完整代碼可以在 我的AI學(xué)習(xí)筆記 - github 中獲取

原理

傳統(tǒng)的中值濾波算法在椒鹽噪聲的去除領(lǐng)域有著比較廣泛的應(yīng)用，其具有較強(qiáng)的噪點(diǎn)鑒別和恢復(fù)能力，也有比較低的時間復(fù)雜度：其基本思想是采用像素點(diǎn)周圍鄰接的若干像素點(diǎn)的中值來代替被污染的像素點(diǎn)；但也存在一定的缺陷，隨著圖像被污染程度的加深，此方法恢復(fù)的圖像細(xì)節(jié)模糊、邊緣損失也會越嚴(yán)重。

中值濾波的思想就是比較一定領(lǐng)域內(nèi)的像素值的大小，取出其中值作為這個領(lǐng)域的中心像素新的值。假設(shè)對一定領(lǐng)域內(nèi)的所有像素從小到大進(jìn)行排序，如果存在孤立的噪聲點(diǎn)，比如椒鹽噪聲（椒噪聲——較小的灰度值，呈現(xiàn)的效果是小黑點(diǎn)；鹽噪聲——較大的灰度值，呈現(xiàn)的效果是小白點(diǎn)），那么從小到大排序的這個數(shù)組中，那些孤立的噪聲一定會分布在兩邊（要么很小，要么很大），這樣子取出的中值點(diǎn)可以很好地保留像素信息，而濾除了噪聲點(diǎn)的影響。
中值濾波器受濾波窗口大小影響較大，用于消除噪聲和保護(hù)圖像細(xì)節(jié)，兩者會存在沖突。如果窗口較小，則能較好地保護(hù)圖像中的一些細(xì)節(jié)信息，但對噪聲的過濾效果就會打折扣；反之，如果窗口尺寸較大則會有較好的噪聲過濾效果，但也會對圖像造成一定的模糊效果，從而丟失一部分細(xì)節(jié)信息。

此處采用改進(jìn)的自適應(yīng)中值濾波算法進(jìn)行圖像恢復(fù)：

根據(jù)圖像處理的空間相關(guān)性原則，采用自適應(yīng)的方法選擇不同的滑動窗口大小；

在算法中單濾波窗口大小達(dá)到最大值時，采用均值濾波；

代碼實(shí)現(xiàn)

def get_window(res_img,noise_mask,sc,i,j,k):listx = []if i-sc >= 0:starti = i-sc else:starti = 0if j+1 <= res_img.shape[1]-1 and noise_mask[0,j+1,k] !=0:listx.append(res_img[0,j+1,k])if j-1 >=0 and noise_mask[0,j-1,k] !=0:listx.append(res_img[0,j-1,k])if i+sc <= res_img.shape[0]-1:endi = i+scelse:endi = res_img.shape[0]-1if j+1 <= res_img.shape[1]-1 and noise_mask[endi,j+1,k] !=0:listx.append(res_img[endi,j+1,k])if j-1 >=0 and noise_mask[endi,j-1,k] !=0:listx.append(res_img[endi,j-1,k])if j+sc <= res_img.shape[1]-1:endj = j+scelse:endj = res_img.shape[1]-1if i+1 <= res_img.shape[0]-1 and noise_mask[i+1,endj,k] !=0:listx.append(res_img[i+1,endj,k])if i-1 >=0 and noise_mask[i-1,endj,k] !=0:listx.append(res_img[i-1,endj,k])if j-sc >= 0:startj = j-scelse:startj = 0if i+1 <= res_img.shape[0]-1 and noise_mask[i+1,0,k] !=0:listx.append(res_img[i+1,0,k])if i-1 >=0 and noise_mask[i-1,0,k] !=0:listx.append(res_img[i-1,0,k])for m in range(starti,endi+1):for n in range(startj,endj+1):if noise_mask[m,n,k] != 0:listx.append(res_img[m,n,k])listx.sort()return listxdef get_window_small(res_img,noise_mask,i,j,k):listx = []sc = 1 if i-sc >= 0 and noise_mask[i-1,j,k]!=0:listx.append(res_img[i-1,j,k])if i+sc <= res_img.shape[0]-1 and noise_mask[i+1,j,k]!=0:listx.append(res_img[i+1,j,k])if j+sc <= res_img.shape[1]-1 and noise_mask[i,j+1,k]!=0:listx.append(res_img[i,j+1,k])if j-sc >= 0 and noise_mask[i,j-1,k]!=0:listx.append(res_img[i,j-1,k])listx.sort()return listxdef restore_image(noise_img, size=4):"""使用 你最擅長的算法模型 進(jìn)行圖像恢復(fù)。:param noise_img: 一個受損的圖像:param size: 輸入?yún)^(qū)域半徑，長寬是以 size*size 方形區(qū)域獲取區(qū)域, 默認(rèn)是 4:return: res_img 恢復(fù)后的圖片，圖像矩陣值 0-1 之間，數(shù)據(jù)類型為 np.array,數(shù)據(jù)類型對象 (dtype): np.double, 圖像形狀:(height,width,channel), 通道(channel) 順序?yàn)镽GB"""# 恢復(fù)圖片初始化，首先 copy 受損圖片，然后預(yù)測噪聲點(diǎn)的坐標(biāo)后作為返回值。res_img = np.copy(noise_img)# 獲取噪聲圖像noise_mask = get_noise_mask(noise_img)for i in range(noise_mask.shape[0]):for j in range(noise_mask.shape[1]):for k in range(noise_mask.shape[2]):if noise_mask[i,j,k] == 0:sc = 1listx = get_window_small(res_img,noise_mask,i,j,k)if len(listx) != 0:res_img[i,j,k] = listx[len(listx)//2]else:while(len(listx) == 0):listx = get_window(res_img,noise_mask,sc,i,j,k)sc = sc+1if sc > 4:res_img[i,j,k] = np.mean(listx)else:res_img[i,j,k] = listx[len(listx)//2]return res_img

恢復(fù)效果：

原始圖片

添加噪點(diǎn)

恢復(fù)后

總結(jié)

以上是生活随笔為你收集整理的改进的自适应中值滤波算法 去除椒盐噪声 python 代码实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。