OpenCV图像处理和应用—阈值与平滑处理（二）

© Fu Xianjun. All Rights Reserved.

平滑处理

平滑 也称 模糊, 是一项简单且使用频率很高的图像处理方法。

平滑处理的用途有很多， 但是在本教程中我们仅仅关注它减少噪声的功用 (其他用途在以后的教程中会接触到)。

平滑处理时需要用到一个 滤波器 。 最常用的滤波器是 线性 滤波器，线性滤波处理的输出像素值 (i.e. g(i,j)) 是输入像素值 (i.e. f(i+k,j+l))的加权和 :

h(k,l) 称为 核, 它仅仅是一个加权系数。

不妨把 滤波器 想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口滑过图像。

滤波器的种类有很多， 这里仅仅提及最常用的:
均值滤波 (Mean Filter)
最简单的滤波器， 输出像素值是核窗口内像素值的 均值 ( 所有像素加权系数相等)
核如下:

高斯滤波 (Gaussian Filter)
最有用的滤波器 (尽管不是最快的)。 高斯滤波是将输入数组的每一个像素点与 高斯内核 卷积将卷积和当作输出像素值
中值滤波 (Median Filter)
中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替 。
双边滤波 (Bilateral Filter)
目前我们了解的滤波器都是为了 平滑 图像， 问题是有些时候这些滤波器不仅仅削弱了噪声， 连带着把边缘也给磨掉了。 为避免这样的情形 (至少在一定程度上 ), 我们可以使用双边滤波。
类似于高斯滤波器，双边滤波器也给每一个邻域像素分配一个加权系数。 这些加权系数包含两个部分, 第一部分加权方式与高斯滤波一样，第二部分的权重则取决于该邻域像素与当前像素的灰度差值。
详细的解释可以查看 链接
更多理解👉链接

2D卷积

更多理解👉链接

import cv2
import numpy as np
img = cv2.imread("peppa_gaussian.jpg")
blur = cv2.blur(img, (7, 7))
box = cv2.boxFilter(img,-1,(7,7), normalize=True)  
gaussian = cv2.GaussianBlur(img, (7, 7), 10) 
median = cv2.medianBlur(img, 7)
bilater=cv2.bilateralFilter(img,9,75,75)
kernel = np.array((
        [-2, -1, 0],
        [-1,1,1],
        [0, 1, 2]), dtype="float32")
filter2D=cv2.filter2D(img,-1,kernel)
cv2.imshow('img',img)
cv2.imshow('blur',blur)
cv2.imshow('box',box)
cv2.imshow('gaussian',gaussian)
cv2.imshow('median',median)
cv2.imshow('bilater',bilater)
cv2.imshow('filter2D',filter2D)
cv2.waitKey()
cv2.destroyAllWindows()