自适应中值滤波及实现

中值滤波器（Median Filter）

中值滤波的思想就是比较一定领域内的像素值的大小，取出其中值作为这个领域的中心像素新的值。假设对一定领域内的所有像素从小到大进行排序，如果存在孤立的噪声点，比如椒盐噪声（椒噪声——较小的灰度值，呈现的效果是小黑点；盐噪声——较大的灰度值，呈现的效果是小白点），那么从小到大排序的这个数组中，那些孤立的噪声一定会分布在两边（要么很小，要么很大），这样子取出的中值点可以很好地保留像素信息，而滤除了噪声点的影响。

中值滤波器受滤波窗口大小影响较大，用于消除噪声和保护图像细节，两者会存在冲突。如果窗口较小，则能较好地保护图像中的一些细节信息，但对噪声的过滤效果就会打折扣；反之，如果窗口尺寸较大则会有较好的噪声过滤效果，但也会对图像造成一定的模糊效果，从而丢失一部分细节信息。另外，如果在滤波窗口内的噪声点的个数大于整个窗口内像素的个数，则中值滤波就不能很好的过滤掉噪声。

 

自适应中值滤波器（Adaptive Median Filter）

在噪声密度不是很大的情况下（根据经验，噪声的出现的概率小于0.2），使用中值滤波的效果不错。但是当噪声出现的概率比较高时，原来的中值滤波算法就不是很有效了。只有增大滤波器窗口尺寸，尽管会使图像变得模糊。

使用自适应中值滤波器的目的就是，根据预设好的条件，动态地改变中值滤波器的窗口尺寸，以同时兼顾去噪声作用和保护细节的效果。

下面是自适应中值滤波器算法的详细描述：

预先定义好以下符号：

 

 

程序实现

程序中定义了产生椒噪声和盐噪声函数，以及中值滤波和自适应中值滤波的函数。

#include <stdio.h>

#include <opencv2/opencv.hpp>

#include <opencv2/highgui/highgui.hpp>

#include <opencv2/imgproc/imgproc.hpp>

 

//盐噪声  

void saltNoise(cv::Mat img, int n)

{

    int x, y;

    for (int i = 0;i < n / 2;i++)

    {

        x = std::rand() % img.cols;

        y = std::rand() % img.rows;

        if (img.type() == CV_8UC1)

        {

            img.at<uchar>(y, x) = 255;

        }

        else if (img.type() == CV_8UC3)

        {

            img.at<cv::Vec3b>(y, x)[0] = 255;

            img.at<cv::Vec3b>(y, x)[1] = 255;

            img.at<cv::Vec3b>(y, x)[2] = 255;

        }

    }

}

 

//椒噪声  

void pepperNoise(cv::Mat img, int n)

{

    int x, y;

    for (int i = 0;i < n / 2;i++)

    {

        x = std::rand() % img.cols;

        y = std::rand() % img.rows;

        if (img.type() == CV_8UC1)

        {

            img.at<uchar>(y, x) = 0;

        }

        else if (img.type() == CV_8UC3)

        {

            img.at<cv::Vec3b>(y, x)[0] = 0;

            img.at<cv::Vec3b>(y, x)[1] = 0;

            img.at<cv::Vec3b>(y, x)[2] = 0;

        }

    }

}

 

// 中值滤波器

uchar medianFilter(cv::Mat img, int row, int col, int kernelSize)

{

    std::vector<uchar> pixels;

    for (int y = -kernelSize / 2;y <= kernelSize / 2;y++)

    {

        for (int x = -kernelSize / 2;x <= kernelSize / 2;x++)

        {

            pixels.push_back(img.at<uchar>(row + y, col + x));

        }

    }

    sort(pixels.begin(), pixels.end());

    auto med = pixels[kernelSize*kernelSize / 2];

    return med;

}

 

// 自适应中值滤波器

uchar adaptiveMedianFilter(cv::Mat &img, int row, int col, int kernelSize, int maxSize)

{

    std::vector<uchar> pixels;

    for (int y = -kernelSize / 2;y <= kernelSize / 2;y++)

    {

        for (int x = -kernelSize / 2;x <= kernelSize / 2;x++)

        {

            pixels.push_back(img.at<uchar>(row + y, col + x));

        }

    }

 

    sort(pixels.begin(), pixels.end());

 

    auto min = pixels[0];

    auto max = pixels[kernelSize*kernelSize - 1];

    auto med = pixels[kernelSize*kernelSize / 2];

    auto zxy = img.at<uchar>(row, col);

    if (med > min && med < max)

    {

        // to B

        if (zxy > min && zxy < max)

            return zxy;

        else

            return med;

    }

    else

    {

        kernelSize += 2;

        if (kernelSize <= maxSize)

            return adaptiveMedianFilter(img, row, col, kernelSize, maxSize);// 增大窗口尺寸，继续A过程。

        else

            return med;

    }

}

 

 

int main()

{

    int minSize = 3;

    int maxSize = 7;

    cv::Mat img;

    img = cv::imread("lena.bmp");

    cv::cvtColor(img, img, cv::COLOR_BGR2GRAY);

    cv::imshow("src", img);

    saltNoise(img, 40000);

    pepperNoise(img, 40000);

    cv::imshow("noise", img);

    cv::Mat temp = img.clone();

 

    // 自适应中值滤波

    cv::Mat img1;

    // 扩展图像的边界

    cv::copyMakeBorder(img, img1, maxSize / 2, maxSize / 2, maxSize / 2, maxSize / 2, cv::BorderTypes::BORDER_REFLECT);

    // 图像循环

    for (int j = maxSize / 2;j < img1.rows - maxSize / 2;j++)

    {

        for (int i = maxSize / 2;i < img1.cols - maxSize / 2;i++)

        {

            img1.at<uchar>(j, i) = adaptiveMedianFilter(img1, j, i, minSize, maxSize);

        }

    }

    cv::imshow("adaptiveMedianFilter", img1);

 

    // 中值滤波

    cv::Mat img2;

    int kernelSize = 3;

    cv::copyMakeBorder(temp, img2, kernelSize / 2, kernelSize / 2, kernelSize / 2, kernelSize / 2, cv::BorderTypes::BORDER_REFLECT);

    for (int j = kernelSize / 2;j < img2.rows - kernelSize / 2;j++)

    {

        for (int i = kernelSize / 2;i < img2.cols - kernelSize / 2;i++)

        {

            img2.at<uchar>(j, i) = medianFilter(img2, j, i, kernelSize);

        }

    }

    cv::imshow("medianFilter", img2);

 

    cv::waitKey();

    cv::destroyAllWindows();

 

    return 0;

}

 

结果截图

 

原始图像和添加椒盐噪声后的图像。

 

 

 其实截图中看不出很明显的区别，在自己电脑上运行后看结果会清楚点。可以看到使用普通中值滤波的结果相比另一个会模糊一些，且局部仍然会有一小的噪声点。图像边缘多出来的区域不好做中值滤波处理保留了原始图像，所以边缘那一圈仍然有噪声。