中值滤波与均值滤波原理详解及C语言实现（附图解与代码）
在图像处理与信号处理的应用中，我们经常会遇到各种噪声，例如“椒盐噪声”。为了去除这些干扰，中值滤波与均值滤波是两种常用且有效的滤波技术。
本文将通过图示+代码+案例，带你彻底理解它们的区别、实现方式与应用场景！
一、什么是椒盐噪声？
椒盐噪声（Salt-and-Pepper Noise）是一种图像中的随机噪声，表现为突兀的黑点和白点，就像图像被撒上了“盐粒”和“胡椒粒”。
示例：
原图像：
[34, 35, 36]
[33, 34, 38]
[32, 30, 29]
加入椒盐噪声后：
[34, 255, 36]
[0, 34, 255]
[32, 30, 0]
你可以看到一些像素点突然变成了 0（黑） 或 255（白），这就是典型的椒盐噪声。
二，均值滤波（Mean Filter）
原理：
对一个像素点，取其周围一定范围内的像素值，计算这些像素的平均值，并用这个值代替中心像素。
示例（3×3窗口）：
[34, 35, 36]
[33, 100, 38]
[32, 30, 29]
平均值 = (34+35+36+33+100+38+32+30+29) / 9 = 40.8
→ 中间像素 100 → 替换为 41
✅ 优点：
-
算法简单，计算快速
-
能去除高斯噪声
❌ 缺点：
-
对椒盐噪声无效
-
容易模糊边缘
三、中值滤波（Median Filter）
原理：
取局部窗口内的所有像素值，将它们排序后取中值，用该中值替代中心像素。
示例（3×3窗口）：
[34, 35, 36]
[33, 100, 38]
[32, 30, 29]
排序后：[29, 30, 32, 33, 34, 35, 36, 38, 100]
→ 中间像素 100 → 替换为 中值 34
✅ 优点：
-
对椒盐噪声非常有效
-
能较好保留图像边缘
❌ 缺点：
-
计算比均值滤波复杂（需要排序）
-
对高斯噪声处理略逊
四、C语言实现示例
均值滤波（1D数组版）：
float mean_filter(int* data, int size) {
float sum = 0;
for (int i = 0; i < size; i++) {
sum += data[i];
}
return sum / size;
}
中值滤波（1D数组版）：
#include
int compare(const void *a, const void *b) {
return (*(int*)a - *(int*)b);
}
int median_filter(int* data, int size) {
int* temp = malloc(sizeof(int) * size);
for (int i = 0; i < size; i++) temp[i] = data[i];
qsort(temp, size, sizeof(int), compare); // 排序
int median = temp[size / 2]; // 取中值
free(temp);
return median;
}
五、对比总结
| 特性 | 中值滤波 | 均值滤波 |
|---|---|---|
| 类型 | 非线性 | 线性 |
| 抗椒盐噪声 | ✅ 强 | ❌ 弱 |
| 保边缘能力 | ✅ 强 | ❌ 差 |
| 模糊图像 | ❌ 较少 | ✅ 明显 |
| 计算复杂度 | 中等（排序） | 低（加法） |
六、实际应用场景
| 应用场景 | 推荐滤波器 |
|---|---|
| 图像预处理 | 中值滤波 |
| 嵌入式图像采集 | 中值滤波 |
| 高斯噪声图像 | 均值滤波 |
| 摄像头信号清洗 | 中值滤波 |
| 实时低算力设备 | 均值滤波 |
结语
中值滤波和均值滤波虽原理简单，但在图像处理、嵌入式信号清洗、机器人视觉等领域发挥着巨大作用。特别是在面对突发性噪声（如椒盐噪声）时，中值滤波是首选。
欢迎点赞、收藏、评论提问，我会持续更新嵌入式图像处理、滤波算法、蓝桥杯实战干货！