均值滤波&高斯滤波&中值滤波

1、均值滤波

均值滤波是一种线性滤波器，处理思路也很简单，就是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。

该算法有优点在于效率高，思路简单。同样，缺点也很明显，计算均值会将图像中的边缘信息以及特征信息“模糊”掉，会丢失很多特征。

计算均值滤波时可以采用很多优化手段，例如使用积分图的方法对图像进行预处理，处理过后的图像可以通过O(1)的时间复杂度获取窗口区域中的像素和。如果使用并行以及SSE指令集来进行加速，效果会更快。

下面代码使用简单的卷积方案来实现，既然是计算窗口区域中的像素和，即使用如下卷积核即可。图像的边界部分采用padding操作处理。另外，得到的锚点像素值要进行归一化，即除以窗口尺寸大小。

 

2、高斯滤波

高斯滤波是一种线性滤波，是常用的一种滤波算法，利用二维高斯函数的分布方式来对图像进行平滑。

高斯滤波的优点可以集中在高斯函数的特点上来看

首先，二维高斯函数是旋转对称的，在各个方向上平滑程度相同，不会改变原图像的边缘走向。

第二，高斯函数是单值函数，高斯卷积核的锚点为极值，在所有方向上单调递减，锚点像素不会受到距离锚点较远的像素影响过大，保证了特征点和边缘的特性。

第三，在频域上，滤波过程中不会被高频信号污染。

滤波过程中使用的高斯函数如下：

在构建卷积核后，要将该卷积核归一化处理，也就是将整个高斯卷积核中的值累加，并将卷积核中的每个值除以累加值。

 

3、中值滤波

中值滤波是一种非线性滤波，在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。

中值滤波的处理思路很简单，取卷积核当中所覆盖像素中的中值作为锚点的像素值即可。

（1）如果按照遍历所有像素，再对卷积核中的像素排序取中值，那么时间复杂度会很高，需要对中值滤波进行改进。

中值滤波的改进实际上很是很好想的，无非就是一个滑动窗口取中值的问题，每次向右滑动的过程中等于在窗口中新添加添加一列窗口像素，同时减去一列窗口像素，考虑维护这个窗口中的像素信息变化即可。

这里面使用huang算法，该思路是这个人提出来的

（2）算法思路如下：

在计算中值的办法中，不使用排序，而是使用像素直方图，也就是记录像素值的哈希。首先设定阈值threshold，这个threshold就是窗口的中心位置，即ksize×ksize/2+1，kisze为窗口尺寸。

每次在计算中值的过程中，从小到大累加像素直方图的值，如果该值大于等于，此时对应的像素值就是中值了。

例如ksize=3的窗口如下：

对该窗口中的值计算像素直方图如下，threshold=3×3/2+1=5
1:2（表示像素值为1的有2个）
2:3
3:1
4:1
5:2

因为2+3≥5，所以中值为2

每次滑动窗口的过程中，如果窗口在第一列，那么直接计算直方图。否则向右移动，在直方图中减去左侧离开窗口中像素，在右侧添加进入窗口中的像素。

此外，也可以让窗口按照蛇形来移动，这样也会避免每次窗口在第一列时需要重新计算的问题。