笙亿网络策划

SciPy 怎么用中值滤波器 Median Filter 处理图像噪声？

约 7 分钟读完 40 阅
文章导读
Previous Quiz Next SciPy 中的中值滤波 SciPy 中的 中值滤波 是一种非线性图像处理技术，用于去除噪声，特别是椒盐噪声，同时保留边缘。它的工作原理是将图像中每个像素替换为其周围邻域中的值的中值，该邻域可以是方形或矩形区域。
📋 目录
  1. 一 SciPy 中的中值滤波
  2. 二 中值滤波的工作原理？
  3. 三 中值滤波的优点
  4. 四 中值滤波的局限性
  5. 五 基本中值滤波器示例
  6. 六 使用更大邻域的中值滤波器
  7. 七 对 3D 图像应用中值滤波器
A A

SciPy - 中值滤波

Previous
Quiz
Next

SciPy 中的中值滤波

SciPy 中的 中值滤波 是一种非线性图像处理技术，用于去除噪声，特别是椒盐噪声，同时保留边缘。它的工作原理是将图像中每个像素替换为其周围邻域中的值的中值，该邻域可以是方形或矩形区域。

这种滤波器在平滑图像的同时不会模糊锐利边缘，因为与线性滤波器相比，它对异常值的敏感度较低。邻域大小可调，例如 3x3、5x5 等，常用于图像分析预处理阶段的去噪。

scipy 库的 scipy.ndimage 模块提供了一个名为 median_filter() 的函数，用于对给定图像应用中值滤波，以去除椒盐噪声，同时保留边缘细节。

语法

以下是 scipy.ndimage.median_filter() 函数的语法，用于应用中值滤波 −

scipy.ndimage.median_filter(input, size, footprint=None, output=None, mode='reflect', cval=0.0, origin=0)

以下是 scipy.ndimage.median_filter 的参数 −

  • input: 将应用滤波的输入图像或数组。
  • size: 邻域的大小，即元组或标量。如果是标量，则使用方形邻域，例如 3 表示 3x3 邻域。
  • footprint(optional): 定义邻域形状的二进制数组。
  • output(optional): 存储结果的数组。
  • mode: 处理边界的方式，例如 'reflect'、'constant'、'nearest' 等。
  • cval(optional): 当 mode='constant' 时使用的常数值。
  • origin: 邻域的偏移量，默认值为 0。

中值滤波的工作原理？

在实现 中值滤波 以从图像中去除椒盐噪声时，需要遵循以下步骤 −

  • 邻域选择： 对于每个像素，会考虑其周围像素的邻域。例如 3x3 或 5x5 网格。
  • 中值计算： 计算该邻域中像素的中值。
  • 像素替换： 用中值替换中心像素。
  • 保留边缘： 中值滤波特别擅长去除噪声而不模糊图像中的锐利边缘。

中值滤波的优点

以下是在图像处理中使用中值滤波的优点 −

  • 对椒盐噪声有效： 去除噪声的同时不会像线性滤波器那样模糊边缘。
  • 非线性： 不依赖加权和，从而对异常值具有抵抗力。

中值滤波的局限性

中值滤波在使用时不仅有优点，还有一些局限性，可以列举如下 −

  • 计算成本： 对于较大的邻域，中值滤波的计算成本可能高于线性滤波器。
  • 边缘效应： 在图像边缘处，由于邻域大小受图像边界限制，该滤波器的性能可能不佳。

基本中值滤波器示例

以下示例展示了如何使用 scipy.ndimage.median_filter() 函数对 2D 图像或数组应用简单的 Median Filter，以去除噪声 −

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage

# 示例 2D 图像 (5x5 网格)
image = np.array([[1, 2, 3, 4, 5],
                  [6, 7, 8, 9, 10],
                  [11, 12, 13, 14, 15],
                  [16, 17, 18, 19, 20],
                  [21, 22, 23, 24, 25]])

# 使用 3x3 邻域应用中值滤波器
filtered_image = ndimage.median_filter(image, size=3)

# 绘制原始图像和滤波后图像
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')

axes[1].imshow(filtered_image, cmap='gray')
axes[1].set_title('Median Filtered Image')
axes[1].axis('off')

plt.show()

以下是基本中值滤波器的输出 −

Median filter example

使用更大邻域的中值滤波器

此示例使用更大的邻域（如 5x5）进行中值滤波，以展示对更大区域的平滑效果 −

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
from skimage import data

# 加载示例图像
image = data.camera()

# 使用 5x5 邻域应用中值滤波器
filtered_image = ndimage.median_filter(image, size=5)

# 绘制原始图像和滤波后图像
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')

axes[1].imshow(filtered_image, cmap='gray')
axes[1].set_title('Median Filtered (5x5) Image')
axes[1].axis('off')

plt.show()

以下是应用到更大邻域的中值滤波器输出 −

Median filter with neighboorhood

对 3D 图像应用中值滤波器

对 3D 图像应用中值滤波器与对 2D 图像应用类似，但在 3D 中，滤波器会在数据体积上工作，每个体素（3D 像素）被其在定义邻域内的中值所替换。

这对于去噪 3D 数据很有用，例如医学成像、模拟的体积数据或 3D 扫描数据。以下示例展示了一个使用中值滤波器处理的 3D 图像 −

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage

# 创建合成 3D 图像 (10x10x10 数组)
image_3d = np.random.random((10, 10, 10))

# 使用 3x3x3 邻域应用中值滤波器
filtered_image_3d = ndimage.median_filter(image_3d, size=3)

# 绘制原始和滤波后的切片 (3D 可视化)
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(image_3d[5, :, :], cmap='gray')  # 显示中间切片
axes[0].set_title('Original 3D Slice')
axes[0].axis('off')

axes[1].imshow(filtered_image_3d[5, :, :], cmap='gray')  # 显示滤波图像的中间切片
axes[1].set_title('Median Filtered 3D Slice')
axes[1].axis('off')

plt.show()

以下是应用到 3D 图像的中值滤波器输出 −

Median filter on 3d image