图像滤波

一、滤波方法

1. 均值滤波normalized box filter（blur 线性，不同位置权值相同）
2. 高斯滤波Gaussian filter（GaussianBlur,线性，不同位置权重不同）
3. 中值滤波（medianBlur 非线性，保留边缘信息。中值滤波去除椒盐噪声和斑块噪声时，效果非常明显。
   中值滤波对消除孤立点和线段的干扰十分有效，尤其是二值噪声，对高斯噪声效果不佳
   方形和圆形：外轮廓线较长的物体图像。十字形：有尖角状。）
   滤波器的尺寸越大，平滑效果越明显，图像也变得更模糊
4. 双边滤波。在平滑图像时能够很好的保留边缘特性，但是其运算速度比较慢

参考链接
加噪声
去噪声
滤波

二、噪声

1. 椒盐噪声：随机一个位置的像素值用0或255代替
椒盐噪声效果

import numpy as np
import cv2
from matplotlib import pyplot as plt

def generate_pepper(img,percentage):
    img = img
    num = int(img.shape[0]*img.shape[1]*percentage)
    for i in range(num):
        value = np.random.randint(0,2)# 产生0或1的随机值
        random_x = np.random.randint(0,img.shape[0]-1)#生成随机位置
        random_y = np.random.randint(0,img.shape[1]-1)
        
        if value:#value 决定生成白点还是黑点
            img[random_x,random_y] = 255
        else:
            img[random_x,random_y] = 0
    return img
img = cv2.imread('../liu.jpg')
img1 = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
img2 = generate_pepper(img,0.1)
img2 = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
fig, axis = plt.subplots(1, 2, figsize=(10, 8))
axis[0].imshow(img1)
axis[0].axis('off')
axis[0].set_title('Source picture')
axis[1].imshow(img2)
axis[1].axis('off')
axis[1].set_title('Pepper noise')
# plt.imsave('pepper.jpg',img2)
plt.show()

2. 高斯噪声: 随机一个位置的像素值加上生成的高斯值，二者和大于255取255，小于0取0
高斯噪声效果

import random
import numpy as np
import cv2
from matplotlib import pyplot as plt
img_path = '../liu.jpg'
def generate_gauss(img1, mean, sigma, percentage):
    img = img1
    img = img.astype(float)# 类型转换。img是np.unit8类型，不能与高斯噪声直接相加，需转成float
    
    num = int(img.shape[0] * img.shape[1] * percentage)
    for i in range(num):# 生成随机位置
        random_x = np.random.randint(0, img.shape[0] - 1)
        random_y = np.random.randint(0, img.shape[1] - 1)
        random_z = np.random.randint(0, img.shape[2] - 1)

        value = np.array(random.gauss(mean, sigma))#产生高斯随机值

        img[random_x, random_y] += value#叠加高斯随机值
        img[random_x, random_y] += value

        if img[random_x, random_y, random_z] > 255:# >255 和 <0的数据做处理
            img[random_x, random_y, random_z] = 255
        if img[random_x, random_y, random_z] < 0:
            img[random_x, random_y, random_z] = 0
    img = img.astype(np.uint8)# 计算完后，将数据格式转成opencv的格式

    return img

img = cv2.imread(img_path)
img1 = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#画图方便
img2 = generate_gauss(img,0,1,0.8)
img2 = cv2.cvtColor(img2,cv2.COLOR_BGR2RGB)
fig, axis = plt.subplots(1, 2, figsize=(10, 8))
axis[0].imshow(img1)
axis[0].axis('off')
axis[0].set_title('Source picture')
axis[1].imshow(img2)
axis[1].axis('off')
axis[1].set_title('Gaussian noise')
plt.show()

三、滤波效果

高斯噪声下，不同滤波器产生的滤波效果

高斯噪声高斯滤波效果

中值滤波效果

kernal = 3时，不同滤波方法效果对比。中值滤波的效果要比另外两种好。

椒盐滤波滤波效果对比很明显，中值滤波能明显过滤掉椒盐噪声。

滤波代码

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('pepper.jpg')
src = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
ksize = [3,5,7,9]
k = 3
mean_blur = cv2.blur(src, (k, k))
gaussian_blur = cv2.GaussianBlur(src, (k, k), 0)  # blur 高斯滤波
median_blur = cv2.medianBlur(src, k)  # blur 高斯滤波
fig, axis = plt.subplots(2, 2, figsize=(10, 8))
fig.suptitle('kernal size = 3')
axis[0,0].imshow(src)
axis[0,0].set_title('pepper picture')
axis[0,0].axis('off')
axis[0,1].imshow(mean_blur)
axis[0,1].set_title('mean_blur')
axis[0,1].axis('off')
axis[1,0].imshow(gaussian_blur)
axis[1,0].set_title('gaussian_blur')
axis[1,0].axis('off')
axis[1,1].imshow(median_blur)
axis[1,1].set_title('median_blur')
axis[1,1].axis('off')
plt.subplots_adjust(wspace=0.1, hspace=0.3)
plt.show()

def mean_filter(img,ksize):
    img = cv2.imread('gauss.jpg')
    src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    ksize = [3, 5, 7, 9]
    fig, axis = plt.subplots(len(ksize), 2, figsize=(10, 8))
    fig.suptitle('mean filter')
    for i, k in enumerate(ksize):
        de_noise = cv2.blur(src, (k, k))  # blur 均值滤波
        axis[i, 0].imshow(src)
        axis[i, 0].set_title('Gauss noise')
        axis[i, 0].axis('off')
        axis[i, 1].imshow(de_noise)
        axis[i, 1].set_title('ksize=%d' % k)
        axis[i, 1].axis('off')
    plt.subplots_adjust(wspace=0.1, hspace=0.3)
    plt.show()

def Gaussian_filter(img,ksize):
    fig, axis = plt.subplots(len(ksize), 2, figsize=(1, 8))
    fig.suptitle('Gaussian filter')
    for i, k in enumerate(ksize):
        de_noise = cv2.GaussianBlur(src, (k, k), 0)  # blur 高斯滤波
        axis[i, 0].imshow(src)
        axis[i, 0].set_title('Gauss noise')
        axis[i, 0].axis('off')
        axis[i, 1].imshow(de_noise)
        axis[i, 1].set_title('ksize=%d' % k)
        axis[i, 1].axis('off')
    plt.subplots_adjust(wspace=0.1, hspace=0.3)

    plt.show()
    print(type(axis), axis.shape)

def Median_filter(img,ksize):
    fig, axis = plt.subplots(len(ksize), 2, figsize=(1, 8))
    fig.suptitle('Gaussian filter')
    for i, k in enumerate(ksize):
        de_noise = cv2.medianBlur(src, k)  # blur 均值滤波
        axis[i, 0].imshow(src)
        axis[i, 0].set_title('Gauss noise')
        axis[i, 0].axis('off')
        axis[i, 1].imshow(de_noise)
        axis[i, 1].set_title('ksize=%d' % k)
        axis[i, 1].axis('off')
    plt.subplots_adjust(wspace=0.1, hspace=0.3)
    plt.show()
    print(type(axis), axis.shape)