java 图像均值滤波_CV学习笔记（六）：均值滤波与高斯滤波

在数字图像处理中，图像滤波是非常常见的一种操作。而均值滤波和高斯滤波是最常见的滤波算法之一。下面我们就来介绍一下均值滤波和高斯滤波的原理和实现。

## 1. 均值滤波

均值滤波是最简单的一种线性滤波算法。其原理是对图像中每个像素点的邻域像素进行平均值操作，以达到去除噪声的目的。均值滤波的模板可以是任意大小的，通常使用 3×3 或 5×5 的模板。

### 1.1 均值滤波原理

均值滤波的原理是将图像中每个像素点的邻域像素值进行平均，然后将该平均值作为当前像素点的像素值。均值滤波可以消除图像中的噪声，但是也会导致图像的模糊。

### 1.2 均值滤波实现

均值滤波的实现非常简单，只需要对每个像素点的邻域像素值进行求和，然后再除以邻域像素的数量即可。具体步骤如下：

1. 定义一个与原图像大小相同的新图像。
2. 对每个像素点的邻域像素进行求和，然后求平均值。
3. 将平均值作为当前像素点的像素值，赋值给新图像。

代码实现如下：

public static BufferedImage meanFilter(BufferedImage img, int size) {
    int width = img.getWidth();
    int height = img.getHeight();
    int half = size / 2;
    BufferedImage result = new BufferedImage(width, height, img.getType());
    for (int i = half; i < height - half; i++) {
        for (int j = half; j < width - half; j++) {
            int sum = 0;
            for (int k = -half; k <= half; k++) {
                for (int l = -half; l <= half; l++) {
                    sum += new Color(img.getRGB(j + l, i + k)).getRed();
                }
            }
            int value = sum / (size * size);
            result.setRGB(j, i, new Color(value, value, value).getRGB());
        }
    }
    return result;
}

其中，size 为模板大小。

## 2. 高斯滤波

高斯滤波是一种线性平滑滤波算法，与均值滤波不同的是，它使用的是高斯核函数。高斯核函数可以减小图像中噪声的影响，同时也不会使图像过度模糊。

### 2.1 高斯滤波原理

高斯滤波的原理是利用高斯函数的特性，对图像中每个像素点的邻域像素值进行加权平均，以达到去除噪声的目的。高斯滤波也可以消除图像中的噪声，同时保留更多的图像细节。

### 2.2 高斯滤波实现

高斯滤波的实现需要先生成一个高斯核，然后对每个像素点的邻域像素进行加权平均。具体步骤如下：

1. 定义一个与原图像大小相同的新图像。
2. 生成一个高斯核。
3. 对每个像素点的邻域像素进行加权平均，然后将加权平均值作为当前像素点的像素值，赋值给新图像。

代码实现如下：

public static BufferedImage gaussianFilter(BufferedImage img, int size, double sigma) {
    int width = img.getWidth();
    int height = img.getHeight();
    int half = size / 2;
    double[][] kernel = gaussianKernel(size, sigma);
    BufferedImage result = new BufferedImage(width, height, img.getType());
    for (int i = half; i < height - half; i++) {
        for (int j = half; j < width - half; j++) {
            double sum = 0;
            for (int k = -half; k <= half; k++) {
                for (int l = -half; l <= half; l++) {
                    int pixel = new Color(img.getRGB(j + l, i + k)).getRed();
                    sum += kernel[k + half][l + half] * pixel;
                }
            }
            int value = (int) Math.round(sum);
            value = Math.min(255, Math.max(0, value));
            result.setRGB(j, i, new Color(value, value, value).getRGB());
        }
    }
    return result;
}

其中，size 为高斯核大小，sigma 为高斯核标准差。

高斯核函数的生成可以使用以下代码：

public static double[][] gaussianKernel(int size, double sigma) {
    double[][] kernel = new double[size][size];
    double sum = 0;
    int half = size / 2;
    for (int i = -half; i <= half; i++) {
        for (int j = -half; j <= half; j++) {
            kernel[i + half][j + half] = Math.exp(-(i * i + j * j) / (2 * sigma * sigma));
            sum += kernel[i + half][j + half];
        }
    }
    for (int i = 0; i < size; i++) {
        for (int j = 0; j < size; j++) {
            kernel[i][j] /= sum;
        }
    }
    return kernel;
}

以上就是均值滤波和高斯滤波的原理和实现。需要注意的是，滤波操作会导致图像的模糊，因此在使用滤波算法时需要根据具体应用场景选择合适的滤波方法和参数。