滤波算法(均值、中值、最大均值、最大中值、几何均值)

最新推荐文章于 2024-08-10 19:37:08 发布
最新推荐文章于 2024-08-10 19:37:08 发布
阅读量5.5k 收藏 13
点赞数 2
分类专栏： Opencv 文章标签： Opencv 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/sinat_36412790/article/details/75044922
版权

均值滤波

void meanfilter(Mat src, Mat dst, int kernalsize)
{
	int ksize;
	vector<uchar> tempdata;
	tempdata.clear();
	if (kernalsize % 2 == 0)
	{
		ksize = kernalsize / 2;
	}
	else
	{
		ksize = (kernalsize - 1) / 2;
	}
	if (kernalsize>src.rows || kernalsize>src.cols)
		cout << "核输入过大" << endl;

	for (int i = ksize; i < src.rows - ksize; i++)
	{
		uchar* datadst = dst.ptr<uchar>(i);
		for (int j = ksize; j < src.cols - ksize; j++)
		{
			
				for (int l = i - ksize; l <= i + ksize; l++)
				{
					uchar* datatemp = src.ptr<uchar>(l);
					for (int k = j - ksize; k <= j + ksize; k++)
					{
						tempdata.push_back(datatemp[k]);
					}
				}
				int tempsum = 0;
				for (size_t tempi = 0; tempi < tempdata.size(); tempi++)
				{
					tempsum += tempdata[tempi];
				}

				double s = 1.0 / (kernalsize*kernalsize);
				datadst[j] = s*tempsum;
				tempdata.clear();
		}
	}

	return;
}

修改：新方法解决了边界像素问题。而原始做法是将原图边界复制，即边界像素不做处理。

Mat mean(Mat src, int kernelSize)
{
	Mat dst = src.clone();
	int padding=0;
	if (kernelSize % 2 == 0)
	{
		padding = kernelSize / 2;
	}
	else
	{
		padding = (kernelSize - 1) / 2;
	}
	if (kernelSize>src.rows || kernelSize>src.cols)
		cout << "核输入过大" << endl;
	
	Mat addsrc(src.rows + padding, src.cols + padding, CV_8U);
	
	//将src边界放大，解决了边界像素的处理问题
	copyMakeBorder(src, addsrc, padding, padding, padding, padding, BORDER_CONSTANT, Scalar(255));

	for (int i = 0; i < src.rows; i++)
	{
		for (int j = 0; j < src.cols; j++)
		{
			double sum = 0;
			for (int irow = i; irow < i+kernelSize; irow++)
			{
				for (int jcol = j; jcol < j+kernelSize; jcol++)
				{
					sum += addsrc.at<uchar>(irow, jcol);
				}
			}
				sum= sum / (kernelSize*kernelSize);
				dst.at<uchar>(i,j)= sum;
		}

	}
	return dst;
}


中值滤波

void medianfilter(Mat src, Mat dst, int kernalsize)
{
	int ksize;
	vector<uchar> tempdata;
	tempdata.clear();
	if (kernalsize % 2 == 0)
	{
		ksize = kernalsize / 2;
	}
	else
	{
		ksize = (kernalsize - 1) / 2;
	}
	if (kernalsize>src.rows || kernalsize>src.cols)
		cout << "核输入过大" << endl;

	for (int i = ksize; i < src.rows - ksize; i++)
	{
		uchar* datadst = dst.ptr<uchar>(i);
		for (int j = ksize; j < src.cols - ksize; j++)
		{

			for (int l = i - ksize; l <= i + ksize; l++)
			{
				uchar* datatemp = src.ptr<uchar>(l);
				for (int k = j - ksize; k <= j + ksize; k++)
				{
					tempdata.push_back(datatemp[k]);
				}
			}

			//排序
			sort(tempdata.begin(), tempdata.end());
			datadst[j] = tempdata[tempdata.size() / 2];
			tempdata.clear();
	
		}
	}

	return;
}
最大均值滤波 

void max_meanfilter(Mat src, Mat dst, int kernalsize)
{
	int ksize;
	vector<uchar> tempdata1,tempdata2,tempdata3,tempdata4;
	tempdata1.clear();
	tempdata2.clear();
	tempdata3.clear();
	tempdata4.clear();
	if (kernalsize % 2 == 0)
	{
		ksize = kernalsize / 2;
	}
	else
	{
		ksize = (kernalsize - 1) / 2;
	}
	if (kernalsize>src.rows || kernalsize>src.cols)
		cout << "核输入过大" << endl;
	/*最大均值滤波 f'=max(Z1,Z2,Z3,Z4)*/
	for (int i = ksize; i < src.rows - ksize; i++)
	{
		uchar* datadst = dst.ptr<uchar>(i);
		for (int j = ksize; j < src.cols - ksize; j++)
		{
			/*Z1*/
			for (int l = j - ksize; l <= j + ksize; l++)
			{
				tempdata1.push_back(src.at<uchar>(i,l));
			}
			int tempsum1 = 0;
			for (size_t tempi = 0; tempi < tempdata1.size(); tempi++)
			{
				tempsum1 += tempdata1[tempi];
			}

			/*Z2*/
			for (int k = i - ksize; k <= i + ksize; k++)
			{
				tempdata2.push_back(src.at<uchar>(k, j));
			}
			int tempsum2 = 0;
			for (size_t tempi = 0; tempi < tempdata2.size(); tempi++)
			{
				tempsum2 += tempdata2[tempi];
			}

			/*Z3*/
			for (int l = i + ksize, k = j - ksize; l >= i - ksize, k <= j + ksize; --l,++k)
			{
				tempdata3.push_back(src.at<uchar>(l, k));
			}
			int tempsum3 = 0;
			for (size_t tempi = 0; tempi < tempdata3.size(); tempi++)
			{
				tempsum3 += tempdata3[tempi];
			}
			/*Z4*/
			for (int l = i - ksize, k = j - ksize; l <= i + ksize, k <= j + ksize; ++l,++k)
			{
				tempdata4.push_back(src.at<uchar>(l, k));
			}
			int tempsum4 = 0;
			for (size_t tempi = 0; tempi < tempdata4.size(); tempi++)
			{
				tempsum4 += tempdata4[tempi];
			}
			int tempsum = 0;
			tempsum = max_sort(tempsum1, tempsum2, tempsum3, tempsum4);
			
			double s = 1.0 / kernalsize;
			datadst[j] = s*tempsum;
			tempdata1.clear();
			tempdata2.clear();
			tempdata3.clear();
			tempdata4.clear();
		}
	}

	return;
}
最大中值滤波 

void max_medianfilter(Mat src, Mat dst, int kernalsize)
{
	int ksize;
	vector<uchar> tempdata1, tempdata2, tempdata3, tempdata4;
	tempdata1.clear();
	tempdata2.clear();
	tempdata3.clear();
	tempdata4.clear();
	if (kernalsize % 2 == 0)
	{
		ksize = kernalsize / 2;
	}
	else
	{
		ksize = (kernalsize - 1) / 2;
	}
	if (kernalsize>src.rows || kernalsize>src.cols)
		cout << "核输入过大" << endl;
	/*最大中值滤波 f'=max(Z1,Z2,Z3,Z4)*/
	for (int i = ksize; i < src.rows - ksize; i++)
	{
		uchar* datadst = dst.ptr<uchar>(i);
		for (int j = ksize; j < src.cols - ksize; j++)
		{
			/*Z1*/
			for (int l = j - ksize; l <= j + ksize; l++)
			{
				tempdata1.push_back(src.at<uchar>(i, l));
			}
			//排序
			int tempsum1 = 0;
			sort(tempdata1.begin(), tempdata1.end());
			tempsum1 = tempdata1[tempdata1.size() / 2];
			

			/*Z2*/
			for (int k = i - ksize; k <= i + ksize; k++)
			{
				tempdata2.push_back(src.at<uchar>(k, j));
			}
			int tempsum2 = 0;
			sort(tempdata2.begin(), tempdata2.end());
			tempsum2 = tempdata2[tempdata2.size() / 2];

			/*Z3*/
			for (int l = i + ksize, k = j - ksize; l >= i - ksize, k <= j + ksize; --l, ++k)
			{
				tempdata3.push_back(src.at<uchar>(l, k));
			}
			int tempsum3 = 0;
			sort(tempdata3.begin(), tempdata3.end());
			tempsum3 = tempdata3[tempdata3.size() / 2];

			/*Z4*/
			for (int l = i - ksize, k = j - ksize; l <= i + ksize, k <= j + ksize; ++l, ++k)
			{
				tempdata4.push_back(src.at<uchar>(l, k));
			}
			int tempsum4 = 0;
			sort(tempdata4.begin(), tempdata4.end());
			tempsum4 = tempdata4[tempdata4.size() / 2];
			int tempsum = 0;
			tempsum = max_sort(tempsum1, tempsum2, tempsum3, tempsum4);

			datadst[j] = tempsum;
			tempdata1.clear();
			tempdata2.clear();
			tempdata3.clear();
			tempdata4.clear();
		}
	}

	return;
}


/*四个数排序 输出最大值*/
int max_sort(int a, int b, int c, int d)
{
	int max;
	max = (a>b) ? a : b;
	max = (max>c) ? max : c;
	max = (max>d) ? max : d;
	return max;

}

几何均值滤波：

void GeometricMeanfilter(Mat src, Mat dst, int kernalsize)
{
	int ksize;
	vector<uchar> tempdata;
	tempdata.clear();
	if (kernalsize % 2 == 0)
	{
		ksize = kernalsize / 2;
	}
	else
	{
		ksize = (kernalsize - 1) / 2;
	}
	if (kernalsize>src.rows || kernalsize>src.cols)
		cout << "核输入过大" << endl;

	for (int i = ksize; i < src.rows - ksize; i++)
	{
		uchar* datadst = dst.ptr<uchar>(i);
		for (int j = ksize; j < src.cols - ksize; j++)
		{

			for (int l = i - ksize; l <= i + ksize; l++)
			{
				uchar* datatemp = src.ptr<uchar>(l);
				for (int k = j - ksize; k <= j + ksize; k++)
				{
					tempdata.push_back(datatemp[k]);
				}
			}

			double tempmulti = 1;
			for (size_t tempi = 0; tempi < tempdata.size(); tempi++)
			{
				tempmulti *= tempdata[tempi];
			}

			double s = 1.0 / (kernalsize*kernalsize);

			datadst[j] = pow(tempmulti, s);
			tempdata.clear();
		}
	}

	return;
}




沧浪之水清兮
关注
专栏目录
4.3、matlab实现均值滤波、中值滤波、Butterworth滤波和线性相位FIR滤波
XU157303764的博客
06-08 2144
matlab实现均值滤波、中值滤波、Butterworth滤波和线性相位FIR滤波
最大中值均值滤波
10-30
该代码为对噪声图像进行滤波，以实现去噪的功能，为简单基础的matlab练习，扎实的基础必不可少
最大值、最小值、中值、均值滤波
FireBird的专栏
08-29 7767
0 定义及用途        均值滤波，即以模板内算术平均数的值代替中心像素值，可以降低高斯噪声。        中值滤波，即以模板内进行有序排列后位于中间的像素值代替中心像素值，可以降低椒盐噪声。        最大值滤波，即以模板内进行有序排列后最大像素值代替中心像素值，可以去除图像中的暗斑，使亮斑增大。 最小值滤波，即以模板内进行有序排列后最小像素值代替中心像素值，可以去除图像中的亮
均值滤波原理及C++实现
最新发布
生活需要深度
08-10 625
根据冈萨雷斯书中的描述，均值模糊可以模糊图像以便得到感兴趣物体的粗略描述，也就是说，去除图像中的不相关细节，其中“不相关”是指与滤波器模板尺寸相比较小的像素区域，从而对图像有一个整体的认知。常见的线性滤波有：均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版系数不同。分析：如果采用常规方法，随着模板尺寸的增大，求和计算量也急剧增大，而且模板是逐像素移动的，可见这种效率上的代价是巨大的，下一篇将介绍一种采用积分图处理的快速均值滤波方法，会大大提高执行效率，可以说是工程应用的首选！
中值滤波/最大值滤波/均值滤波 python实现
低吟浅笑
12-24 5956
美团二面题 简单介绍三种滤波的思路： 共同点：三种滤波的方式其实可以理解为卷积操作，只是针对于给定的Filter进行过滤。如果kernel size现在是3*3(如果值都设置为1)，则在9个单元格进行处理，没有padding的情况下， 默认从第二行开始。 中值滤波：候选区域的9个点和过滤器的9个点做元素相乘后，将核中心的点赋值为这个9个乘积的中值，如果3*3 的kernel (值都为1)，那么做完中值滤波后，此时5的位置为18。 最大值滤波和均值的意思是9个元素逐元素相乘后，取这9个值的最大..
最值滤波
SUNJDL的博客
08-28 1362
1．概述     图像增强就是采用某些技术把质量低的图像进行计算机处理，有选择的加强或者抑制图像中的某些信息，改善图像质量，提高人或机器对图像的分析与判别能力。      图像的增强处理方法一共有两种，分别是空间域方法和频域方法，空间域方法主要是运用空间滤波对图像增强进行处理，所谓滤波，就是过滤掉图像中的一些成分，对数字图像的直接滤波就是空间滤波（相对于频率域滤波），最大值最小值滤波就是其
【数字图像处理】线性滤波、最大值滤波，最小值滤波、中值滤波、高频补偿滤波（vs2017+openCV）
热门推荐
青春不言败
10-21 1万+
文章目录一、实验原理1、线性滤波2、非线性滤波3、标定方式二、设计思路1、线性滤波器2、 边缘处理的镜像算法是如何实现的？3、 关于Mat传值后处理，会影响原图像的说明？三、实验过程1、椒盐噪声2、特别注意3、设计文件四、结果分析1、可疑问题2、结果展示 一、实验原理 1、线性滤波 ① 不管是低通线性滤波还是高通线性滤波原理都是一样的，用图一所示的滤波器模板进行加权处理，将最终得到的R值赋给w5对...
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
本主题将深入探讨算术均值滤波和几何均值滤波，并结合噪声分析来理解它们在实际应用中的效果。 首先，我们来看看算术均值滤波。算术均值滤波是最基础的线性滤波器之一，其基本原理是用一个窗口（或称为卷积核）滑过...
均值滤波和中值滤波.doc
09-28
算术均值滤波是最简单的均值滤波算法，几何均值滤波能够更好地保护图像细节。逆谐波均值滤波更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号。 中值...
m文件.rar_image filtering_均值滤波算法_局部均值_滤波_非局部滤波
07-13
本压缩包中包含的文件主要涉及了三种滤波算法：均值滤波、中值滤波以及非局部均值滤波。接下来，我们将详细讨论这些滤波方法及其原理。 1. **均值滤波**： 均值滤波是最基础的线性滤波方法，它通过计算图像像素邻域...
Ｃ#图片高级操作源码：噪声模型、均值滤波与中值滤波、灰度形态学滤波、小波变换去噪、高斯低通滤波、统计滤
06-02
7. **统计滤波**：这类滤波器基于像素的统计特性，如最小值、最大值、中值等。例如，局部平均滤波是一种统计滤波方法，它在邻域内计算像素的加权平均值。 在C#中，可以使用诸如AForge.NET或Emgu CV这样的库来实现...
最大值滤波器
10-08
最大值滤波器可以实现滤除噪声，检测弱小目标，检测精度高，程序易懂，适合初学者
IDL最大值滤波
01-03
最大值滤波，IDL最大值滤波，IDL最大值滤波，IDL最大值滤波，IDL最大值滤波
Opencv写的空间滤波包括最大最小中值滤波
08-08
Opencv写的空间滤波包括最大最小中值滤波等等，借鉴数字图像处理matlab版page117 的函数，几何平均，算术平均，调和平均，反调和平局，中值，中点等
一维二维中值滤波均值滤波matlab编码实现.zip
07-25
一维二维中值滤波均值滤波matlab编码实现
python + opencv 中值滤波器、最大值滤波器和最小值滤波器
我是菜鸡
10-04 6187
中值滤波器 中值滤波器好说，opencv自带和函数就能直接用。在OpenCV中，实现中值滤波的函数是cv2.medianBlur(src, ksize) src：图片位置 kszie：卷积核大小 import cv2 as cv img = cv.imread('d:/Desktop/1.jpg') # 我的桌面上有个1.jpg res = cv.medianBlur(img, 5) cv.imshow("original", img) cv.imshow("result", res) cv.wai
matlab练习程序（最大中值滤波）
weixin_33910385的博客
07-05 2414
clear;clc;width=3;xwidth=(width-1)/2;imgn=imread('1.bmp');imshow(imgn,[]);imgn=double(imgn);[m n]=size(imgn);imgn1=imgn;z=zeros(4,width);tem=1;for i=1+xwidth:1:m-xwidth for j=1+xwidth:1:n-xwidth ...
opencv最大值滤波（不局限于图像）
叶子的博客
06-23 4937
opencv中有较多滤波函数，如中值滤波等，但没有最大值和最小值滤波。本文将介绍用python numpy实现最大值滤波功能，可以说是不需要借助opencv即可实现。 定义最大值滤波的函数为maxBlur，包含3个参数，分别如下所示： （1）image：输入图像，array类型。 （2）kernel：最大值范围，tuple类型，第一个元素表示x方向取最大值的范围，第二个元素表示y方向取最大值的范围。 （3）limit：需要最大值滤波的元素，tuple类
最大值滤波器和最小值滤波器
weixin_45855115的博客
04-28 7898
算法思想： 最大值滤波器将滤波器获得的值中找到最大值，将最大值存到中心元素位置对应的新矩阵中。 最小值滤波是将滤波器获得的值中找到最小值，将最小值存到中心元素位置对应的新矩阵中。 最大值滤波器 function maxf = maxfil(I,n) %I为原图，n为滤波器的大小,最大值滤波器 [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=ze
算术均值滤波、几何均值滤波、中值滤波、修正的阿尔法均值滤波这是关于对一幅图像添加高斯噪声、椒盐噪声，分别运用算术均值滤波、几何均值滤波、中值滤波、修正的阿尔法均值滤波进行图像恢复，显示并比较分析结果。
05-14
对于一幅图像添加高斯噪声或椒盐噪声后，常用的图像恢复方法之一就是利用滤波器进行去噪。以下是对四种滤波器的介绍和比较分析： 1. 算术均值滤波 算术均值滤波是一种常见的线性滤波器，它的原理是对图像中每个像素周围的邻域进行平均处理，来减少噪声的影响。算术均值滤波器的计算公式为： $$ f(x,y)=\frac{1}{w\times h}\sum_{i=1}^w\sum_{j=1}^h g(x+i-1,y+j-1) $$ 其中，$g(x,y)$表示原始图像中像素点$(x,y)$的灰度值，$w\times h$表示邻域大小，$f(x,y)$表示滤波后图像中像素点$(x,y)$的灰度值。 算术均值滤波器的优点是简单易懂，计算速度快，但缺点是对图像细节信息的保留较少，容易造成图像模糊。 2. 几何均值滤波 几何均值滤波也是一种线性滤波器，它的原理是对图像中每个像素周围的邻域进行几何平均处理，来减少噪声的影响。几何均值滤波器的计算公式为： $$ f(x,y)=\sqrt[w\times h]{\prod_{i=1}^w\prod_{j=1}^h g(x+i-1,y+j-1)} $$ 其中，$g(x,y)$表示原始图像中像素点$(x,y)$的灰度值，$w\times h$表示邻域大小，$f(x,y)$表示滤波后图像中像素点$(x,y)$的灰度值。 几何均值滤波器的优点是对噪声的抑制效果较好，但缺点是容易产生过度平滑的效果，对图像细节信息的保留也较少。 3. 中值滤波 中值滤波是一种非线性滤波器，它的原理是对图像中每个像素周围的邻域进行排序，取中间值作为该像素点的灰度值，来减少噪声的影响。中值滤波器的计算公式为： $$ f(x,y)=\text{median}(g(x,y),g(x+1,y),\cdots,g(x+w-1,y+h-1)) $$ 其中，$g(x,y)$表示原始图像中像素点$(x,y)$的灰度值，$w\times h$表示邻域大小，$f(x,y)$表示滤波后图像中像素点$(x,y)$的灰度值。 中值滤波器的优点是对椒盐噪声等噪声类型的抑制效果较好，同时保留了图像的细节信息，但缺点是无法对高斯噪声等连续性噪声类型进行有效的抑制。 4. 修正的阿尔法均值滤波 修正的阿尔法均值滤波是一种非线性滤波器，它的原理是对图像中每个像素周围的邻域进行加权平均处理，来减少噪声的影响。修正的阿尔法均值滤波器的计算公式为： $$ f(x,y)=\begin{cases} g(x,y), & |g(x,y)-A(x,y)|\leqslant \alpha\Sigma(x,y) \\ A(x,y)+\alpha\Sigma(x,y), & g(x,y)-A(x,y)>\alpha\Sigma(x,y) \\ A(x,y)-\alpha\Sigma(x,y), & g(x,y)-A(x,y)<-\alpha\Sigma(x,y) \end{cases} $$ 其中，$g(x,y)$表示原始图像中像素点$(x,y)$的灰度值，$A(x,y)$表示邻域像素点的算术均值，$\Sigma(x,y)$表示邻域像素点的标准差，$\alpha$为参数，$f(x,y)$表示滤波后图像中像素点$(x,y)$的灰度值。 修正的阿尔法均值滤波器的优点是对高斯噪声等连续性噪声类型的抑制效果较好，同时保留了图像的细节信息，但缺点是计算量较大，需要选择合适的参数进行调整。 综上所述，不同的滤波器适用于不同类型的噪声，并且在保留图像细节信息和降噪效果之间需要进行平衡。在实际应用中，需要根据具体情况选择合适的滤波算法来进行图像处理。
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
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