5.opencv滤波器与增强

高频：图像中变化剧烈的部分。

低频：图像灰度值变化缓慢、平坦的部分。

根据高低频，可以设置高通和低通滤波器。高通滤波器可以检测变化尖锐、明显的地方，用于边缘检测；低通可以让图像变得平滑，消除噪声，用于图像平滑去噪。

一、方框滤波

可以用于模糊一张图片。

涉及函数：

cv2.boxFilter()

参数说明：

• 参数1：输入图像
• 参数2：目标图像深度
• 参数3：核大小
• 参数4：normalize属性，true与均值滤波相同，false很容易发生溢出【所有元素相加结果值会超过255】。

import cv2

img = cv2.imread("beauty.png", cv2.IMREAD_UNCHANGED)
# -1表示默认，(3,3)可以调整模糊程度
r = cv2.boxFilter(img, -1, (3, 3), normalize=1)
d = cv2.boxFilter(img, -1, (3, 3), normalize=0)

# cv2.WINDOW_AUTOSIZE根据图像的大小自动调整窗口的大小
cv2.namedWindow("img",cv2.WINDOW_AUTOSIZE)
cv2.namedWindow("r",cv2.WINDOW_AUTOSIZE)
cv2.namedWindow("d",cv2.WINDOW_AUTOSIZE)

cv2.imshow('img',img)
cv2.imshow('r',r)
cv2.imshow('d',d)

cv2.waitKey(0)
cv2.destroyAllWindows()

二、均值滤波

取卷积核区域内元素的均值。

涉及函数：

cv2.blur()

参数说明：

• 参数1：输入原图
• 参数2：kernel的大小，一般是奇数

import cv2
import matplotlib.pyplot as plt

img = cv2.imread("beauty.png", cv2.IMREAD_UNCHANGED)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
blur = cv2.blur(img, (3, 3))

plt.subplot(1, 2, 1), plt.imshow(img), plt.title('original')
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(blur), plt.title("blurred")

plt.savefig("./beauty_blurred.jpg")
plt.xticks([]), plt.yticks([])
plt.show()

注意：方框滤波和均值滤波对全局进行模糊，对图像造成的破坏是比较大的。

三、高斯滤波

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低。（2维高斯函数）

高斯滤波相比均值滤波效率更慢，但是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。

涉及函数：

cv2.GaussianBlur()

参数说明：

• 参数1：原图像
• 参数2：高斯核大小
• 参数3：标准差。平滑时，调整标准差实际是在调整周围像素对当前像素的影响程度。调大标准差即提高了远处像素对中心像素的影响程度，滤波结果也就越平滑。

import cv2
import matplotlib.pyplot as plt

img = cv2.imread("GaussianBlur.png", cv2.IMREAD_UNCHANGED)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

gauss = cv2.GaussianBlur(img,(3,3),7)
plt.subplot(1,2,1),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(gauss),plt.title("gauss")
plt.xticks([]),plt.yticks([])

plt.show()

四、中值滤波

利用像素领域灰度值的中值代替该点的灰度值，中值滤波可以去除椒盐噪声和斑点噪声。

涉及函数：

cv2.medianBlur()

参数说明：

• 参数1：原图
• 参数2：核大小

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('medianBlur.png',cv2.IMREAD_UNCHANGED)  # 原图含有椒盐噪声
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
media = cv2.medianBlur(img,5)

plt.subplot(1,2,1),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(media),plt.title("media")
plt.xticks([]),plt.yticks([])

plt.show()

五、双边滤波

具有保边去噪的功能。

涉及函数：

bilateralFilter()

参数说明：

• 参数1：原图
• 参数2：像素的领域直径，d
• 参数3：灰度值相似性高斯函数标准差，sigma
• 参数4：空间高斯函数标准差，sigma

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； d>0时，由d指定邻域直径； d<=0时，d会自动由sigmaSpace的值确定，且d与sigmaSpace成正比。

import cv2
import matplotlib.pyplot as plt
img = cv2.imread('dog.jpg',cv2.IMREAD_UNCHANGED)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

blur = cv2.bilateralFilter(img,-1,50,20)

plt.subplot(1,2,1),plt.imshow(img),plt.title('original')
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(blur),plt.title('blurred')
plt.xticks([]),plt.yticks([])
plt.show()

六、直方图均衡化

 直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布（近均匀分布）的新图像的方法。

主要思想是：将图像中像素个数多的灰度级进行展宽，像素个数少的灰度级进行缩减。

在一定程度上可以实现清晰图像的作用。

涉及函数：

cv2.equalizeHist()

参数说明：

参数1：待均衡化图像。

案列1：针对灰度图处理。

import cv2

img = cv2.imread("cat.jpg",0)
cv2.imshow("src", img)
cv2.waitKey(0)

img_equal = cv2.equalizeHist(img)

cv2.imshow("img_equal", img_equal)
cv2.waitKey(0)
cv2.destroyAllWindows()

案例2：针对彩色图像处理。

import cv2

img = cv2.imread("cat.jpg", 1)
cv2.imshow("src", img)

# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)

result = cv2.merge((bH, gH, rH))

cv2.imshow('res', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结：从上面可以看出，直方图均衡化可以将一张图从暗变亮。

七、Gamma变化

Gamma变换是对输入图像灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系。

Gamma变换用来图像增强，提升暗部细节。对漂白（相机曝光）或过暗（曝光不足）的图片，进行校正。让图像从曝光强度的线性响应变得更接近人眼感受的响应。

import cv2
import numpy as np

img = cv2.imread('cat.jpg')

def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0 / gamma
    table = []
    for i in range(256):
        table.append(((i / 255.0) ** invGamma) * 255)
    table = np.array(table).astype("uint8")
    print(table)
    return cv2.LUT(image, table)

# gamma大于0和小于1的时候图像会比原图更暗
# gamma大于1的时候，图像会比原图更亮
img_gamma = adjust_gamma(img, 0.8)
# print(img_gamma)
cv2.imshow("img", img)
cv2.imshow("img_gamma", img_gamma)
cv2.waitKey(0)
cv2.destroyAllWindows()

 gamma=0.8

gamma=1.4