Python图像处理与滤波器应用解析

原创

于 2025-09-14 15:47:31 发布 · 1k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#Python # 图像处理 # 滤波器

39、编写一个Python程序，对带有椒盐噪声的图像应用均值滤波器。描述输出结果，包括均值滤波器去除噪声的能力。

以下是一个使用Python和OpenCV库实现对带有椒盐噪声的图像应用均值滤波器的示例代码：

import cv2
import numpy as np
import random

# 读取图像
image = cv2.imread('your_image.jpg', 0)  # 以灰度模式读取图像

# 添加椒盐噪声
def add_salt_and_pepper_noise(image, prob):
    output = np.zeros(image.shape, np.uint8)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = random.random()
            if rdn < prob:
                output[i][j] = 0
            elif rdn > thres:
                output[i][j] = 255
            else:
                output[i][j] = image[i][j]
    return output

noisy_image = add_salt_and_pepper_noise(image, 0.02)  # 添加椒盐噪声，噪声比例为0.02

# 应用均值滤波器
blurred_image = cv2.blur(noisy_image, (3, 3))  # 3x3的均值滤波器

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Noisy Image', noisy_image)
cv2.imshow('Blurred Image', blurred_image)

cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果及均值滤波器去除噪声的能力：

输出结果

运行上述代码后，会依次显示原始图像、添加椒盐噪声后的图像和应用均值滤波器后的图像。从视觉上看，原始图像是清晰无噪声的；添加椒盐噪声后的图像上会随机分布着黑色（椒噪声）和白色（盐噪声）的像素点；应用均值滤波器后的图像中，这些随机分布的椒盐噪声点会明显减少。

均值滤波器去除噪声的能力

优点：均值滤波器能有效去除椒盐噪声。它通过计算邻域内像素的平均值来代替中心像素的值，对于孤立的椒盐噪声点，其邻域内的正常像素值会对其进行“修正”，从而达到去除噪声的效果，提升了图像的整体质量。
缺点：在平滑过程中会使图像的边缘模糊，降低图像的空间分辨率。因为均值滤波是一种线性平滑滤波，它在去除噪声的同时，也会对图像中的边缘和细节信息进行平均处理，导致边缘的对比度下降，细节变得模糊。