濾波中值演算法
『壹』 中值濾波
中值濾波與前面介紹的濾波方式不同，不再採用加權求均值的方式計算濾波結果。它用鄰域內所有像素值的中間值來替代當前像素點的像素值。
中值濾波會取當前像素點及其周圍臨近像素點（一共有奇數個像素點）的像素值，將這些像素值排序，然後將位於中間位置的像素值作為當前像素點的像素值。
例如，針對圖7-27中第4行第4列的像素點，計算它的中值濾波值。
將其鄰域設置為3×3大小，對其3×3鄰域內像素點的像素值進行排序（升序降序均可），按升序排序後得到序列值為：[66,78,90,91,93,94,95,97,101]。在該序列中，處於中心位置（也叫中心點或中值點）的值是「93」，因此用該值替換原來的像素值78，作為當前點的新像素值，處理結果如圖7-28所示。
在OpenCV中，實現中值濾波的函數是cv2.medianBlur()，其語法格式如下：
式中：
【例7.7】針對雜訊圖像，對其進行中值濾波，顯示濾波的結果。
從圖中可以看到，由於沒有進行均值處理，中值濾波不存在均值濾波等濾波方式帶來的細節模糊問題。在中值濾波處理中，雜訊成分很難被選上，所以可以在幾乎不影響原有圖像的情況下去除全部雜訊。但是由於需要進行排序等操作，中值濾波需要的運算量較大。
『貳』 中值濾波
中值濾波是把所取范圍內所有像素的值取平均，然後設置為當前像素的值，例如，如果當前像素位置為（3, 3），那麼就是把以它為中心的3*3范圍的像素值取平均設置為（3，3）的值
是每個像素都是這樣處理的~
也就是說，你不能直接在原圖像上改，而是要新建一個圖像來做~
『叄』 中值濾波怎麼算
中值濾波medfilt2，用法b
=
medfilt2(a,
[m
n])
你的兩點錯誤
一、輸入圖像a，應該是二維矩陣
你用輸入圖像b是由imread得到的a加上雜訊得到的
而imread讀到的圖像a通常是3維rgb圖，是三維矩陣
直接用medfilt2是不對的，可以先用rgb2gray(a)將a先轉換為灰度矩陣
二、中值濾波也要指定濾波模版的大小
medfilt2需要兩個輸入參數，第一個是圖像a
第二個參數需要輸入一個長度是二的向量，[m
n]
指定模版的大小，m行n列
『肆』 c語言中值濾波問題
1. 是規定做中值濾波的點不含邊緣的點(取決於中值濾波窗口大小)。 2,對圖像邊緣部分的信息進行鏡像處理。
『伍』 濾波在數學上是如何實現的
在單片機進行數據採集時，會遇到數據的隨機誤差，隨機誤差是由隨機干擾引起的，其特點是在相同條件下測量同一量時，其大小和符號會現無規則的變化而無法預測，但多次測量的結果符合統計規律。為克服隨機干擾引起的誤差，硬體上可採用濾波技術，軟體上可採用軟體演算法實現數字濾波。濾波演算法往往是系統測控演算法的一個重要組成部分，實時性很強。
採用數字濾波演算法克服隨機干擾的誤差具有以下優點：
1、數字濾波無需其他的硬體成本，只用一個計算過程，可靠性高，不存在阻抗匹配問題。尤其是數字濾波可以對頻率很低的信號進行濾波，這是模擬濾波器做不到的。
2、數字濾波使用軟體演算法實現，多輸入通道可共用一個濾波程序，降低系統開支。
3、只要適當改變濾波器的濾波程序或運算，就能方便地改變其濾波特性，這對於濾除低頻干擾和隨機信號會有較大的效果。
4、在單片機系統中常用的濾波演算法有限幅濾波法、中值濾波法、算術平均濾波法、加權平均濾波法、滑動平均濾波等。
(1)限幅濾波演算法
該運算的過程中將兩次相鄰的采樣相減，求出其增量，然後將增量的絕對值，與兩次采樣允許的最大差值A進行比較。A的大小由被測對象的具體情況而定，如果小於或等於允許的最大差值，則本次采樣有效;否則取上次采樣值作為本次數據的樣本。
演算法的程序代碼如下：
#defineA //允許的最大差值
chardata; //上一次的數據
char filter()
{
chardatanew; //新數據變數
datanew=get_data(); //獲得新數據變數
if((datanew-data)>A||(data-datanew>A))
return data;
else
returndatanew;
}
說明：限幅濾波法主要用於處理變化較為緩慢的數據，如溫度、物體的位置等。使用時，關鍵要選取合適的門限制A。通常這可由經驗數據獲得，必要時可通過實驗得到。
(2)中值濾波演算法
該運算的過程是對某一參數連續采樣N次(N一般為奇數)，然後把N次采樣的值按從小到大排列，再取中間值作為本次采樣值，整個過程實際上是一個序列排序的過程。
演算法的程序代碼如下：
#define N11 //定義獲得的數據個數
char filter()
{
charvalue_buff[N]; //定義存儲數據的數組
char count,i,j,temp;
for(count=0;count
{
value_buf[count]=get_data();
delay(); //如果採集數據比較慢，那麼就需要延時或中斷
}
for(j=0;j
{
for(value_buff[i]>value_buff[i+1]
{
temp=value_buff[i];
value_buff[i]=value_buff[i+1];
value_buff[i+1]=temp;
}
}
returnvalue_buff[(N-1)/2];
}
說明：中值濾波比較適用於去掉由偶然因素引起的波動和采樣器不穩定而引起的脈動干擾。若被測量值變化比較慢，採用中值濾波法效果會比較好，但如果數據變化比較快，則不宜採用此方法。
(3)算術平均濾波演算法
該演算法的基本原理很簡單，就是連續取N次采樣值後進行算術平均。
演算法的程序代碼如下：
char filter()
{
int sum=0;
for(count=0;count
{
sum+=get_data();
delay():
}
return (char)(sum/N);
}
說明：算術平均濾波演算法適用於對具有隨機干擾的信號進行濾波。這種信號的特點是有一個平均值，信號在某一數值附近上下波動。信號的平均平滑程度完全到決於N值。當N較大時，平滑度高，靈敏度低;當N較小時，平滑度低，但靈敏度高。為了方便求平均值，N一般取4、8、16、32之類的2的整數冪，以便在程序中用移位操作來代替除法。
(4)加權平均濾波演算法
由於前面所說的「算術平均濾波演算法」存在平滑度和靈敏度之間的矛盾。為了協調平滑度和靈敏度之間的關系，可採用加權平均濾波。它的原理是對連續N次采樣值分別乘上不同的加權系數之後再求累加，加權系數一般先小後大，以突出後面若干采樣的效果，加強系統對參數變化趨勢的認識。各個加權系數均小於1的小數，且滿足總和等於1的結束條件。這樣加權運算之後的累加和即為有效采樣值。其中加權平均數字濾波的數學模型是：
式中：D為N個采樣值的加權平均值：XN-i為第N-i次采樣值;N為采樣次數;Ci為加權系數。加權系數Ci體現了各種采樣值在平均值中所佔的比例。一般來說采樣次數越靠後，取的比例越大，這樣可增加新采樣在平均值中所佔的比重。加權平均值濾波法可突出一部分信號抵制另一部分信號，以提高采樣值變化的靈敏度。
樣常式序代碼如下：
char codejq[N]={1,2,3,4,5,6,7,8,9,10,11,12}; //code數組為加權系數表，存在程序存儲區
char codesum_jq=1+2+3+4+5+6+7+8+9+10+11+12;
char filter()
{
char count;
char value_buff[N];
int sum=0;
for(count=0;count
{
value_buff[count]=get_data();
delay();
}
for(count=0;count
sum+=value_buff[count]*jq[count];
return(char)(sum/sum_jq);
}
(5)滑動平均濾波演算法
以上介紹和各種平均濾波演算法有一個共同點，即每獲取一個有效采樣值必須連續進行若干次采樣，當采速度慢時，系統的實時得不到保證。這里介紹的滑動平均濾波演算法只採樣一次，將一次采樣值和過去的若干次采樣值一起求平均，得到的有效采樣值即可投入使用。如果取N個采樣值求平均，存儲區中必須開辟N個數據的暫存區。每新採集一個數據便存入暫存區中，同時去掉一個最老數據，保存這N個數據始終是最新更新的數據。採用環型隊列結構可以方便地實現這種數據存放方式。
程序代碼如下：
char value_buff[N];
char i=0;
char filter()
{
char count;
int sum=0;
value_buff[i++]=get_data();
if(i==N)
i=0;
for(count=0;count
sum=value_buff[count];
return (char)(sum/N);
}
(6)低通濾波
將普通硬體RC低通濾波器的微分方程用差分方程來表求，變可以採用軟體演算法來模擬硬體濾波的功能，經推導，低通濾波演算法如下：
Yn=a* Xn+(1-a) *Yn-1
式中 Xn——本次采樣值
Yn-1——上次的濾波輸出值;
，a——濾波系數，其值通常遠小於1;
Yn——本次濾波的輸出值。
由上式可以看出，本次濾波的輸出值主要取決於上次濾波的輸出值(注意不是上次的采樣值，這和加權平均濾波是有本質區別的)，本次采樣值對濾波輸出的貢獻是比較小的，但多少有些修正作用，這種演算法便模擬了具體有教大慣性的低通濾波器功能。濾波演算法的截止頻率可用以下式計算：
fL=a/2Pit pi為圓周率3.14…
式中 a——濾波系數;
， t——采樣間隔時間;
例如：當t=0.5s(即每秒2次)，a=1/32時;
fL=(1/32)/(2*3.14*0.5)=0.01Hz
當目標參數為變化很慢的物理量時，這是很有效的。另外一方面，它不能濾除高於1/2采樣頻率的干攪信號，本例中采樣頻率為2Hz，故對1Hz以上的干攪信號應採用其他方式濾除，
低通濾波演算法程序於加權平均濾波相似，但加權系數只有兩個：a和1-a。為計算方便，a取一整數，1-a用256-a，來代替，計算結果捨去最低位元組即可，因為只有兩項，a和1-a，均以立即數的形式編入程序中，不另外設表格。雖然采樣值為單元位元組(8位A/D)。為保證運算精度，濾波輸出值用雙位元組表示，其中一個位元組整數，一位元組小數，否則有可能因為每次捨去尾數而使輸出不會變化。
設Yn-1存放在30H(整數)和31H(小數)兩單元中，Yn存放在32H(整數)和33H(小數)中。濾波程序如下：
雖千萬里，吾往矣。
『陸』 VC中值濾波快速演算法
unsigned char WINAPI GetMedianNum(unsigned char * bArray, int iFilterH,int iFilterW)
{
/* unsigned char m = mid(
mid(bArray[0],bArray[1],bArray[2]),
mid(bArray[3],bArray[4],bArray[5]),
mid(bArray[6],bArray[7],bArray[8]));
return m;*/
// 循環變數
int i;
int j;
int k;
// 中間變數
unsigned char bTemp;
int iFilterLen=iFilterH*iFilterW;
float average=0;//用於均值加速
//求均值
for (i=0;i<iFilterLen;i++)
{
average+=bArray[i];
}
average=average/iFilterLen;
unsigned char pixel_mid;
pixel_mid=bArray[(iFilterH-1)/2*iFilterW+(iFilterW-1)/2];//濾波窗口中心的取中值前的像素值
if (abs(average-pixel_mid)>10) //均值加速，其中「10」為原中值和均值之差，根據你的實際情況自行設置大小
//if(1) //不用均值加速時選此
{
//超快速中值法（本質就是偽中值法）
//行排列
if (0)
{
for (k = 0; k < iFilterH; k ++)
{
for (j = 0; j < iFilterH-1; j ++)
{
for (i = 0; i < iFilterW-1-j; i++)
{
number++;
if (bArray[i+iFilterH*k] > bArray[i+iFilterH*k+1])
{ // 互換
bTemp = bArray[i+iFilterH*k];
bArray[i+iFilterH*k] = bArray[i+iFilterH*k+1];
bArray[i+iFilterH*k+1] = bTemp;
}
}
還有什麼疑問，把郵箱發給我。
『柒』 中值濾波的定義
中值濾波對脈沖雜訊有良好的濾除作用，特別是在濾除雜訊的同時，能夠保護信號的邊緣，使之不被模糊。這些優良特性是線性濾波方法所不具有的。此外，中值濾波的演算法比較簡單，也易於用硬體實現。所以，中值濾波方法一經提出後，便在數字信號處理領得到重要的應用。
中值濾波方法：對一個數字信號序列xj(-∞<j<∞)進行濾波處理時，首先要定義一個長度為奇數的L長窗口，L=2N+1，N為正整數。設在某一個時刻，窗口內的信號樣本為x(i-N)，…，x(i)，…，x(i+N)，其中x(i)為位於窗口中心的信號樣本值。對這L個信號樣本值按從小到大的順序排列後，其中值，在i處的樣值，便定義為中值濾波的輸出值，寫為如圖1.
中值濾波是在「最小絕對誤差」准則下的最優濾波。
在實際應用中，隨著所選用窗口長度的增加，濾波的計算量將會迅速增加。因此，尋求中值濾波的快速演算法，是中值濾波理論的一個重要研究內容。中值濾波的快速演算法，一般採用下述三種方式：①直方圖數據修正法；②樣本值二進製表示邏輯判斷法；③數字和模擬的選擇網路法。
對中值濾波的理論研究，還集中於統計特性分析和根序列的描述方面。當一個信號序列經一特定窗口長度的中值濾波反復處理後，它會收斂於某一個不再變化的序列，這個序列稱為中值濾波的根序列。根序列是描述中值濾波特性的一個重要概念。通過對根序列結構的研究，可以確定原信號序列中，哪些成分可以經中值濾波後保留下來，哪些成分將被抑制。這對確定中值濾波器的窗口長度，提供了重要依據。用VLSI實現的中值濾波器晶元，可供實時處理中應用。
