中值滤波：
? ? ? ? 用像素点邻域灰度值的中值来替代该像素点的灰度值，该方法在去除脉冲噪声、椒盐噪声的同时会保留图像的边缘细节。中值滤波在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程不在是加权运算。
与均值滤波对比：
? ? ? ? 优点：均值滤波器中，由于噪声成分被放入平均计算中，所以输出受到了噪声的影响。但在中值滤波器中，由于噪声成分很难选上，所以几乎不会影响到输出。
? ? ? ? 缺点：中值滤波花费的时间是均值滤波的5倍以上。
具体步骤：
? ? ? ? 例如3*3的函数，计算点 [ i, j ] 为中心的函数窗像素中值。
? ? ? ? 第一步：按强度大小排列像素点；
? ? ? ? 第二步：选择排序像素集的中间值作为点 [ i, j ] 的新值
| void cv::medianBlur | ( | InputArray | src, |
| OutputArray | dst, | ||
| int? | ksize?//奇数 | ||
| ) |
案例：
#include<iostream>
#include<opencv2/imgproc.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/core.hpp>
using namespace std;
using namespace cv;
int main()
{
//导入图像
Mat src = imread("C:/Users/Administrator/Desktop/3.png");
if (!src.data)
{
cout << "请检查图像是否存在..." << endl;
return -1;
}
namedWindow("src");
namedWindow("dst");
imshow("src", src);
//中值滤波
Mat dst;
medianBlur(src, dst, 7);
imshow("dst", dst);
waitKey(0);
return 0;
}结果展示：
?
边滤波：
? ? ? ? 它是结合图像空间邻近度和像素值相似度的一种折中处理方式，同时考虑了空间域信息和灰度相似性，达到保留边缘去除噪点的目的。
? ? ? ? 在双边滤波中输出像素值取决于邻域像素值的加权值组合：
? ? ? ? 而加权系数w(i,j,k,l)取决于定义域核和值域核的乘积。
? ? ? ? 其中定义域核为：
? ? ? ? 值域核为：
?
? ? ? ? 二者相乘后，就会得到取决于数据的双边滤波权重函数
| void cv::bilateralFilter | ( | InputArray | src, |
| OutputArray | dst, | ||
| int? | d,? //过滤中每个像素邻域的直径，若为非正数，从第五个参数开始计算 | ||
| double? | sigmaColor,? //值越大，表明该像素邻域内有越宽泛的颜色被混合到一起。 | ||
| double? | sigmaSpace,//坐标空间的标准方差，值越大，越远的像素会互相影响 | ||
| int? | borderType?=?BORDER_DEFAULT? | ||
| ) |
?案例：
#include<iostream>
#include<opencv2/imgproc.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/core.hpp>
using namespace std;
using namespace cv;
int main()
{
//导入图像
Mat src = imread("C:/Users/Administrator/Desktop/3.png");
if (!src.data)
{
cout << "请检查图像是否存在..." << endl;
return -1;
}
namedWindow("src");
namedWindow("dst");
imshow("src", src);
//中值滤波
Mat dst;
bilateralFilter(src,dst,50,50*2,50/2);
imshow("dst", dst);
waitKey(0);
return 0;
}结果展示：
?