中值滤波算法及例程

中值滤波是一种常用的非线性图像滤波算法，它能够有效去除图像中的椒盐噪声（即孤立的亮或暗像素点），同时保持图像边缘和细节的清晰度。中值滤波的主要思想是使用一个滑动窗口，在窗口内对像素值进行排序，并将排序后的中间值作为中心像素的新值。

以下是中值滤波的算法步骤：

1. 定义滑动窗口的大小，通常为一个正方形或矩形。

2. 在图像上遍历每个像素。

3. 对于每个像素，获取其周围邻域内的像素值，并将其放入一个数组或列表中。

4. 对这个数组或列表进行排序，找到其中值。

5. 将中值赋给当前像素作为滤波后的值。

6. 重复步骤2-5，直到遍历完整个图像。

中值滤波算法的关键在于选择合适的窗口大小，较小的窗口大小可以更好地保留图像细节和边缘特征，但可能无法有效去除较大的噪声；而较大的窗口大小可以更好地平滑图像，但可能会模糊细节。

需要注意的是，中值滤波算法对于消除椒盐噪声效果良好，但对于其他类型的噪声（如高斯噪声）可能效果不佳。在实际应用中，可以根据具体的噪声类型和需求选择合适的滤波方法。

以下是一个使用Python实现的中值滤波例程：

import cv2
import numpy as np

def median_filter(image, kernel_size):
    # 获取图像的宽度和高度
    height, width = image.shape[:2]
    
    # 创建一个与原图像相同大小的空白图像
    filtered_image = np.zeros_like(image)
    
    # 计算中值滤波的卷积核大小
    kernel_half = kernel_size // 2
    
    # 对图像进行遍历
    for i in range(height):
        for j in range(width):
            # 获取每个像素的周围邻域像素
            neighborhood = image[max(0, i - kernel_half):min(height, i + kernel_half + 1),
                                 max(0, j - kernel_half):min(width, j + kernel_half + 1)]
            # 计算邻域像素的中值，并赋值给当前像素
            filtered_image[i, j] = np.median(neighborhood)
    
    return filtered_image

# 读取图像
image = cv2.imread('input.jpg', 0)  # 以灰度图像方式读取

# 应用中值滤波器
filtered_image = median_filter(image, kernel_size=3)

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

以上代码中，我们定义了一个名为median_filter的函数，它接受一个图像和一个滤波器大小作为参数，并返回滤波后的图像。在函数内部，我们通过遍历图像的每个像素，获取周围邻域像素的值，并使用np.median函数计算中值，然后将中值赋值给当前像素。最后，我们使用cv2.imshow函数显示原图像和滤波后的图像，并使用cv2.waitKey和cv2.destroyAllWindows等函数来管理窗口显示和关闭。

请确保在运行示例代码前，将'input.jpg'替换为你自己的图像文件路径。