中值濾波將圖像的每個像素用鄰域 (以當前像素為中心的正方形區域)像素的中位數代替 。與鄰域平均法類似，但計算的是中值。

用scipy.signal.medfilt()實現中值濾波

函數原型：

scipy.signal.medfilt(volume, kernel_size=None)

參數：

• volume： N維輸入數組。
• kernel_size： 一個標量或元組，代表每個維度中中值濾波窗口的大小（即取多少個值的中值），默認值為3。

---

中值濾波技術能有效抑制噪聲，通過把數字圖像中一點的值用該點周圍的各點值的中位數來代替，讓這些值接近，以消除原數據（圖像or時序數據）中的噪聲。

signal的medfilt()方法傳入一個參數：

import random import numpy as np import scipy.signal as signal x=np.arange(0,100,10) random.shuffle(x) pint(x) x = signal.medfilt(x,3) #一維中值濾波 pint(x) """ 輸出：array([60, 40, 70, 0, 50, 30, 90, 80, 10, 20])array([40., 60., 40., 50., 30., 50., 80., 80., 20., 10.]) """

signal的medfilt()方法傳入兩個參數：第一個參數是要作中值濾波的信號，第二個參數是鄰域的大小(奇數)。如鄰域為3即是每個點自己和上下左右各一個點（共9個點）成為一個鄰域。在每個位置的鄰域中選取中位數替換這個位置的數。如果鄰域中出現沒有元素的位置，那么以0補齊。

x = np.random.randint(1,1000,(4,4)) print(x,"\n") x = signal.medfilt(x,(3,3)) #二維中值濾波 print(x) """ 輸出： [[ 14 442 710 256][839 102 372 937][ 70 638 506 684][118 769 608 666]][[ 0. 102. 256. 0.][ 70. 442. 506. 372.][102. 506. 638. 506.][ 0. 118. 608. 0.]] """

中值濾波在時序數據上的效果

import scipy.signal as signal import matplotlib.pyplot as plt import numpy as np import pandas as pdn = 50 y = np.sin(np.linspace(0, 10, n)) + np.random.rand(n) y_med = signal.medfilt(y, kernel_size=5)plt.figure() plt.plot(y, 'r--', label='y') plt.plot(y_med, 'b-.', label='y_med') plt.legend() plt.show()

可以看出經中值濾波處理后的數據（藍色線）相對原數據（紅色線）較平滑了許多

中值濾波在圖像上的應用效果

import cv2 import numpy as np url="test.png" img=cv2.imread(url)# 加上椒鹽噪聲 # 灰階范圍 w=img.shape[1] h=img.shape[0] newimg=np.array(img)# 噪聲點數量 noisecount=5000 for k in range(0,noisecount):xi=int(np.random.uniform(0,newimg.shape[1]))xj=int(np.random.uniform(0,newimg.shape[0]))newimg[xj,xi]=255# 中值濾波去噪（平滑圖片） lbimg=cv2.medianBlur(newimg,3) cv2.imshow('lbimg',lbimg) # 添加了噪音的圖片 cv2.imshow('newimg',newimg)cv2.waitKey() cv2.destroyAllWindows()

總結

以上是生活随笔為你收集整理的中值滤波scipy.signal.medfilt()方法的全部內容，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。