图像处理：均值滤波

滤波

滤波是将信号中特定波段频率滤除的操作，是从含有干扰的接收信号中提取有用信号的一种技术。

均值滤波

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（如3×3模板：以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身），再用模板中的全体像素的平均值来代替原来像素值。

效果

平滑线性滤波处理降低了图像的“尖锐”变化。由于典型的随机噪声由灰度级的急剧变化组成，因此常见的平滑处理的应用就是降低噪声。均值滤波器的主要应用是去除图像中的不相关细节，其中“不相关”是指与滤波器模板尺寸相比较小的像素区域。然而，由于图像的边缘也是由图像灰度的尖锐变化带来的特性，所以均值滤波处理还是存在着边缘模糊的负面效应。

实验

使用OpenCV进行实验的部分代码：

IplImage *pImgTmp = cvCloneImage(m_pImg);

	// 第二种边界处理：对边界特殊处理
	for (i = 0; i < m_pImg->width; i++)
	{
		for (j = 0; j < m_pImg->height; j++)
		{
			CvScalar color;
			CvScalar colorTmp;
			int m, n, cnt = 0;
			color.val[0] = color.val[1] = color.val[2] = 0;		
			for (m = i - nKernelSize/2; m <= i+nKernelSize/2; m++)
			{
				for (n = j-nKernelSize/2; n <= j+nKernelSize/2; n++)
				{
					// 处理边界和中心像素
					if ( (m == i && n == j) || m < 0 || m >= m_pImg->width 
						|| n < 0 || n >= m_pImg->height )
						continue;
					
					cvGetPixel(pImgTmp, n, m, colorTmp);
					color.val[0] += colorTmp.val[0];
					color.val[1] += colorTmp.val[1];
					color.val[2] += colorTmp.val[2];
					cnt++;
				}
			}
			// 取邻域中像素的平均值
			color.val[0] /= cnt;
			color.val[1] /= cnt;
			color.val[2] /= cnt;
			cvSetPixel(m_pImg, j, i, color);
		}
	}
	cvReleaseImage(&pImgTmp);
           

其中cvGetPixel和cvSetPixel的定义为：

void  cvGetPixel(const IplImage* pIplImg, int row, int col, CvScalar &color)
{
	if (col >= pIplImg->width || col < 0 ||
		row >= pIplImg->height || row < 0 )
		return;
	
	uchar *p = ((uchar*)(pIplImg->imageData + pIplImg->widthStep * row + col * 3));
	color = cvScalar(p[0], p[1], p[2]);
}

void  cvSetPixel(IplImage* pIplImg, int row, int col, CvScalar color)
{
	if (col >= pIplImg->width || col < 0 ||
		row >= pIplImg->height || row < 0 )
		return;
	
	uchar *p = ((uchar*)(pIplImg->imageData + pIplImg->widthStep * row + col * 3));
	p[2] = color.val[2];
	p[1] = color.val[1];
	p[0] = color.val[0];
}
           

测试图原图：

3×3模板结果：

5×5模板结果：

21×21模板结果：

参考

http://baike.baidu.com/view/1220844.htm

http://page.renren.com/601107605/note/803745240