【图像处理】 均值滤波、中值滤波和高斯滤波

均值滤波

均值滤波是一种线性滤波，会导致图像模糊。

均值滤波器卷积核：卷积核中心点对应原图上的位置的值，变为卷积核覆盖的原图上的所有值的平均值。

c++均值滤波函数：

blur(src, dst, ksize);

• ksize：滤波器卷积核的尺寸，如：Size(3, 3)

python均值滤波函数：

dst = cv2.blur(src, ksize)

• ksize：滤波器卷积核的尺寸，必须为元组

中值滤波

中值滤波器是一种非线性滤波器，常用于消除图像中的椒盐噪声。椒盐噪声是指两种噪声，一种是盐噪声=白色(255)，另一种是胡椒噪声=黑色(0)。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。对于彩色图像，则表现为在单个像素BGR三个通道随机出现的255与0

中值滤波器卷积核：卷积核中心点对应原图上的位置的值，变为卷积核覆盖的原图上所有值的中位数。

c++中值滤波函数：

medianBlur(src, dst, ksize);

• src：Mat，输入图像
• dst：Mat，输出图像
• ksize：int型奇数，滤波器卷积核尺寸

python中值滤波函数：

dst = cv2.medianBlur(src, kszie)

• ksize：滤波器卷积核的尺寸，必须为整型奇数

高斯滤波

对图像进行平滑的同时，同时能够更多的保留图像的总体灰度分布特征

二维高斯分布：

高斯滤波器卷积核：卷积核中心点对应原图上位置的值，变为卷积核和覆盖的原图上的值对应位置一一相乘后的和

卷积核的值：以3x3的卷积核为例，

（-1， -1）	（0，-1）	（1， -1）
（-1， 0）	（0，0）	（1，0）
（-1， 1）	（0， 1）	（1， 1）

假设上面的表格是3x3的卷积核，卷积核每个位置的值是表格中的值代入二维高斯函数后得到的值

高斯滤波模板中最重要的参数就是高斯分布的标准差σ。它代表着数据的离散程度，如果σ较小，那么生成的模板中心系数越大，而周围的系数越小，这样对图像的平滑效果就不是很明显；相反，σ较大时，则生成的模板的各个系数相差就不是很大，比较类似于均值模板，对图像的平滑效果就比较明显

c++高斯滤波函数：

GaussianBlur(src, dst, ksize, sigmaX, sigmaY, borderType=BORDER_DEFAULT);

• ksize：滤波器卷积核的尺寸，如：Size(3, 3)
• sigmaX：double型，表示高斯核函数在X方向的的标准偏差
• sigmaY：double型，示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX

python高斯滤波函数：

dst = cv2.GaussianBlur(src, kszie, sigmaX, sigmaY)

• ksize：滤波器卷积核的尺寸，必须为元组

结语

如果您有修改意见或问题，欢迎留言或者通过邮箱和我联系。
如果我的文章对您有帮助，转载请注明出处。