1. 均值滤波（Mean Filtering）

特点：

• 原理：均值滤波是一种简单的线性滤波方法。它通过计算图像中每个像素邻域内的像素值的平均值来平滑图像。
• 效果：能够有效地去除随机噪声（如椒盐噪声），使图像看起来更平滑。
• 缺点：可能会模糊图像的边缘和细节。

工作方式：

假设有一个3×3的邻域，均值滤波会将这个邻域内的所有像素值相加，然后除以9（邻域内的像素总数），得到的结果就是中心像素的新值。

举例： 原图像中的一个3×3邻域：

1 2 3

4 5 6

7 8 9

经过均值滤波后，中心像素（5）的新值为：

(1+2+3+4+5+6+7+8+9) / 9 = 5

中心像素的值保持不变，但如果邻域内的像素值差异较大，均值滤波会将它们“平均化”。

2. 中值滤波（Median Filtering）

特点：

• 原理：中值滤波是一种非线性滤波方法。它通过将图像中每个像素邻域内的像素值排序，然后取中间值作为中心像素的新值。
• 效果：对椒盐噪声（包含随机的亮和暗像素的噪声）特别有效，同时能够较好地保留图像的边缘和细节。
• 缺点：计算复杂度较高，特别是对于较大的邻域。

工作方式：

假设有一个3×3的邻域，中值滤波会将这个邻域内的所有像素值排序，然后取中间值作为中心像素的新值。

举例： 原图像中的一个3×3邻域：

1 2 3

4 5 6

7 8 9

经过排序后：

1 2 3 4 5 6 7 8 9

中间值是5，所以中心像素的新值为5。

如果邻域内有噪声像素（比如一个非常亮或非常暗的像素），中值滤波能够有效地将其“过滤掉”，同时保留图像的边缘和细节。

3. 高斯滤波（Gaussian Filtering）

特点：

• 原理：高斯滤波是一种基于高斯函数的线性滤波方法。它通过一个高斯核（一个二维高斯函数）对图像进行加权平均，使邻域内的像素对中心像素的影响根据距离递减。
• 效果：能够有效地去除高斯噪声（随机噪声），同时对图像的边缘和细节的模糊程度较小。
• 缺点：对非高斯噪声的去除效果可能不如中值滤波。

工作方式：

高斯滤波使用一个高斯核来计算邻域内像素的加权平均值。高斯核的权重根据像素与中心像素的距离而变化，距离越近，权重越大。

举例： 一个3×3的高斯核可能如下所示：

1/16  2/16  1/16

2/16  4/16  2/16

1/16  2/16  1/16

假设有一个3×3的邻域：

1 2 3

4 5 6

7 8 9

经过高斯滤波后，中心像素（5）的新值为：

(1×1/16 + 2×2/16 + 3×1/16 + 4×2/16 + 5×4/16 + 6×2/16 + 7×1/16 + 8×2/16 + 9×1/16) = 5

高斯滤波通过加权平均的方式，使邻域内的像素对中心像素的影响根据距离递减，从而实现平滑效果。

总结

• 均值滤波：简单快速，适合去除随机噪声，但可能会模糊图像的边缘和细节。
• 中值滤波：对椒盐噪声特别有效，能够较好地保留图像的边缘和细节，但计算复杂度较高。
• 高斯滤波：适合去除高斯噪声，对图像的边缘和细节的模糊程度较小，但对非高斯噪声的去除效果可能不如中值滤波。