中值滤波技术能有效抑制噪声，通过把数字图像中一点的值用该点周围的各点值的中位数来代替，让这些值接近，以消除原图像中的噪声。

*模拟中值滤波

>>> import random
>>> import numpy as np
>>> import scipy.signal as signal
>>> x=np.arange(0,100,10)
>>> random.shuffle(x)
>>> x
array([70, 80, 30, 20, 10, 90,  0, 60, 40, 50])
>>> signal.medfilt(x,3) #一维中值滤波
array([ 70.,  70.,  30.,  20.,  20.,  10.,  60.,  40.,  50.,  40.])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

signal的medfilt()方法传入两个参数，第一个参数是要作中值滤波的信号，第二个参数是邻域的大小(奇数)。如邻域为3即是每个点自己和左右各一个点成为一个邻域。在每个位置的邻域中选取中位数替换这个位置的数，也就是该函数的返回值数组。如果邻域中出现没有元素的位置，那么以0补齐。

>>> x=np.random.randint(1,1000,(4,4))
>>> x
array([[ 31,  33, 745, 483],[331, 469, 804, 479],[235, 487, 244, 982],[857, 114, 167, 174]])
>>> signal.medfilt(x,(3,3)) #二维中值滤波
array([[   0.,   33.,  469.,    0.],[  33.,  331.,  483.,  479.],[ 235.,  331.,  469.,  174.],[   0.,  167.,  167.,    0.]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

二维中值滤波还可以用signal.medfilt2d()，速度较快，但只支持int8，float32和float64。

*对图像中值滤波
测试图像如下，是在网上找的一个200*200像素的头像。

import numpy as np
from PIL import Image
import scipy.signal as signalim=Image.open('test.jpg') #读入图片并建立Image对象im
data=[] #存储图像中所有像素值的list(二维)
width,height=im.size #将图片尺寸记录下来#读取图像像素的值
for h in range(height): #对每个行号hrow=[] #记录每一行像素for w in range(width): #对每行的每个像素列位置wvalue=im.getpixel((h,w)) #用getpixel读取这一点像素值row.append(value)#把它加到这一行的list中去data.append(row) #把记录好的每一行加到data的子list中去，就建立了模拟的二维listdata=signal.medfilt(data,kernel_size=3) #二维中值滤波
data=np.int32(data) #转换为int类型，以使用快速二维滤波#创建并保存结果
for h in range(height): #对每一行for w in range(width): #对该行的每一个列号im.putpixel((h,w),tuple(data[h][w])) #将data中该位置的值存进图像,要求参数为tupleim.save('result.jpg')#存储

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26

董老师课程中写的代码在我的电脑(可能是版本的问题)上运行会报错，我修改了之后的如上，这样可以进行中值滤波了，但是图像的颜色不知道为什么也发生了改变(不清楚是否是正常的)。得到下图。

如果把int32()改成int8()的话，图像又会被反相(似乎int8()不能把每一位转回表示0~255的三元组)。
如果想滤波得更”严重”一些，只要修改signal.medfilt的参数kernel_size更大一些就可以了，如把它改成5的时候图像如下。

这个时候竟然恢复了黑色，这样我认为之前出现绿色的情况也是合理的，可能是该图像本身就有许多绿色的成分在里面(在黑和白之间不易分辨)吧。