Datawhale_计算机视觉基础_图像处理(5)——图像滤波及opencv实现

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)