波用卷积实现，得到的像素值需除以窗口尺寸大...
图像均值滤波的CUDA并行化优化
DreamerZhang的专栏
08-18 7487
1、算法原理 均值滤波也是线性滤波，目标点的像素为周围（模板覆盖）像素的平均值。对图像进行均值滤波处理时，每一个像素点的处理与其它像素点无关，所以，可以把对于每一个像素的处理映射到每个线程中。 2、并行思路 将像素映射到二维坐标空间，然后使用i*WIDTH+j的方式索引像素，本实例是寻找周围9个像素点的值。对于每一个线程都将去寻找它的领域像素，然后对其求平均值。为了简化计算，边界采用复制像素
python手写均值滤波
09-17
以下是手写均值滤波的Python代码实现： ```python import cv2 as cv import numpy as np def meansBlur(src, ksize): # 创建输出图像 dst = np.copy(src) # 创建全1的卷积核 kernel = np.ones((ksize, ksize...
CUDA、GPU实现图像的sobel、prewitt、均值、中值滤波
06-27
CUDA、GPU实现图像的sobel、prewitt、均值、中值滤波
【图像去噪】基于均值滤波实现图像去噪附matlab代码 上传.zip
04-12
2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士...
中值滤波原理及MATLAB实现.docx
11-02
线性滤波器，如均值滤波，虽然在平滑图像和消除高斯噪声方面表现出色，但对尖锐边缘和孤立噪声点的处理效果不佳，可能会导致边缘模糊。相比之下，中值滤波器通过选取邻域像素的中值，可以有效保护边缘，因为噪声点...
【OpenCV入门教程之八】线性邻域滤波专场：方框滤波、均值滤波与高斯滤波 - 【浅墨的游戏编程Blog】毛星云（浅墨）的专栏
08-03
在OpenCV中，可以使用`blur`函数实现均值滤波，该函数在处理边界时有多种选项，如复制边界、填充零等。 3. **高斯滤波（Gaussian Filter）**：比均值滤波更为复杂，它使用高斯权重分布来对邻域内的像素进行加权平均...
十分钟带你了解均值滤波和方框滤波
AI_dataloads的博客
10-13 774
均值滤波和方框滤波都是用于平滑图像和去除噪声的常见技术，你可以根据具体的需求选择合适的方法。
均值滤波及中值滤波的区别
知不道道不知知不知道道道知的博客
06-29 2万+
均值滤波及中值滤波的区别 转自：https://blog.csdn.net/cjsh_123456/article/details/79261271 均值滤波和和中值滤波都可以起到平滑图像，滤去噪声的功能。均值滤波采用线性的方法，平均整个窗口范围内的像素值，均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去...
中点和中值滤波的区别_计算机视觉学习笔记8 噪声与滤波
weixin_39525617的博客
10-22 1041
按老规矩，先给简要说明，然后上MATLAB，c++和Python的代码。图像的噪声不管是模拟信号还是数字信号，都难免会产生噪声，尤其是模拟信号，噪声处理一直是比较重要的环节，数字信号相对来说噪声会少一点。图像噪声的产生原因很复杂，可能是成像设备或者环境本身导致成像质量不稳定，也可能是数字信号传输过程中发生丢失或者受到干扰，可以将噪声看成是一种无规律不可预测的随机误差。噪声主要形式有：椒盐噪声(可能...
基于matlab的图像处理——算术均值、中值、几何滤波器
L_superhero的博客
05-24 3829
问题： 如下图所示，白条的宽度和高度分别是7像素和210像素，白条之间的间隔是17像素，采用以下滤波器对测试图像进行滤波，并输出结果 3x3算术均值滤波器 5x5算术均值滤波器 7x7算术均值滤波器 同理使用中值滤波器 同理使用几何滤波器 3x3算术均值滤波器 I=imread("511.png"); subplot(2,1,1); imshow(I) title("原图") I1= imfilter(I,fspecial('average',3)); subplot(2,1,2); imsh
图像处理：中值滤波&均值滤波
热门推荐
qinghuaci666的博客
08-16 21万+
转自：openCV之中值滤波&amp;均值滤波（及代码实现）：https://blog.csdn.net/weixin_37720172/article/details/72627543  在开始我们今天的博客之前，我们需要先了解一下什么是滤波： openCV之中值滤波&amp;均值滤波（及代码实现）首先我们看一下图像滤波的概念。图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑...
【OpenCV 例程200篇】96. 谐波平均滤波器
youcans的博客
02-11 3432
谐波平均滤波器既能处理盐粒噪声（白色噪点），又能处理类似于高斯噪声的其他噪声，但不能处理胡椒噪声（黑色噪点）
matlab 均值滤波
08-15
在MATLAB中，可以使用`imgaussfilt`函数进行均值滤波。均值滤波是一种常用的图像平滑滤波方法，它通过计算像素周围邻域内像素的均值来实现图像的平滑。 以下是一个示例代码，演示如何使用`imgaussfilt`函数进行均值滤波： ```matlab % 读取图像 img = imread('image.jpg'); % 进行均值滤波 filteredImg = imgaussfilt(img); % 显示原始图像和滤波后的图像 subplot(1,2,1); imshow(img); title('原始图像'); subplot(1,2,2); imshow(filteredImg); title('均值滤波后的图像'); ``` 在上面的代码中，`imgaussfilt`函数用于对图像进行均值滤波。滤波后的图像将存储在`filteredImg`变量中。最后使用`imshow`函数显示原始图像和滤波后的图像。 你可以根据自己的需求调整均值滤波的参数，例如指定滤波器的大小、标准差等。详细的函数用法可以参考MATLAB的文档。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值