一、算法理论介绍
1.1 均值滤波、方框滤波
1.1.1 滤波分类
-
线性滤波:
- 对邻域中的像素的计算为线性运算时,如利用窗口函数进行平滑加权求和的运算,或者某种卷积运算,都可以称为线性滤波。常见的线性滤波有:均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等,通常线性滤波器之间只是模版系数不同 非线性滤波:
- 非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果,如最值滤波器,中值滤波器。比较常用的有中值滤波器和双边滤波器
1.1.2 盒子滤波
方框滤波是一种非常有用的线性滤波,也叫盒子滤波,均值滤波就是盒子滤波归一化的特殊情况。
应用: 可以说,一切需要求某个邻域内像素之和的场合,都有方框滤波的用武之地,比如:均值滤波、引导滤波、计算Haar特征等等。
优势: 就一个字:快!它可以使复杂度为O(MN)的求和,求方差等运算降低到O(1)或近似于O(1)的复杂度,也就是说与邻域尺寸无关了,有点类似积分图吧,但是比积分图更快(与它的实现方式有关)
1.1.3 均值滤波
-
均值滤波的应用场合:
- 根据冈萨雷斯书中的描述, 均值模糊可以模糊图像以便得到感兴趣物体的粗略描述,也就是说,去除图像中的不相关细节,其中“不相关”是指与滤波器模板尺寸相比较小的像素区域,从而对图像有一个整体的认知。即为了对感兴趣的物体得到一个大致的整体的描述而模糊一幅图像,忽略细小的细节。 均值滤波的缺陷:
- 均值滤波本身存在着固有的缺陷, 即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。特别是椒盐噪声。
均值滤波是上述方框滤波的特殊情况,均值滤波方法是:对待处理的当前像素,选择一个模板,该模板为其邻近的若干个像素组成,用模板的均值(方框滤波归一化)来替代原像素的值。公式表示为
g(x,y)为该邻域的中心像素,n跟系数模版大小有关,一般3*3邻域的模板,n取为9,如:
[[1, 1, 1],
[1, 1, 1],
[1, 1, 1]]
当然,模板是可变的,一般取奇数,如5 * 5 , 7 * 7等等。
注:在实际处理过程中可对图像边界进行扩充,扩充为0或扩充为邻近的像素值
1.1.4 高斯滤波
-
应用:
- 高斯滤波是一种线性平滑滤波器,对于服从正态分布的噪声有很好的抑制作用。在实际场景中, 我们通常会假定图像包含的噪声为高斯白噪声,所以 在许多实际应用的预处理部分,都会采用高斯滤波抑制噪声,如传统车牌识别等。 高斯滤波和均值滤波一样,都是利用一个掩膜和图像进行卷积求解。不同之处在于:
- 均值滤波器的模板系数都是相同的为1,而高斯滤波器的模板系数,则随着距离模板中心的增大而系数减小(服从二维高斯分布)。所以,高斯滤波器相比于均值滤波器对图像个模糊程度较小,更能够保持图像的整体细节。
例如:要产生一个3×3的高斯滤波器模板,以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标,如下所示(x轴水平向右,y轴竖直向下)
这样,将各个位置的坐标带入到高斯函数中,得到的值就是模板的系数。 对于窗口模板的大小为 (2k+1)×(2k+1),模板中各个元素值的计算公式如下:
二、opencv实现
dst1 = cv2.blur(img, (3, 3));
#方框滤波
# 当normalize=False 表示对加和后的9个点,不进行求平均的操作,如果加和后的值大于255,
# 使用255表示
boxFilter_img_t = cv2.boxFilter(img, -1, (3, 3), normalize=True)
boxFilter_img_f = cv2.boxFilter(img, -1, (3, 3), normalize=False)
#高斯滤波
# 根据高斯的距离对周围的点进行加权,求平均值1,0.8, 0.6, 0.8
gaussian_img = cv2. GaussianBlur(img, (3, 3), 0.8);
# cv2.medianBlur #将9个数据从小到大排列,取中间值作为当前值
median = cv2.medianBlur(img, 3)
#创建窗口并显示
cv2.imshow("original", img)
cv2.imshow("blur", dst1)
cv2.imshow("boxFilter_img_t", boxFilter_img_t)
cv2.imshow("boxFilter_img_f", boxFilter_img_f)
cv2.imshow("gaussian_img", gaussian_img)
cv2.waitKey(0)