均值滤波与中值滤波csdn

均值滤波和中值滤波都是常用的图像处理方法，用于去除图像中的噪声。

均值滤波是一种线性平滑滤波技术，它将像素的值替换为周围像素的平均值。这种方法的优点是简单快速，但缺点是会使图像失去一些细节信息，因为它会平滑掉图像中的细节部分。

中值滤波是一种非线性平滑滤波技术，它将像素的值替换为周围像素的中位数。这种方法的优点是可以保留图像中的细节信息，因为它不会像均值滤波那样平滑掉图像中的细节部分。缺点是它的计算量较大，因为需要对像素进行排序，而且在处理边缘部分时可能会出现失真。

一般来说，如果图像中的噪声比较小且不是很明显，可以使用均值滤波。如果图像中的噪声比较大或者需要保留图像中的细节信息，则可以使用中值滤波。

相关问题

对一幅图像依次添加高斯噪声、椒盐噪声，分别运用算术均值滤波、几何均值滤波、中值滤波、修正的阿尔法均值滤波进行图像恢复，显示并比较分析结果

首先，我们需要了解一下几种滤波器的原理和应用场景。

1. 算术均值滤波器：对于每个像素点，将其周围的像素点取平均值作为该像素点的值。适用于轻度噪声。

2. 几何均值滤波器：对于每个像素点，将其周围的像素点取几何平均值作为该像素点的值。适用于轻度噪声。

3. 中值滤波器：对于每个像素点，将其周围的像素点排序，取中间值作为该像素点的值。适用于椒盐噪声。

4. 修正的阿尔法均值滤波器：对于每个像素点，将其周围的像素点按照权重进行加权平均，其中离该像素点较远的像素点权重较小。适用于高斯噪声。

接下来，我们先生成一张测试图像：

import cv2
import numpy as np

# 生成测试图像
img = np.zeros((300, 300), np.uint8)
cv2.rectangle(img, (50, 50), (250, 250), (255, 255, 255), -1)
cv2.circle(img, (150, 150), 50, (0, 0, 0), -1)
cv2.imwrite('test.png', img)

生成的测试图像如下：


我们先对该图像添加高斯噪声和椒盐噪声：

import random

# 添加高斯噪声
def add_gaussian_noise(img):
    h, w = img.shape
    img_noise = np.zeros((h, w), np.uint8)
    mean = 0
    var = 100
    sigma = var ** 0.5
    for i in range(h):
        for j in range(w):
            rdn = random.random()
            if rdn < 0.5:
                img_noise[i, j] = img[i, j] + int(sigma * np.random.randn())
            else:
                img_noise[i, j] = img[i, j]
    return img_noise

# 添加椒盐噪声
def add_salt_pepper_noise(img):
    h, w = img.shape
    img_noise = np.zeros((h, w), np.uint8)
    threshold = 0.1
    for i in range(h):
        for j in range(w):
            rdn = random.random()
            if rdn < threshold:
                img_noise[i, j] = 0
            elif rdn > 1 - threshold:
                img_noise[i, j] = 255
            else:
                img_noise[i, j] = img[i, j]
    return img_noise

# 加载测试图像
img = cv2.imread('test.png', cv2.IMREAD_GRAYSCALE)

# 添加高斯噪声
img_gaussian_noise = add_gaussian_noise(img)

# 添加椒盐噪声
img_salt_pepper_noise = add_salt_pepper_noise(img)

添加高斯噪声后的图像：


添加椒盐噪声后的图像：


接下来，我们分别使用算术均值滤波器、几何均值滤波器、中值滤波器、修正的阿尔法均值滤波器对图像进行恢复：

# 算术均值滤波器
def arithmetic_mean_filter(img, kernel_size):
    h, w = img.shape
    img_filtered = np.zeros((h, w), np.uint8)
    pad_size = kernel_size // 2
    for i in range(pad_size, h - pad_size):
        for j in range(pad_size, w - pad_size):
            img_filtered[i, j] = np.mean(img[i - pad_size:i + pad_size + 1, j - pad_size:j + pad_size + 1])
    return img_filtered

# 几何均值滤波器
def geometric_mean_filter(img, kernel_size):
    h, w = img.shape
    img_filtered = np.zeros((h, w), np.uint8)
    pad_size = kernel_size // 2
    for i in range(pad_size, h - pad_size):
        for j in range(pad_size, w - pad_size):
            img_filtered[i, j] = np.power(np.prod(img[i - pad_size:i + pad_size + 1, j - pad_size:j + pad_size + 1]), 1.0 / (kernel_size * kernel_size))
    return img_filtered

# 中值滤波器
def median_filter(img, kernel_size):
    h, w = img.shape
    img_filtered = np.zeros((h, w), np.uint8)
    pad_size = kernel_size // 2
    for i in range(pad_size, h - pad_size):
        for j in range(pad_size, w - pad_size):
            img_filtered[i, j] = np.median(img[i - pad_size:i + pad_size + 1, j - pad_size:j + pad_size + 1])
    return img_filtered

# 修正的阿尔法均值滤波器
def alpha_trimmed_mean_filter(img, kernel_size, d):
    h, w = img.shape
    img_filtered = np.zeros((h, w), np.uint8)
    pad_size = kernel_size // 2
    for i in range(pad_size, h - pad_size):
        for j in range(pad_size, w - pad_size):
            img_patch = img[i - pad_size:i + pad_size + 1, j - pad_size:j + pad_size + 1]
            img_patch = np.sort(img_patch.flatten())
            img_patch = img_patch[d // 2:-d // 2]
            img_filtered[i, j] = np.mean(img_patch)
    return img_filtered

# 恢复图像
img_arithmetic_mean_filtered = arithmetic_mean_filter(img_gaussian_noise, 3)
img_geometric_mean_filtered = geometric_mean_filter(img_gaussian_noise, 3)
img_median_filtered = median_filter(img_salt_pepper_noise, 3)
img_alpha_trimmed_mean_filtered = alpha_trimmed_mean_filter(img_gaussian_noise, 3, 3)

使用算术均值滤波器恢复高斯噪声图像后的结果：


使用几何均值滤波器恢复高斯噪声图像后的结果：


使用中值滤波器恢复椒盐噪声图像后的结果：


使用修正的阿尔法均值滤波器恢复高斯噪声图像后的结果：


从以上结果可以看出，对于不同类型的噪声，选择不同的滤波器可以得到更好的恢复效果。算术均值滤波器和几何均值滤波器适用于轻度噪声，中值滤波器适用于椒盐噪声，修正的阿尔法均值滤波器适用于高斯噪声。同时，不同的滤波器也有各自的优缺点，需要根据具体情况进行选择。

yolov5进行均值滤波

在yolov5中，没有直接使用均值滤波的步骤进行图像处理。均值滤波是一种常见的图像滤波方法，用于减少图像中的噪声并平滑图像。然而，yolov5主要用于目标检测和跟踪，对图像进行预处理的步骤通常包括调整大小、归一化等，而不包括均值滤波。因此，在yolov5中没有直接进行均值滤波的代码段。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [OPENCV（二）对图像进行均值滤波，中值滤波，高斯滤波，高斯边缘检测](https://blog.csdn.net/MoastAll/article/details/109756898)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [两万字深入浅出yolov5+deepsort实现目标跟踪，含完整代码， yolov，卡尔曼滤波估计，ReID目标重识别，...](https://blog.csdn.net/m0_56175815/article/details/131177488)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]