opencv 噪点的消除

this_show_time

于 2025-04-22 10:33:02 发布

阅读量1.1k

点赞数 32

文章标签： opencv 人工智能计算机视觉

本文链接：https://blog.csdn.net/2401_87862479/article/details/147408248

版权

噪点的消除

1 概念
2.均值滤波（cv2.blur）
2. 方框滤波（cv2.boxFilter()）
3. 高斯滤波（cv2.GaussianBlur()）
4. 中值滤波(cv2.medianBlur())
5. 双边滤波（cv2.bilateralFilter()）
6. 小结

1 概念

首先介绍一些概念：

噪声：指图像中的一些干扰因素，通常是由图像采集设备、传输信道等因素造成的，表现为图像中随机的亮度，也可以理解为有那么一些点的像素值与周围的像素值格格不入。常见的噪声类型包括高斯噪声和椒盐噪声。高斯噪声是一种分布符合正态分布的噪声，会使图像变得模糊或有噪点。椒盐噪声则是一些黑白色的像素值分布在原图像中。
在这里插入图片描述
滤波器：也可以叫做卷积核，与自适应二值化中的核一样，本身是一个小的区域，有着特定的核值，并且工作原理也是在原图上进行滑动并计算中心像素点的像素值。滤波器可分为线性滤波和非线性滤波，线性滤波对邻域中的像素进行线性运算，如在核的范围内进行加权求和，常见的线性滤波器有均值滤波、高斯滤波等。非线性滤波则是利用原始图像与模板之间的一种逻辑关系得到结果，常见的非线性滤波器中有中值滤波器、双边滤波器等。

滤波与模糊联系与区别：

它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）
低通滤波器是模糊，高通滤波器是锐化
低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

注意：椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。

本实验中共提供了五种滤波的方式，分别为（1.均值滤波，2.方框滤波，3.高斯滤波，4.中值滤波，5.双边滤波）下面进行一一介绍。

2.均值滤波（cv2.blur）

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，如3×3的卷积核：

$l={\frac{1}{9}}{\Bigg[}\begin{array}{l l l}{1}&{1}&{1}\\{1}&{1}&{1}\\{1}&{1}&{1}\end{array}{\Bigg]}$
在滤波算法组件中，当参数filtering_method选为均值滤波，参数component_param为ksize，代表卷积核的大小，eg：ksize=3，则代表使用3×3的卷积核。

比如有一张4*4的图片，现在使用一个3*3的卷积核进行均值滤波时，其过程如下所示：
在这里插入图片描述
对于边界的像素点，则会进行边界填充，以确保卷积核的中心能够对准边界的像素点进行滤波操作。在OpenCV中，默认的是使用BORDER_REFLECT_101的方式进行填充，下面的滤波方法中除了中值滤波使用的是BORDER_REPLICATE进行填充之外，其他默认也是使用这个方式进行填充，因此下面就不再赘述。通过卷积核在原图上从左上角滑动计算到右下角，从而得到新的4*4的图像的像素值。
在这里插入图片描述
代码格式如下：

cv2.blur(img,kernel)

参数说明：

img：要进行滤波处理的原图
-kernel:卷积核(用元组表示)

下面是均值滤波处理椒盐噪点的代码：

'''均值滤波'''
    img=cv2.imread(r"../15day4.10/src/lvbo3.png")
    img2=cv2.blur(img,(3,3))
    cv2.imshow("img",img)
    cv2.imshow("Img2",img2)
    cv2.waitKey(0)

在这里插入图片描述

如图所示：

图像中的噪点变模糊了
但是模糊的噪点变大了

2. 方框滤波（cv2.boxFilter()）

方框滤波跟均值滤波很像，如3×3的滤波核如下：
$l={a}{\Bigg[}\begin{array}{l l l}{1}&{1}&{1}\\{1}&{1}&{1}\\{1}&{1}&{1}\end{array}{\Bigg]}$
在滤波算法组件中，当参数filtering_method选为方框滤波时，参数component_param为ksize，ddepth,normalize。下面讲解这3个参数的含义：
在这里插入图片描述
ksize：代表卷积核的大小，eg：ksize=3，则代表使用3×3的卷积核。

ddepth：输出图像的深度，-1代表使用原图像的深度。

normalize：当normalize为True的时候，方框滤波就是均值滤波，上式中的a就等于1/9；normalize为False的时候，a=1，相当于求区域内的像素和。

其滤波的过程与均值滤波一模一样，都采用卷积核从图像左上角开始，逐个计算对应位置的像素值，并从左至右、从上至下滑动卷积核，直至到达图像右下角，唯一的区别就是核值可能会不同。
在这里插入图片描述
代码格式如下：

cv2.boxFilter(img,ksize，ddepth,normalize)

参数说明：

ksize：代表卷积核的大小，eg：ksize=3，则代表使用3×3的卷积核。
ddepth：输出图像的深度，-1代表使用原图像的深度。
normalize：当normalize为True的时候，方框滤波就是均值滤波，上式中的a就等于1/9；normalize为False的时候，a=1，相当于求区域内的像素和。

代码如下：

 '''方框滤波'''
    img=cv2.imread(r"../15day4.10/src/lvbo3.png")
    img2=cv2.boxFilter(img,ksize=(3,3),ddepth=-1,normalize=True) #normalize=True表示均值滤波3*3的核每个的权重为1/9
    img2=cv2.boxFilter(img,ksize=(3,3),ddepth=-1,normalize=False) #normalize=False表示均值滤波3*3的核每个的权重为1,再将每个值加起来
    cv2.imshow("img",img)
    cv2.imshow("Img2",img2)
    cv2.waitKey(0)

normalize=True的图像
在这里插入图片描述
normalize=False的图像

3. 高斯滤波（cv2.GaussianBlur()）

前面两种滤波方式，卷积核内的每个值都一样，也就是说图像区域中每个像素的权重也就一样。 高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小。 还记得我们在自适应二值化里是怎么生成高斯核的吗？这里跟自适应二值化里生成高斯核的步骤是一样的，都是以核的中心位置为坐标原点，然后计算周围点的坐标，然后带入下面的高斯公式中。
$g(x,y)=\frac{1}{2\pi\sigma^{2}}e^{-\frac{(x^{2}+y^{2})}{2\sigma^{2}}}$
其中的值也是与自适应二值化里的一样，当时会取固定的系数，当kernel大于7并且没有设置时，会使用固定的公式进行计算 $\sigma$ 的值：
$\sigma=0.3*\left((k s i z e-1)*0.5-1\right)+0.8$
我们还是以3*3的卷积核为例，其核值如下所示：
$\ k e r n e l=\left[\begin{array}{c}{{0.0625~~~~0.125~~~~0.0625}}\\{{0.125~~~~0.25~~~~0.125}}\\{{0.0625~~~~0.125~~~~0.0625}} \end{array}\right]=\left[\begin{array}{c c c}{\frac{1}{16}~~~\frac{1}{8}~~~\frac{1}{16}}\\{\frac{1}{8}~~~\frac{1}{4}~~~\frac{1}{8}}\\{\frac{1}{16}~~~\frac{1}{8}~~~\frac{1}{16}}\end{array}\right]$
得到了卷积核的核值之后，其滤波过程与上面两种滤波方式的滤波过程一样，都是用卷积核从图像左上角开始，逐个计算对应位置的像素值，并从左至右、从上至下滑动卷积核，直至到达图像右下角，唯一的区别就是核值不同。

在滤波算法组件中，当参数filtering_method选为高斯滤波，参数component_param为ksize，sigmaX。下面讲解这2个参数的含义：
在这里插入图片描述

代码格式如下：

cv2.GaussianBlur(img,ksize,sigmaX)

参数说明：

ksize：代表卷积核的大小（用元组表示）
sigmaX：就是高斯函数里的值，σx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。均值滤波与高斯滤波的对比结果如下（均值滤波丢失的细节更多）

下面是高斯滤波处理高斯噪点的代码：

 '''高斯滤波'''
    img=cv2.imread(r"../15day4.10/src/lvbo2.png") #高斯噪点的原图
    img2=cv2.GaussianBlur(img,ksize=(3,3),sigmaX=10)
    cv2.imshow("img",img)
    cv2.imshow("Img2",img2)
    cv2.waitKey(0)

在这里插入图片描述

4. 中值滤波(cv2.medianBlur())

中值又叫中位数，是所有数排序后取中间的值。中值滤波没有核值，而是在原图中从左上角开始，将卷积核区域内的像素值进行排序，并选取中值作为卷积核的中点的像素值，其过程如下所示：
在这里插入图片描述
中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。

比如下面这张斑点噪声图，用中值滤波显然更好：
在这里插入图片描述
代码格式如下：

cv2.medianBlur(img,ksize)

代码如下：

 img=cv2.imread(r"../15day4.10/src/lvbo3.png") #读取的是椒盐噪点的图
    img2=cv2.medianBlur(img,ksize=3)
    cv2.imshow("img",img)
    cv2.imshow("Img2",img2)
    cv2.waitKey(0)

在这里插入图片描述
如图所示中值滤波处理椒盐噪点时几乎没有噪点，这是因为这些噪点分布不均匀，而在一个卷积核中噪点，要么是最小值或者最大值，根本取不到噪点的值作为中位数

注意：

中值滤波适用于处理椒盐噪点,高斯噪点因为噪点分布比较均匀中值滤波处理效果也不是很好
中值滤波因为需要排序，所以执行效率比较低

5. 双边滤波（cv2.bilateralFilter()）

模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。
在这里插入图片描述
双边滤波的原理
代码格式如下：

cv2.bilateralFilter(img,d,sigmacolor,sigmaspace)

参数说明：

d：过滤时周围每个像素领域的直径
sigmaColor：在color space中过滤sigma。参数越大，临近像素将会在越远的地方mix。
sigmaSpace：在coordinate space中过滤sigma。参数越大，那些颜色足够相近的的颜色的影响越大。

关于2个sigma参数：

简单起见，可以令2个sigma的值相等；

如果他们很小（小于10），那么滤波器几乎没有什么效果；

如果他们很大（大于150），那么滤波器的效果会很强，使图像显得非常卡通化。

关于参数d：

过大的滤波器（d>5）执行效率低。

对于实时应用，建议取d=5；

对于需要过滤严重噪声的离线应用，可取d=9；

代码如下：

  '''双边滤波'''
    img=cv2.imread(r"../15day4.10/src/lvbo2.png") #高斯噪点的原图
    img2=cv2.bilateralFilter(img,5,150,150)
    cv2.imshow("img",img)
    cv2.imshow("Img2",img2)
    cv2.waitKey(0)