Python实现自适应中值滤波法去除椒盐噪声
三、常用的图像去噪算法
3.1 灰度图的介绍和获取
在处理一张图片之前，通常需要读取这张图片，得到一个与RGB三维矩阵或者是灰度图的二维矩阵，本次课堂设计所处理的图片为灰度图，Gray Scale Image 或是Grey Scale Image，又称灰阶图。把白色与黑色之间按对数关系分为 若干 等级，称为灰度。灰度分为256阶。
在Python语言里有很多方法可以获取灰度图，PIL库提供了获取灰度图的方法Image.open()；同时，opencv库提供了获取图片RGB数据的方法，图片中任何颜色都由红、绿、蓝三基色组成，假如原来某点的颜色为RGB(R，G，B)，那么，我们可以平均值法，将其转换为灰度， Gray=（R+G+B）/3;
3.2 常见噪声的介绍
常见的图像噪声可以分为两种，椒盐噪声和高斯噪声。椒盐噪声为在图片中随机产生的灰度值的0或者255的的像素点，本课堂设计中，写了一个函数
def AddNoise(imarray, probility=0.05, method= "salt_pepper" ):
这个函数实现的功能就是给图片添加椒盐噪声。
高斯噪声是指它的 概率密度函数 服从 高斯分布 （即 正态分布 ）的一类噪声。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。
3.3 滤波算法的介绍
常用的图像去噪的方法有均值滤波，中值滤波，高斯滤波；
均值滤波：有效的消除一些高斯噪声，但是很容易导致图像边的模糊。如果是需要做图像分割，使用该滤波方法会导致分割失败。不易选择均值滤波；均值滤波法的原理如下图，取1个像素点周围了8个像素点的均值，然后让这个像素点的值等于其余8个像素点的平均值。
图一 均值滤波法的原理
中值滤波：以像素为中心，指定的滑窗形状作为邻域，将邻域内的像素排序，将中值结果赋值给该邻域的像素。该方法容易去除一些孤立噪声，也能够保留大部分的边缘信息。但是前提是选择合适的滑窗，否则也容易造成图像模糊；中值滤波法的原理如下图，取1个像素点周围了8个像素点的中值，然后让这个像素点的值等于其余8个像素点的中值。
图一 中值滤波法的原理
高斯滤波：高斯滤波不是单纯的求平均值或者中值，而是调用一个二维离散的高斯函数去除噪声。能够保留更多的边缘细节，图像更为清晰，平滑效果也更加柔和；
高斯滤波的原理如下图：
图三 高斯滤波法的原理
四、程序的运行截图
下面两张图片分别为将RGB原彩色图片，转换后的灰度图。
图四、五 原彩色图和灰度图
加入椒盐噪声后的图片：
图六 加入椒盐噪声后的图片
中值滤波法处理后的图片：
图七 中值滤波后的图片
源代码：
import cv2
import numpy as np
from PIL import Image
cv2.waitKey(0)
#添加椒盐噪声
def AddNoise(imarray, probility=0.05, method="salt_pepper"): # 灰度图像
#获取图片的长和宽
height, width = imarray.shape[:2]
for i in range(height):
for j in range(width):
if np.random.random(1) < probility: # 随机加盐或者加椒
if np.random.random(1) < 0.5:
imarray[i, j] = 0
else:
imarray[i, j] = 255
return imarray
#中值滤波法
def medianBlur(image, ksize=2 ):
中值滤波，去除椒盐噪声
args:
image：输入图片数据,要求为灰度图片
ksize：滤波窗口大小
return：
中值滤波之后的图片
rows, cols = image.shape[:2]
# 输入校验
half = ksize // 2
startSearchRow = half
endSearchRow = rows - half - 1
startSearchCol = half
endSearchCol = cols - half - 1
dst = np.zeros((rows, cols), dtype=np.uint8)
# 中值滤波
for y in range(startSearchRow, endSearchRow):
for x in range(startSearchCol, endSearchCol):
window = []
for i in range(y - half, y + half + 1):
for j in range(x - half, x + half + 1):
window.append(image[i][j])
# 取中间值
window = np.sort(window, axis=None)
if len(window) % 2 == 1:
medianValue = window[len(window) // 2]
else:
medianValue = int((window[len(window) // 2] + window[len(window) // 2 + 1]) / 2)
dst[y][x] = medianValue
return dst
#自适应中值滤波法
def amp_medianBlur(img, ksize=2 ):
# 图像边缘扩展
#为保证边缘的像素点可以被采集到，必须对原图进行像素扩展。
#一般设置的最大滤波窗口为7，所以只需要向上下左右各扩展3个像素即可采集到边缘像素。
m,n = img.shape[:2]
Nmax = 3
imgn = np.zeros((m + 2 * Nmax, n + 2 * Nmax),dtype=np.uint8)
imgn[ Nmax : (m + Nmax ) , Nmax : (n + Nmax ) ] = img[:,:,0].copy() # 将原图覆盖在imgn的正中间
# 下面开始向外扩展，即把边缘的像素向外复制
imgn[0: Nmax, Nmax: n + Nmax]=img[0: Nmax, 0 : n,0].copy() # 扩展上边界
imgn[0: m + Nmax, n + Nmax : n + 2 * Nmax]=imgn[0: m+Nmax, n: n + Nmax].copy() # 扩展右边界
imgn[m + Nmax: m + 2 * Nmax, Nmax : n + 2 * Nmax]=imgn[m : m + Nmax,Nmax : n + 2 * Nmax].copy() #扩展下边界
imgn[0: m + 2 * Nmax,0: Nmax]=imgn[0: m + 2 * Nmax,Nmax : 2 * Nmax].copy() # 扩展左边界
re = imgn.copy() # 扩展之后的图像
# 得到不是噪声点的中值
for i in range(Nmax,m+Nmax+1):
for j in range(Nmax,n+Nmax+1):
r = 1 # 初始向外扩张1像素，即滤波窗口大小为3
while r!=Nmax+1: #当滤波窗口小于等于7时（向外扩张元素小于4像素）
W = imgn[i - r-1:i + r,j - r-1: j + r].copy()
Imin,Imax = np.min(W),np.max(W) # 最小灰度值 # 最大灰度值
# 取中间值
window = np.sort(W, axis=None)
if len(window) % 2 == 1:
Imed = window[len(window) // 2]
else:
Imed = int((window[len(window) // 2] + window[len(window) // 2 + 1]) / 2)
if Imin < Imed and Imed < Imax: # 如果当前窗口中值不是噪声点，那么就用此次的中值为替换值
break;
else:
r = r + 1; #否则扩大窗口，继续判断，寻找不是噪声点的中值
# 判断当前窗口内的中心像素是否为噪声，是就用前面得到的中值替换，否则不替换
if Imin < imgn[i, j] and imgn[i, j] < Imax: # 如果当前这个像素不是噪声，原值输出
re[i, j] = imgn[i, j].copy()
else: # 否则输出邻域中值
re[i, j] = Imed
return re
#读取图片
image = cv2.imread("sgs.png")
width = image.shape[0]
height = image.shape[1]
grayimg = np.zeros([width,height,1],np.uint8)
for i in range(height):
for j in range(width):
grayimg[i,j] = 0.299 * image[i,j][0] + 0.587 * image[i,j][1] + 0.114 * image[i,j][2]
cv2.imshow('srcImage', image)
cv2.imshow('grayImage', grayimg)
img_addnoise = AddNoise(grayimg)
cv2.imshow('addnoise_Image', img_addnoise)
#remig2 = amp_medianBlur(img_addnoise)