平滑線性濾波器的輸出爲濾波模板中像素的簡單平均值,所以又稱爲均值濾波器
一般濾波模板的大小m*n,m和n都是奇數,這樣目標像素才能在模板的正中心
以下是使用Python的實現過程,圖像數據使用與《數字圖像處理》——剛薩雷斯,書中相同圖像數據
原數據爲單通道灰度圖像,上圖可能已經不是單通道了,所以數據集請自行尋找(CSDN上就有)
要使用的庫:
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
讀取圖像數據,並可視化:
img = Image.open('Fig0333(a)(test_pattern_blurring_orig).tif')
plt.axis('off')
plt.imshow(img, cmap = 'gray')
plt.show()
定義濾波函數:
#m,n代表濾波模板的大小
def rejector(img, m, n):
img_data = np.array(img)
#新圖像使用二維列表存儲
img_new = [[] for _ in range(np.shape(img_data)[0])]
a = m // 2
b = n // 2
for i in range(np.shape(img_data)[0]):
for j in range(np.shape(img_data)[1]):
num = 0
for k in range(i-a, i+a+1, 1):
for l in range(j-b, j+b+1, 1):
c = k>=0 and k<np.shape(img_data)[0]
d = l>=0 and l<np.shape(img_data)[1]
#判斷模板是否超過圖像邊界,超出的像素默認爲0(0填充)
if c and d:
num += img_data[k][l]
#模板範圍內像素的平均
num = num / (m*n)
img_new[i].append(int(num))
return img_new
分別使用3*3,5*5,9*9,15*15,35*35的濾波模板
a = [3,5,9,15,35]
new_img = []
for i in a:
new_img.append(rejector(img, i, i))
new_img.append(img)
可視化結果:
for i in range(len(new_img)):
plt.subplot(2,3,i+1)
plt.axis('off')
plt.imshow(new_img[i], cmap = 'gray')
plt.show()
最後一張是原圖:
可以看到,對圖像邊界實行0填充,使得圖像邊界的灰度下降,產生黑色邊框