数字图像处理大作业--均值滤波和方框滤波（盒子滤波）python实现

一.均值滤波：

 

 

图片中一个方块区域（一般为3*3）内，中心点的像素为全部点像素值的平均值。均值滤波就是对于整张图片进行以上操作。

 

我们可以看下图的矩阵进行理解：

 

缺陷：均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。

 

原图：

 

对比图：

 

 

 

• 方框滤波

 

 

原理：当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示

用途：

非归一化（normalized=False）的方框滤波用于计算每个像素邻域内的积分特性，比如密集光流算法（dense optical flow algorithms）中用到的图像倒数的协方差矩阵（covariance matrices of image derivatives）

 

 

import cv2
from pylab import *

def BoxFilter(Imge,dim,dim2,flag):       #Image为待处理图像，dim为滤波器的大小dim*dim2
    im=array(Imge)
    #序列化
    sigema=0
    #滤波求和

    for i in range(int(dim/2), im.shape[0] - int(dim/2)):
        for j in range(int(dim2/2), im.shape[1] - int(dim2/2)):
            for a in range(-int(dim/2), -int(dim/2)+dim):
                for b in range(-int(dim2/2), -int(dim2/2)+dim2):
                    sigema = sigema + img[i + a, j + b]
                    #对于滤波范围内求和，从左到右，从上到下扫

            if(flag):
                im[i, j] = sigema / (dim*dim2)

            else:
                im[i,j]=min(sigema,255)
            #归一化则与均值滤波一致，不归一化的话超过255用255表示
            sigema = 0
            #滤波移动
    return im


img=cv2.imread('20170522171941388.png',0)
#读取图像
x=int(input("输入滤波长度：\n"))
y=int(input("输入滤波宽度:\n"))
flag=int(input("是否归一化(1/0)?\n"))

im=BoxFilter(img,x,y,flag)
#im= cv2.boxFilter(img, -1, (3, 3), normalize=False)
#im= cv2.blur(source, (3, 3))

#第一个为手写的方框滤波，第二个为opencv调包的方框滤波，第三个为调包的均值滤波

cv2.imshow('After',im)
cv2.imshow('Origin',img)
cv2.waitKey()
cv2.destroyAllWindows()
#显示结果