（七）图像的均值滤波

最新推荐文章于 2024-05-04 11:45:27 发布

juechen333

最新推荐文章于 2024-05-04 11:45:27 发布

阅读量705

点赞数 11

分类专栏：数字图像处理文章标签： opencv 图像处理均值算法 GIS java

本文链接：https://blog.csdn.net/qq_57342311/article/details/137012304

版权

数字图像处理专栏收录该内容

14 篇文章 9 订阅

订阅专栏

环境：Windows10专业版 + IDEA2021.2.3 + jdk11.0.1 + OpenCV-460.jar

系列文章：

（一）Python+GDAL实现BSQ，BIP，BIL格式的相互转换

（二）BSQ,BIL,BIP存储格式的相互转换算法

（三）单波段图像的伪彩色合成：密度分割（含介绍OpenCV中的Mat类）

（四）图像的%2线性拉伸

（五）图像的标准假彩色合成

（六）图像的直方图均衡化

（七）图像的均值滤波

（八）图像的中值滤波

（九）图像的高斯低通滤波

（十）图像的梯度倒数加权平滑

（十一）图像的罗伯特梯度锐化

（十二）图像的Sobel梯度锐化

（十三）图像的拉普拉斯梯度锐化

一、均值滤波简介

均值滤波是一种基于邻域平均的图像平滑处理技术，通常用于减少图像噪声并使图像变得平滑。

以下是关于均值滤波的几个关键点：

1.应用场景：这种滤波方法主要用于图像去噪，可以有效地降低图像中的随机噪声，使图像整体显得更平滑。但需要注意的是，在去除噪声的同时，也可能会使图像失去一些细节信息。

2.模板大小：在进行均值滤波时，可以选择不同大小的滤波模板，如3x3、5x5等。选择的模板越大，每次参与平均的区域就越大，相应的平滑效果也就越明显。不过，较大的模板也可能会导致更多的细节损失。

3.实现方式：在实际应用中，可以通过编写程序来实现均值滤波。例如，在C++中可以通过遍历图像的每一个像素点，并对每个像素点的邻域应用滤波器来计算新的像素值。

4.优缺点：算法简单，计算速度快，适合快速实现基本的图像平滑处理；但是会造成图像模糊，特别是对图像的边缘和细节削弱很多。

5.与其他滤波对比：除了均值滤波外，还有其他多种图像滤波算法，如高斯滤波、中值滤波和双边滤波等，各自有不同的特点和适用场景。选择合适的滤波器需要根据具体的图像处理需求和目的来决定。

均值滤波是一种以简单著称的图像处理方法，适用于快速的图像去噪和平滑处理，但在使用时需要注意其可能导致的细节损失。

二、算法流程

（以单波段图像为例）

1、利用OpenCV读入图像，将像素存储在数组里

2、以3×3的模板为例，对应的模板如图所示

为了避免中心像素值过高影响平均值升高，在运算时可不取中心值，由周围的八个像素进行运算，如图所示

新像素值g(x,y)=1/9 ( f(x-1,y-1) + f(x-1,y) + f(x-1,y+1) + f(x,y-1) + f(x,y) + f(x,y+1)+ f(x+1,y-1) + f(x+1,y) + f(x+1,y+1) )

3、将经过滤波后的像素值存入数组合成图像并存储

三、代码实现

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;

/**
 * @Author: HNUST_jue_chen
 * @Date: 2022/11/02/ 10:43
 * @Attention: 转载, 引用请注明出处
 */

public class AverageFiltering {
    //加载本地动态链接库
    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    //进行均值滤波
    public Mat averageFilter(String path) {
        //使用Mat类存储图像信息
        Mat mat = Imgcodecs.imread(path);
        //图像的大小
        int rows = mat.rows();
        int cols = mat.cols();

        //获得原图像像素数组
        int[][] mat_arr = new int[rows][cols];
        for (int i = 0; i < rows; i++) {
            for (int j = 0; j < cols; j++) {
                mat_arr[i][j] = (int) mat.get(i, j)[0];
            }
        }

        //用3×3窗口进行均值滤波
        int[][] mat_arr_avgFilter = new int[rows][cols];
        for (int i = 0; i < rows; i++) {
            for (int j = 0; j < cols; j++) {
                //处理非边缘的像素
                if (i != 0 && i != rows - 1 && j != 0 && j != cols - 1) {
                    mat_arr_avgFilter[i][j] = (int) ((1.0 / 9)
                            * (mat_arr[i - 1][j - 1] + mat_arr[i - 1][j] + mat_arr[i - 1][j + 1]
                            + mat_arr[i][j - 1] + mat_arr[i][j] + mat_arr[i][j + 1]
                            + mat_arr[i + 1][j - 1] + mat_arr[i + 1][j] + mat_arr[i + 1][j + 1]));
                } else {    //处理边缘的像素
                    mat_arr_avgFilter[i][j] = mat_arr[i][j];
                }
            }
        }

        //合成图像
        Mat mat_avgFilter = new Mat(rows, cols, CvType.CV_32SC1);
        //将像素放入图像
        for (int i = 0; i < rows; i++) {
            //一次放入一行像素值
            mat_avgFilter.put(i, 0, mat_arr_avgFilter[i]);
        }

        return mat_avgFilter;
    }

    public static void main(String[] args) {
        AverageFiltering af = new AverageFiltering();
        Mat mat = af.averageFilter("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray.png");
        //将均值滤波后的图像写入文件
        Imgcodecs.imwrite("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray_af.png", mat);
    }
}