Медианный фильтр

Медианный фильтр — это нелинейный цифровой фильтр, используемый для обработки сигналов и изображений, основная задача которого — подавление импульсных помех (шума типа «соль и перец») и выбросов при сохранении резких перепадов (границ). В отличие от линейных фильтров (например, фильтра Гаусса), медианный фильтр заменяет значение центрального элемента окрестности на медиану всех значений в этой окрестности, что позволяет эффективно удалять аномальные точки, не размывая края.

Принцип работы

Медианный фильтр основан на вычислении медианы — значения, которое делит упорядоченный набор данных на две равные половины. Для двумерного сигнала (изображения) фильтр использует скользящее окно (апертуру) — прямоугольную или крестообразную область фиксированного размера (обычно 3×3, 5×5 или 7×7 пикселей). Процесс обработки состоит из следующих шагов:

1. Для каждого пикселя изображения выбирается окрестность заданного размера.
2. Все значения пикселей в этой окрестности сортируются по возрастанию.
3. Центральный пиксель заменяется на медиану отсортированного ряда.
4. Окно смещается на один пиксель, и процедура повторяется для всех точек изображения.

Например, для окна 3×3 с пикселями [10, 12, 15, 11, 200, 13, 9, 14, 16] отсортированный ряд будет [9, 10, 11, 12, 13, 14, 15, 16, 200]. Медиана — 13, поэтому центральный пиксель со значением 200 заменяется на 13, что устраняет импульсную помеху.

История

Метод медианной фильтрации был впервые предложен Джоном Тьюки в 1974 году в контексте анализа временных рядов. Тьюки, американский математик и статистик, разработал эту технику для сглаживания данных с выбросами, не искажая основную структуру сигнала. В 1980-х годах метод был адаптирован для обработки изображений, где он быстро зарекомендовал себя как эффективное средство борьбы с импульсным шумом. С развитием вычислительной техники медианный фильтр стал стандартным инструментом в библиотеках компьютерного зрения (например, OpenCV, scikit-image) и цифровой обработки сигналов.

Классификация

Медианные фильтры классифицируются по нескольким признакам:

По размеру и форме окна

• Квадратное окно — наиболее распространённый тип, обычно нечётного размера (3×3, 5×5, 7×7). Чем больше окно, тем сильнее подавление шума, но больше искажение мелких деталей.
• Крестообразное окно — включает только центральную строку и столбец, что снижает размытие по диагоналям.
• Круглое окно — аппроксимирует окружность, используется для сохранения изотропности.

По способу обработки краёв

• Без обработки краёв — пиксели на границах изображения не изменяются, что приводит к необработанной рамке.
• Расширение изображения — края изображения дополняются пикселями (например, отражением, нулями или повторением крайних значений), чтобы окно всегда было полностью заполнено.
• Уменьшение размера окна на краях — для граничных пикселей используется окно меньшего размера, что требует дополнительных вычислений.

По модификациям алгоритма

• Взвешенный медианный фильтр — каждому пикселю в окне присваивается вес, и медиана вычисляется с учётом повторений (например, центральный пиксель может иметь больший вес).
• Адаптивный медианный фильтр — размер окна изменяется в зависимости от локальной дисперсии шума: в областях с низким шумом окно уменьшается, с высоким — увеличивается.
• Рекурсивный медианный фильтр — результат обработки предыдущего пикселя используется при вычислении медианы для следующего, что ускоряет сходимость, но может внести артефакты.

Применение

Медианный фильтр широко используется в различных областях, где требуется подавление импульсных помех без потери резкости границ.

Обработка изображений

• Удаление шума «соль и перец» — наиболее типичная задача. Шум этого типа проявляется как случайные белые и чёрные пиксели на изображении. Медианный фильтр с окном 3×3 часто полностью устраняет такой шум при его плотности до 10–20 %.
• Предобработка для компьютерного зрения — перед применением алгоритмов сегментации, детекции границ (например, оператора Кэнни) или распознавания образов медианная фильтрация удаляет выбросы, не размывая контуры.
• Медицинская визуализация — в рентгеновских снимках, МРТ и КТ медианный фильтр используется для подавления артефактов, вызванных датчиками или цифровым шумом.

Обработка сигналов

• Анализ временных рядов — в экономике, метеорологии и геофизике медианный фильтр применяется для сглаживания данных с выбросами, например, для удаления аномальных значений температуры или котировок акций.
• Аудиообработка — подавление импульсных помех в аудиозаписях (например, щелчков и тресков), особенно в восстановлении старых фонограмм.

Другие области

• Робототехника — фильтрация данных с лидаров и сонаров для удаления случайных выбросов.
• Фотограмметрия — улучшение качества цифровых моделей рельефа, полученных с БПЛА.
• Криминалистика — восстановление повреждённых изображений, например, с камер видеонаблюдения.

Преимущества и недостатки

Преимущества

• Сохранение границ — в отличие от линейных фильтров, медианный фильтр не размывает резкие перепады яркости, что критично для задач сегментации и детекции.
• Устойчивость к выбросам — единичные аномальные пиксели полностью удаляются, не влияя на соседние значения.
• Простота реализации — алгоритм не требует сложных математических операций (только сортировка), что позволяет реализовать его на аппаратном уровне.

Недостатки

• Вычислительная сложность — сортировка окна требует O(n² log n) операций для каждого пикселя, где n — размер окна. Для больших изображений это может быть медленнее линейных фильтров.
• Искажение тонких деталей — при большом размере окна (например, 7×7) медианный фильтр может удалять мелкие объекты, такие как линии толщиной в один пиксель.
• Неэффективность против гауссовского шума — медианный фильтр плохо подавляет равномерный шум с нормальным распределением, для этого лучше подходят линейные фильтры.
• Зависимость от размера окна — выбор оптимального размера окна требует эмпирической настройки: слишком маленькое окно не удаляет шум, слишком большое — искажает изображение.

Сравнение с другими фильтрами

Реализация

В современных библиотеках компьютерного зрения медианный фильтр реализован как стандартная функция. Например, в OpenCV (библиотека с открытым исходным кодом) используется функция cv2.medianBlur(), которая принимает изображение и размер окна. В Python с библиотекой scikit-image доступна функция skimage.filters.median(). Для аппаратной реализации, например, на ПЛИС (программируемые логические интегральные схемы), применяются параллельные алгоритмы сортировки, такие как сортировка пузырьком или битонная сортировка, что позволяет обрабатывать видеопоток в реальном времени.

Интересные факты

• Медианный фильтр является частным случаем порядковых фильтров (rank-order filters), к которым также относятся фильтры минимума и максимума.
• В цветной обработке изображений медианный фильтр применяется к каждому каналу (RGB) независимо, что может привести к цветовым артефактам. Для цветных изображений часто используют векторный медианный фильтр, который учитывает расстояния между цветами в пространстве RGB.
• В задачах восстановления изображений медианный фильтр часто комбинируется с другими методами, например, с адаптивным шумоподавлением или вейвлет-преобразованием, для достижения лучшего качества.

Источники

• Тьюки, Дж. (1974). Exploratory Data Analysis. Addison-Wesley.
• Гонсалес, Р., Вудс, Р. (2008). Цифровая обработка изображений. Техносфера.
• OpenCV Documentation. Image Filtering. OpenCV.org.
• scikit-image Documentation. Filters. Median. scikit-image.org.