KNN平滑滤波算法实现

KNN平滑滤波算法是一种基于相邻像素值的滤波方法，可以用来去除图像中的噪声。其基本思想是对于每个像素点，选择其周围K个最相似的像素点的平均值作为该像素点的新值，从而达到平滑的效果。

下面是KNN平滑滤波算法的实现代码：

import cv2
import numpy as np

def knn_smooth(img, k):
    # 获取图像的行数和列数
    rows, cols = img.shape[:2]
    # 创建一个全零的输出图像
    out = np.zeros_like(img)
    # 对于每个像素点，计算其周围K个最相似的像素点的平均值
    for i in range(rows):
        for j in range(cols):
            # 计算当前像素点周围K个像素点的距离
            dist = []
            for m in range(max(0, i-k), min(rows, i+k+1)):
                for n in range(max(0, j-k), min(cols, j+k+1)):
                    if m == i and n == j:
                        continue
                    dist.append((m, n, np.sum(np.abs(img[i,j,:] - img[m,n,:]))))
            # 根据距离排序，选择K个最近的像素点
            dist = sorted(dist, key=lambda x:x[2])
            sum_value = np.zeros((1,3))
            for idx in range(min(k, len(dist))):
                sum_value += img[dist[idx][0], dist[idx][1],:]
            # 计算平均值并将其赋值给输出图像
            out[i,j,:] = sum_value / min(k, len(dist))
    return out

其中，img表示输入图像，k表示选择的最相似的像素点个数。在代码中，我们首先创建了一个全零的输出图像，然后对于每个像素点，计算其周围K个最相似的像素点的平均值，并将其赋值给输出图像。在计算距离和排序的过程中，我们使用了numpy的数组操作，以提高代码的运行效率。

下面是一个使用KNN平滑滤波算法对图像进行去噪的例子：

# 读取原始图像
img = cv2.imread('lena.jpg')
# 添加高斯噪声
noise = np.random.normal(0, 50, img.shape)
img_noise = img + noise
# 对图像进行KNN平滑滤波
img_smooth = knn_smooth(img_noise.astype(np.float32), k=10).astype(np.uint8)
# 显示去噪后的图像
cv2.imshow('Smoothed Image', img_smooth)
cv2.waitKey(0)