中值濾波器（Adaptive Median Filter）是一種針對噪聲去除的圖像處理技術，主要應用於處理含有椒鹽雜訊的圖像，但在椒鹽雜訊過大時就會面臨，若為了處理掉雜訊，使用的處理窗口(kernel)就要大一點，會造成圖像的邊緣模糊掉。
後面為解決這個問題，就發展了自適應中值濾波器，其概念源自於標準中值濾波的擴展，並結合了自適應算法的思想。
核心概念：- 標準中值濾波：對於一個像素，考察它周圍一定窗口內的所有像素值，並以其中的中值取代中心像素值。
- 自適應中值濾波：動態調整窗口大小，以更好地處理圖像中的雜訊和邊緣，避免過度平滑。
主要特性：
- 自適應中值濾波根據雜訊密度自適應地調整濾波窗口的大小。
- 能夠有效保護圖像的邊緣和細節，同時消除椒鹽雜訊。
窗口大小
標準中值濾波器：
- 窗口大小固定（如 3×33×3）。
- 窗口越大，去噪效果越強，但細節損失也越多。
自適應中值濾波器：
- 窗口大小隨噪聲情況動態調整，最小窗口大小通常為 3×33×3，最大窗口大小為 k×kk×k（如 7×77×7 或 11×1111×11）。
- 自適應窗口能夠平衡去噪和細節保留。
加入椒鹽雜訊來測試自適應中值濾波與中值濾波差異
自適應中值濾波與中值濾波的差異
自適應濾波處理的結果明顯比中值濾波好上很多，但處理時間也是多了非常多。
自適應中值濾波程式碼
import cv2
import numpy as np
def adaptive_median_filter(image, max_kernel_size=7):
"""
自適應中值濾波器
:param image: 輸入的灰階圖像
:param max_kernel_size: 最大的窗口大小
:return: 濾波後的圖像
"""
# 獲取圖像的尺寸
height, width = image.shape
# 創建輸出圖像
output_image = image.copy()
# 中值濾波的核心
for i in range(1, height - 1):
for j in range(1, width - 1):
# 設定初始窗口大小
kernel_size = 3
while kernel_size <= max_kernel_size:
# 提取窗口區域
x_start = max(i - kernel_size // 2, 0)
x_end = min(i + kernel_size // 2 + 1, height)
y_start = max(j - kernel_size // 2, 0)
y_end = min(j + kernel_size // 2 + 1, width)
# 擷取窗口的區域
window = image[x_start:x_end, y_start:y_end]
# 計算窗口中的中位數
median = np.median(window)
# 如果原像素值與中位數差異過大，則替換
if abs(image[i, j] - median) > 0:
output_image[i, j] = median
break
else:
# 如果當前窗口的中位數已經可以接受，則不再增加窗口大小
if kernel_size == max_kernel_size:
break
kernel_size += 2 # 增加窗口的大小
return output_image
# 使用範例
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)
output_image = adaptive_median_filter(image, max_kernel_size=7)
# 顯示結果
cv2.imshow("Adaptive Median Filter", output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
程式碼詳細解釋：
kernel_size：這是濾波器使用的窗口大小，開始時為3，然後每次增加2直到達到最大大小max_kernel_size。np.median(window)：這是計算當前窗口內的中位數，這對於去除椒鹽噪聲非常有效。abs(image[i, j] - median) > 0：這個條件用來檢查當前像素值和中位數的差距。如果差距大，則將像素值替換為中位數，否則嘗試增大窗口。
參數：
max_kernel_size：這是最大窗口大小。可以根據圖像的大小和噪聲的情況進行調整。如果圖像噪聲較大，可以選擇較大的窗口。
優點：
- 去噪聲：自適應中值濾波非常適合去除椒鹽噪聲。
- 邊緣保護：由於濾波器會根據圖像內容調整窗口大小，它不會過度模糊細節，對邊緣保護效果較好。
缺點：
- 計算時間：圖像尺寸越大，像素數量越多，濾波處理需要的計算次數也越多，計算時間呈線性增加
可能的改進：
- 增加閾值：可以設定一些條件來判斷何時應該調整窗口大小，這樣可以更精確地控制噪聲去除過程。
