### 使用Python实现传统图像去噪方法 #### 中值滤波器 中值滤波是一种非线性平滑技术，用于减少不同类型的噪声，特别是椒盐噪声。该方法通过取邻域内的中间值来替代中心像素的值。 ```python import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('noisy_image.png', 0) median_filtered = cv2.medianBlur(img, ksize=5)[^2] plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Noisy Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(median_filtered, cmap='gray') plt.title('Median Filtered Image'), plt.xticks([]), plt.yticks([]) plt.show() ``` #### 均值滤波器 均值滤波是最简单的线性滤波形式之一，它通过对窗口内所有像素求平均值的方式去除高斯白噪声。 ```python mean_filtered = cv2.blur(img,(5,5)) plt.figure(figsize=(10,7)) plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Noisy Image'), plt.axis('off') plt.subplot(122), plt.imshow(mean_filtered, cmap='gray') plt.title('Mean Filtered Image'), plt.axis('off') plt.show() ``` #### 双边滤波器 双边滤波不仅考虑空间临近度还考虑到颜色相似度，在保持边缘的同时可以有效地降低随机噪声的影响。 ```python bilateral_filtered = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75) plt.figure(figsize=(10,7)) plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Noisy Image'), plt.axis('off') plt.subplot(122), plt.imshow(bilateral_filtered, cmap='gray') plt.title('Bilateral Filtered Image'), plt.axis('off') plt.show() ``` #### 高斯滤波器 高斯模糊利用二维正态分布核函数对图像进行卷积操作，从而达到降噪效果。 ```python gaussian_blur = cv2.GaussianBlur(img, (5, 5), 0) plt.figure(figsize=(10,7)) plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Noisy Image'), plt.axis('off') plt.subplot(122), plt.imshow(gaussian_blur, cmap='gray') plt.title('Gaussian Blurred Image'), plt.axis('off') plt.show() ``` 对于更复杂的场景，如彩色图片或多通道数据，则可采用`cv2.fastNlMeansDenoisingColored()`来进行非局部均值去噪处理[^1]。