均值滤波手写python代码

均值滤波是一种常见的图像处理技术，用于平滑图像并减少噪声。在Python中，我们可以使用OpenCV库来实现这个过程。以下是一个简单的例子，展示了如何使用OpenCV进行均值滤波：

import cv2
import numpy as np

# 加载图像
image = cv2.imread('your_image_path.jpg', cv2.IMREAD_GRAYSCALE)

# 定义均值滤波器的大小（这里假设为3x3）
kernel_size = 3

# 使用cv2.blur()函数，它等效于numpy的mean filter
blurred_image = cv2.blur(image, (kernel_size, kernel_size))

# 显示原图和滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Blurred Image', blurred_image)

# 等待用户按键，然后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个代码中，`kernel_size`是你想要应用的滤波器大小，通常较小的值（如3或5）可以提供良好的平滑效果。`cv2.blur()`函数会对图像的每个像素及其周围的像素取平均值，从而实现滤波。

相关问题

空域均值滤波python 15*15 手写

以下是一个 15*15 的空域均值滤波的 Python 实现：

import cv2
import numpy as np

def mean_filter(img, kernel_size):
    # 获取图像的高度和宽度
    height, width = img.shape

    # 计算 padding 的大小
    padding_size = kernel_size // 2

    # 对图像进行 padding
    img_padding = cv2.copyMakeBorder(img, padding_size, padding_size, padding_size, padding_size, cv2.BORDER_REPLICATE)

    # 创建一个和原图像大小相同的空白图像
    img_filtered = np.zeros((height, width), dtype=np.uint8)

    # 对每个像素进行均值滤波
    for i in range(padding_size, height + padding_size):
        for j in range(padding_size, width + padding_size):
            # 获取当前像素的邻域
            neighborhood = img_padding[i - padding_size:i + padding_size + 1, j - padding_size:j + padding_size + 1]

            # 计算邻域的均值
            mean_value = np.mean(neighborhood)

            # 将均值赋值给当前像素
            img_filtered[i - padding_size, j - padding_size] = mean_value

    return img_filtered

你可以将这个函数应用于任何灰度图像，例如：

# 读取图像
img = cv2.imread('lena.png', cv2.IMREAD_GRAYSCALE)

# 对图像进行均值滤波
img_filtered = mean_filter(img, 15)

# 显示原图像和滤波后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Filtered Image', img_filtered)
cv2.waitKey(0)
cv2.destroyAllWindows()

请注意，这个函数只适用于灰度图像，如果你想对彩色图像进行均值滤波，你需要对每个通道分别进行滤波。

(2)生成代码，实现图像分别添加椒盐噪声与乘性噪声，手写实现3*3窗口均值滤波与中值滤波，并比 较两种方法在不同噪声下的去噪效果。提示：嵌套使用for循环语句

为了手写实现图像的椒盐噪声、乘性噪声的添加，以及3x3窗口的均值滤波和中值滤波，我们可以使用Python的PIL库处理图片，numpy处理数组运算。以下是部分代码示例：

from PIL import Image
import numpy as np

# 加载图像
def load_image(file_path):
    return Image.open(file_path).convert('L')  # 黑白图像处理

# 添加椒盐噪声
def add_salt_pepper_noise(image, probability=0.05):
    noisy = np.array(image)
    salt_mask = np.random.rand(*noisy.shape) < probability
    pepper_mask = np.invert(salt_mask)
    noisy[salt_mask] = 255  # 将随机位置设为最大亮度
    noisy[pepper_mask] = 0   # 将随机位置设为最小亮度
    return Image.fromarray(noisy)

# 乘性噪声
def add_multiplicative_noise(image, factor=0.5):
    noisy = np.array(image)
    noisy *= np.random.normal(1, factor, size=noisy.shape)  # 随机乘以一个小于1的因子
    return Image.fromarray(np.uint8(noisy))

# 3x3窗口均值滤波
def mean_filter(image, kernel_size=3):
    padded_img = np.pad(image, pad_width=(kernel_size // 2, kernel_size // 2), mode='edge')
    filtered = np.zeros_like(padded_img)
    for i in range(kernel_size, len(padded_img) - kernel_size + 1):
        for j in range(kernel_size, len(padded_img[0]) - kernel_size + 1):
            filtered[i, j] = np.mean(padded_img[i:i+kernel_size, j:j+kernel_size])
    return filtered

# 中值滤波
def median_filter(image, kernel_size=3):
    padded_img = np.pad(image, pad_width=(kernel_size // 2, kernel_size // 2), mode='edge')
    filtered = np.zeros_like(padded_img)
    for i in range(kernel_size, len(padded_img) - kernel_size + 1):
        for j in range(kernel_size, len(padded_img[0]) - kernel_size + 1):
            filtered[i, j] = np.median(padded_img[i:i+kernel_size, j:j+kernel_size])
    return filtered

# 使用以上函数对原始图像进行操作并比较结果
original_image = load_image("input.jpg")
salt_and_pepper_noisy = add_salt_pepper_noise(original_image)
multiplicative_noisy = add_multiplicative_noise(original_image)

filtered_mean = mean_filter(salt_and_pepper_noisy)
filtered_median = median_filter(salt_and_pepper_noisy)

# 可能需要将过滤后的图像保存或显示出来，以便对比
mean_filtered_image = Image.fromarray(filtered_mean)
median_filtered_image = Image.fromarray(filtered_median)

# 比较结果
# ...