理论引自：https://www.cnblogs.com/jukan/p/7072652.html
均值滤波：
均值滤波，是图像处理中最常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高
频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。理想的均
值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。采样Kernel数
据通常是3X3的矩阵，如下表示：
从左到右从上到下计算图像中的每个像素，最终得到处理后的图像。均值滤波可以加上两个
参数，即迭代次数，Kernel数据大小。一个相同的Kernel，但是多次迭代就会效果越来越好。
同样，迭代次数相同，Kernel矩阵越大，均值滤波的效果就越明显。
中值滤波
中值滤波也是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比
均值滤波更好。中值滤波是跟均值滤波唯一不同是，不是用均值来替换中心每个像素，而是
将周围像素和中心像素排序以后，取中值，一个3X3大小的中值滤波如下：
最大最小值滤波
最大最小值滤波是一种比较保守的图像处理手段，与中值滤波类似，首先要排序周围像素和
中心像素值，然后将中心像素值与最小和最大像素值比较，如果比最小值小，则替换中心像
素为最小值，如果中心像素比最大值大，则替换中心像素为最大值。一个Kernel矩阵为3X3的最大最小值滤波如下
附上代码：python
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
from tkinter import *
from skimage import io
from skimage.util import random_noise
import numpy as np
import matplotlib.pyplot as plt
# imag=io.imread('lena1.jpg')
#
# #加高斯噪声
# gaussian=random_noise(imag,mode='gaussian',seed=5000)
# io.imshow(gaussian)
# io.imsave('gaussion_image.jpg',gaussian)
# plt.title('gaussion_image')
# plt.show()
#
# #加椒盐噪声
# salt=random_noise(imag,mode='salt',seed=5000)
# io.imshow(salt)
# io.imsave('salt.jpg',salt)
# plt.title('salt_image')
# plt.show()
#自编椒盐噪声
# def add_salt(path):
# im=io.imread(path)
# #随机生成5000个椒盐
# rows,cols,dim=im.shape
# for i in range(500):
# x=np.random.randint(0,rows)
# y=np.random.randint(0,cols)
# im[x,y,:]=255
# io.imshow(im)
# io.imsave('salt_lena.jpg',im)
# plt.title('salt_image')
# plt.show()
#
# add_salt('lena1.jpg')
#
def deal_image(path):
im=io.imread(path,as_grey=True)
io.imshow(im)
plt.title(path+'_image_grey')
plt.show()
im_copy_med=io.imread(path, as_grey=True)
im_copy_mea =io.imread(path, as_grey=True)
im_copy_max=io.imread(path, as_grey=True)
im_copy_min=io.imread(path, as_grey=True)
#io.imshow(im)
for i in range(0,im.shape[0]):
for j in range(0,im.shape[1]):
im_copy_med[i][j]=im[i][j]
im_copy_mea[i][j]=im[i][j]
im_copy_max[i][j]=im[i][j]
im_copy_min[i][j]=im[i][j]
#定义滤波器
return im,im_copy_med,im_copy_mea,im_copy_max,im_copy_min
im,im_copy_med,im_copy_mea,im_copy_max,im_copy_min=deal_image('gaussion_image.jpg')
def m_filter(x, y, step):
sum_s=[]
for k in range(-int(step/2),int(step/2)+1):
for m in range(-int(step/2),int(step/2)+1):
sum_s.append(im[x+k][y+m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def max_filte(x,y,step):
sum_s=[]
for k in range(-int(step/2),int(step/2)+1):
for m in range(-int(step/2),int(step/2)+1):
sum_s.append(im[x+k][y+m])
sum_s.sort()
return max(sum_s)
def min_filte(x,y,step):
sum_s=[]
for k in range(-int(step/2),int(step/2)+1):
for m in range(-int(step/2),int(step/2)+1):
sum_s.append(im[x+k][y+m])
sum_s.sort()
return min(sum_s)
def mean_filter(x, y, step):
sum_s = 0
for k in range(-int(step/2),int(step/2)+1):
for m in range(-int(step/2),int(step/2)+1):
sum_s += im[x+k][y+m] / (step*step)
return sum_s
#Step为滤波器的大小
def test(Step):
for i in range(int(Step/2),im.shape[0]-int(Step/2)):
for j in range(int(Step/2),im.shape[1]-int(Step/2)):
im_copy_med[i][j] = m_filter(i, j, Step)
im_copy_mea[i][j] = mean_filter(i, j, Step)
im_copy_max[i][j]=max_filte(i,j,Step)
im_copy_min[i][j]=min_filte(i,j,Step)
io.imshow(im_copy_med)
plt.title('median_image')
plt.show()
io.imsave(str(Step) + 'med.jpg', im_copy_med)
io.imshow(im_copy_mea)
plt.title('mean_image')
plt.show()
io.imsave(str(Step) + 'mea.jpg', im_copy_mea)
io.imshow(im_copy_max)
plt.title('max_image')
plt.show()
io.imsave(str(Step) + 'max.jpg', im_copy_max)
io.imshow(im_copy_min)
plt.title('min_image')
io.imsave(str(Step) + 'min.jpg', im_copy_min)
plt.show()
test(3)
实验结果：
原图：
加噪声：
加了椒盐噪声的图片
中值去燥的效果
可以看出，中值去除椒盐噪声表现不错，但是像素明显变小了，图片质量有所下降
均值 去燥：效果并不好
最大值去燥：椒盐噪声加的本就是最大值255，明显噪声点变大，亮部更亮
最小值去燥：黑色的地方明显加深
针对高斯噪声，主要是均值和中值差距较大，因此只给出这两者的图片：
中值滤波在除去高斯噪声这一方面就不如在椒盐噪声效果好。
均值滤波就好了很多