Opencv MedianBlur 是如何工作的？答案

【问题标题】：How does Opencv MedianBlur actually work?Opencv MedianBlur 是如何工作的？
【发布时间】：2020-04-13 07:36:28
【问题描述】：

我一直在处理具有大量椒盐噪声的灰度图像，并开始知道 MedianBlur 非常有用。所以我使用了 Python 版本的 Opencv(cv2.medianBlur())。它有效，但没有按我想要的方式工作。所以我一直在寻找它工作的实际算法并得到以下解释：

如果您的内核大小（k）为 5，那么对于每个 5（行数）x5（列数）的方形窗口，该窗口的中心像素将被其中所有元素的中值替换.因此，例如，考虑这个窗口：

      [[11,  4, 17,  1,  5],
       [ 6, 14,  0, 12, 16],
       [24, 19, 13, 18, 23],
       [ 7, 11, 11, 10,  5],
       [10, 13, 23,  3,  0]]

这里，中心元素 13 将被所有这些元素的中位数（即 11）替换。这是正确的吗？如果是，前两行会发生什么，因为前两行中不能有任何窗口的中心元素？根据我的观察（比较原始图像和处理后的图像），前两行也发生了变化。

【问题讨论】：

标签： python opencv image-processing signal-processing

【解决方案1】：

根据medianBlur() 文档，它在内部使用BORDER_REPLICATE 来处理边框像素。

BORDER_REPLICATE 
Python: cv.BORDER_REPLICATE

aaaaaa|abcdefgh|hhhhhhh

所以它会重复边界像素，直到所有像素都是窗口的中间像素。

编辑：要应用大小为 5x5 的内核，第一个像素应位于图像的第三行和第三列。这意味着将边界复制两个像素。所以你的形象在内部变成了这样：

  [[11, 11, 11,  4, 17,  1,  5,  5,  5],
   [11, 11, 11,  4, 17,  1,  5,  5,  5],
   [11, 11, 11,  4, 17,  1,  5,  5,  5],
   [ 6,  6,  6, 14,  0, 12, 16, 16, 16],
   [24, 24, 24, 19, 13, 18, 23, 23, 23],
   [ 7,  7,  7, 11, 11, 10,  5,  5,  5],
   [10, 10, 10, 13, 23,  3,  0,  0,  0],
   [10, 10, 10, 13, 23,  3,  0,  0,  0],
   [10, 10, 10, 13, 23,  3,  0,  0,  0]]

【讨论】：

他们没有太多关于 BORDER_REPLICATE 的文档。据我了解，如果您有一行 abcdefh，其中“a”和“h”是边框像素，那么它将像 aaaaaa|abcdefgh|hhhhhh 一样填充行。但它如何适用于二维窗口？如果我有一个像 [[13, 16, 18], [16, 17, 19], [20, 17, 18]] 这样的 2D 窗口，并且我必须将其设为 5x5，它将如何工作？
同样，如果你有ab，它在二维中变成aabb,a|ab|b,aabb。将边框扩展到左/右/上/下。
[[13, 16, 18], [16, 17, 19], [20, 17, 18]] 变为 [[13, 13, 16, 18, 18], [13, 13, 16, 18, 18], [16, 16, 17, 19, 19], [20, 20, 17, 18, 18], [20, 20, 17, 18, 18]]
好的，让我重新表述我的评论：如果我有输入图像的前 5 行和前 5 列，我必须对其应用中值模糊来更改第一个像素值 [0 ,0]，它会怎么样？给定前 5 行和前 5 列：[[13, 16, 18, 23, 14], [16, 17, 19, 19, 16], [20, 17, 18, 19, 16], [21, 14, 13, 13, 13], [16, 13, 14, 14, 14]]
谢谢@ilke444 的解释和克里斯，你也是。

【解决方案2】：

来自文档：

中值滤波器在内部使用#BORDER_REPLICATE 来应对边框像素，请参阅#BorderTypes

【讨论】：

【解决方案3】：

这里，函数 cv2.medianBlur() 计算内核窗口下所有像素的中值，并将中心像素替换为该中值。这对于消除椒盐噪声非常有效。需要注意的一件有趣的事情是，在高斯和盒式过滤器中，中心元素的过滤值可能是原始图像中可能不存在的值。然而，在中值滤波中情况并非如此，因为中心元素总是被图像中的某个像素值替换。这有效地降低了噪音。内核大小必须是正奇数。

【讨论】：