數字圖像處理大作業--均值濾波和方框濾波（盒子濾波）python實現

一.均值濾波：

 

 

圖片中一個方塊區域（一般爲3*3）內，中心點的像素爲全部點像素值的平均值。均值濾波就是對於整張圖片進行以上操作。

 

我們可以看下圖的矩陣進行理解：

 

缺陷：均值濾波本身存在着固有的缺陷，即它不能很好地保護圖像細節，在圖像去噪的同時也破壞了圖像的細節部分，從而使圖像變得模糊，不能很好地去除噪聲點。

 

原圖：

 

對比圖：

 

 

 

• 方框濾波

 

 

原理：當normalize=True時，與均值濾波結果相同， normalize=False，表示對加和後的結果不進行平均操作，大於255的使用255表示

用途：

非歸一化（normalized=False）的方框濾波用於計算每個像素鄰域內的積分特性，比如密集光流算法（dense optical flow algorithms）中用到的圖像倒數的協方差矩陣（covariance matrices of image derivatives）

 

 

import cv2
from pylab import *

def BoxFilter(Imge,dim,dim2,flag):       #Image爲待處理圖像，dim爲濾波器的大小dim*dim2
    im=array(Imge)
    #序列化
    sigema=0
    #濾波求和

    for i in range(int(dim/2), im.shape[0] - int(dim/2)):
        for j in range(int(dim2/2), im.shape[1] - int(dim2/2)):
            for a in range(-int(dim/2), -int(dim/2)+dim):
                for b in range(-int(dim2/2), -int(dim2/2)+dim2):
                    sigema = sigema + img[i + a, j + b]
                    #對於濾波範圍內求和，從左到右，從上到下掃

            if(flag):
                im[i, j] = sigema / (dim*dim2)

            else:
                im[i,j]=min(sigema,255)
            #歸一化則與均值濾波一致，不歸一化的話超過255用255表示
            sigema = 0
            #濾波移動
    return im


img=cv2.imread('20170522171941388.png',0)
#讀取圖像
x=int(input("輸入濾波長度：\n"))
y=int(input("輸入濾波寬度:\n"))
flag=int(input("是否歸一化(1/0)?\n"))

im=BoxFilter(img,x,y,flag)
#im= cv2.boxFilter(img, -1, (3, 3), normalize=False)
#im= cv2.blur(source, (3, 3))

#第一個爲手寫的方框濾波，第二個爲opencv調包的方框濾波，第三個爲調包的均值濾波

cv2.imshow('After',im)
cv2.imshow('Origin',img)
cv2.waitKey()
cv2.destroyAllWindows()
#顯示結果