中值滤波器(Median Filter)
中值滤波的思想就是比较一定领域内的像素值的大小,取出其中值作为这个领域的中心像素新的值。假设对一定领域内的所有像素从小到大进行排序,如果存在孤立的噪声点,比如椒盐噪声(椒噪声——较小的灰度值,呈现的效果是小黑点;盐噪声——较大的灰度值,呈现的效果是小白点),那么从小到大排序的这个数组中,那些孤立的噪声一定会分布在两边(要么很小,要么很大),这样子取出的中值点可以很好地保留像素信息,而滤除了噪声点的影响。
中值滤波器受滤波窗口大小影响较大,用于消除噪声和保护图像细节,两者会存在冲突。如果窗口较小,则能较好地保护图像中的一些细节信息,但对噪声的过滤效果就会打折扣;反之,如果窗口尺寸较大则会有较好的噪声过滤效果,但也会对图像造成一定的模糊效果,从而丢失一部分细节信息。另外,如果在滤波窗口内的噪声点的个数大于整个窗口内像素的个数,则中值滤波就不能很好的过滤掉噪声。
自适应中值滤波器(Adaptive Median Filter)
在噪声密度不是很大的情况下(根据经验,噪声的出现的概率小于0.2),使用中值滤波的效果不错。但是当噪声出现的概率比较高时,原来的中值滤波算法就不是很有效了。只有增大滤波器窗口尺寸,尽管会使图像变得模糊。
使用自适应中值滤波器的目的就是,根据预设好的条件,动态地改变中值滤波器的窗口尺寸,以同时兼顾去噪声作用和保护细节的效果。
下面是自适应中值滤波器算法的详细描述:
预先定义好以下符号:
直观解释
在自适应中值滤波算法中,A步骤里面会先判断是否满足Zmin<Zmed<ZmaxZmin<Zmed<Zmax。这一步骤实质是判断当前区域的中值点是否是噪声点,通常来说是满足Zmin<Zmed<ZmaxZmin<Zmed<Zmax这个条件的,此时中值点不是噪声点,跳转到B;考虑一些特殊情况,如果Zmed=ZminZmed=Zmin或者Zmed=ZmaxZmed=Zmax,则认为是噪声点,应该扩大窗口尺寸,在一个更大的范围内寻找一个合适的非噪声点,随后再跳转到B,否则输出的中值点是噪声点;
接下来考虑跳转到B之后的情况:判断中心点的像素值是否是噪声点,判断条件为Zmin<Zxy<ZmaxZmin<Zxy<Zmax,原理同上,因为如果Zxy=ZminZxy=Zmin或者Zxy=ZmaxZxy=Zmax,则认为是噪声点。如果不是噪声点,我们可以保留当前像素点的灰度值;如果是噪声点,则使用中值替代原始灰度值,滤去噪声。
程序实现
程序中定义了产生椒噪声和盐噪声函数,以及中值滤波和自适应中值滤波的函数。
程序很基础,不做赘述。
1 #include <stdio.h> 2 #include <opencv2/opencv.hpp> 3 #include <opencv2/highgui/highgui.hpp> 4 #include <opencv2/imgproc/imgproc.hpp> 5 6 //盐噪声 7 void saltNoise(cv::Mat img, int n) 8 { 9 int x, y; 10 for (int i = 0;i < n / 2;i++) 11 { 12 x = std::rand() % img.cols; 13 y = std::rand() % img.rows; 14 if (img.type() == CV_8UC1) 15 { 16 img.at<uchar>(y, x) = 255; 17 } 18 else if (img.type() == CV_8UC3) 19 { 20 img.at<cv::Vec3b>(y, x)[0] = 255; 21 img.at<cv::Vec3b>(y, x)[1] = 255; 22 img.at<cv::Vec3b>(y, x)[2] = 255; 23 } 24 } 25 } 26 27 //椒噪声 28 void pepperNoise(cv::Mat img, int n) 29 { 30 int x, y; 31 for (int i = 0;i < n / 2;i++) 32 { 33 x = std::rand() % img.cols; 34 y = std::rand() % img.rows; 35 if (img.type() == CV_8UC1) 36 { 37 img.at<uchar>(y, x) = 0; 38 } 39 else if (img.type() == CV_8UC3) 40 { 41 img.at<cv::Vec3b>(y, x)[0] = 0; 42 img.at<cv::Vec3b>(y, x)[1] = 0; 43 img.at<cv::Vec3b>(y, x)[2] = 0; 44 } 45 } 46 } 47 48 // 中值滤波器 49 uchar medianFilter(cv::Mat img, int row, int col, int kernelSize) 50 { 51 std::vector<uchar> pixels; 52 for (int y = -kernelSize / 2;y <= kernelSize / 2;y++) 53 { 54 for (int x = -kernelSize / 2;x <= kernelSize / 2;x++) 55 { 56 pixels.push_back(img.at<uchar>(row + y, col + x)); 57 } 58 } 59 sort(pixels.begin(), pixels.end()); 60 auto med = pixels[kernelSize*kernelSize / 2]; 61 return med; 62 } 63 64 // 自适应中值滤波器 65 uchar adaptiveMedianFilter(cv::Mat &img, int row, int col, int kernelSize, int maxSize) 66 { 67 std::vector<uchar> pixels; 68 for (int y = -kernelSize / 2;y <= kernelSize / 2;y++) 69 { 70 for (int x = -kernelSize / 2;x <= kernelSize / 2;x++) 71 { 72 pixels.push_back(img.at<uchar>(row + y, col + x)); 73 } 74 } 75 76 sort(pixels.begin(), pixels.end()); 77 78 auto min = pixels[0]; 79 auto max = pixels[kernelSize*kernelSize - 1]; 80 auto med = pixels[kernelSize*kernelSize / 2]; 81 auto zxy = img.at<uchar>(row, col); 82 if (med > min && med < max) 83 { 84 // to B 85 if (zxy > min && zxy < max) 86 return zxy; 87 else 88 return med; 89 } 90 else 91 { 92 kernelSize += 2; 93 if (kernelSize <= maxSize) 94 return adaptiveMedianFilter(img, row, col, kernelSize, maxSize);// 增大窗口尺寸,继续A过程。 95 else 96 return med; 97 } 98 } 99 100 101 int main() 102 { 103 int minSize = 3; 104 int maxSize = 7; 105 cv::Mat img; 106 img = cv::imread("lena.bmp"); 107 cv::cvtColor(img, img, cv::COLOR_BGR2GRAY); 108 cv::imshow("src", img); 109 saltNoise(img, 40000); 110 pepperNoise(img, 40000); 111 cv::imshow("noise", img); 112 cv::Mat temp = img.clone(); 113 114 // 自适应中值滤波 115 cv::Mat img1; 116 // 扩展图像的边界 117 cv::copyMakeBorder(img, img1, maxSize / 2, maxSize / 2, maxSize / 2, maxSize / 2, cv::BorderTypes::BORDER_REFLECT); 118 // 图像循环 119 for (int j = maxSize / 2;j < img1.rows - maxSize / 2;j++) 120 { 121 for (int i = maxSize / 2;i < img1.cols - maxSize / 2;i++) 122 { 123 img1.at<uchar>(j, i) = adaptiveMedianFilter(img1, j, i, minSize, maxSize); 124 } 125 } 126 cv::imshow("adaptiveMedianFilter", img1); 127 128 // 中值滤波 129 cv::Mat img2; 130 int kernelSize = 3; 131 cv::copyMakeBorder(temp, img2, kernelSize / 2, kernelSize / 2, kernelSize / 2, kernelSize / 2, cv::BorderTypes::BORDER_REFLECT); 132 for (int j = kernelSize / 2;j < img2.rows - kernelSize / 2;j++) 133 { 134 for (int i = kernelSize / 2;i < img2.cols - kernelSize / 2;i++) 135 { 136 img2.at<uchar>(j, i) = medianFilter(img2, j, i, kernelSize); 137 } 138 } 139 cv::imshow("medianFilter", img2); 140 141 cv::waitKey(); 142 cv::destroyAllWindows(); 143 144 return 0; 145 }
结果截图
原始图像和添加椒盐噪声后的图像。
其实截图中看不出很明显的区别,在自己电脑上运行后看结果会清楚点。可以看到使用普通中值滤波的结果相比另一个会模糊一些,且局部仍然会有一小的噪声点。图像边缘多出来的区域不好做中值滤波处理保留了原始图像,所以边缘那一圈仍然有噪声。
标签:img,int,噪声,滤波,kernelSize,适应,OpenCV,cv From: https://www.cnblogs.com/ybqjymy/p/17514444.html