几种滤波算法的适用场景（学习笔记）

九不多

已于 2023-06-28 15:38:01 修改

阅读量5.1k

点赞数 8

分类专栏：图像处理文章标签：算法学习笔记

于 2023-06-28 15:31:59 首次发布

本文链接：https://blog.csdn.net/qq_50380073/article/details/131436757

版权

图像处理专栏收录该内容

2 篇文章

订阅专栏

本文介绍了图像处理中常用的滤波算法，如均值滤波、中值滤波、高斯滤波和双边滤波，以及它们各自适用的场景。均值滤波适用于去除噪声但可能导致细节模糊，中值滤波擅长去除椒盐噪声，高斯滤波平滑图像同时保留细节，双边滤波则在平滑和边缘保留间取得平衡。此外，还提到了Laplacian、Sobel、Roberts、Prewitt和Canny等边缘检测滤波器。文章通过OpenCV库展示了这些滤波效果的实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在图像处理中，常用的滤波算法有均值滤波、中值滤波、高斯滤波和双边滤波。它们各自适用于不同的应用场景。

均值滤波：适用于去除图像中的噪声。均值滤波通过计算像素周围邻域的平均值来平滑图像，可以有效地减少高频噪声。然而，均值滤波会导致图像细节的模糊，因此在需要保留图像细节的情况下不适用。
中值滤波：适用于去除椒盐噪声等孤立噪声。中值滤波通过计算像素周围邻域的中值来平滑图像，可以有效地去除孤立噪声点，而不会对图像细节产生模糊。因此，中值滤波常用于去除椒盐噪声等噪声类型。
高斯滤波：适用于平滑图像并保留图像细节。高斯滤波通过计算像素周围邻域的加权平均值来平滑图像，其中权重由高斯函数确定。高斯滤波可以有效地平滑图像，同时保留图像的边缘和细节。因此，高斯滤波常用于图像平滑、去除高频噪声以及边缘检测前的预处理。
双边滤波：适用于平滑图像并保留边缘。双边滤波通过考虑像素的空间距离和像素值之间的相似性来平滑图像。它可以有效地平滑图像，同时保留图像的边缘和细节。因此，双边滤波常用于图像降噪、图像增强以及边缘保留滤波等应用。
Laplacian滤波：适用于边缘检测。Laplacian滤波通过计算像素周围邻域的二阶导数来检测图像中的边缘。它可以提取出图像中的高频信息，用于边缘检测和图像锐化。
Sobel滤波：适用于边缘检测。Sobel滤波通过计算像素周围邻域的一阶导数来检测图像中的边缘。它可以提取出图像中的梯度信息，用于边缘检测和图像锐化。
Roberts滤波：适用于边缘检测。Roberts滤波通过计算像素周围邻域的一阶导数来检测图像中的边缘。它可以提取出图像中的梯度信息，用于边缘检测和图像锐化。
Prewitt滤波：适用于边缘检测。Prewitt滤波通过计算像素周围邻域的一阶导数来检测图像中的边缘。它可以提取出图像中的梯度信息，用于边缘检测和图像锐化。
Canny滤波：适用于边缘检测。Canny滤波是一种多阶段的边缘检测算法，它通过计算像素周围邻域的梯度和非极大值抑制来检测图像中的边缘。Canny滤波可以提取出细节清晰、连续的边缘。

在选择何种滤波算法时，需要根据具体的应用场景和需求来决定。

如果需要去除高频噪声，可以选择均值滤波或高斯滤波；

如果需要去除孤立噪声点，可以选择中值滤波；

如果需要平滑图像并保留细节，可以选择高斯滤波或双边滤波。

如果需要进行边缘检测，可以选择Laplacian滤波、Sobel滤波、Roberts滤波、Prewitt滤波或Canny滤波。

具体根据算法的计算复杂度和实时性要求进行选择。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('C:\\Users\\BZ\\Desktop\\99.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# cv2.imshow('Filtered Images', image)

# cv2.waitKey(0)
# cv2.destroyAllWindows()
# 均值滤波
mean_filtered = cv2.blur(image, (5, 5))

# 中值滤波
median_filtered = cv2.medianBlur(image, 5)

# 高斯滤波
gaussian_filtered = cv2.GaussianBlur(image, (5, 5), 0)

# 双边滤波
bilateral_filtered = cv2.bilateralFilter(image, 9, 75, 75)

# Laplacian滤波
laplacian_filtered = cv2.Laplacian(image, cv2.CV_64F)

# Sobel滤波
sobel_x_filtered = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobel_y_filtered = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
sobel_filtered = cv2.addWeighted(sobel_x_filtered, 0.5, sobel_y_filtered, 0.5, 0)

# Roberts滤波
roberts_x_filtered = cv2.filter2D(image, -1, np.array([[1, 0], [0, -1]]))
roberts_y_filtered = cv2.filter2D(image, -1, np.array([[0, 1], [-1, 0]]))
roberts_filtered = cv2.addWeighted(roberts_x_filtered, 0.5, roberts_y_filtered, 0.5, 0)

# Prewitt滤波
prewitt_x_filtered = cv2.filter2D(image, -1, np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]))
prewitt_y_filtered = cv2.filter2D(image, -1, np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]))
prewitt_filtered = cv2.addWeighted(prewitt_x_filtered, 0.5, prewitt_y_filtered, 0.5, 0)

# Canny滤波
canny_filtered = cv2.Canny(image, 100, 200)

# 创建一个2x5的子图
fig, axs = plt.subplots(2, 5, figsize=(15, 6))

# 在子图中显示滤波结果图片
axs[0, 0].imshow(image, cmap=None)
# axs[0, 0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
axs[0, 0].set_title('Original Image')

axs[0, 1].imshow(mean_filtered)
axs[0, 1].set_title('Mean Filtered Image')

axs[0, 2].imshow(median_filtered)
axs[0, 2].set_title('Median Filtered Image')

axs[0, 3].imshow(gaussian_filtered)
axs[0, 3].set_title('Gaussian Filtered Image')

axs[0, 4].imshow(bilateral_filtered)
axs[0, 4].set_title('Bilateral Filtered Image')

axs[1, 0].imshow(laplacian_filtered)
axs[1, 0].set_title('Laplacian Filtered Image')

axs[1, 1].imshow(sobel_filtered)
axs[1, 1].set_title('Sobel Filtered Image')

axs[1, 2].imshow(roberts_filtered)
axs[1, 2].set_title('Roberts Filtered Image')

axs[1, 3].imshow(prewitt_filtered)
axs[1, 3].set_title('Prewitt Filtered Image')

axs[1, 4].imshow(canny_filtered)
axs[1, 4].set_title('Canny Filtered Image')

# 隐藏子图的坐标轴
for ax in axs.flat:
    ax.axis('off')

# 调整子图之间的间距
plt.tight_layout()

# 显示图像
plt.show()