python图像去噪算法,数字图像处理空域滤波

　　4.1 Python图像的图像恢复-空间噪声滤波器文章目录4.1 Python图像的图像恢复-空间噪声滤波器1算法原理2代码3效果

　　1算法原理

　　空间噪声滤波器(均值滤波器、排序统计滤波器)

　　均值滤波-cv2.blur(原图，内核大小)，指任意一点的像素值，是周围N*M个像素值的平均值。均值滤波器的特点是：随着核大小逐渐变大，图像会变得更加模糊；如果内核大小设置为(1，1)，则结果是原始图像。平均滤波器的模板分为标准像素平均和加权平均。如下图所示：

　　两个3x3平滑(平均)滤波器模板。每个模板前面的乘数等于1除以所有系数之和，这是计算平均值所需的。

　　排序滤波器是非线性空间滤波器。这种滤波器的响应是基于滤波器所包围的图像区域中的像素的排序，然后使用由统计排序结果确定的值来代替中心像素的值。该类中最著名的滤波器是中值滤波器，本实验报告以中值滤波器为例，采用统计排序滤波算法实现。

　　中值滤波- cv2 . medianblur(src，ksize)。这里，内核大小ksize必须是奇数。点周围的像素包含在顺序中，取中值作为该点的像素值。中值滤波的特点是：随着核大小逐渐变大，图像会变得更加模糊；内核必须是大于1的奇数，如3、5、7等。在代码dst=cv2.medianBlur(src，ksize)中填写内核大小时，只需填写一个数字即可，如3、5、7、9等。比较均值滤波函数的用法。

　　中值滤波应用广泛，因为它能有效地减少一些随机噪声，而且其模糊度比同样大小的线性平滑滤波小得多。对于单极和双极脉冲噪声，中值滤波比较好，但是多次使用中值滤波会造成图像模糊。

　　其他排序过滤器

　　最大值滤镜可以用来寻找图像中最亮的点，或者弱化亮区所相信的暗区。此外，由于胡椒噪声的值非常低，因此可以使用该滤波器来降低胡椒噪声。

　　最小值滤镜用于查找图像中最暗的点，或者用暗区削弱亮区。此外，盐粒噪声可以通过最小操作来减少。

　　中点滤波器是统计排序滤波器和平均滤波器的组合。它最适合处理随机噪声，如高斯噪声或均匀噪声。

　　2代码运行代码说明

　　1.要改变代码中的图片地址（地址不能有中文）

　　更改路径put(r ./image/image1.jpg )。

　　2.注意最后的plt.savefig(1.new.jpg )是保存plt图像的，不用的话可以注释掉。

　　import OS import numpy as NP import cv2 import matplotlib . py plot as pltplt . rcparams[ font . sans-serif ]=[ sim hei ]PLT . rcparams[ axes . unicode _ MINUS ]=false def put(path):img=cv2 . im read(path，1) img=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY) rows，Col=img . shape[:2]# noise img _ noise=img . copy()for I in range(5000):x=NP . random . randint(0，rows) y=np.random.randint (0，cols) img _ noise [x，Y]=img [x，y] np.random.randint (50，100) #均值滤波器res1=cv2.blur (img _ noise，(9，9)) #统计排序滤波器子情节(2，2，1)，情节。轴(“关”)，PLT。即时消息显示(IMG，PLT。厘米。灰色)，PLT。标题(“原始图像”)PLT。子情节(2，2，2)，情节。Plt.imshow (img _ noise，Plt.cm.gray)，PLT.title(带噪声的图像)PLT.subplot (2，2，3)，PLT.axis (off )，PLT.imshow (res1，PLT.cm.gray) Plt.title(均值滤波器)PLT。子情节(2，2，4)，情节。轴(“关”)，PLT。即时消息显示(Res2，PLT。厘米。灰色)，PLT。标题(中值滤波器)# PLT。SAVEFIG()

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。