KNN平滑滤波算法实现

KNN平滑滤波算法是一种基于邻近点的滤波算法，其思想是用某个点周围的K个邻近点的平均值来代替该点的像素值，以达到平滑图像的目的。下面给出KNN平滑滤波算法的实现过程：

1. 读入原始图像，并设定邻域大小K。

2. 对于每个像素点，计算它周围K个邻近点的平均灰度值。

3. 将该像素点的灰度值替换为计算出的平均灰度值。

4. 将处理后的图像保存。

以下是Python代码实现KNN平滑滤波算法：

import numpy as np
import cv2

# 读入原始图像
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)
# 设定邻域大小为3
K = 3

# 定义KNN平滑滤波函数
def knn_smooth(img, K):
    # 获取图像的行数和列数
    rows, cols = img.shape
    # 定义一个空的结果图像
    result = np.zeros_like(img)

    # 对于每个像素点
    for i in range(rows):
        for j in range(cols):
            # 计算该像素点周围K个邻近点的平均灰度值
            top = max(0, i - K//2)
            bottom = min(rows, i + K//2 + 1)
            left = max(0, j - K//2)
            right = min(cols, j + K//2 + 1)
            neighbors = img[top:bottom, left:right]
            result[i,j] = np.mean(neighbors)

    return result

# 调用KNN平滑滤波函数
result = knn_smooth(img, K)

# 保存处理后的图像
cv2.imwrite('result.jpg', result)

在上述代码中，我们首先读入原始图像，并设定邻域大小K为3。然后定义了一个名为knn_smooth的函数，用于实现KNN平滑滤波算法。在该函数中，我们首先获取图像的行数和列数，然后对于每个像素点，计算该点周围K个邻近点的平均灰度值，并将该点的像素值替换为计算出的平均灰度值。最后，我们调用该函数，并保存处理后的图像。