散文精选网中值滤波原理？
中值滤波在图像处理中，在进行图像处理操作之前往往要对图像进行滤波操作。中值滤波为一种非线性的数字滤波器，它的原理基于用像素点邻域点集像素值的中值代替像素点的值，从而消除孤立的噪声点。中值滤波是非线性的、对斑点噪声和椒盐噪声的滤波处理效果比较好，只要选取合适的阈值阀，中值滤波能在保留较好的边缘下降噪。
斑点噪声
斑点噪声是SAR成像系统的一大特色，源自基本分辨单元内地物的随机散射，在图像上表现为信号相关（如在空间上相关）的小斑点，它既降低了图像的画面质量，又严重影响图像的自动分割、分类、目标检测以及其它定量专题信息的提取 。
椒盐噪声
椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、模数转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。
中值滤波算法步骤以及代码实现
基于中值滤波的设计思想，算法步骤非常简单
（1） 用一个滑动窗口去遍历图像，这个滑动窗口的范围就是像素点的邻域。
（2） 获取滑动窗口的像素值集合，并且排序，得到中值替换原像素点。
（3） 遍历图像重复步骤（2）至结束。
// This main.cpp
// median filtering sample
// author:mango
// copyright: https://mangoroom.cn
#include<iostream>
#include<vector>
#include<opencv2/opencv.hpp>
// median filtering
void MedianFilter(const cv::Mat& input_image, cv::Mat& output_image, const int& kernel_size)
{
// 输入参数检查
if (input_image.empty())
{
throw “Input image is empty!!!”;
}
else if(input_image.channels() != 1)
{
throw “Input image not be gray!!!”;
}
// 遍历图像
output_image = input_image.clone();
int rows = input_image.rows;
int cols = input_image.cols;
std::vector<int> filter_windows(kernel_size*kernel_size, 0);
for (auto i = kernel_size / 2; i < rows – (kernel_size / 2); i++)
{
for (auto j = kernel_size / 2; j < cols – (kernel_size / 2); j++)
{
// 滤波窗口元素排序
int index = 0;
for (auto m = 0; m < kernel_size; m++)
{
for (auto n = 0; n < kernel_size; n++)
{
filter_windows.at(index) = input_image.at<uchar>(i – kernel_size / 2 + m, j – kernel_size / 2 + n);
index++;
}
}
std::sort(filter_windows.begin(), filter_windows.end());
// 更新图像像素
output_image.at<uchar>(i, j) = filter_windows.at(kernel_size * kernel_size / 2);
}
}
}
int main()
{
cv::Mat img = cv::imread(“Noise_salt_and_pepper.png”, 0);
cv::Mat dst;
MedianFilter(img, dst, 3);
cv::imshow(“img”, img);
cv::imshow(“dst”, dst);
cv::waitKey(0);
return 0;
}
但是以上直白思路的算法效率是非常低的，每个滑动窗口中的像素点每一次都需要重新排序，假如窗口选取比较大和图像比较大，显然这开销是巨大的。我们发现窗口每一次移动的时候，窗口内容丢掉的只是最左侧的一列而新增的是最右侧的一例，对于窗口的其他像素点并没有发生变化，不需要重新排序。此优化的算法步骤如下：
（1）置$t = frac{mn}{2}$
如果m和n都为奇数，则对t取整，这样我们总是可以避免不必要的浮点数运算。
（2）将窗口移至一个新行的开始，对其内容排序。建立窗口像素的直方图H,确定其中值m,记下亮度小于或者等于m的像素数目$n_m$。
（3）对于最左列亮度是$p_g$的每个像素p,做
$$H[p_g] = H[p_g] – 1$$
进一步，如果$p_g leq m$, 置$n_m = n_m-1$。
（4）将窗口右移一列，对于最右列亮度是$p_g$的每个像素$p$,做
$$H[p_g] = H[p_g] + 1$$
如果$p_g leq m$, 置$n_m = n_m + 1$。
（5）如果$n_m = t$,则跳转至步骤8.
（6）如果$n_m > t$ 则跳转至步骤7。
重复
$$m = m + 1$$
$$n_m = n_m + H[m]$$
直到$n_m geq t$则跳转至步骤8。
（7）（此时有$n_m > t$。重复
$$n_m = n_m – H[m]$$
$$m = m – 1$$
直到$n_m leq t$。
（8） 如果有窗口的右侧列不是图像的有边界，
延伸阅读
中值滤波的条件？
中值滤波是基于排序统计理论的一种能够有效地抑制噪声的非线性信号处理技术,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域内各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点,对于斑点噪声(Speckle noise)和椒盐噪声(salt-pepper noise)来说尤其有用,因为它不依赖于领域内那些与典型值差别很大的值;
为什么均值滤波器不适用椒盐噪声？
因为谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。
在物理学中噪音有哪些？
高斯噪声：又叫白噪声 满足高斯分布 也就是初中学的那个正态分布的噪声
最典型的 下雨的声音 收音机收不到电台信号时候的沙沙声 都是高斯噪声
泊松噪声：也叫散粒噪声 不用多说 满足泊松分布 可以理解成高斯噪声在低粒度下的近似
毕竟在大粒度下分布趋近于高斯分布 成因是光具有量子特性，到达光电检测器表面的量子数目存在统计涨落，因此，图像监测具有颗粒性 也就表现为泊松噪声啦
椒盐噪声：也叫脉冲杂讯 是一种复杂的复合分布 表现在图像上就像你撒了椒盐一样
成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等
这些都只是比较典型的噪声 但我猜聪明的你可能想到了：按统计中概率分布的不同 是不是都对应了一种噪声呀？答案当然是肯定的 比如以后可能会学到的伽马分布 瑞利分布之类的 都有自己对应的噪声 但它们有什么形式和性质和应用呢？就靠聪明的你去研究咯
图像处理中噪声点是指什么？
图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。
很多时候将图像噪声看成是多维随机过程，因而描述噪声的方法完全可以借用随过程的描述，即用其概率分布函数和概率密度分布函数。按概率密度函数（PDF）图像噪声的分类 ： 高斯噪声：在空间域和频域中，由于高斯噪声(也称为正态噪声)在数学上的易处理性，这种噪声模型经常被用于实践中。瑞利噪声：瑞利密度对于近似偏移的直方图十分适用。伽马(爱尔兰)噪声。指数分布噪声 。均匀分布噪声。脉冲噪声(椒盐噪声)：双极脉冲噪声也称为椒盐噪声，有时也称为散粒和尖峰噪声。
