【OpenCV】算数均值滤波，几何均值滤波，中值滤波，自适应滤波代码实现并比较

最新推荐文章于 2024-07-23 11:13:40 发布
最新推荐文章于 2024-07-23 11:13:40 发布
阅读量1.5w 收藏 83
点赞数 5
分类专栏： 数字图像处理 OpenCV 文章标签： OpenCV 算数均值滤波 几何均值滤波 中值滤波 自适应滤波
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/iefenghao/article/details/84978533
版权

采用算数均值滤波器，几何均值滤波器，中值滤波，自适应滤波器对图像进行滤波操作，并输出图像。
首先放一下结果：
在这里插入图片描述
（1）算术均值滤波器
计算子窗口的和并求平均
在这里插入图片描述
程序中对图像边缘不处理。右图为加入椒盐噪声，左图为算数均值滤波图像。

在这里插入图片描述在这里插入图片描述
程序实现：

//算数均值滤波
void CImageRecoveryDlg::ArithAverFilter( Mat &src, Mat &dst) {
	if (src.channels() == 3)//彩色图像
	{
		for (int i = 1; i < src.rows; ++i) {
			for (int j = 1; j < src.cols; ++j) {
				if ((i - 1 >= 0) && (j - 1) >= 0 && (i + 1) < src.rows && (j + 1) < src.cols) {//边缘不进行处理
					dst.at<Vec3b>(i, j)[0] = (src.at<Vec3b>(i, j)[0] + src.at<Vec3b>(i - 1, j - 1)[0] + src.at<Vec3b>(i - 1, j)[0] + src.at<Vec3b>(i, j - 1)[0] +
						src.at<Vec3b>(i - 1, j + 1)[0] + src.at<Vec3b>(i + 1, j - 1)[0] + src.at<Vec3b>(i + 1, j + 1)[0] + src.at<Vec3b>(i, j + 1)[0] +
						src.at<Vec3b>(i + 1, j)[0]) / 9;
					dst.at<Vec3b>(i, j)[1] = (src.at<Vec3b>(i, j)[1] + src.at<Vec3b>(i - 1, j - 1)[1] + src.at<Vec3b>(i - 1, j)[1] + src.at<Vec3b>(i, j - 1)[1] +
						src.at<Vec3b>(i - 1, j + 1)[1] + src.at<Vec3b>(i + 1, j - 1)[1] + src.at<Vec3b>(i + 1, j + 1)[1] + src.at<Vec3b>(i, j + 1)[1] +
						src.at<Vec3b>(i + 1, j)[1]) / 9;
					dst.at<Vec3b>(i, j)[2] = (src.at<Vec3b>(i, j)[2] + src.at<Vec3b>(i - 1, j - 1)[2] + src.at<Vec3b>(i - 1, j)[2] + src.at<Vec3b>(i, j - 1)[2] +
						src.at<Vec3b>(i - 1, j + 1)[2] + src.at<Vec3b>(i + 1, j - 1)[2] + src.at<Vec3b>(i + 1, j + 1)[2] + src.at<Vec3b>(i, j + 1)[2] +
						src.at<Vec3b>(i + 1, j)[2]) / 9;
				}
				else {//边缘赋值
					dst.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];
					dst.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];
					dst.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];
				}
			}
		}
	}
	if (src.channels() == 1) {//灰度图像
		for (int i = 0; i < src.rows; i++) {
			for (int j = 0; j < src.cols; j++) {
				if ((i - 1 >= 0) && (j - 1) >= 0 && (i + 1) < src.rows && (j + 1) < src.cols) {//边缘不进行处理
					dst.at<uchar>(i, j) = (src.at<uchar>(i, j) + src.at<uchar>(i - 1, j - 1) + src.at<uchar>(i - 1, j) + src.at<uchar>(i, j - 1) +
						src.at<uchar>(i - 1, j + 1) + src.at<uchar>(i + 1, j - 1) + src.at<uchar>(i + 1, j + 1) + src.at<uchar>(i, j + 1) +
						src.at<uchar>(i + 1, j)) / 9;
				}
				else {//边缘赋值
					dst.at<uchar>(i, j) = src.at<uchar>(i, j);
				}
			}
		}
	}
	imshow("arithAverFilter", dst);
}

（2）几何均值滤波
对子窗口的元素相乘（需要判断是否为零），并对乘积求1/m*n次幂。
在这里插入图片描述
程序中需要判断窗口中的元素是否为0，如果为0则去除该元素。
右图为加入椒盐噪声的图像，左图为几何均值滤波后图像。
在这里插入图片描述在这里插入图片描述
程序实现：

//几何均值滤波
void CImageRecoveryDlg::GeoAverFliter(const Mat &src, Mat &dst) {
	Mat _dst(src.size(), CV_32FC1);
	double power = 1.0 / 9;
	cout << "power:" << power << endl;
	double geo = 1;
	if (src.channels() == 1) {
		for (int i = 0; i < src.rows; i++) {
			for (int j = 0; j < src.cols; j++) {
				if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols) {
					if (src.at<uchar>(i, j) != 0) geo = geo * src.at<uchar>(i, j);
					if (src.at<uchar>(i+1, j+1) != 0) geo = geo * src.at<uchar>(i+1, j+1);
					if (src.at<uchar>(i+1, j) != 0) geo = geo * src.at<uchar>(i+1, j);
					if (src.at<uchar>(i, j+1) != 0) geo = geo * src.at<uchar>(i, j+1);
					if (src.at<uchar>(i+1, j-1) != 0) geo = geo * src.at<uchar>(i+1, j-1);
					if (src.at<uchar>(i-1, j+1) != 0) geo = geo * src.at<uchar>(i-1, j+1);
					if (src.at<uchar>(i-1, j) != 0) geo = geo * src.at<uchar>(i-1, j);
					if (src.at<uchar>(i, j-1) != 0) geo = geo * src.at<uchar>(i, j-1);
					if (src.at<uchar>(i-1, j-1) != 0) geo = geo * src.at<uchar>(i-1, j-1);					
					/*geo = src.at<uchar>(i, j)* src.at<uchar>(i + 1, j + 1)* src.at<uchar>(i + 1, j)* src.at<uchar>(i, j + 1)*
						src.at<uchar>(i + 1, j - 1)* src.at<uchar>(i - 1, j + 1)* src.at<uchar>(i - 1, j)*
						src.at<uchar>(i, j - 1)* src.at<uchar>(i - 1, j - 1);*/
					_dst.at<float>(i, j)= pow(geo, power);
					geo = 1;
					//if (i % 10 == 0&&j%10==0)
						//printf("_dst.at<float>(%d, %d)=%f\n", i, j, _dst.at<float>(i, j));
					

				}
				else
					_dst.at<float>(i, j) = src.at<uchar>(i, j);
			}
		}
	}
	_dst.convertTo(dst, CV_8UC1);

	//_dst.copyTo(dst);//拷贝
	imshow("geoAverFilter", dst);

}

（3）中值滤波
找出子窗口中的中值，将其赋值给中心点。
在这里插入图片描述
程序中Median为寻找中值的函数，参数为子窗口的元素值。
左图为加入椒盐噪声的图像，右图为中值滤波的图像。

在这里插入图片描述在这里插入图片描述
可以看出中值滤波对椒盐噪声有很好的滤波效果。
程序实现：

//返回中值
uchar Median(uchar n1, uchar n2, uchar n3, uchar n4, uchar n5,
	uchar n6, uchar n7, uchar n8, uchar n9) {
	uchar arr[9];
	arr[0] = n1;
	arr[1] = n2;
	arr[2] = n3;
	arr[3] = n4;
	arr[4] = n5;
	arr[5] = n6;
	arr[6] = n7;
	arr[7] = n8;
	arr[8] = n9;
	for (int gap = 9 / 2; gap > 0; gap /= 2)//希尔排序
		for (int i = gap; i < 9; ++i)
			for (int j = i - gap; j >= 0 && arr[j] > arr[j + gap]; j -= gap)
				swap(arr[j], arr[j + gap]);
	return arr[4];//返回中值
}
//中值滤波
void CImageRecoveryDlg::MedianFliter(const Mat &src, Mat &dst) {
	if (!src.data)return;
	Mat _dst(src.size(), src.type());
	if (src.channels() == 3) {
		for (int i = 0; i < src.rows; ++i) {
			for (int j = 0; j < src.cols; ++j) {
				if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols) {
					_dst.at<Vec3b>(i, j)[0] = Median(src.at<Vec3b>(i, j)[0], src.at<Vec3b>(i + 1, j + 1)[0],
						src.at<Vec3b>(i + 1, j)[0], src.at<Vec3b>(i, j + 1)[0], src.at<Vec3b>(i + 1, j - 1)[0],
						src.at<Vec3b>(i - 1, j + 1)[0], src.at<Vec3b>(i - 1, j)[0], src.at<Vec3b>(i, j - 1)[0],
						src.at<Vec3b>(i - 1, j - 1)[0]);
					_dst.at<Vec3b>(i, j)[1] = Median(src.at<Vec3b>(i, j)[1], src.at<Vec3b>(i + 1, j + 1)[1],
						src.at<Vec3b>(i + 1, j)[1], src.at<Vec3b>(i, j + 1)[1], src.at<Vec3b>(i + 1, j - 1)[1],
						src.at<Vec3b>(i - 1, j + 1)[1], src.at<Vec3b>(i - 1, j)[1], src.at<Vec3b>(i, j - 1)[1],
						src.at<Vec3b>(i - 1, j - 1)[1]);
					_dst.at<Vec3b>(i, j)[2] = Median(src.at<Vec3b>(i, j)[2], src.at<Vec3b>(i + 1, j + 1)[2],
						src.at<Vec3b>(i + 1, j)[2], src.at<Vec3b>(i, j + 1)[2], src.at<Vec3b>(i + 1, j - 1)[2],
						src.at<Vec3b>(i - 1, j + 1)[2], src.at<Vec3b>(i - 1, j)[2], src.at<Vec3b>(i, j - 1)[2],
						src.at<Vec3b>(i - 1, j - 1)[2]);
				}
				else
					_dst.at<Vec3b>(i, j) = src.at<Vec3b>(i, j);
			}
		}
	}
	if (src.channels() == 1) {
		for (int i = 0; i < src.rows; ++i) {
			for (int j = 0; j < src.cols; ++j) {
				if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols) {
					_dst.at<uchar>(i, j) = Median(src.at<uchar>(i, j), src.at<uchar>(i + 1, j + 1),
						src.at<uchar>(i + 1, j), src.at<uchar>(i, j + 1), src.at<uchar>(i + 1, j - 1),
						src.at<uchar>(i - 1, j + 1), src.at<uchar>(i - 1, j), src.at<uchar>(i, j - 1),
						src.at<uchar>(i - 1, j - 1));
		
				}
				else
					_dst.at<uchar>(i, j) = src.at<uchar>(i, j);
			}
		}
	}
	_dst.copyTo(dst);//拷贝
	imshow("mediaFilter", dst);
}

（4）自适应滤波
Zmin=Sxy中的最小灰度值；
Zmax=Sxy中的最大灰度值；
Zmed=Sxy中的中值；
Zxy=坐标(x,y)处的灰度值；
Smax=Sxy所允许的最大尺寸(在程序中，用kernal_size表示)；
左图为加入椒盐噪声的图像，右图为自适应滤波的图像。
在这里插入图片描述在这里插入图片描述
可以看出自适应滤波效果最好，但计算时间比中值滤波长很多，有很长的时延。
程序实现：

#define CV_ROI_ELEM(src,vector,m,n,ks)  \
{                                      \
    uchar* kn;                         \
    int st0=src.step[0];\
    int st1=src.step[1];\
    for(int k=0;k<(ks);k++)            \
    {                                  \
        for(int s=0;s<(ks);s++)        \
        {                              \
            kn =src.data+(k+m)*st0+(s+n)*st1;   \
            vector.push_back(*kn);              \
        }                                       \
    }                                           \
}

#define CV_MAT_ELEM2(src,dtype,y,x) \
    (dtype*)(src.data+src.step[0]*(y)+src.step[1]*(x))
//自适应滤波
void selfAdaptiveFilter(Mat&src, Mat&dst, int kernal_size)
{
	CV_Assert(src.type() == CV_8UC1 || src.type() == CV_8U);
	if (dst.empty())
	{
		dst.create(src.rows, src.cols, CV_8UC1);
	}
	uchar* pdst = dst.data;
	uchar Zmin, Zmax, Zmed, Zxy;
	int step0 = src.step[0];
	int step1 = src.step[1];
	for (int i = kernal_size / 2; i < src.rows - kernal_size / 2; i++)
	{
		for (int j = kernal_size / 2; j < src.cols - kernal_size / 2; j++)
		{
			int ks = 3;//kernal_size;
			int count = 0;
			Zxy = *CV_MAT_ELEM2(src, uchar, i, j);//Sxy覆盖区域的中心点像素值，即锚点像素值
			vector<uchar> v;//将模板覆盖区域的像素，压入矢量v中
			do {
				if (count == 0)
				{//获取模板ks*ks覆盖区域的像素，压入矢量v中
					CV_ROI_ELEM(src, v, i - ks / 2, j - ks / 2, ks);
				}
				else
				{
					/****************下面的for循环，将外扩的四个边的像素添加到v中**************/
					uchar* p = src.data + (i - ks / 2)*step0 + (j - ks / 2)*step1;
					for (int u = 0; u < ks; u++)
					{
						v.push_back(*(p + u * step1));//向外扩展的四个边的上边
						v.push_back(*(p + (ks - 1)*step0 + u * step1));//向外扩展的四个边的下边
						if (u != 0 && u != ks - 1)
						{
							v.push_back(*(p + u * step0));//向外扩展的四个边的左边
							v.push_back(*(p + u * step0 + (ks - 1)*step1));//向外扩展的四个边的右边
						}
					}
				}

				//对v的元素排序
				//排序后，Sxy覆盖区域内，最大值为Zmax=v[v.size-1],最小值为Zmin=v[0]
				std::sort(v.begin(), v.end());
				Zmin = v[0], Zmax = v[v.size() - 1], Zmed = v[ks*ks / 2];
				pdst = CV_MAT_ELEM2(dst, uchar, i, j);
				if (Zmin < Zmed&&Zmed < Zmax)
				{
					if (Zmin < Zxy&&Zxy < Zmax)
					{
						*pdst = Zxy; break;
					}
					else
					{
						*pdst = Zmed; break;
					}
				}
				else
				{
					ks += 2;
				}
				count++;
			} while (ks <= kernal_size);

			*pdst = Zmed;
		}
	}
	imshow("selfAdaptiveFilter", dst);
}

（5）整体比较
算数均值滤波在去除椒盐噪声的同时，图像也变得模糊。
几何均值滤波去除噪声同时，相对于算数均值滤波锐化。
中值滤波相比于前两者效果最好，去除了噪声，且图像损失较小。
自适应滤波是四者中效果最好的，但是计算复杂，有很大的延迟。
在这里插入图片描述
程序为MFC对话框程序，对话框程序如下：

//显示图像
void CImageRecoveryDlg::showMat(Mat &image, int i, String name) {
	CRect pic_rect;
	int width, height;
	//CWnd  *pWnd = GetDlgItem(i);
	GetDlgItem(i)->GetClientRect(&pic_rect);
	width = pic_rect.right;
	height = pic_rect.bottom;
	resize(image, image, Size(width, height));
	imshow(name, image);
}
//打开图像按钮
void CImageRecoveryDlg::OnBnClickedOpenBtn()
{

	CFileDialog fileDlg(true, _T("png"), NULL, 0, _T("image Files(*.bmp; *.jpg;*.png;*.tif)|*.JPG;*.PNG;*.BMP;*.TIF|All Files (*.*) |*.*||"), this);
	fileDlg.DoModal();
	//获取图片路径和图片名称
	strFilePath = fileDlg.GetPathName();
	strFileName = fileDlg.GetFileName();
	//判断路径不为空
	if (strFilePath == _T(""))
	{
		return;
	}

	image.Load(strFilePath);
	CImageToMat(image, src_Mat);

	//cvtColor(src_Mat, gray_Mat, COLOR_BGR2GRAY);//将图像转换为灰度图像
	imshow("src_image", src_Mat);
	showImage(image, IDC_INPUT_PIC);//显示图像
}

//加入噪声函数
void CImageRecoveryDlg::OnBnClickedNoiseBtn()
{
	Mat temp;
	//salt_Mat = src_Mat.clone();
	src_Mat.copyTo(salt_Mat);
	salt(salt_Mat, 0.1);
	temp = salt_Mat.clone();
	showMat(temp, IDC_NOSIC_PIC, "salt_image");
}

//算数均值滤波
void CImageRecoveryDlg::OnBnClickedCouBtn()
{
	Mat temp;
	Mat ArithAver_Mat(salt_Mat.size(), salt_Mat.type());
	cout << "salt_Mat.channels= " << salt_Mat.channels() << endl;//第一个元素值
	ArithAverFilter(salt_Mat, ArithAver_Mat);
	temp = ArithAver_Mat.clone();
	showMat(temp, IDC_COU_MEAN, "arithAver_image");
}

//中值滤波按钮
void CImageRecoveryDlg::OnBnClickedMediaBtn()
{
	Mat temp;
	Mat MedianFilter_Mat(salt_Mat.size(), salt_Mat.type());
	MedianFliter(salt_Mat, MedianFilter_Mat);
	temp = MedianFilter_Mat.clone();
	showMat(temp, IDC_MEDIA_FILTER, "medianFilter_image");
}

//几何均值滤波按钮
void CImageRecoveryDlg::OnBnClickedGeoBtn()
{
	Mat temp;
	Mat GeoAverFilter_Mat(salt_Mat.size(), salt_Mat.type());
	GeoAverFliter(salt_Mat, GeoAverFilter_Mat);
	temp = GeoAverFilter_Mat.clone();
	showMat(temp, IDC_GEO_MEAN, "GeoAverFliter_image");
}

//自适应滤波按钮
void CImageRecoveryDlg::OnBnClickedAdapteBtn()
{
	Mat temp;
	Mat selfAdaptiveFilter_Mat(salt_Mat.size(), salt_Mat.type());
	selfAdaptiveFilter(salt_Mat, selfAdaptiveFilter_Mat, 7);
	temp = selfAdaptiveFilter_Mat.clone();
	showMat(temp, IDC_ADAPT_FILTER, "selfAdaptiveFliter_image");
}

其中下列变量为全局变量

#define	PI	3.141592
CString strFilePath;
CString strFileName;
CImage image;
Mat src_image, gray_image, src_Mat, gray_Mat;
Mat salt_Mat,ArithAver_Mat;

以上为四种滤波函数的对比。

pkufenghao
关注
专栏目录
算数均值滤波、几何均值滤波_几个均值滤波_算数均值滤波_噪声分析_均值滤波_算术滤波_
09-30
添加噪声后，可对算术均值滤波、几何均值滤波进行实现与分析
数字图像处理第三章-----空间域滤波
hejunran的博客
04-04 6891
数字图像处理第三章-----灰度变换和空间域滤波
OpenCV 卷积操作 均值，高斯，中值滤波 图片降噪
最新发布
weixin_46999174的博客
07-23 1663
均值滤波的原理是使用一个固定大小的窗口（卷积核）在图像上滑动，并计算该窗口覆盖区域内所有像素值的平均值，然后用这个平均值替换窗口中心的像素值。中值滤波的基本思想是对图像中的每个像素，用其邻域内所有像素值的中值来替换原像素值。在执行卷积操作时，会使用一个小的矩阵，称为卷积核或滤波器，这个卷积核会与图像的局部区域进行元素乘积求和的运算。卷积核是一个小矩阵，用于在图像上滑动，并在每个位置与图像的对应区域进行加权求和，产生新的像素值。高斯模糊是使用高斯函数定义的卷积核与图像进行卷积来实现的。
算术均值滤波器和几何均值滤波器------冈萨雷斯图像处理（python实现）
qq_49370210的博客
11-25 1084
算数均值滤波在去除椒盐噪声的同时，图像也变得模糊。几何均值滤波去除噪声同时，相对于算数均值滤波锐化。
实现自适应均值滤波，并和算术均值滤波的结果做对比
qq_44627776的博客
05-07 725
直接看代码 %% 导入原图像，并添加高斯噪声 image=imread('aft.jpg'); imagen=rgb2gray(image); [width,height]=size(imagen); r1=rand(width,height);%用于产生高斯噪声 r2=rand(width,height); x=0.1*sqrt(-2*log(r1)).*cos(2*pi*r2); %产生了噪声 imagen=x+double(imagen)/255;%为了加上高斯噪声，需要将图像变为double型 im
几何均值滤波
Du_Shuang的博客
09-29 8190
理解了前几篇文章讲的东西那么这篇文章讲的东西就很容易懂了，因为这就是前两篇内容的总结啊。 几何均值滤波器的公式如下： 以上公式出处为：“维纳滤波图像复原技术的研究与改进”但是这个公式有个问题，最后的指数系数是1-α而不是1-2. 以上公式是逆滤波和维纳滤波的中和体。当α为1时，该滤波器退化为逆滤波器，当α=0时，该滤波器变为参数维纳滤波器，参数在r=1时变为标准的维纳滤波器，当α=1/2时，则滤...
几何均值滤波器
weixin_45855115的博客
04-28 1626
算法思想： 几何均值滤波器扩大图像进行边缘处理，除了滤波计算部分，几何均值滤波是将滤波器获得的数据累乘，将累乘结果求1/(n*m)次方的值，将最终结果存储到新的矩阵中，最后裁剪为原图的大小。 function gavgf = gavgfil(I,n) %几何均值滤波器 %I为原图，n为滤波器的大小 [r,c]=size(I); %图像的行和列 dI=double(I); dt=n-1; %边缘需要扩充的距离 f=zeros(r+dt,c+dt); %对边缘进行0值处理，根据滤波器的大小把图像扩大 fi
均值滤波/中值滤波/自适应滤波
qq_28818443的博客
04-05 6299
1.基本概念: 空域常见的滤波器分为均值/统计排序/自适应滤波器. 1.均值滤波器: 算术/几何/谐波/逆谐波均值滤波器. 2.统序滤波器: 中值/最大值/最小值/中点滤波器. 3.自适应滤波器: 自适应均值/自适应中值滤波器 2.均值滤波器 1.算术均值 令Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口。算术均值滤波器就是简单的计算窗口区域的像素均值. ...
opencv图像处理之均值滤波&中值滤波
Jabok的博客
10-20 1076
滤波是在图片不清楚的时候或者是在有需要滤波的时候去使用的。
opencv编写均值滤波_opencv简单实践5：中值滤波、均值滤波（普通滤波 高斯滤波）、边缘提取和磨皮程序...
weixin_39920415的博客
12-21 172
https://github.com/DawnYue/Convolution练习1 中值滤波：读取摄像头图像，并对摄像头图像进行中值滤波输入，灰度图或彩色图2.输出3.中值区域size，3,5,7等#include#includeusing namespace cv;using namespace std;//练习1Mat g_dstImage;int main(int argc, char*...
数字图像处理——空间滤波（去噪）
minjiuhong的博客
04-16 4670
图像去噪噪声图像高斯噪声椒盐噪声算术均值滤波、几何均值滤波、谐波均值滤波、逆谐波滤波效果展示自适应均值滤波效果展示中值滤波效果展示自适应中值滤波效果展示 噪声图像 图像中噪声的由来多种多样，本文主要介绍由热噪声产生的高斯白噪声（噪声服从正太分布，功率谱均匀）和开关不正常使用时产生的椒盐噪声的处理。 高斯噪声 高斯噪声在日常生活中存在比较普遍，下面我将为图像添加高斯噪声。 // 生成高斯噪声 dou...
MATLAB图像均值滤波
03-29
对图像添加一个方差为0.05的椒盐噪声（自己可以添加高斯噪声），然后对图像进行3*3算数均值滤波，几何均值滤波，Q=1.5大小的逆谐波滤波处理，可以观察处理后的结果
自适应中值滤波和均值滤波代码
04-22
改下图片的路径，直接可以用，代码简单易懂，你值得拥有
opencv 中值滤波器 C++实现 源代码 完全
10-07
opencv 中值滤波器 C++实现 源代码 完全，可完好实现！
均值滤波和中值滤波去噪
12-17
均值滤波和中值滤波的内容非常基础，均值滤波相当于低通滤波，有将图像模糊化的趋势，对椒盐噪声基本无能为力。中值滤波的优点是可以很好的过滤掉椒盐噪声，缺点是易造成图像的不连续性。
Opencv - python快速入门（csdn）————程序.pdf
12-03
- **中值滤波**：使用 `cv.medianBlur()`，对周围像素进行排序并用中值替换中心像素，有效去除椒盐噪声。 - **直方图** - **计算和绘制直方图**：`cv.calcHist()` 用于计算直方图，`plt.hist()` 结合 OpenCV 可以...
数字图像处理基础实验（四）：图像去噪
lyd1995的博客
04-25 6566
一、实验内容及原理 1、均值滤波 具体内容：利用 OpenCV 对灰度图像像素进行操作，分别利用算术均值滤波器、几何均值滤波器、谐波和逆谐波均值滤波器进行图像去噪。模板大小为 5*5。 （注：请分别为图像添加高斯噪声、胡椒噪声、盐噪声和椒盐噪声，并观察 滤波效果） （1）算术均值滤波器 f^(x,y)=1mn∑g(s,t)\hat {f}(x,y)=\frac {1}{mn}\sum g(s,t)...
图像处理--OpenCV学习笔记
Prime me的博客
02-04 3037
OpenCV
[Python图像识别] 四十五.目标检测入门普及和ImageAI“傻瓜式”对象检测案例详解 (1)
热门推荐
杨秀璋的专栏
08-03 1万+
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。上一篇文章是图像处理的最后一篇文章，写到这里，第一阶段的44篇Python图像处理就介绍完毕。接下来我们进入Python图像识别第二阶段，该部分主要以目标检测、图像识别以及深度学习相关图像分类为主，将会分享近50篇文章，感谢您一如至往的支持。希望文章对您有所帮助，如果有不足之处，还请海涵~
评论 2
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