前面提到，我們想到了用平均操作來降低噪聲。降低噪聲的意義是顯而易見的，當我們需要圖像增強，以提升圖像的質量時，必須降低甚至消除噪聲。

用平均操作來降低噪聲是一種好方法，其基于的原理是：每個像素點的值與其周邊像素點的值比較接近。

但是，我們進一步分析，如果一個像素點的值沒有被噪聲污染，那么用這種操作就改變了像素點的真實值，帶來了副作用。同時，在像素點的8領域周邊像素中，其水平和垂直方向的4領域像素與中心像素的距離是1，而對角像素與中心像素的距離是根號2，距離中心像素更近的像素的值是不是與中心像素的值更接近呢，重要程度更高呢。同樣，中心像素的值本身是不是有更大的可能性接近原始值呢，它本身的重要程度是不是也更高呢。

于是，我們很自然的就想到是不是不用絕對平均，而是用加權平均，重要程度高的賦予更高的權重，重要程度低的賦予較低的權重。例如下圖所示：

中心點象素的權重是0.25，水平和垂直方向像素的權重是0.125，對角方向像素的權重是0.0625，當然，這些權重的和必須等于1。

我們用加權平均來看一看效果。下圖是帶有鹽噪聲的圖像。

import cv2 import numpy as np salt = cv2.imread("salt_lena.bmp", 0) row, column = salt.shape reduce = salt[:] for x in range(1, row - 1):for y in range(1, column - 1):reduce[x, y] = 0.0625 * salt[x - 1, y - 1] + 0.125 * salt[x - 1, y] + 0.0625 * salt[x - 1, y + 1] + \0.125 * salt[x, y - 1] + 0.25 * salt[x, y] + 0.125 * salt[x, y + 1] + \0.0625 * salt[x + 1, y - 1] + 0.125 * salt[x + 1, y] + 0.0625 * salt[x + 1, y + 1]cv2.imshow("reduce", reduce.astype("uint8")) cv2.waitKey()

輸出結果：

總結

以上是生活随笔為你收集整理的为什么用加权平均来降噪的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。