中值滤波与均值滤波 KNN图像滤波方法
opencv 滤波函数
opencv 滤波函数OpenCV是一个开源的机器视觉库，其中包含了许多滤波函数用于图像处理和计算机视觉任务。
滤波函数在图像处理中起到很重要的作用，可以增强图像的质量、去除噪声、平滑图像、锐化边缘等。
OpenCV中常用的滤波函数包括线性滤波、非线性滤波、图像平滑、边缘增强等。
下面将介绍几种常用的滤波函数。
1. 均值滤波（Mean Filter）：均值滤波是一种线性滤波方法，将图像中的每个像素点与其周围像素点的平均值进行替换，以达到平滑图像的目的。
均值滤波能够有效减少图像中的噪声，但也会使图像的细节变得模糊。
2. 高斯滤波（Gaussian Filter）：高斯滤波也是一种常用的线性滤波方法，它使用高斯函数作为权重因子，对图像进行平滑处理。
高斯滤波能够保留图像的细节，并且在滤波过程中对图像进行平滑，减少噪声。
常用于图像去噪、平滑和边缘检测前的预处理。
3. 中值滤波（Median Filter）：中值滤波是一种非线性滤波方法，它用邻域窗口中像素的中值来代替当前像素的值。
中值滤波对图像中的椒盐噪声非常有效，能够在保持图像细节的同时去除噪声。
4. 双边滤波（Bilateral Filter）：双边滤波是一种非线性滤波方法，它考虑了像素之间的空间距离、灰度差异以及像素值之间的差异。
双边滤波能够在平滑图像的同时保留边缘细节，因此常用于图像降噪和图像增强。
5. 边缘增强滤波（Edge-Enhancing Filter）：边缘增强滤波是一种非线性滤波方法，它通过增强图像中的边缘信息来改善图像的质量。
边缘增强滤波常用于图像增强、图像锐化等应用。
除了上述几种滤波函数，OpenCV还提供了许多其他的滤波方法，如卷积滤波、Sobel滤波、拉普拉斯滤波等。
总而言之，滤波函数在图像处理中起到非常重要的作用，能够帮助我们处理图像、去除噪声、增强细节、平滑图像等。
随着图像处理和计算机视觉领域的不断发展，滤波函数也在不断完善和优化，以满足不同应用场景的需求。
均值滤波和中值滤波
均值滤波和中值滤波
均值滤波和中值滤波是图像处理的两种常用的滤波算法，它们的目的都是为了去掉图像中的噪声，以使图像变得更清晰，以满足下一步处理所需。
均值滤波是一种很常见的滤波算法。
该算法通过统计一定形状的邻域窗口内像素的灰度值，将窗口中各点像素的灰度值求平均，然后将新的灰度值赋给窗口中的每一点像素，从而进行滤波。
由于噪声的特性，噪声点往往灰度值低于其它像素，因此采用均值滤波的过滤效果良好，能够很好的消除噪声，但是也会消除掉有帮助的图像信息，因此多数情况下只是用于滤除少量的随机噪声，而不能用于去除椒盐噪声。
中值滤波则是另一种常用的滤波算法。
它的原理是通过统计一定范围内像素的中位数来进行滤波。
先以块为单位，确定该块中某一点处的灰度值。
然后，把该点所在连通区域的所有点的灰度值读取出来排序，去掉最大值和最小值，再求中间的中位数，将这个中位数作为该点处的灰度值，从而进行滤波处理。
中值滤波主要用于滤除椒盐噪声，可以更好的保留原始图像的信息，但是它的耗时较多，且由于中位数的计算，比较麻烦。
总之，均值滤波和中值滤波作为图像滤波的两种常用技术，具有他们各自良好的应用特点和优势，根据不同的情况和需求，可以采用适当的技术进行滤波，以满足下一步处理的条件。
中值滤波与均值滤波
06
中值滤波与均值滤波的优缺点 分析
中值滤波的优缺点分析
在此添加您的文本17字
优点
在此添加您的文本16字
能够有效去除椒盐噪声：中值滤波对于去除由异常值引起 的椒盐噪声非常有效，因为它会将异常值视为非正常值而 进行替换。
在此添加您的文本16字
保护边缘信息：与均值滤波相比，中值滤波在处理过程中 更不容易模糊图像的边缘信息。
分治算法实现中值滤波
总结词
时间复杂度较低，适用于较大数据量
详细描述
分治算法实现中值滤波的基本思路是将待处理的像素点及其邻域内的像素值分为两个子集，分别计算子集的中值， 然后将两个子集的中值进行比较，选取较小的一个作为输出。这种方法能够显著降低时间复杂度，提高处理效率， 适用于大规模数据量。
并行算法实现中值滤波
在此添加您的文本16字
缺点
在此添加您的文本16字
处理速度相对较慢：中值滤波需要将像素点与邻近像素点 进行排序，因此处理速度相对较慢，尤其是在处理大图像 时。
在此添加您的文本16字
对非椒盐噪声效果有限：中值滤波对于非椒盐噪声的处理 效果可能不如其他滤波器。
均值滤波的优缺点分析
优点
对均匀区域平滑效果好：均值滤波器能够有效地平滑图 像中的均匀区域，减少图像中的细节。
迭代法实现均值滤波
要点一
总结词
迭代法是一种通过不断迭代更新像素值来实现均值滤波的 方法。
要点二
详细描述
迭代法的基本思想是通过不断迭代更新图像中每个像素的 值来实现均值滤波。具体实现时，通常先对图像进行一次 初步的滤波处理，然后根据滤波后的图像和原始图像之间 的差异，不断迭代更新像素值，直到达到预设的迭代次数 或迭代精度要求。迭代法能够更好地处理图像中的细节和 噪声，但计算复杂度较高，需要更多的计算资源和时间。
中值和均值滤波算法
中值和均值滤波算法中值滤波和均值滤波是常用的图像处理算法，用于降低图像噪声的影响。
它们都属于非线性滤波算法，即输出像素值不仅取决于输入像素值，还取决于输入像素值周围的像素值。
中值滤波算法通过将像素值排序并选择中间值作为输出值来实现图像平滑。
具体步骤如下：1.对于图像中的每个像素点，确定一个窗口大小，该窗口覆盖了该像素点及其邻域像素点。
2.将这些像素值排序，并选择排序后的中间值作为输出像素值。
3.重复上述步骤，直到对所有像素点进行操作。
中值滤波算法的优点是可以有效地去除椒盐噪声等脉冲噪声，但会对图像的细节进行模糊处理，从而使图像失去一些细节信息。
均值滤波算法则是将窗口内所有像素值的平均值作为输出像素值。
具体步骤如下：1.对于图像中的每个像素点，确定一个窗口大小。
2.将窗口内所有像素值求和，并除以窗口中像素点的数量，得到均值作为输出像素值。
3.重复上述步骤，直到对所有像素点进行操作。
均值滤波算法的优点是能够在平滑图像的同时保留图像的细节信息，但对于噪声的去除效果相对较差。
在中值滤波和均值滤波算法中，窗口大小是一个重要的参数。
较小的窗口大小可较好地保留图像的细节信息，但噪声去除效果相对较差；而较大的窗口大小可以更好地去除噪声，但会导致图像模糊。
中值滤波和均值滤波算法都有一些改进方法。
例如，自适应中值滤波算法可以根据像素值的分布动态调整窗口大小，从而更好地去除噪声。
另外，加权平均滤波算法可以根据像素点的重要性赋予不同的权重，从而更好地平衡去噪和保留细节的效果。
总之，中值滤波和均值滤波是两种常用的图像处理算法，可以有效地去除噪声，平滑图像。
选择哪种算法取决于具体的应用场景和需求。
像素均值滤波 中值滤波
像素均值滤波中值滤波
像素均值滤波和中值滤波都是常见的图像滤波算法，用于去除图像中的噪声。
它们的原理和实现方法有所不同。
像素均值滤波是一种线性滤波方法，它通过计算邻域内像素的均值来得到滤波后的像素值。
具体步骤如下：1. 对于每个像素点，选择一个与其邻域大小一致的窗口。
2. 在窗口内计算所有像素的平均值。
3. 将平均值作为滤波后的像素值。
中值滤波是一种非线性滤波方法，它通过计算邻域内像素的中值来得到滤波后的像素值。
具体步骤如下：1. 对于每个像素点，选择一个与其邻域大小一致的窗口。
2. 将窗口内所有像素的值放入一个数组中。
3. 对数组进行排序，取排序后的中间值作为滤波后的像素值。
相比之下，像素均值滤波更加简单而快速，它可以有效地平滑图像，但会对边缘和细节造成模糊。
而中值滤波对于去除椒盐噪声等突发性噪声效果较好，能够保持图像边缘和细节的清晰度。
同时，在噪声比较严重的情况下，中值滤波效果更好。
但是，中值滤波的计算复杂度较高，处理大图像需要耗费一定的时间。
因此，根据实际需求和噪声的特点，选择合适的滤波算法对图像进行噪声抑制。
10种常用滤波方法
10种常用滤波方法
滤波是信号处理领域中常用的技术，用于去除噪声、增强信号的一些特征或改变信号的频谱分布。
在实际应用中，经常使用以下10种常用滤波方法：
1.均值滤波：将像素点周围邻域像素的平均值作为该像素点的新值，适用于去除高斯噪声和椒盐噪声。
2.中值滤波：将像素点周围邻域像素的中值作为该像素点的新值，适用于去除椒盐噪声和激动噪声。
3.高斯滤波：使用高斯核函数对图像进行滤波，通过调整高斯窗口的大小和标准差来控制滤波效果。
适用于去除高斯噪声。
4.双边滤波：通过考虑像素的空间距离和像素值的相似性，对图像进行滤波。
适用于平滑图像的同时保留边缘信息。
5. 锐化滤波：通过滤波操作突出图像中的边缘和细节信息，常用的方法有拉普拉斯滤波和Sobel滤波。
6.中可变值滤波：与中值滤波相似，但适用于非线性信号和背景噪声的去除。
7.分位值滤波：通过对像素值进行分位数计算来对图像进行滤波，可以去除图像中的异常像素。
8.快速傅里叶变换滤波：通过对信号进行傅里叶变换，滤除特定频率的成分，常用于频谱分析和滤波。
9.小波变换滤波：利用小波变换的多尺度分析特性，对信号进行滤波处理，适用于图像去噪和图像压缩。
10.自适应滤波：通过根据信号的局部特征自动调整滤波参数，适用于信号中存在时间和空间变化的情况。
以上是常见的10种滤波方法，每种方法都有不同的适用场景和优缺点。
在实际应用中，选择合适的滤波方法需要根据具体的信号特征和处理需求来确定。
均值滤波和中值滤波原理
均值滤波和中值滤波原理嗨，朋友！今天咱们来聊聊图像处理里超级有趣的均值滤波和中值滤波。
这俩家伙呀，就像是图像的小魔法师，能把图像变得更漂亮、更干净呢！先来说说均值滤波吧。
想象一下，你有一幅画，上面有些小污点或者小噪点，就像脸上的小雀斑一样让人不太舒服。
均值滤波呢，就像是拿了一个小抹布，这个小抹布的大小是事先确定好的，比如说3×3或者5×5的小方块。
然后呢，把这个小抹布放在图像的一个小区域上。
在这个小区域里的每一个像素点就像是一群小伙伴。
均值滤波的做法就是把这些小伙伴的值加起来，再除以小伙伴的数量，得到一个平均值。
这个平均值就成了这个小区域中心像素点的新值啦。
就好像小伙伴们一起商量，咱们取个平均水平，这样就代表咱们这个小团体啦。
比如说，这个小区域里的像素值分别是10、12、15、11、9、13、14、16、18，加起来是128，一共9个像素，那平均值就是128÷9≈14。
于是中心像素点就从原来的值变成14啦。
这样一路做下去，图像里那些小噪点就被慢慢地平均掉了，就像把小雀斑一点一点地抹淡了一样。
“那均值滤波有没有缺点呢？”你可能会这么问。
当然有啦！有时候它就像个傻大个，太过于平均了。
如果图像里有一些边缘信息，比如说画里有个很清晰的物体轮廓，均值滤波可能就会把这个边缘也给模糊掉。
这就好比你本来有一幅很有个性的画，有些线条是用来突出主体的，结果这个傻大个均值滤波一来，把那些线条也给弄模糊了，就好像个性被磨平了一样，有点可惜呢。
现在咱们再聊聊中值滤波。
中值滤波呀，和均值滤波有点像，但又很不一样。
还是那个小抹布的比喻，不过中值滤波在这个小抹布覆盖的小区域里，不是求平均值，而是找中间值。
就好比一群小朋友站成一排，按照身高从矮到高排列，然后找到站在正中间的那个小朋友的身高，这个身高就是新的值啦。
比如说这个小区域里的像素值是8、10、12、15、18、20、22、25、28，把它们从小到大排好，中间的值就是18，那这个小区域中心像素点就变成18啦。
图像处理中的图像滤波算法使用教程
图像处理中的图像滤波算法使用教程图像滤波是数码图像处理中常用的技术之一，它能够改善图像质量、去除噪声、增强图像细节等。
在图像处理领域中，有多种不同类型的滤波算法可供选择，包括线性和非线性滤波算法。
本文将介绍图像处理中常见的几种滤波算法及其使用方法，以帮助读者更好地理解和应用这些算法。
一、线性滤波算法1. 均值滤波均值滤波是一种常见且简单的线性滤波算法。
它通过取周围像素的平均值来平滑图像，从而减小图像中的高频噪声。
均值滤波的具体步骤如下：（1）定义一个滑动窗口，大小为n×n。
n的取值通常为3、5或7，根据实际需求选择。
（2）选取窗口中所有像素的平均值，并将其赋给窗口中心像素。
（3）依次遍历图像中的每个像素，重复步骤（2）直到遍历完所有像素。
均值滤波适用于去除轻度噪声和平滑图像，但会导致图像细节损失。
2. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波算法，也是最常用的模糊滤波算法之一。
它通过对图像进行加权平均来平滑图像，具有较好的平滑效果并且不会丢失图像细节。
高斯滤波的过程如下：（1）定义一个滑动窗口，大小为n×n。
（2）根据高斯函数的权重计算滑动窗口中每个像素的权重。
（3）将权重乘以对应像素的灰度值，并将结果累加。
（4）将累加值除以所有权重的总和，得到滑动窗口中心像素的灰度值。
高斯滤波是一种较为通用的线性滤波算法，适用于去除噪声、模糊图像和提高图像质量。
3. 中值滤波中值滤波是一种非线性滤波算法，它通过用滑动窗口中所有像素的中值来替代中心像素的值。
中值滤波的步骤如下：（1）定义一个滑动窗口，大小为n×n。
（2）将滑动窗口中的所有像素按照像素值大小排序。
（3）取排序结果的中值，并将其赋给滑动窗口中心像素。
中值滤波能够有效地去除椒盐噪声和脉冲噪声，但会导致图像细节模糊。
二、非线性滤波算法1. 双边滤波双边滤波是一种基于空间和灰度相似性的非线性滤波算法。
它能够在保持边缘清晰的同时平滑图像，对于去噪和保护图像细节来说都很有效。
pythonopencv图像的均值滤波、中值滤波和高斯滤波
pythonopencv图像的均值滤波、中值滤波和⾼斯滤波⼀、实验⽬的掌握opencv如何实现图像的均值滤波、中值滤波和⾼斯滤波。
⼆、实验内容1.题⽬描述对图⽚test.png进⾏图像的均值滤波、中值滤波和⾼斯滤波，还有⾼斯边缘检测，下⾯是test.png原图⽚。
下⾯需要达到的效果：2.实现过程通过对⽼师发给的代码进⾏分析，再在百度上搜索分析，代码如下：import cv2import numpy as npfrom PIL import Image, ImageDraw, ImageFont__author__ = "sunjingjing"#均值滤波def blur(source):img = cv2.blur(source, (10,10))cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中颜⾊的hex码的储存顺序不同pilimg = Image.fromarray(cv2img)draw = ImageDraw.Draw(pilimg) # 图⽚上打印font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 参数1：字体⽂件路径，参数2：字体⼤⼩draw.text((0, 0), "均值滤波", (255, 0, 0), font=font) # 参数1：打印坐标，参数2：⽂本，参数3：字体颜⾊，参数4：字体# PIL图⽚转cv2 图⽚cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)cv2.imshow("blur", cv2charimg)#中值滤波def medianBlur(source):img= cv2.medianBlur(source, 3)cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中颜⾊的hex码的储存顺序不同pilimg = Image.fromarray(cv2img)draw = ImageDraw.Draw(pilimg) # 图⽚上打印font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 参数1：字体⽂件路径，参数2：字体⼤⼩draw.text((0, 0), "中值滤波", (255, 0, 0), font=font) # 参数1：打印坐标，参数2：⽂本，参数3：字体颜⾊，参数4：字体# PIL图⽚转cv2 图⽚cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)cv2.imshow("medianBlur", cv2charimg)#⽅框滤波def BoxFilter(source):img = cv2.boxFilter(source, -1, (5,5), normalize=1)cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中颜⾊的hex码的储存顺序不同pilimg = Image.fromarray(cv2img)draw = ImageDraw.Draw(pilimg) # 图⽚上打印font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 参数1：字体⽂件路径，参数2：字体⼤⼩draw.text((0, 0), "⽅框滤波", (255, 0, 0), font=font) # 参数1：打印坐标，参数2：⽂本，参数3：字体颜⾊，参数4：字体# PIL图⽚转cv2 图⽚cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)cv2.imshow("boxFilter", cv2charimg)#⾼斯滤波def GaussianBlur(source):img = cv2.GaussianBlur(source, (3,3), 0)cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中颜⾊的hex码的储存顺序不同pilimg = Image.fromarray(cv2img)draw = ImageDraw.Draw(pilimg) # 图⽚上打印font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 参数1：字体⽂件路径，参数2：字体⼤⼩draw.text((0, 0), "⾼斯滤波", (255, 0, 0), font=font) # 参数1：打印坐标，参数2：⽂本，参数3：字体颜⾊，参数4：字体# PIL图⽚转cv2 图⽚cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)cv2.imshow("GaussianBlur", cv2charimg)#⾼斯边缘检测def Gaussian(source):sobelX = cv2.Sobel(source,cv2.CV_64F,1,0)#x⽅向的梯度sobelY = cv2.Sobel(source,cv2.CV_64F,0,1)#y⽅向的梯度sobelX = np.uint8(np.absolute(sobelX))#x⽅向梯度的绝对值sobelY = np.uint8(np.absolute(sobelY))#y⽅向梯度的绝对值img = cv2.bitwise_or(sobelX,sobelY)#cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中颜⾊的hex码的储存顺序不同pilimg = Image.fromarray(cv2img)draw = ImageDraw.Draw(pilimg) # 图⽚上打印font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 参数1：字体⽂件路径，参数2：字体⼤⼩draw.text((0, 0), "⾼斯边缘检测", "green", font=font) # 参数1：打印坐标，参数2：⽂本，参数3：字体颜⾊，参数4：字体# PIL图⽚转cv2 图⽚cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)cv2.imshow("GaussianBlur", cv2charimg)if__name__ == "__main__":#加载图⽚img = cv2.imread("test2.png")dWindow("input image", cv2.WINDOW_AUTOSIZE)cv2.imshow("input image", img)blur(img)medianBlur(img)GaussianBlur(img)# Gaussian(img)cv2.waitKey(0)cv2.destroyAllWindows()3.运⾏结果4.问题及解决⽅法问题：没有办法将中⽂写在图⽚上，⼀有中⽂就乱码解决⽅法：在百度上搜索，发现要写上中⽂，要设置汉字的字体颜⾊和坐标将汉字沾在图⽚上。
使用计算机视觉技术进行图像滤波的方法和评价指标
使用计算机视觉技术进行图像滤波的方法和评价指标计算机视觉技术在图像处理中扮演着重要的角色。
其中，图像滤波是一种常用的技术，可以对图像进行去噪、增强、平滑等操作，以提高图像的质量和清晰度。
本文将介绍图像滤波的方法以及评价指标。
一、图像滤波的方法1. 线性滤波线性滤波是一种基本的滤波方法，其核心思想是利用图像的邻域像素计算每个像素的新值。
常见的线性滤波方法包括均值滤波、中值滤波和高斯滤波。
- 均值滤波：通过计算图像中每个像素的邻域平均值来得到新像素的值。
它可以有效地去除噪声，但可能导致图像的模糊。
- 中值滤波：通过计算图像中每个像素的邻域中位数来得到新像素的值。
它能够有效地去除脉冲噪声，但可能产生边缘模糊。
- 高斯滤波：通过邻域像素的加权平均值来计算新像素的值。
它可以平滑图像并保持边缘的细节。
2. 非线性滤波非线性滤波方法相比线性滤波更加灵活，能够更好地保护图像细节。
常见的非线性滤波方法包括双边滤波和非局部均值滤波。
- 双边滤波：通过加权平均邻域像素的过程来计算新像素的值，其中权重除了距离还考虑了像素之间的相似性。
它能够保留边缘信息并兼顾去噪效果。
- 非局部均值滤波：通过计算图像中像素与其他像素之间的相似度，然后加权平均得到新像素值。
它能够有效地去除噪声并保持更多图像的细节，但计算复杂度较高。
二、图像滤波的评价指标1. 均方误差（MSE）均方误差是评价滤波效果的常用指标之一，它衡量了滤波后图像与原始图像之间的差异。
MSE的计算公式为：MSE = Σ [(I(i, j) - G(i, j))^2] / (M * N)其中，I(i, j)是原始图像的像素值，G(i, j)是滤波后图像的像素值，M和N分别是图像的宽度和高度。
2. 峰值信噪比（PSNR）峰值信噪比可以量化图像滤波后的信噪比，它是原始图像的动态范围与滤波后图像与原始图像之间的差异关系。
PSNR的计算公式为：PSNR = 10 * log10 (MAX^2 / MSE)其中，MAX是原始图像的最大像素值。
图像处理中的平滑滤波方法比较
图像处理中的平滑滤波方法比较近年来，图像处理被广泛应用于计算机视觉、图像识别等领域。
在图像处理中，平滑滤波是一个常见的操作，它可以去除噪点、边缘保持等。
不同的平滑滤波方法会对图像产生不同的影响，因此选择合适的平滑滤波方法非常重要。
本文将比较五种常见的平滑滤波方法：均值滤波、高斯滤波、中值滤波、双边滤波和小波变换。
一、均值滤波均值滤波是最简单的一种平滑滤波方法，它将图像中每个像素点周围的像素值取平均数，并将平均值赋值给该像素点。
均值滤波可以消除图像的高频噪声，但同时也会损失一些图像的细节信息。
此外，均值滤波对较大的噪声点效果并不理想，很容易使图像产生模糊现象。
二、高斯滤波高斯滤波是一种局部加权平均滤波方法，它可以对图像进行模糊处理，同时保留较多的图像细节信息。
高斯滤波的核心理念是将周围像素的加权平均值作为该像素点的值。
高斯滤波的其中一个优点是可以更好地处理高斯白噪声、椒盐噪声等图像噪声，提高图像质量。
但是，高斯滤波也可能产生一定程度的模糊。
三、中值滤波中值滤波是一种基于统计学原理的平滑滤波方法，它将3×3或者5×5个像素的中间值作为该像素点的值。
中值滤波不会像均值滤波那样对图像像素进行加权平均，因此可以更好地去除图像噪声。
中值滤波常用于处理椒盐噪声、斑点噪声等，它能够减弱噪点的影响，同时保持图像的轮廓、边缘等细节特征。
四、双边滤波双边滤波是一种非线性滤波方法，它在平滑图像的同时，还可以保留图像的细节信息。
双边滤波在处理不同光照条件下的图像、模糊图像、具有强噪音的图像等方面具有较好的效果。
它的核心思想是在像素空间和像素值空间同时进行加权，从而能够更好地保留图像细节信息。
双边滤波的计算速度相对较慢，但是它常被用于实时视频处理等场景。
五、小波变换小波变换是在频域进行滤波的一种方法，它能够分离图像信号的低频和高频成份，对于高频噪点可以进行好的去除。
小波变换可以提取出不同频率的信息，对于保留图像细节来说非常有用。
中值滤波与均值滤波
最小方差平滑滤波器
—— 模板结构
模板如下：本例在第2和第6中选择一个方差小的。
3
1
2
4
7
9
5
6
8
Sigma平滑滤波器
—— 基本原理
根据统计数学的原理，属于同一类别的元素 的置信区间，落在均值附近±2σ 范围之内。
Sigma滤波器是构造一个模板，计算模板的 标准差σ，置信区间为当前像素值的±2σ范围。
为了改善效果，就可采用加权平均的方式来构造 滤波器。
均值滤波器的改进
—— 加权均值滤波
如下，是几个典型的加权平均滤波器。
1 1 1
H1
1 10
1
2
1
1 1 1 示例
1 2 1
H2
1 16
2
4
2
1 2 1
示例
1 1 1
H3
1 8
1
1
0 1
1 1
示例
0
1 4
0
H4
1 2
1 4
1
1 4
0
1 4
0
示例
如果在某个模板中，对像素进行由小到大排列的 重新排列，那么最亮的或者是最暗的点一定被排 在两侧。
取模板中排在中间位置上的像素的灰度值替代待 处理像素的值，就可以达到滤除噪声的目的。
中值滤波器
—— 原理示例
m-2
m-1
6
10
m
m+1
62
5数值排序mFra bibliotekm+1
m-2
2
5
6
m+2 8
m+2 8
m-1 10
K近邻(KNN)平滑滤波器
opencv图像滤波（均值,方框,高斯,中值）
opencv图像滤波（均值,⽅框,⾼斯,中值）为什么要使⽤滤波消除图像中的噪声成分叫作图像的平滑化或滤波操作。
信号或图像的能量⼤部分集中在幅度谱的低频和中频段是很常见的，⽽在较⾼频段，感兴趣的信息经常被噪声淹没。
因此⼀个能降低⾼频成分幅度的滤波器就能够减弱噪声的影响。
如下图，左图带有椒盐噪声，右图为使⽤中值滤波处理后的图⽚。
图像滤波的⽬的有两个:⼀是抽出对象的特征作为图像识别的特征模式;另⼀个是为适应图像处理的要求，消除图像数字化时所混⼊的噪声。
python +opencv讲解均值滤波含义如图：如果我们想对红⾊点进⾏处理，则它新值等于周围N乘N个像素点的平均（包括⾃⾝）⽤表达式表达：扩展到对整个图像进⾏均值滤波实现⽅法：处理结果=cv2.blur(原始图像,核⼤⼩)核⼤⼩：以（宽度，⾼度）的元祖效果：使图像变模糊啦。
能处理被椒盐攻击过的照⽚。
import cv2a=cv2.imread('lenacolor.png')#b=cv2.blur(a,(8,8))cv2.imshow('original',a)cv2.imshow('result',b)cv2.waitKey(0)cv2.destroyAllWindows()⽅框滤波实现⽅法：函数boxFilter处理结果=cv2.boxFilter(原始图像,⽬标图像深度,核⼤⼩,normalize属性）⽬标图像深度: int类型的⽬标图像深度，-1表⽰与原始图像⼀致核⼤⼩：（宽度，⾼度）元祖normalize:是否对⽬标图像进⾏归⼀化处理normalize为true 时与均值滤波⼀样，为false时表⽰任意⼀个点的像素为周围像素点的和，容易发⽣溢出超过255normalize=1，1为trueimport cv2a=cv2.imread('lenacolor.png')#b=cv2.boxFilter(a,-1,(5,5),normalize=1) cv2.imshow('original',a)cv2.imshow('result',b)cv2.waitKey(0)cv2.destroyAllWindows()结果：normalize=0，0为false结果中只有⼏个点不是⽩⾊减少核⼤⼩为（2,2）normalize=0⾼斯滤波含义：中⼼点权重⾼，越远越低实现⽅法：GaussianBlur处理结果=cv2.GaussianBlur(原始图像src，核函数⼤⼩ksize，sigmaX)核函数⼤⼩ksize：（N，N）必须是奇数sigmaX：控制x⽅向⽅差，控制权重,⼀般取0,它⾃⼰去计算⽅差。
均值滤波、中值滤波、高斯滤波公式
均值滤波、中值滤波、高斯滤波的公式如下：
1.均值滤波：使用邻域平均法，用均值代替原图像中的各个像素值。
设有一个滤波
模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度g（x，y），即g（x，y）=∑f（x，y）/m m为该模板中包含当前像素在内的像素总个数。
2.中值滤波：其数学公式为y[n]=median(x[n-k],…,x[n],…,x[n+k]) 其中x xx是原始
信号，y yy是滤波后的信号，n nn是当前位置，k kk是窗口大小。
3.高斯滤波：高斯函数可以用来模拟存在噪声的图像。
假设有一幅大小为N×N像
素的图像f(x,y)，那么任意一点(x,y)上的像素值可以用高斯函数来描述：
f(x,y)=∫∫f(u,v)exp[-{(u-x)^2+(v-y)^2}/2σ^2]dudv 其中，f(u,v)是原始图像上(u,v)点的像素值，σ是高斯滤波参数，表示高斯函数的“宽度”。
以上信息仅供参考，如有需要，建议咨询专业人士。
中值滤波与均值滤波
排序算法实现中值滤波的过程包括以下步骤：首先，将像素邻域内的所有像素值读入一个数组中；然后，对这个 数组进行排序；最后，选择排序后的中间值作为输出。这种方法的时间复杂度较高，为O(nlogn)，其中n是像素 邻域内的像素个数。
分治算法实现中值滤波
总结词
分治算法实现中值滤波是一种改进的方 法，它将问题分解为若干个子问题，递 归地解决子问题，最后将结果合并。
中值滤波与均值滤波
• 中值滤波器概述 • 均值滤波器概述 • 中值滤波与均值滤波的比较 • 中值滤波的实现方法 • 均值滤波的实现方法 • 中值滤波与均值滤波的未来发展
01
中值滤波器概述
中值滤波的定义
01
中值滤波是一种非线性信号处理 技术，用于消除噪声和异常值。
02
它通过将一个滑动窗口内的所有 像素值按大小排序，并将中值作 为输出，来达到去除异常值的目 的。
THANKS
感谢观看
值的平均值，得到滤波后的像素值。
高斯滤波器实现均值滤波
总结词
高斯滤波器是一种常用的均值滤波方法，通过将高斯函数作为滤波器核，对图像进行卷 积运算，实现均值滤波。
详细描述
高斯滤波器的基本思想是，将高斯函数作为滤波器核，对图像中的每个像素及其邻近像 素进行卷积运算。高斯函数具有平滑的形状和逐渐减小的振幅，能够有效地平滑图像并
中值滤波对异常值较为鲁棒，能 够有效地去除由异常值引起的噪 声。均值滤波对异常值的敏感性 较高，容易受到异常值的影响。
边缘保护
中值滤波在处理图像边缘时能够 较好地保留边缘信息，而均值滤 波可能会对图像边缘造成模糊。
适用场景比较
中值滤波适用于去除椒盐噪声和去除由异常值引起的噪声。 均值滤波适用于去除高斯噪声和减少图像细节。
中值滤波与均值滤波(教学材料)
1
的目的。
2
知识分享
22
K近邻(KNN)平滑滤波器
—— 实现算法
1) 以待处理像素为中心，作一个m*m的作用 模板。
2）在模板中，选择K个与待处理像素的灰度差 为最小的像素。
3）将这K个像素的灰度均值替换掉原来的像素 值。
知识分享
23
K近邻(KNN)平滑滤波器
—— 例题
例：下图，给定3*3模板，k=5。
C=6.6316
12143 1 22 23 34 4 5 75 66 86 9 5 76 67 88 8 56789
C=5.5263
知识分享
示例
14
中值滤波器与均值滤波器的比较
对于椒盐噪声，中值滤波效果比均值滤 波效果好。
知识分享
15
中值滤波器与均值滤波器的比较
原因： 椒盐噪声是幅值近似相等但随机分布在不
(1,2,2,2,6) (1,2,2,2,6) (1,2,2,4,6)
知识分享
(2,4,4)
12
中值滤波器
—— 滤波处理方法
与均值滤波类似，做3*3的模板，对9个数排 序，取第5个数替代原来的像素值。
知识分享
13
中值滤波器
—— 例题
1 21 4 3 1 22 3 4 5 76 8 9 5 76 8 8 5 67 8 9
1 1 1
H1
1 10
1
2
1
1 1 1 示例
1 2 1
H2
1 16
2
4
2
1 2 1
示例
1 1 1
H3
1 8
1
1
0 1
1 1
中值和均值滤波算法
中值和均值滤波算法中值滤波和均值滤波是两种常用的图像滤波算法，它们可以有效地去除图像中的噪声。
本文将分别介绍中值滤波和均值滤波的原理、算法以及它们的应用。
中值滤波是一种非线性滤波算法，其核心思想是将每个像素点的灰度值替换为其周围像素点灰度值的中值。
这样做的好处是可以有效地去除椒盐噪声等孤立的噪声点，而不会使图像变模糊。
中值滤波的算法如下：1.选择一个适当的窗口大小，窗口的大小通常为奇数，以确保有一个中心像素。
2.将窗口中的像素按照灰度值大小进行排序，找到中间位置的像素值。
3.将该中间像素值替换为原始像素值。
中值滤波算法的优点是简单高效，在去除椒盐噪声等孤立噪声点的同时，能够保持图像的边缘和细节。
均值滤波是一种线性滤波算法，其核心思想是用周围像素点的平均值替代当前像素点的值。
均值滤波的算法如下：1.选择一个适当的窗口大小。
2.将窗口中的像素值求平均，得到一个新的像素值。
3.将该新像素值替换为原始像素值。
均值滤波算法的优点是简单易实现，计算速度快。
它可以有效地去除高斯噪声等随机噪声，但在去除椒盐噪声等孤立噪声点的效果稍差。
中值滤波和均值滤波广泛应用于图像降噪、图像增强等领域。
它们各自有适用的场景。
中值滤波适用于去除孤立噪声点较多的图像，而均值滤波适用于去除随机噪声较多的图像。
此外，中值滤波适用于去除椒盐噪声等孤立噪声点，而均值滤波可能会模糊图像细节。
在实际应用中，根据图像的特点和滤波效果要求，可以结合使用中值滤波和均值滤波，以达到更好的降噪效果。
首先使用中值滤波去除孤立噪声点，然后再使用均值滤波去除随机噪声，这样可以在保留图像细节的同时降低噪声干扰。
综上所述，中值滤波和均值滤波是两种常用的图像滤波算法，它们有各自的原理和优点。
根据实际需求，选择适当的滤波算法可以有效地去除图像中的噪声，提高图像质量。
openCV中值滤波和均值滤波的代码实现
openCV中值滤波和均值滤波的代码实现⽬录⼀.均值滤波⼆.中值滤波在开始我们今天的博客之前，我们需要先了解⼀下什么是滤波：⾸先我们看⼀下图像滤波的概念。
图像滤波，即在尽量保留图像细节特征的条件下对⽬标图像的噪声进⾏抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
下图左边是原图右边是噪声图：消除图像中的噪声成分叫作图像的平滑化或滤波操作。
信号或图像的能量⼤部分集中在幅度谱的低频和中频段是很常见的，⽽在较⾼频段，感兴趣的信息经常被噪声淹没。
因此⼀个能降低⾼频成分幅度的滤波器就能够减弱噪声的影响。
图像滤波的⽬的有两个:⼀是抽出对象的特征作为图像识别的特征模式;另⼀个是为适应图像处理的要求，消除图像数字化时所混⼊的噪声。
⽽对滤波处理的要求也有两条:⼀是不能损坏图像的轮廓及边缘等重要信息;⼆是使图像清晰视觉效果好。
平滑滤波是低频增强的空间域滤波技术。
它的⽬的有两类：⼀类是模糊；另⼀类是消除噪⾳。
空间域的平滑滤波⼀般采⽤简单平均法进⾏，就是求邻近像元点的平均亮度值。
邻域的⼤⼩与平滑的效果直接相关，邻域越⼤平滑的效果越好，但邻域过⼤，平滑会使边缘信息损失的越⼤，从⽽使输出的图像变得模糊，因此需合理选择邻域的⼤⼩。
关于滤波器，⼀种形象的⽐喻法是：我们可以把滤波器想象成⼀个包含加权系数的窗⼝，当使⽤这个滤波器平滑处理图像时，就把这个窗⼝放到图像之上，透过这个窗⼝来看我们得到的图像。
举⼀个滤波在我们⽣活中的应⽤：美颜的磨⽪功能。
如果将我们脸上坑坑洼洼⽐作是噪声的话，那么滤波算法就是来取出这些噪声，使我们⾃拍的⽪肤看起来很光滑。
这篇博⽂会介绍中值滤波以及均值滤波两种算法⼀.均值滤波图⽚中⼀个⽅块区域（⼀般为3*3）内，中⼼点的像素为全部点像素值的平均值。
均值滤波就是对于整张图⽚进⾏以上操作。
我们可以看下图的矩阵进⾏理解缺陷：均值滤波本⾝存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从⽽使图像变得模糊，不能很好地去除噪声点。
图像噪声、均值滤波、高斯滤波、中值滤波
一、图像噪声由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。
常见的图像噪声有高斯噪声、椒盐噪声等。
1、椒盐噪声2、高斯噪声高斯噪声是指噪声的密度服从高斯分布的一类噪声，由于高斯噪声在空间和频域中数学上的易处理性，这种噪声（也称为正态噪声）模型经常被用于实践中。
高斯噪声随机变量z的概率密度函数由下式给出：加入高斯噪声后的效果：二、图像平滑图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。
因此我们可以对图像实施低通滤波。
低通滤波可以去除图像中的噪声，对图像进行平滑。
根据滤波器的不同可以分为：均值滤波、高斯滤波、中值滤波、双边滤波我们认为高频信息就是噪声，低频信息就是有用的内容。
1、均值滤波（1）api介绍（2）实例分析import cv2 as cvimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib import font_manager#字体设置my_font = font_manager.fontproperties(fname="c:/windows/fonts/sthupo.ttf")#1、读取图像img = cv.imread("./images/girl.jpg")#2、均值滤波blur = cv.blur(img, (5,5))#3、图像显示plt.figure(figsize=(10,8), dpi=100)# subplot中的121代表[1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置。
plt.subplot(121)plt.imshow(img[:,:,::-1])plt.title("原图", fontproperties=my_font)plt.xticks([]), plt.yticks([])plt.subplot(122)plt.imshow(blur[:,:,::-1])plt.title("均值滤波后的结果", fontproperties=my_font)plt.xticks([]), plt.yticks([])plt.show()2、高斯滤波图像是二维的，所以使用二维高斯分布。
中值滤波和均值滤波
度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化
[cpp] view plaincopy
%自编的中值滤波函数。x是需要滤波的图像,n是模板大小(即n×n)
function d=mid_filter(x,n)
end
end
%未被赋值的元素取原值
d=uint8(x2);
中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号
处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，
一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度
值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗
x2(i+(n-1)/2,j+(n-1)/2)=mm; %将模板各元素的中值赋给模板中心位置的元素
end
end
%未被赋值的元素取原值
d=uint8(x2);
a(1:n,1:n)=1; %a即n×n模板,元素全是1
[height, width]=size(x); %输入图像是hightxwidth的,且hight>n,width>n
x1=double(x);
x2=x1;
for i=1:hight-n+1
for j=1:width-n+1
[height, width]=size(x); %输入图像是p×q的,且p>n,q>n
x1=double(x);
x2=x1;
for i=1:height-n+1
for j=1:height-n+1
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
对称近邻平滑滤波器
—— 基本原理
算法示意图如下，从模板中的对称点对寻找与 待处理像素相同区域的点。然后对选出的点做 均值运算。
a1 d2 c2
b1
b2
c1 d1 a2
1/4*（a1+b1+c1+d2)
最小方差平滑滤波器
—— 基本原理
将属于同一个区域的可能的相邻关系以9种 模板表示出来，然后计算每个模板中的灰度 分布方差，以方差最小的那个模板的均值替 代原像素值。
中值滤波器
—— 问题的提出
虽然均值滤波器对噪声有抑制作用，但同时会 使图像变得模糊。即使是加权均值滤波，改善 的效果也是有限的。
为了有效地改善这一状况，必须改换滤波器的 设计思路，中值滤波就是一种有效的方法。
中值滤波器
—— 设计思想
因为噪声（如椒盐噪声）的出现，使该点像素比 周围的像素亮（暗）许多。
如果在某个模板中，对像素进行由小到大排列的 重新排列，那么最亮的或者是最暗的点一定被排 在两侧。
取模板中排在中间位置上的像素的灰度值替代待 处理像素的值，就可以达到滤除噪声的目的。
中值滤波器
—— 原理示例
m-2
m-1
6
10
m
m+1
62
5
数值排序
m
m+1
m-2
2
5
6
m+2 8
m+2 8
m-1 10
中值滤波器
—— 例题
1 21 4 3 1 22 3 4 5 76 8 9 5 76 8 8 5 67 8 9
C=6.6316
12143 1 22 23 34 4 5 75 66 86 9 5 76 67 88 8 56789
C=5.5263
示例
中值滤波器与均值滤波器的比较
对于椒盐噪声，中值滤波效果比均值滤 波效果好。
K近邻(KNN)平滑滤波器
—— 原理分析
边界保持滤波器的核心是确定边界点与非边界 点。
如图所示，点1是黄色区域的非边界点，点2是 蓝色区域的边界点。
点1模板中的像素全部
1Hale Waihona Puke 是同一区域的；点2模板中的像素则包
2
括了两个区域。
K近邻(KNN)平滑滤波器
—— 原理分析
在模板中，分别选出5个与点1或点2灰度值最 相近的点进行计算，则不会出现两个区域信息 的混叠平均。
H0
1 9
1
1
1
1 1 1
12143 12234 57689 57688 56789
C=6.6316
12143 1 23 24 34 4 5 74 65 86 9 5 76 67 88 8 56789
C=5.5263
边框保留不变的效果示例
待处理像素
示例
均值滤波器的改进
—— 加权均值滤波
均值滤波器的缺点是，会使图像变的模糊，原因 是它对所有的点都是同等对待，在将噪声点分摊 的同时，将景物的边界点也分摊了。
第五章 图像的噪声抑制
图像噪声的概念
所谓的图像噪声，是图像在摄取时或是 传输时所受到的随机干扰信号。
常见的有椒盐噪声和高斯噪声。
图像噪声的概念
椒盐噪声的特征:
出现位置是随机的，但噪声的幅值是基本相同 的。
高斯噪声的特征：
出现在位置是一定的（每一点上），但噪声的 幅值是随机的。
图像噪声的抑制方法
将模板中落在置信范围内的像素的均值替换 原来的像素值。
Sigma平滑滤波器
—— 例题
如下，是一个5*5的模板。
11345 21455 23545 32332 45411
11345 21455 2 3 54 4 5 32332 45411
σ =1.56
置信区间为： [f(i,j)-2σ, f(i,j)+2σ]=[5-3.12,5+3.12]=[1.88,8.12]
为了改善效果，就可采用加权平均的方式来构造 滤波器。
均值滤波器的改进
—— 加权均值滤波
如下，是几个典型的加权平均滤波器。
1 1 1
H1
1 10
1
2
1
1 1 1 示例
1 2 1
H2
1 16
2
4
2
1 2 1
示例
1 1 1
H3
1 8
1
1
0 1
1 1
示例
0
1 4
0
H4
1 2
1 4
1
1 4
0
1 4
0
示例
g(i,j) =4.33
边界保持类平滑滤波器
—— 总结
边界保持类平滑滤波器的核心是：尽可能地 将平滑处理避开两个或多个不同区域进行计 算。可以采用不同形状结构判别，也可以采 用同类相似的概念进行判别。
谢谢大家
作业 1. P100 第2题 2. P101 第3（2）题
画面边框保留效果
最小方差平滑滤波器
—— 模板结构
模板如下：本例在第2和第6中选择一个方差小的。
3
1
2
4
7
9
5
6
8
Sigma平滑滤波器
—— 基本原理
根据统计数学的原理，属于同一类别的元素 的置信区间，落在均值附近±2σ 范围之内。
Sigma滤波器是构造一个模板，计算模板的 标准差σ，置信区间为当前像素值的±2σ范围。
这样，就达到了边界保持
1
的目的。
2
K近邻(KNN)平滑滤波器
—— 实现算法
1) 以待处理像素为中心，作一个m*m的作用 模板。
2）在模板中，选择K个与待处理像素的灰度差 为最小的像素。
3）将这K个像素的灰度均值替换掉原来的像素 值。
K近邻(KNN)平滑滤波器
—— 例题
例：下图，给定3*3模板，k=5。
是因为目标物之间存在边界。 而边界点与噪声点有一个共同的特点是，都具有
灰度的跃变特性。所以平滑处理会同时将边界也 处理了。
边界保持类平滑滤波器
—— 设计思想
为了解决图像模糊问题，一个自然的想 法就是，在进行平滑处理时，首先判别
当前像素是否为边界上的点，如果是，
则不进行平滑处理；如果不是，则进行 平滑处理。
设计噪声抑制滤波器，在尽可能保持原 图信息的基础上，抑制噪声。
均值滤波器 中值滤波器 边界保持类滤波器
均值滤波器
—— 原理
在图像上，对待处理的像素给定一个模板， 该模板包括了其周围的邻近像素。将模板中 的全体像素的均值来替代原来的像素值的方 法。
均值滤波器
—— 处理方法
1 1 1
以模块运算系数表示即：
除椒盐以及高斯噪声时，对图像景物的清晰度保 持方面的效果非常明显。 当然，所付出的代价是：算法的复杂度增加了。
K近邻(KNN)平滑滤波器
—— 效果分析
首先来看一下KNN平滑滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去
除椒盐以及高斯噪声时，对图像景物的清晰度保 持方面的效果非常明显。 当然，所付出的代价是：算法的复杂度增加了。
2
6
中值滤波器 —— 处理示例
例：模板是一个1*5大小的一维模板。 原图像为： 2 2 6 2 1 2 4 4 4 2 4
处理后为： 2 2 2 2 2 2 4 4 4 4 4
(1,2,2,2,6) (1,2,2,2,6) (1,2,2,4,6)
(2,4,4)
中值滤波器
—— 滤波处理方法
与均值滤波类似，做3*3的模板，对9个数排 序，取第5个数替代原来的像素值。
12143 12234 57689 57688 56789
12143 12234 5 76 76 8 9 57688 56789
(12567+12368+23678+2478+234789)/5=12367.8624=82367
K近邻(KNN)平滑滤波器
—— 效果分析
首先来看一下KNN平滑滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去
中值滤波器与均值滤波器的比较
原因： 高斯噪声是幅值近似正态分布，但分布在每点像
素上。 因为图像中的每点都是污染点，所以中值滤波选
不到合适的干净点。 因为正态分布的均值为0，所以均值滤波可以消除
噪声。（注意：实际上只能减弱，不能消除。思 考为什么？）
边界保持类平滑滤波器
—— 问题的提出
经过平滑滤波处理之后，图像就会变得模糊。 分析原因，在图像上的景物之所以可以辨认清楚
中值滤波器与均值滤波器的比较
原因： 椒盐噪声是幅值近似相等但随机分布在不
同位置上，图像中有干净点也有污染点。 中值滤波是选择适当的点来替代污染点的
值，所以处理效果好。 因为噪声的均值不为0，所以均值滤波不能
很好地去除噪声点。
中值滤波器与均值滤波器的比较
对于高斯噪声，均值滤波效果比均值滤 波效果好。