使用VC++设计程序使用邻域平均平滑算法、中值滤波算法、K近邻均值滤波器（KNNF）进行滤波

已于 2023-11-17 16:30:29 修改
阅读量573 收藏 1
点赞数 6
分类专栏： MFC学习 文章标签： 算法 c++ 均值算法
于 2023-11-16 11:08:49 首次发布
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/qq_63831368/article/details/134437273
版权

VC++实现若干种图像滤波技术

获取源工程可访问gitee可在此工程的基础上进行学习。

文章目录

实验内容

实验要求：
A部分：
（1）使用VC++设计程序：对一幅256级灰度图像，使用邻域平均平滑算法进行滤波。
（2）使用VC++设计程序：对一幅256级灰度图像，使用中值滤波算法进行滤波。
（3）使用VC++设计程序：对一幅256级灰度图像，使用K近邻均值滤波器（KNNF）进行滤波。

邻域平均平滑算法

1. 原理

邻域平均平滑算法是一种简单的图像平滑处理方法，它通过将每个像素的灰度值替换为其邻域内像素灰度值的平均值来实现。对于256级灰度图像，以下是一种简单的邻域平均平滑算法的步骤：
1.选择滤波器的大小： 确定邻域的大小，例如选择3x3或5x5的滤波器。
2.遍历图像像素： 对于图像中的每个像素，将其与邻域内的像素进行平均。
3.计算邻域平均值： 对于每个像素，计算邻域内像素的平均值。邻域可以是以该像素为中心的正方形区域，根据滤波器大小确定。
4.更新像素值： 将该像素的值替换为邻域平均值。

2. 实验代码

void CImageProcessingView::OnEnhanceDenoiseAverage()
{
 // 实验 图像平滑 256级灰度图像 邻域平均滤波
 
 // 获得当前文档对象
    CImageProcessingDoc* pDoc = GetDocument();
 if( pDoc->m_pDibInit->IsEmpty() )
 {
  MessageBox("图像未加载");
  return;
 }

 // 获得图像的基本信息
 int width = pDoc->m_pDibInit->GetWidth();
 int height = pDoc->m_pDibInit->GetHeight();
 int bitCount = pDoc->m_pDibInit->GetBitCount();
 // 程序只支持处理灰度图像
 if( bitCount!=8 )
 {
  MessageBox("目前只支持256级灰度图像");
  return;
 }
 // 将图像信息复制至 m_pDibTest
 pDoc->m_pDibTest->CloneDib(pDoc->m_pDibInit);
 // 设置去噪模板，这里使用一个3×3的去噪模板
 double templateDenoise[100] = 
  {1, 1, 1,
   1, 2, 1,
   1, 1, 1};
 int templateWidth = 3;
 int templateHeight = 3;
 int templateElementCnt = templateWidth*templateHeight;
 double sum1 = 0;
 
 // 归一化模板元素的值
 int i;
 for(i=0; i<templateElementCnt; i++)
  sum1 += templateDenoise[i];
 for(i=0; i<templateElementCnt; i++)
  templateDenoise[i] = templateDenoise[i]/sum1;

 // 定义临时变量 
 int j,m,n;
 BYTE gray;
 double value1;

 // 对图像里面的每一个像素进行 邻域
 // 为了方便，这里没有处理边界点
 for(i=templateWidth/2; i<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateWidth/2; i++)
 {
  for(j=templateHeight/2; j<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateHeight/2; j++)
  {
   // 当前的像素点是 (i, j) 。
   // 计算以 (i, j) 为中心，templateWidth为宽度，templateHeight为高度的矩形区域内，个个像素点颜色值的加权和。
   // 因为现在处理的是256色灰度图像，所以在 RGBQUAD结构中，Red、Green、Blue三个分量的值都肯定是相等的，
   // 所以只要处理Red分量，算出的结果也适用于Green分量和Blue分量
   value1 = 0;

   for(m=0; m<templateWidth; m++)
   {
    for(n=0; n<templateHeight; n++)
    {     
     gray = pDoc->m_pDibInit->GetPixelGray(i-templateWidth/2+m, j-templateHeight/2+n);
     
     value1 += gray * templateDenoise[n*templateWidth+m];
    }
   }
   pDoc->m_pDibTest->SetPixelGray(i, j, value1);
  }
 } 
 // 交换指针
 CDib* pTmpDib = pDoc->m_pDibTest;
 pDoc->m_pDibTest = pDoc->m_pDibInit;
 pDoc->m_pDibInit = pTmpDib;
 // 设置脏标记
 pDoc->SetModifiedFlag(TRUE);
 // 更新视图
 pDoc->UpdateAllViews(NULL);
}

3. 实验现象

左：灰度图原图
中：图片加入椒盐噪声
右：邻域平均平滑
在这里插入图片描述

中值滤波算法

1. 原理

中值滤波是一种非线性滤波算法，其原理是用窗口中像素的中值替代窗口中心像素的灰度值。这种方法对去除椒盐噪声（Salt-and-Pepper Noise）等脉冲性噪声效果较好。

中值滤波的基本步骤如下：

  1. 选择滤波器大小： 定义一个窗口，通常是正方形，大小为 n × n n \times n n×n，其中 n n n 为奇数，例如 3x3 或 5x5。

  2. 遍历图像像素： 对于图像中的每个像素，以其为中心取一个 n × n n \times n n×n的窗口。

  3. 排序窗口内像素值： 将窗口内的像素值按灰度值进行排序，找到中间值。

  4. 更新像素值： 将该像素的值替换为窗口内像素值的中值。

这样，通过用窗口内像素的中值替代中心像素，可以有效地去除椒盐噪声等离群值，同时保留图像的边缘信息。

中值滤波相对于线性滤波，尤其是在存在脉冲性噪声的情况下，具有更好的去噪效果。然而，中值滤波也会导致图像细节的模糊，因此在应用中需要权衡滤波效果和细节保留。

2. 实验代码

void CImageProcessingView::OnEnhanceDenoiseMedian()
{
 // 实验 图像平滑 256级灰度图像 中值滤波
 // 参考 CImageProcessingView::OnEnhanceDenoiseAverage()
 //MessageBox("请在这里设计 256级灰度图像 中值滤波 算法");
 
 // 获得当前文档对象
    CImageProcessingDoc* pDoc = GetDocument();
 if( pDoc->m_pDibInit->IsEmpty() )
 {
  MessageBox("图像未加载");
  return;
 }

 // 获得图像的基本信息
 int width = pDoc->m_pDibInit->GetWidth();
 int height = pDoc->m_pDibInit->GetHeight();
 int bitCount = pDoc->m_pDibInit->GetBitCount();

 // 程序只支持处理灰度图像
 if( bitCount!=8 )
 {
  MessageBox("目前只支持256级灰度图像");
  return;
 }

 // 将图像信息复制至 m_pDibTest
 pDoc->m_pDibTest->CloneDib(pDoc->m_pDibInit);

 int i,j,m,n;
 BYTE grays[100];
 int graysSize = 100;
 int templateWidth = 3;
 int templateHeight = 3;
 int templateElementCnt = templateWidth*templateHeight;
 BYTE tempByte1;


 for(i=templateWidth/2; i<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateWidth/2; i++)
 {
  for(j=templateHeight/2; j<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateHeight/2; j++)
  {
   memset(grays, 0, graysSize*sizeof(BYTE));

   for(n=0; n<templateHeight; n++)
   {
    for(m=0; m<templateWidth; m++)
    {     
     grays[n*templateWidth+m] = pDoc->m_pDibInit->GetPixelGray(i-templateWidth/2+m, j-templateHeight/2+n);
    }
   }

   for(m=0; m<templateElementCnt-1; m++)
   {
    for(n=m+1; n<templateElementCnt; n++)
    {
     if( grays[m]>grays[n] )
     {
      tempByte1 = grays[m];
      grays[m] = grays[n];
      grays[n] = tempByte1;
     }
    }
   }

   pDoc->m_pDibTest->SetPixelGray(i, j, grays[templateElementCnt/2]);
  }
 }

 // 交换指针
 CDib* pTmpDib = pDoc->m_pDibTest;
 pDoc->m_pDibTest = pDoc->m_pDibInit;
 pDoc->m_pDibInit = pTmpDib; 
 
 // 设置脏标记
 pDoc->SetModifiedFlag(TRUE);
 
 // 更新视图
 pDoc->UpdateAllViews(NULL);
}

3.实验现象

左：添加椒盐噪声的灰度图像
右：使用中值滤波后
在这里插入图片描述

K近邻均值滤波算法（KNNF）

1. 原理

K近邻均值滤波（KNNF）是一种非线性滤波算法，它通过计算像素点周围的K个邻居的平均值来实现图像平滑。相比于传统的平均滤波，KNNF更加灵活，能够在一定程度上保留图像的边缘信息。

KNNF的基本步骤如下：

  1. 选择邻居数量 K K K 和滤波器大小： 确定每个像素点周围邻居的数量 K K K，同时选择一个滤波器的大小，通常是一个 n × n n \times n n×n 的窗口，其中 n n n 为奇数。

  2. 遍历图像像素： 对于图像中的每个像素，以其为中心取一个 n × n n \times n n×n 的窗口。

  3. 计算邻居的平均值： 计算窗口内邻居的平均值。

  4. 更新像素值： 将该像素的值替换为邻居的平均值。

这种滤波方法能够在一定程度上去除图像中的噪声，同时保留图像的整体结构和边缘信息。

在实现中，可以通过计算像素点间的距离来确定邻居，选择距离最近的K个像素进行平均。这个方法在一定程度上能够提高滤波的效果。

2. 实验代码

int i,j,m,n;
 BYTE grays[100];
 int graysSize = 100;
 int templateWidth = 3;
 int templateHeight = 3;
 int templateElementCnt = templateWidth*templateHeight;
 BYTE tempByte1;
 int kNN = 3;

 for(i=templateWidth/2; i<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateWidth/2; i++)
 {
  for(j=templateHeight/2; j<pDoc->m_pDibInit->m_lpBMIH->biWidth-templateHeight/2; j++)
  {    
   memset(grays, 0, graysSize*sizeof(BYTE));

   for(n=0; n<templateHeight; n++)
   {
    for(m=0; m<templateWidth; m++)
    {    
     grays[n*templateWidth+m] = pDoc->m_pDibInit->GetPixelGray(i-templateWidth/2+m, j-templateHeight/2+n);
    }
   }
   
   BYTE centerGray = pDoc->m_pDibInit->GetPixelGray(i, j);

   for(m=0; m<templateElementCnt-1; m++)
   {
    for(n=m+1; n<templateElementCnt; n++)
    {
     if( abs(grays[m]-centerGray) > abs(grays[n]-centerGray) )
     {
      tempByte1 = grays[m];
      grays[m] = grays[n];
      grays[n] = tempByte1;
     }
    }
   }

   double avgGray = 0;
   for(m=0; m<kNN; m++)
   {
    avgGray += grays[m];
   }
   avgGray /= kNN; 

   pDoc->m_pDibTest->SetPixelGray(i, j, avgGray);
  }
 }

实验现象

在这里插入图片描述

写的什么石山代码
关注
  • 6
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
邻域平均法实现平滑
11-23
邻域平均法实现平滑，简单易懂，自己写的代码，通过调试
四种图像平滑方法 python代码
weixin_44221738的博客
10-07 1万+
1.图像平滑概述 图像平滑也称为图像去噪，是为了抑制图像噪声改善图像质量进行的处理。这种噪声可能是在图像获取和传输等过程中造成的，噪声会使图像恶化，质量下降，图像模糊，特征淹没，对图像分析很不利。 本文主要介绍四种空间域的图像平滑方法：邻域平均法（均值滤波法），超限像素平滑法，有选择保边缘平滑法和中值滤波法。并且给出案例以及python代码。 2.邻域平均法（均值滤波法） 这种方法直接在空间域上进行平滑处理 思想： 假设图像由许多灰度恒定的小块组成，相邻的像素之间存在很高的空间相关性，而噪声则是统计独立的。
邻域平均法
热门推荐
dongliqiang2006的专栏
06-14 4万+
<br />5.4  图像的平滑<br />图像的平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。因为高频率分量主要对应图像中的区域边缘等灰度值具有较大较快变化的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。实际应用中，平滑滤波还可用于消除噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。它的主要目的是消除图像采集过程中的图像噪声，在空间域中主要利用邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声；在频率域内，由于噪声主要存在
OpenCV-python 实现图像的邻域平均平滑滤波
luoluo3664的博客
12-02 3291
邻域平均平滑滤波： 一、´定义：用一个像素的邻域平均值作为滤波结果，滤波模板所有系数值都取11 二、邻域平均的一般表达式为： 其中N(x,y)对应f(x,y)中(x,y)的n×n邻域，与模板W所对应的范围对应。 三、说明： ...
基于opencv的python中3*3邻域平滑,中值去模糊处理
qq_42398342的博客
08-02 1558
基于opencv的python中3*3邻域平滑,中值去模糊处理 调用numpy的zeros函数创建所需类型的3个数组，用于平滑,取中值和扩充之后的图片。然后用冒泡排序取得中间值完成中值处理，最后在一个窗口上显示。 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('Fig0335.tif'...
基于matlab的k近邻滤波算法设计与实现
05-01
基于matlab的k近邻滤波算法设计与实现
平滑处理 噪声消除 邻域平均法 33均值滤波器 超限邻域平均法 中值滤波 随机噪声.rar
09-11
平滑处理 VS2017编译通过，可直接运行 包括噪声消除 邻域平均法 33均值滤波器 超限邻域平均法 中值滤波 随机噪声
邻域平均模板平滑中值滤波，均值滤波，Laplacian边缘提取，Sobel边缘提取，Prewitt边缘提取图像去噪
05-03
邻域平均模板平滑中值滤波，均值滤波，Laplacian边缘提取，Sobel边缘提取，Prewitt边缘提取图像去噪，matlab2021a测试。
邻域均值检测的迭代加权中值滤波算法
04-30
针对现有滤波算法在噪声检测与去除上存在的相应缺陷，提出了邻域均值检测的迭代加权中值滤波算法，对噪声检测与去除方法分别进行改进。算法根据噪声的灰度特征进行噪声检测，再基于邻域像素的相关性，用邻域的均值作...
Python 实现中值滤波、均值滤波的方法
12-24
红包： Lena椒盐噪声图片： # -*- coding: utf-8 -*- """ Created on Sat Oct 14 22:16:47 2017 @author: Don """ from tkinter import * from skimage import io ...im=io.imread('lena_sp.jpg', as_grey=True) ...
496.下一个更大的元素
m0_73800437的博客
05-19 268
刷算法题：第一遍：1.看5分钟，没思路看题解2.通过题解改进自己的解法，并且要写每行的注释以及自己的思路。3.思考自己做到了题解的哪一步，下次怎么才能做对(总结方法)4.整理到自己的自媒体平台。5.再刷重复的类似的题目，根据时间和任务安排刷哪几个板块6.用c++语言 都刷过一遍了 就刷中等。
牛客网刷题 | BC95 小乐乐与进制转换
最新发布
m0_64000959的博客
05-23 464
目前主要分为三个专栏，后续还会添加： 专栏如下： C语言刷题解析 C语言系列文章 我的成长经历感谢阅读！初来乍到，如有错误请指出，感谢！小乐乐在课上学习了二进制八进制与十六进制后，对进制转换产生了浓厚的兴趣。因为他的幸运数字是6，所以他想知道一个数表示为六进制后的结果。请你帮助他解决这个问题。输入一个正整数n (1 ≤ n ≤ 109)输出一行，为正整数n表示为六进制的结果确定基数：十进制转六进制，基数为6。除以基数：将十进制数除以6。
day09
2202_76101487的博客
05-17 758
正值少年的日常打卡！！！
【算法】二分算法——x的平方根
2302_79031646的博客
05-17 822
用二分边界算法来求解——x的平方根，从暴力求解到二分的优化细说
克鲁斯卡尔（Kruskal）算法生成最小生成树(MST)原理及算法实现
2301_77118121的博客
05-20 522
克鲁斯卡尔（Kruskal）算法生成最小生成树(MST)原理及算法实现
【算法】【二叉树，DFS，哈希集合，分类讨论】力扣1110. 删点成林
未来就在脚下。
05-20 676
本题通过DFS遍历二叉树，结合分类讨论的方法，逐步删除指定节点并生成新的森林。该算法有效地处理了节点删除后树结构的调整问题，并通过哈希集合优化删除判断的时间复杂度，最终实现了高效的解决方案。
【代码随想录】【算法训练营】【第15天】 [102]二叉树的层序遍历 [226]翻转二叉树 [101]对称二叉树
weixin_54954007的博客
05-22 273
思路及算法思维，指路。题目来自。day 15，一周中最困难的周三~
BERT系列算法解读
qq_52053775的博客
05-19 92
从而提高模型在SQuAD、MNLI和SST-2数据集上的性能。总的来看，这些优化措施显著增强了模型的表现。
matlab k近邻均值滤波器
05-25
在Matlab中，可以使用k邻近均值滤波器来平滑图像。该滤波器的步骤如下： 1. 读取图像并将其转换为灰度图像。 ``` img = imread('image.jpg'); img_gray = rgb2gray(img); ``` 2. 定义滤波器的大小k。 ``` k = 3; % 滤波器大小为3x3 ``` 3. 对于每个像素，找到其周围k^2个像素，并计算它们的平均值。 ``` [m, n] = size(img_gray); filtered_img = zeros(m, n); for i = 1:m for j = 1:n % 找到像素(i,j)周围的k^2个像素 neighbors = img_gray(max(i-k,1):min(i+k,m), max(j-k,1):min(j+k,n)); % 计算这些像素的平均值 filtered_img(i,j) = mean(neighbors(:)); end end ``` 4. 显示原始图像和平滑后的图像。 ``` subplot(1,2,1), imshow(img_gray), title('原始图像'); subplot(1,2,2), imshow(filtered_img), title('平滑后的图像'); ```

“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

打赏作者

写的什么石山代码

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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