Opencv笔记（3）：图像平滑处理

目录​​​​​​​

图像平滑处理

如何添加噪声

均值滤波

方框滤波

高斯滤波

中值滤波

对比效果

---

图像平滑处理

图像噪声：图像中不希望存在的随机干扰或失真，它通常是由于摄像机传感器、环境条件、传输过程等因素引起的。噪声会使图像变得模糊、失真或者产生其他不良效果，常见噪声有

高斯噪声（Gaussian Noise）、椒盐噪声（Salt-and-Pepper Noise）、周期性噪声（Periodic Noise）、量化噪声（Quantization Noise）、散斑噪声（Speckle Noise）

效果：减少图像中的噪声并使其更加平滑

如何添加噪声

高斯噪声：一种服从正态分布的噪声，可以通过生成具有正态分布的随机值与输入图像的像素值相加。（之后补充解释）

import numpy as np
import cv2

def add_gaussian_noise(image, mean=0, std_dev=25):
    """
    添加高斯噪声到图像中
    """
    row, col, ch = image.shape
    gauss = np.random.normal(mean, std_dev, (row, col, ch))
    gauss = gauss.reshape(row, col, ch)
    noisy = image + gauss
    return noisy.astype(np.uint8)

# 读取图像
image = cv2.imread('input_image.jpg')

# 添加高斯噪声
noisy_image = add_gaussian_noise(image)

# 显示原始图像和添加噪声后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Noisy Image', noisy_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

均值滤波

原理：以一个图像像素值为例（临近的像素值大小应该是差不多大的，根据这点，对图像3*3的中心像素值做改变）

#均值滤波
import cv2 
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
img=cv2.imread('zaodian.jpg')
cv_show('zaodian',img)

blur=cv2.blur(img,(3,3))#要表明核的大小一般为奇数
cv_show('blur',blur)

噪点原图

blur处理后

方框滤波

基本和均值滤波一样，3x3的盒子核将应用于输入图像，并且输出图像中的每个像素值将是其周围9个像素值的平均值。（基本和均值滤波原理一样）

#前面读取图像代码都是一样的
box=cv2.boxFilter(img,-1,(3,3),normalize=True)
cv_show('box',box)

解释一下第九行代码：

• -1：表示输出图像的深度，设置为-1表示输出图像与输入图像具有相同的深度（每个像素的颜色值的位数或者字节数）。
• (3,3)：表示滤波核的大小，这里是一个3x3的核。
• normalize=True：表示在滤波操作时是否进行归一化处理。不做归一化处理，就相当于把九个像素值加到一起，没有除以9。设置为True表示进行归一化处理（False不进行）。

图像归一化处理：将图像的像素值缩放到特定范围内（如果像素值>255,直接默认>255的像素值为255，为白色，因此归一化可以防止越界）

归一化

未归一化

高斯滤波

相对于均值滤波，高斯滤波对于离中心点越接近的像素值赋予更高的权重，更加‘‘公正’’

比如对于3*3图像，我可以设置这样一个核​​​​​​​，中间权重最大

#前面代码相同
aussian=cv2.GaussianBlur(img,(5,5),1)
cv_show('aussian',aussian)

中值滤波

取3*3图像的9个像素值，从大到小排列，取中值（中位数），再赋给中间像素点的值

median=cv2.medianBlur(img,5)
cv_show('median',median)

处理后效果确实很好

对比效果

import numpy as np
res=np.hstack((blur,box,aussian,median))
cv_show('res',res)