（七）图像的均值滤波-编程知识

（七）图像的均值滤波

环境：Windows10专业版 + IDEA2021.2.3 + jdk11.0.1 + OpenCV-460.jar

系列文章：

（一）Python+GDAL实现BSQ，BIP，BIL格式的相互转换

（二）BSQ,BIL,BIP存储格式的相互转换算法

（三）单波段图像的伪彩色合成：密度分割（含介绍OpenCV中的Mat类）

（四）图像的%2线性拉伸

（五）图像的标准假彩色合成

（六）图像的直方图均衡化

（七）图像的均值滤波

（八）图像的中值滤波

（九）图像的高斯低通滤波

（十）图像的梯度倒数加权平滑

（十一）图像的罗伯特梯度锐化

（十二）图像的Sobel梯度锐化

（十三）图像的拉普拉斯梯度锐化

一、均值滤波简介

二、算法流程

三、代码实现

四、结果

1、读入的图像

2、经过空间滤波后的图像

一、均值滤波简介

均值滤波是一种基于邻域平均的图像平滑处理技术，通常用于减少图像噪声并使图像变得平滑。

以下是关于均值滤波的几个关键点：

1.应用场景：这种滤波方法主要用于图像去噪，可以有效地降低图像中的随机噪声，使图像整体显得更平滑。但需要注意的是，在去除噪声的同时，也可能会使图像失去一些细节信息。

2.模板大小：在进行均值滤波时，可以选择不同大小的滤波模板，如3x3、5x5等。选择的模板越大，每次参与平均的区域就越大，相应的平滑效果也就越明显。不过，较大的模板也可能会导致更多的细节损失。

3.实现方式：在实际应用中，可以通过编写程序来实现均值滤波。例如，在C++中可以通过遍历图像的每一个像素点，并对每个像素点的邻域应用滤波器来计算新的像素值。

4.优缺点：算法简单，计算速度快，适合快速实现基本的图像平滑处理；但是会造成图像模糊，特别是对图像的边缘和细节削弱很多。

5.与其他滤波对比：除了均值滤波外，还有其他多种图像滤波算法，如高斯滤波、中值滤波和双边滤波等，各自有不同的特点和适用场景。选择合适的滤波器需要根据具体的图像处理需求和目的来决定。

均值滤波是一种以简单著称的图像处理方法，适用于快速的图像去噪和平滑处理，但在使用时需要注意其可能导致的细节损失。

二、算法流程

（以单波段图像为例）

1、利用OpenCV读入图像，将像素存储在数组里

2、以3×3的模板为例，对应的模板如图所示

为了避免中心像素值过高影响平均值升高，在运算时可不取中心值，由周围的八个像素进行运算，如图所示

新像素值g(x,y)=1/9 ( f(x-1,y-1) + f(x-1,y) + f(x-1,y+1) + f(x,y-1) + f(x,y) + f(x,y+1)+ f(x+1,y-1) + f(x+1,y) + f(x+1,y+1) )

3、将经过滤波后的像素值存入数组合成图像并存储

三、代码实现

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;/*** @Author: HNUST_jue_chen* @Date: 2022/11/02/ 10:43* @Attention: 转载, 引用请注明出处*/public class AverageFiltering {//加载本地动态链接库static {System.loadLibrary(Core.NATIVE_LIBRARY_NAME);}//进行均值滤波public Mat averageFilter(String path) {//使用Mat类存储图像信息Mat mat = Imgcodecs.imread(path);//图像的大小int rows = mat.rows();int cols = mat.cols();//获得原图像像素数组int[][] mat_arr = new int[rows][cols];for (int i = 0; i < rows; i++) {for (int j = 0; j < cols; j++) {mat_arr[i][j] = (int) mat.get(i, j)[0];}}//用3×3窗口进行均值滤波int[][] mat_arr_avgFilter = new int[rows][cols];for (int i = 0; i < rows; i++) {for (int j = 0; j < cols; j++) {//处理非边缘的像素if (i != 0 && i != rows - 1 && j != 0 && j != cols - 1) {mat_arr_avgFilter[i][j] = (int) ((1.0 / 9)* (mat_arr[i - 1][j - 1] + mat_arr[i - 1][j] + mat_arr[i - 1][j + 1]+ mat_arr[i][j - 1] + mat_arr[i][j] + mat_arr[i][j + 1]+ mat_arr[i + 1][j - 1] + mat_arr[i + 1][j] + mat_arr[i + 1][j + 1]));} else {    //处理边缘的像素mat_arr_avgFilter[i][j] = mat_arr[i][j];}}}//合成图像Mat mat_avgFilter = new Mat(rows, cols, CvType.CV_32SC1);//将像素放入图像for (int i = 0; i < rows; i++) {//一次放入一行像素值mat_avgFilter.put(i, 0, mat_arr_avgFilter[i]);}return mat_avgFilter;}public static void main(String[] args) {AverageFiltering af = new AverageFiltering();Mat mat = af.averageFilter("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray.png");//将均值滤波后的图像写入文件Imgcodecs.imwrite("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\2_gray_af.png", mat);}
}