1、中值濾波

使用中值濾波去除圖像的異常像素點(diǎn)，使用cv2.cv2.medianBlur(img, 3)表示再圖像在中值濾波窗口3*3的范圍內(nèi)，從下到大排序，將當(dāng)前值替換為排序中值（如下圖所示）將56替換為（56，66,90,91,93,95,97,101）中的中值93。

Python代碼如下：

將輸入圖像經(jīng)過中值濾波后：

noise_img = './noiseimg.png'
image = cv2.imread(noise_img)
image = cv2.medianBlur(image, 5)
cv2.imwrite('./img.png', image)

原圖與中值濾波后得到對比：

注意：中值濾波較大的核尺寸會考慮更大的鄰域，雖然能更有效地去除噪聲，但也會更加模糊圖像細(xì)節(jié)和邊緣。

2、均值濾波

均值濾波是指任意一點(diǎn)的像素值，都是周圍?N×M?個像素值的均值。opencv中使用cv2.blur()

實(shí)現(xiàn)代碼與效果如下：

def mean_denoise(noise_image='./noiseimg1.png', result_path='./mean_result1.png', kernel_size=(7,7)):image = cv2.imread(noise_image)image = cv2.blur(image, kernel_size)cv2.imwrite(result_path, image)

原圖與均值濾波效果對比：

注意：kernel_size越大，濾波范圍越大，去噪效果強(qiáng)，但會導(dǎo)致圖象邊緣模糊。

3、雙邊濾波

參考：https://blog.csdn.net/qq_49478668/article/details/123488527

去噪的同時，考慮到了圖像邊緣信息。

def bilateral_filter_noise(noise_image='./noiseimg1.png', result_path='./bilateral_result1.png'):image = cv2.imread(noise_image)filtered_image = cv2.bilateralFilter(image, 9,200,200)cv2.imwrite(result_path, filtered_image)

原圖與雙邊濾波效果對比：

注意：

????????cv2.bilateralFilter(image, d=9,sigmaColor=200,sigmaSpace=200)

????????● d是在濾波時選取的空間距離參數(shù)，這里表示以當(dāng)前像素點(diǎn)為中心點(diǎn)的直徑。如果該值為非正數(shù)，則會自動從參數(shù) sigmaSpace 計算得到。如果濾波空間較大（d>5），則速度較慢。因此，在實(shí)時應(yīng)用中，推薦d=5。對于較大噪聲的離線濾波，可以選擇d=9。

? ? ? ? ● sigmaColor是濾波處理時選取的顏色差值范圍，該值決定了周圍哪些像素點(diǎn)能夠參與到濾波中來。與當(dāng)前像素點(diǎn)的像素值差值小于 sigmaColor 的像素點(diǎn)，能夠參與到當(dāng)前的濾波中。該值越大，就說明周圍有越多的像素點(diǎn)可以參與到運(yùn)算中。該值為0時，濾波失去意義；該值為255時，指定直徑內(nèi)的所有點(diǎn)都能夠參與運(yùn)算。

? ? ? ? ● sigmaSpace是坐標(biāo)空間中的sigma值。它的值越大，說明有越多的點(diǎn)能夠參與到濾波計算中來。當(dāng)d>0時，無論sigmaSpace的值如何，d都指定鄰域大小；否則，d與 sigmaSpace的值成比例。
原文鏈接：https://blog.csdn.net/qq_49478668/article/details/123488527