本文共 1776 字，大约阅读时间需要 5 分钟。

中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的中位数代替 。与邻域平均法类似，但计算的是中值。

用scipy.signal.medfilt()实现中值滤波

函数原型：

scipy.signal.medfilt(volume, kernel_size=None)

参数：

• volume： N维输入数组。
• kernel_size： 一个标量或元组，代表每个维度中中值滤波窗口的大小（即取多少个值的中值），默认值为3。

中值滤波技术能有效抑制噪声，通过把数字图像中一点的值用该点周围的各点值的中位数来代替，让这些值接近，以消除原数据（图像or时序数据）中的噪声。

signal的medfilt()方法传入一个参数：

import randomimport numpy as npimport scipy.signal as signalx=np.arange(0,100,10)random.shuffle(x)pint(x)x = signal.medfilt(x,3) #一维中值滤波pint(x)"""输出：array([60, 40, 70,  0, 50, 30, 90, 80, 10, 20])      array([40., 60., 40., 50., 30., 50., 80., 80., 20., 10.])"""

x = np.random.randint(1,1000,(4,4))print(x,"\n")x = signal.medfilt(x,(3,3)) #二维中值滤波print(x)"""输出：[[ 14 442 710 256] [839 102 372 937] [ 70 638 506 684] [118 769 608 666]][[  0. 102. 256.   0.] [ 70. 442. 506. 372.] [102. 506. 638. 506.] [  0. 118. 608.   0.]]"""

中值滤波在时序数据上的效果

import scipy.signal as signalimport matplotlib.pyplot as pltimport numpy as npimport pandas as pdn = 50 y = np.sin(np.linspace(0, 10, n)) + np.random.rand(n)y_med = signal.medfilt(y, kernel_size=5)plt.figure()plt.plot(y, 'r--', label='y')plt.plot(y_med, 'b-.', label='y_med')plt.legend()plt.show()

可以看出经中值滤波处理后的数据（蓝色线）相对原数据（红色线）较平滑了许多

中值滤波在图像上的应用效果

import cv2import numpy as npurl="test.png"img=cv2.imread(url)# 加上椒盐噪声# 灰阶范围w=img.shape[1]h=img.shape[0]newimg=np.array(img)# 噪声点数量noisecount=5000for k in range(0,noisecount):    xi=int(np.random.uniform(0,newimg.shape[1]))    xj=int(np.random.uniform(0,newimg.shape[0]))    newimg[xj,xi]=255# 中值滤波去噪（平滑图片）lbimg=cv2.medianBlur(newimg,3)cv2.imshow('lbimg',lbimg)# 添加了噪音的图片cv2.imshow('newimg',newimg)cv2.waitKey()cv2.destroyAllWindows()

转载地址：https://mtyjkh.blog.csdn.net/article/details/115426742 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！