均值滤波器类型_详解图像滤波原理及实现！

图像的实质是一种二维信号，滤波是信号处理中的一个重要概念。在图像处理中，滤波是一常见的技术，它们的原理非常简单，但是其思想却十分值得借鉴，滤波是很多图像算法的前置步骤或基础，掌握图像滤波对理解卷积神经网络也有一定帮助。

学习目标：了解图像滤波的分类和基本概念

理解几种图像滤波的原理

掌握OpenCV框架下滤波API的使用

算法理论介绍

滤波器分类

线性滤波：对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常见的线性滤波有：方框滤波、均值滤波、高斯滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版的系数不同。

非线性滤波：非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。

卷积核

数字图像是一个二维的数组，对数字图像做卷积操作其实就是利用卷积核在图像上滑动，将图像点上的像素值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素点的像素值，并最终滑动完所有图像的过程。

通常，卷积核的宽度和高度一般是奇数，这样才有中心的像素点，所以卷积核一般都是3x3，5x5或者7x7等。$n×n$的卷积核的半径为$(n-1)/2$，例如5x5大小的卷积核的半径就是2。

两种常见噪声

函数介绍：python中的skimage图像处理模块，该函数可以方便的为图像添加各种类型的噪声。

skimage.util.random_noise(image, mode, seed=None, clip=True, **kwargs)参数：image 为输入图像数据，类型为ndarray，输入后将转换为float64格式。

mode  选择添加噪声的类别。字符串str类型。'gaussian' 高斯加性噪声

'poisson' 泊松分布的噪声

'salt' 盐噪声，随机用1替换像素。属于高灰度噪声。

'peppe' 胡椒噪声，随机用0或-1替换像素。属于低灰度噪声。

's&p' 椒盐噪声，盐噪声和胡椒噪声同时出现，呈现出黑白杂点。

'localvar' 高斯加性噪声，每点具有特定的局部方差。

'speckle' 使用 out = image + n *image 的乘法噪声，其中n是具有指定均值和方差的均匀噪声。

seed int类型。将在生成噪声之前设置随机种子，以进行有效的伪随机比较。

clip bool类型。若为True则在加入噪声后进行剪切以保证图像数据点都在[0,1]或[-1.1]之间。若为False，则数据可能超出这个范围。

1、椒盐噪声(脉冲噪声)

椒盐噪声也称为脉冲噪声，是图像中常常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。产生具有椒盐噪声的图像：(python)

from skimage import utilimport cv2if __name__ == "__main__":img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")#产生椒盐噪声，处理后图像变为float64格式noise_sp_img = util.random_noise(img, mode="s&p")#显示图像cv2.imshow("origin image",img)cv2.imshow("sp noise",noise_sp_img)#将图像转换为uint8格式，否则保存后是全黑的。noise_sp_img = cv2.normalize(noise_sp_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)#储存图像cv2.imwrite("D:\\yt\\pictures2\\sp_noise.jpg",noise_sp_img)cv2.waitKey(0)cv2.destroyAllWindows()

效果：左边为原图，右边加入了椒盐噪声

2、高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。高斯噪声是与光强没有关系的噪声，无论像素值是多少，噪声的平均水平(一般是0)不变。产生具有高斯噪声的图像：(python)

from skimage import utilimport cv2if __name__ == "__main__":img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")#产生高斯噪声，处理后图像变为float64格式noise_gs_img = util.random_noise(img, mode="gaussian")#显示图像cv2.imshow("origin image",img)cv2.imshow("gaussian noise",noise_gs_img#将图像转换为uint8格式，否则保存后是全黑的。noise_gs_img = cv2.normalize(noise_gs_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)#储存图像cv2.imwrite("D:\\yt\\pictures2\\gs_noise.jpg",noise_gs_img)cv2.waitKey(0)c