平滑图像
学习模糊/平滑图像,消除噪点
目录
任务
1.模糊/平滑图片来消除图片噪声
2.OpenCV函数:cv2.blur(),cv2.GaussianBlur(),cv2.medianBlur(),cv2.bilateralFilter()
滤波与模糊
先接触了部分卷积知识,有助于理解卷积与滤波的概念
首先
它们都属于卷积,不同滤波方法之间只是卷积核不同(对线性滤波而言)
低通滤波器是模糊,高通滤波器是锐化
低通滤波器就是允许低频信号通过,在图像中边缘和噪点都相当于高频部分,所以低通滤波器用于去除噪点、平滑和模糊图像
高通滤波器则反之,用来增强图像边缘,进行锐化处理
常见噪声有椒盐噪声和高斯噪声,
椒盐噪声可以理解为斑点,随机出现在图像中的黑点或白点;
高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声
均值滤波
均值滤波是一种最简单的滤波处理,它取的是卷积核区域内元素的均值
用cv2.blur()实现
如3×3的卷积核
img = cv2.imread('lena.jpg')
blur = cv2.blur(img, (3, 3)) # 均值模糊
所有的滤波函数都有一个可选参数borderType,这个参数就是之前所说的边框填充方式
方框滤波
方框滤波跟均值滤波很像
cv2.boxFilter()
当可选参数normalize为True的时候,方框滤波就是均值滤波,上式中的a就等于1/9;
normalize为False的时候,a=1,相当于求区域内的像素和
# 前面的均值滤波也可以用方框滤波实现:normalize=True
blur = cv2.boxFilter(img, -1, (3, 3), normalize=True)
高斯滤波
前面两种滤波方式,卷积核内的每个值都一样,也就是说图像区域中每个像素的权重也就一样
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小
显然这种处理元素间权值的方式更加合理一些
图像为二维,所以opencv用二维高斯函数
比如OpenCV中默认的3×3的高斯卷积核
k= [ 0.0625 0.125 0.0625
0.125 0.25 0.125
0.0625 0.125 0.0625 ]
一维高斯函数:
二维高斯函数:
可以看到,G(x)的跟sigma的取值有极大的关系
可以看到,权值的分布是以中间高四周低来分布的。并且距离中心越远,其对中心点的影响就越小,权值也就越小。
因此可以总结:
(1)在核大小固定的情况下,sigma值越大,权值分布越平缓。因此,邻域各个点的值对输出值的影响越大,最终结果造成图像越模糊。
(2)在核大小固定的情况下,sigma值越小,权值分布越突起。因此,邻域各个点的值对输出值的影响越小,图像变化也越小。假如中心点权值为1,其他点权值为0,那么最终结果是图像没有任何变化。
(3)sigma固定时,核越大图像越模糊。
(4)sigma固定时,核越小图像变化越小
OpenCV中对应函数为cv2.GaussianBlur(src,ksize,sigmaX)
img = cv2.imread('gaussian_noise.bmp')
# 均值滤波vs高斯滤波
blur = cv2.blur(img, (5, 5)) # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波
参数3 σx值越大,模糊效果越明显。高斯滤波相比均值滤波效率要慢,但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。均值滤波与高斯滤波的对比结果如下(均值滤波丢失的细节更多)
中值滤波
中值又叫中位数,是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值,所以那种孤立的斑点,如0或255很容易消除掉,适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作,效率相比前面几种线性滤波要慢
如下面这张斑点噪声图,用中值滤波显然更好
img = cv2.imread('salt_noise.bmp', 0)
# 均值滤波vs中值滤波
blur = cv2.blur(img, (5, 5)) # 均值滤波
median = cv2.medianBlur(img, 5) # 中值滤波
双边滤波
模糊操作基本都会损失掉图像细节信息,尤其前面介绍的线性滤波器,图像的边缘信息很难保留下来。然而,边缘(edge)信息是图像中很重要的一个特征,所以这才有双边滤波
用cv2.bilateralFilter()实现
img = cv2.imread('lena.jpg')
# 双边滤波vs高斯滤波
gau = cv2.GaussianBlur(img, (5, 5), 0) # 高斯滤波
blur = cv2.bilateralFilter(img, 9, 75, 75) # 双边滤波
双边滤波明显保留了更多边缘信息
高斯滤波同时参考