基于OpenCV-Python的众数图像滤波器是否存在及实现咨询

你描述的这种将像素替换为邻域内出现次数最多值的滤波器，叫做众数滤波器（Mode Filter）。OpenCV本身并没有提供这个内置函数，但考虑到你的图像是经kmeans聚类得到的、只有3-6个离散灰度值的特殊场景，自行实现的成本很低，而且能完美满足自定义核大小的需求。

实现思路 #

核心逻辑是对每个像素的邻域（自定义大小）统计各灰度值的出现频次，选择频次最高的值作为当前像素的新值。针对可能出现的多个值并列频次最高的情况，我们可以自定义规则（比如优先保留原像素值，避免不必要的像素变更，这很适合你的聚类图像场景）。

具体代码实现 #

我们可以借助scipy.ndimage.generic_filter来快速实现滑动窗口的自定义计算，同时兼容任意核大小：

import cv2
import numpy as np
from scipy.ndimage import generic_filter

def mode_filter_func(window):
    """自定义众数计算函数，处理并列众数的情况"""
    # 统计窗口内各灰度值的出现次数（仅适用于非负整数灰度值，你的聚类图正好符合）
    counts = np.bincount(window.astype(int))
    # 找到所有出现次数最多的值
    max_count = counts.max()
    mode_candidates = np.where(counts == max_count)[0]
    
    # 优先选择窗口中心的原像素值（如果它在众数候选里）
    center_value = window[len(window) // 2]
    if center_value in mode_candidates:
        return center_value
    # 否则返回最小的众数（可根据需求修改为最大众数或随机选）
    return mode_candidates[0]

def apply_mode_filter(image, kernel_size=3):
    """
    应用自定义众数滤波器
    :param image: 输入灰度图（必须是单通道）
    :param kernel_size: 核大小，支持任意正整数（推荐奇数，中心明确）
    :return: 滤波后的图像
    """
    if len(image.shape) != 2:
        raise ValueError("输入必须是单通道灰度图像")
    
    # 应用滑动窗口的自定义滤波
    filtered_image = generic_filter(image, mode_filter_func, size=kernel_size)
    # 转换回原图像的数据类型（默认uint8）
    return filtered_image.astype(np.uint8)

使用示例 #

# 读取你的kmeans聚类灰度图
clustered_img = cv2.imread("your_clustered_image.png", cv2.IMREAD_GRAYSCALE)
# 应用5x5的众数滤波器（可根据需求调整核大小）
filtered_img = apply_mode_filter(clustered_img, kernel_size=5)

# 对比显示结果
cv2.imshow("Original Clustered Image", clustered_img)
cv2.imshow("Mode Filtered Image", filtered_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

补充说明 #

• 核大小灵活性：代码支持任意正整数核大小，推荐使用奇数（如3、5、7），这样窗口中心对应原像素，逻辑更清晰；如果需要偶数核，generic_filter也能正常工作。
• 性能优化：对于大尺寸图像，scipy的generic_filter可能会稍慢，但你的图像只有3-6个离散灰度值，统计频次的计算量非常小，实际使用中不会有明显延迟。如果追求极致性能，可以考虑用OpenCV的滑动窗口API结合numpy向量化统计，但对于大部分场景，上面的代码足够用。
• 并列众数规则：代码中优先保留原像素值，这能最大程度保留图像原有聚类区域的完整性；你可以根据需求修改规则，比如返回最大的众数、最小的众数，或者随机选择一个。

内容的提问来源于stack exchange，提问作者Mob