在数字图像处理中，图像往往会受到噪声的干扰，例如椒盐噪声或高斯噪声。这些噪声会导致图像质量下降，影响后续的处理和分析。为了去除这些噪声，图像滤波是一种常见且有效的方法。本文将介绍一种常用的非线性滤波方法——中值滤波，并通过Python实现。

中值滤波

中值滤波是一种非线性滤波技术，其基本思想是用像素点邻域的中值来代替该像素点的值。与线性滤波（如均值滤波）不同，中值滤波在去除噪声的同时，能够较好地保留图像的边缘信息。

中值滤波的优势

1. 去噪效果显著：中值滤波在去除椒盐噪声等脉冲噪声时效果尤为突出。
2. 边缘保护：相比于均值滤波，中值滤波在平滑图像的同时，能够较好地保留图像的边缘信息。
3. 无参数依赖：中值滤波不需要调整复杂的参数，使用简单。

中值滤波的步骤

1. 选择滤波窗口：通常选择一个奇数大小的窗口（如3x3、5x5等）。
2. 遍历图像：对图像中的每一个像素点，取出其邻域窗口内的所有像素值。
3. 排序并取中值：将窗口内的像素值按大小排序，取其中值作为当前像素点的值。
4. 输出结果：将所有像素点处理完毕后，输出滤波后的图像。

 代码实现

import cv2
import numpy as np
import matplotlib.pyplot as plt

def median_filter(image, kernel_size=3):
    # 获取图像的尺寸
    height, width = image.shape
    # 创建一个与输入图像大小相同的空白图像
    filtered_image = np.zeros_like(image)
    # 计算边缘的填充值
    pad = kernel_size // 2

    # 遍历图像的每一个像素点
    for i in range(pad, height - pad):
        for j in range(pad, width - pad):
            # 取出当前像素点的邻域窗口
            window = image[i-pad:i+pad+1, j-pad:j+pad+1]
            # 对窗口内的像素值进行排序
            sorted_window = np.sort(window.flatten())
            # 取中值作为当前像素点的值
            filtered_image[i, j] = sorted_window[len(sorted_window) // 2]

    return filtered_image

# 加载图像
image = cv2.imread('3.jpg', cv2.IMREAD_GRAYSCALE)

# 应用中值滤波
filtered_image = median_filter(image, kernel_size=3)

# 显示原图和滤波后的图像
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Filtered Image')
plt.imshow(filtered_image, cmap='gray')

plt.show()

# 保存滤波后的图像
cv2.imwrite('filtered_image.jpg', filtered_image)

代码解释

1. median_filter函数：这是中值滤波的核心函数。它接受输入图像和滤波器大小作为参数，返回滤波后的图像。
2. 窗口操作：在遍历图像时，取出当前像素点的邻域窗口，并将其转换为一个一维数组进行排序。
3. 中值选取：排序后的窗口数组的中值即为当前像素点的滤波结果。
4. 图像显示与保存：使用matplotlib显示原图和滤波后的图像，并使用cv2.imwrite保存滤波后的图像。

运行结果

运行上述代码后，你将看到原图和滤波后的图像对比。中值滤波能够有效地去除椒盐噪声，并且保留图像的主要边缘信息。